Oleh: Muhammad Fitra Kacamarga, S.Kom., M.T.I. (Faculty Member PJJ CS)

Di era digital saat ini, ancaman malware semakin masif. Serangan ini bisa mencuri data, merusak sistem, atau bahkan melumpuhkan seluruh jaringan perusahaan. Masalahnya, metode tradisional untuk mendeteksi malware seringkali lambat dan tidak cukup akurat.

Untuk itulah, riset ini hadir: menggunakan kecerdasan buatan (machine learning) untuk mengenali dan mengklasifikasikan malware secara otomatis dan efisien.

🧠 Dua Senjata Utama: ANN dan XGBoost

Penelitian ini menguji dua model pembelajaran mesin (machine learning) yang kuat:

  1. Artificial Neural Network (ANN) — meniru cara kerja otak manusia dalam mempelajari pola data.

  2. XGBoost — algoritma yang sangat efisien dalam membuat keputusan klasifikasi berdasarkan struktur data.

Tujuannya: mengetahui mana yang lebih unggul dalam mengidentifikasi malware dari data memori sistem komputer.

🧪 Metode Penelitian

  • Dataset: Menggunakan CIC-MalMem-2022 dari University of Brunswick, berisi data malware dan data normal (benign).

  • Preprocessing: Data dibersihkan dan disiapkan dengan Python, termasuk deteksi nilai kosong dan pengkategorian label.

  • Pembagian Data: Data dilatih dan diuji dalam tiga skenario: 70:30, 80:20, dan 90:10.

  • Modeling: ANN dan XGBoost digunakan untuk mengklasifikasi jenis malware seperti Trojan Horse, Spyware, dan Ransomware.

📊 Hasil yang Mengesankan

  • Model ANN menghasilkan akurasi setinggi 99,49% pada data pelatihan dan 99,58% pada data pengujian.

  • Model XGBoost bahkan lebih unggul, dengan akurasi mencapai 99,63% untuk pelatihan dan 99,68% untuk pengujian.

  • Keduanya menunjukkan tingkat presisi dan recall yang sangat tinggi, bahkan mencapai 100% dalam beberapa kasus.

🎯 Kesimpulan

Penggunaan machine learning untuk klasifikasi malware terbukti sangat efektif dan akurat. Model XGBoost sedikit lebih unggul dari ANN dalam hal akurasi dan stabilitas performa.

Dengan teknologi ini, kita bisa:

  • Meminimalkan risiko serangan malware

  • Meningkatkan kecepatan deteksi ancaman

  • Mengurangi ketergantungan pada metode deteksi manual yang lambat

📌 Solusi cerdas ini membawa harapan baru bagi dunia keamanan siber: cepat, akurat, dan adaptif terhadap serangan masa kini.

Sumber: Penelitian Dosen dan Mahasiswa PJJ CS

Editor: Pandu Dwi Luhur Pambudi, S.Kom., M.Kom., M.I.M

#BINUSRESEARCHPOINT #TEKNIKINFORMATIKA #COMPUTERSCIENCE #BINUS #BINUSUNIVERSITY