TY  - THES
A1  - Mubarok, Maftukh Zaki
ID  - universitasamikomyogyakarta32788
PB  - Universitas AMIKOM Yogyakarta
N2  - Perkembangan 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.
Y1  - 2026/02/20/
UR  - https://eprints.amikom.ac.id/id/eprint/32788/
TI  - KOMPARASI ALGORITMA SVM DAN KNN DALAM
MENDETEKSI OBFUSCATED MALWARE
AV  - restricted
KW  - Cyber Security
KW  -  Obfuscated
Malware
KW  -  Machine Learning
KW  -  Support Vector Machine (SVM)
KW  -  K-Nearest Neighbor
(KNN)
KW  -  Forensik Memori
KW  -  Memory Forensics.
M1  - bachelor
ER  -