KOMPARASI 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