ANALISIS PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING DALAM DETEKSI MALWARE TERHADAP SERANGAN ADVERSARIAL

Ridwan, Ahmad Fauji (2025) ANALISIS PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING DALAM DETEKSI MALWARE TERHADAP SERANGAN ADVERSARIAL. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (707kB)
	Text (BAB I) BAB I.pdf Download (127kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (587kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (166kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (65kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (143kB)
	Archive (SOURCE CODE) Sourcecode - 21.83.0612.zip Restricted to Repository staff only Download (4kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (612kB)

Abstract

Pertumbuhan ekosistem Android yang begitu pesat memicu meningkatnya jumlah aplikasi berbahaya; pada 2016 tercatat lebih dari 3,25 juta aplikasi terinfeksi, dan setiap 10 detik muncul satu varian malware baru, sehingga menjadikan deteksi sebagai tantangan yang sangat krusial. Model machine learning (ML) efektif dalam klasifikasi malware, namun rentan terhadap serangan adversarial khususnya poisoning attack yang memanipulasi data pelatihan dan menurunkan akurasi deteksi hingga melewatkan sampel berbahaya. Kelemahan ini merusak keutuhan sistem keamanan siber dan menghadirkan ancaman signifikan bagi pengguna serta sektor industri. Penelitian ini memanfaatkan dataset Android Malware dari Kaggle, berfokus pada sekumpulan fitur berupa izin aplikasi (semua atribut “android.permission.*”) serta dilengkapi label klasifikasi benign dan malicious. Data dipra‑proses (seleksi fitur, standardisasi), lalu dibagi 70:30 untuk latih‑uji. Tiga algoritma ML diuji: Support Vector Machine (SVM), Random Forest (RF), dan Decision Tree (DT). Simulasi poisoning attack diterapkan pada data latih dengan rasio 5 %, 10 %, 20 %, dan 30 %. Setiap model dilatih ulang pada data terpoison lalu dievaluasi menggunakan metrik akurasi, precision, recall, dan F1‑score untuk menganalisis penurunan performa. Eksperimen mengungkapkan bahwa Random Forest (RF) menunjukkan ketahanan tertinggi, dengan akurasi stabil di kisaran 91 % dan F1‑score untuk kelas malicious sebesar 84 % pada berbagai rasio poisoning; Decision Tree (DT) menempati posisi kedua dengan akurasi sekitar 90 % dan F1‑score malicious 83 %; sebaliknya, Support Vector Machine (SVM) mengalami penurunan (akurasi turun ke 87 %, F1 malicious 76 % pada 30 % poisoning). Kontribusi penelitian ini adalah panduan pemilihan algoritma ML tahan kontaminasi data untuk deteksi malware. Hasil bermanfaat bagi praktisi keamanan siber dan peneliti ML dalam merancang sistem deteksi lebih andal. Rekomendasi penelitian lanjut: integrasi teknik mitigasi poisoning dan validasi data otomatis.

Actions (login required)

View Item