PERBANDINGAN MODEL DECISION TREE DAN RANDOM FOREST UNTUK KLASIFIKASI SERANGAN MALWARE

Ma’arif, Haidar Ahmad (2023) PERBANDINGAN MODEL DECISION TREE DAN RANDOM FOREST UNTUK KLASIFIKASI SERANGAN MALWARE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (238kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (441kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (599kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (379kB)
	Text (BAB V) BAB V.pdf Download (79kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (158kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Serangan malware menjadi semakin meningkat seiring dengan meningkatnya jumlah penggunaan internet dan aplikasi yang terjadi. Oleh karena itu, diperlukan metode deteksi yang efektif untuk mengidentifikasi serangan malware . Salah satu metode yang dapat digunakan adalah machine learning.. Pembelajaran mesin atau Machine learning (ML) adalah suatu bidang studi atau bidang keilmuan yang mencakup perencanaan dan pengembangan algoritma yang memampukan suatu komputer dapat mengembangkan perilaku berdasakan data empiris. Di dalam pembelajaran mesin atau machine learning (ML) terdapat dua algoritma yaitu pohon keputusan atau Decision Tree (DT) dan hutan acak atau Random Forest (RF). Pohon Keputusan atau Decision Tree (DT) adalah teknik representasi sederhana dari klasifikasi merupakan proses pembelajarn suatu fungsi yang bertujuan memetakan tiap-tiap atribut dan menghasilkan sebuah keputusan. Hutan Acak atau Random Forest (RF) adalah suatu algoritma yang digunakan untuk klasifikasi data dalam jumlah yang sangat besar dan merupakan gabungan dari pohon (tree) dari model pohon keputusan atau Decision Tree Dalam penelitian ini, kami menganalisis kinerja model Decision Tree dan model Random Forest dalam mendeteksi serangan malware. Dengan bantuan feature selection yaitu Select K best untuk memilih fitur-fitur yang memiliki nilai korelasi tinggi. Dari hasil kinerja diketahui terdapat 10 fitur yang paling berkorelasi yaitu Image Base, Check Sum, SizeOf Stack Commit, Size Of Stack Reserve, Size Of Uninitialized Data, Load Configuration Size,Size Of Initialized Data,Resources Max Size,Size Of Heap Reserve dan Loader Flags Kedua model ini diuji dengan menggunakan data malware yang terdiri dari fitur-fitur yang telah terseleksi.Dan hasil analisis menunjukkan bahwa Random Forest memiliki akurasi 98.2% unggul dari Decision Tree 97.4%.

Actions (login required)

View Item