Perpustakaan Digital ITB

Seiring dengan berkembangnya teknologi informasi, berbagai ancaman di dunia maya semakin besar dimana ancaman ini sudah tidak mengenal waktu dan batas- batas konvensional negara. Berdasarkan monitoring terhadap 93 Mitra Honeynet BSSN yang meliputi sektor Pemerintah, Infrastruktur Kritis Nasional, dan Perguruan Tinggi, sepanjang tahun 2022 ditemukan terdapat dan 818.192 serangan malware. Adapun berdasarkan data statistik yang dikeluarkan oleh AV-TEST Institute, dalam kurun waktu 5 tahun terakhir telah terjadi peningkatan jumlah malware secara besar, dimana selama bulan Januari hingga bulan Agustus 2023 terdapat lebih dari 1.068 juta malware secara global. Hal ini menunjukkan bahwa ancaman malware bukanlah ancaman yang kecil dan dapat dipandang sebelah mata, mengingat dampak yang ditimbulkan memiliki potensi pencurian data sensitif, penghancuran data, dan gangguan terhadap operasi yang dapat berdampak luas. Oleh karena itu, penting untuk terus melakukan penelitian deteksi dan klasifikasi malware yang berkelanjutan untuk menghadapi ancaman ini. Deteksi malware adalah proses mengidentifikasi maupun mengklasifikasi perangkat lunak berbahaya (malware) yang dapat merugikan sistem komputer atau perangkat lainnya. Machine learning sering kali menjadi salah satu solusi keamanan siber yang memiliki kemampuan yang cukup efektif dalam mendeteksi malware. Penerapan machine learning dalam deteksi malware masih banyak menghadirkan tantangan. Salah satu tantangan yang sangat penting adalah pemilihan algoritma machine learning yang memiliki performa yang tinggi dalam mendeteksi perangkat lunak berbahaya. Naïve bayes merupakan salah satu algoritma machine learning yang dapat digunakan dalam melakukan deteksi dan klasifikasi malware. Dalam Naive Bayes, "naive" mengacu pada asumsi bahwa semua variabel prediktor (feature) tidak bergantung (independen) dari nilai feature lainnya pada suatu class variable tertentu. Dengan menganggap setiap feature independen maka kinerja prediktif classifier Naïve Bayes dapat dipengaruhi secara negatif oleh kehadiran atribut yang berlebihan dan memiliki dependensi dalam data training. Terdapat berbagai cara dalam meningkatkan kinerja classifier Naïve Bayes, yaitu menghapus features yang berkorelasi dengan menggunakan conditional independence, menggunakan Weighted Principal Component Analysis untuk meningkatkan performa naïve bayes, menggabungkan pembobotan feature ii (feature weighting) disertai kalibrasi Laplace, menggunakan Chi-Square sebagai seleksi feature yang disertai dengan Laplace Smoothing dan mengkombinasikan algoritma naïve bayes dengan algoritma lainnya menggunakan metode ensemble bagging, voting dan stacking. Dalam penelitian ini, penulis mengusulkan sebuah sistem deteksi yang memanfaatkan berbagai varian algoritma Naïve Bayes yang telah ditingkatkan dalam melakukan klasifikasi malware. Pengujian dilakukan dengan menggunakan dataset training dari ember dataset dan dataset testing dari honeynet BSSN. Adapun hasil eksperimen menunjukkan peninngkatan dalam tingkat akurasi, dimana pada algoritma base model naïve bayes menunjukan akurasi 50%, sementara akurasi tertinggi ditemukan pada metode Ensemble Stacking yang menggabungkan Naïve Bayes, KNN, dan Random Forest dengan tingkat akurasi mencapai 95.1%.