KOMPARASI ALGORITMA SVM DAN KNN DALAM MENDETEKSI OBFUSCATED MALWARE

Mubarok, Maftukh Zaki (2026) KOMPARASI ALGORITMA SVM DAN KNN DALAM MENDETEKSI OBFUSCATED MALWARE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (248kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (483kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (249kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (147kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (119kB)
	Archive (SOURCE CODE) Sourcecode - 22.83.0872.zip Restricted to Repository staff only Download (9MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (610kB)

Abstract

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.

Actions (login required)

View Item