EPrints Universitas Amikom YogyakartaKOMPARASI ALGORITMA SVM DAN KNN DALAM MENDETEKSI OBFUSCATED MALWAREMaftukh ZakiMubarokauthorPerkembangan teknik obfuscation pada malware modern telah menjadi tantangan signifikan bagi sistem keamanan siber, di mana malware mampu menyamarkan kode berbahaya untuk menghindari deteksi antivirus tradisional berbasis signature. Oleh karena itu, pendekatan analisis dinamis melalui forensik memori menjadi solusi alternatif yang krusial. Penelitian ini bertujuan untuk mengkomparasi kinerja dua algoritma Supervised Machine Learning, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN), dalam mendeteksi obfuscated malware. Dataset yang digunakan adalah CIC-MalMem-2022 dan MalwareMemoryDump yang berisi fitur-fitur ekstraksi memori dari berbagai jenis malware (Spyware, Ransomware, Trojan) dan aplikasi benigna. Metodologi penelitian meliputi tahap preprocessing data, normalisasi fitur menggunakan Standard Scaler, dan pelatihan model dengan pembagian data latih dan uji sebesar 80:20. Hasil pengujian menunjukkan bahwa algoritma [Model Terbaik, misal: SVM] memiliki performa yang lebih unggul dengan akurasi mencapai [...%], dibandingkan algoritma [Model Lain] yang memperoleh akurasi [...%]. Namun, dari segi waktu komputasi, algoritma [Model Tercepat] terbukti lebih efisien. Penelitian ini menyimpulkan bahwa metode Machine Learning berbasis memori efektif dalam mengidentifikasi malware yang tersamar, dengan [Model Terbaik] sebagai rekomendasi utama untuk deteksi yang memprioritaskan akurasi.005 Pemrograman komputer, program dan data2026-02-20Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.