ANALISIS EFEKTIVITAS ALGORITMA MACHINE LEARNING DALAM DETEKSI MALWARE ANDROID DENGAN STATISTICAL TESTS
DOI:
https://doi.org/10.35316/jimi.v9i2.124-133Kata Kunci:
Decision Tree, Machine learning, Malware, Neural Network, K-Nearest NeighborI.Abstrak
Karena ada begitu banyak aplikasi berbahaya di pasaran, deteksi malware Android telah muncul sebagai masalah keamanan siber yang penting. Dengan menggunakan dataset Drebin, yang terdiri dari 5.560 aplikasi berbahaya dan 9.476 aplikasi jinak, penelitian ini mencoba menilai seberapa baik tiga algoritme pembelajaran mesin - Jaringan Syaraf Tiruan (Neural Network), K-Nearest Neighbor (K-NN), dan Decision Tree - mendeteksi malware pada sistem operasi Android. Metode yang digunakan adalah dengan menguji performa ketiga algoritma tersebut berdasarkan Akurasi, Presisi, Recall, dan F1-Score. Hasilnya menunjukkan bahwa Neural Network memiliki akurasi tertinggi yaitu 98.7%, diikuti oleh K-NN dengan 97.7%, dan Decision Tree dengan 97.5%. Neural Network juga unggul dalam Precision, Recall, dan F1-Score dengan nilai masing-masing 98.4%, 98.1%, dan 98.2%. Meskipun perbedaan kinerja antara algoritme tidak signifikan secara statistik, hasilnya menunjukkan bahwa Neural Network menawarkan solusi terbaik untuk deteksi malware Android. Penelitian ini memberikan panduan dalam memilih algoritma yang sesuai untuk sistem keamanan berbasis Android.
Unduhan
Referensi
[1] A. Nur Iman, A. Budiyono, And A. Almaarif, “Analisis Malware Pada Sistem Operasi Android Menggunakan Permission-Based Malware Analysis In Android Operation System Using Permission-Based.”
[2] Y. Dwi Et Al., “Analisis Malware Menggunakan Metode Analisis Statis Dan Dinamis Untuk Pembuatan Ioc Berdasarkan Stix Versi 2.1.”
[3] N. Mclaughlin Et Al., “Deep Android Malware Detection,” In Codaspy 2017 - Proceedings Of The 7th Acm Conference On Data And Application Security And Privacy, Association For Computing Machinery, Inc, Mar. 2017, Pp. 301–308. Doi: 10.1145/3029806.3029823.
[4] P. Agrawal And B. Trivedi, “Unstructured Data Collection From Apk Files For Malware Detection,” 2020.
[5] D. Hindarto, R. Eko Indrajit, And E. Dazki, “Perbandingan Kinerja Akurasi Klasifikasi K-Nn, Nb Dan Dt Pada Apk Android,” Vol. 9, No. 1, Pp. 486–503, 2022, [Online]. Available: Http://Jurnal.Mdp.Ac.Id
[6] Ebtesam J. Alqahtani, Rachid Zagrouba, And Abdullah Almuhaideb, 2019 Sixth International Conference On Malicious Defined Systems (Sds) : 10-13 June, 2019, Rome, Italy. Ieee, 2019.
[7] D. T. Ananto Et Al., “Prosiding Seminar Nasional Lppm Umj Website: Http://Jurnal.Umj.Ac.Id/Index.Php/Semnaskat E-Issn: 2714-6286 Edukasi Dan Pelatihan Pengenalan Machine learning Dan Computer Vision Untuk Mengeksplorasi Potensi Visual.” [Online]. Available: Http://Jurnal.Umj.Ac.Id/Index.Php/Semnaskat
[8] A. Ramadhan, L. Lindawati, And M. M. Rose, “Komparasi Algoritma Neural Network Dan K-Nearest Neighbor Dalam Mendeteksi Malware Android,” Building Of Informatics, Technology And Science (Bits), Vol. 5, No. 1, Jun. 2023, Doi: 10.47065/Bits.V5i1.3538.
[9] B. Purnama Et Al., “Jepin (Jurnal Edukasi Dan Penelitian Informatika) Deteksi Malware Ransomware Menggunakan Deep Neural Network,” 2024.
[10] R. Turaina, R. Saputra, U. Metamedia, And J. Khatib Sulaiman Dalam No, “Optimalisasi Deteksi Malware Pada Platform Android Dengan Pendekatan Ensemble Machine learning,” Jurnal Nasional Komputasi Dan Teknologi Informasi (Jnkti), Vol. 7, No. 3, 2024.
[11] N. Nursobah, S. Lailiyah, B. Harpad, And M. Fahmi, “Penerapan Data Mining Untuk Prediksi Perkiraan Hujan Dengan Menggunakan Algoritma K-Nearest Neighbor,” Building Of Informatics, Technology And Science (Bits), Vol. 4, No. 3, Dec. 2022, Doi: 10.47065/Bits.V4i3.2564.
[12] N. Hadianto, H. B. Novitasari, And A. Rahmawati, “Klasifikasi Peminjaman Nasabah Bank Menggunakan Metode Neural Network,” Jurnal Pilar Nusa Mandiri, Vol. 15, No. 2, Pp. 163–170, Sep. 2019, Doi: 10.33480/Pilar.V15i2.658.
[13] V. Alvian, D. Hidayatullah, A. Nilogiri, H. Azizah, And A. Faruq, “Klasifikasi Siswa Berprestasi Menggunakan Metode K-Nearest Neighbor (Knn) Pada Sma Negeri 2 Situbondo Classification Of Achieving Students Using K-Nearest Neighbor (Knn) Method At Sma Negeri 2 Situbondo,” 2022. [Online]. Available: Http://Jurnal.Unmuhjember.Ac.Id/Index.Php/Jst
[14] P. Putra, A. M. H Pardede, And S. Syahputra, “Analisis Metode K-Nearest Neighbour (Knn) Dalam Klasifikasi Data Iris Bunga,” Jurnal Teknik Informatika Kaputama (Jtik), Vol. 6, No. 1, 2022.
[15] R. N. Ramadhon, A. Ogi, A. P. Agung, R. Putra, S. S. Febrihartina, And U. Firdaus, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Pelanggan Aktif Atau Tidak Aktif Pada Data Bank,” 2024.
Unduhan
Diterbitkan
Versi
- 2024-12-14 (2)
- 2024-12-14 (1)
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Ilmiah Informatika
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
