Ancaman keamanan siber semakin meningkat dengan berkembangnya jenis dan
variasi malware. Deteksi malware secara efektif menjadi kritis untuk
mempertahankan integritas dan keamanan data. Tradisionalnya, metode deteksi
malware bergantung pada tanda tangan berbasis definisi yang tidak efisien melawan
malware yang terus berevolusi. Oleh karena itu, pendekatan berbasis pembelajaran
mesin, khususnya yang menggunakan teknik pembelajaran mendalam, telah
menjadi subjek penting dalam penelitian keamanan siber. Studi ini menyajikan
implementasi dan evaluasi dari Deep Convolutional Generative Adversarial
Networks (DCGAN) untuk meningkatkan deteksi malware melalui generasi sampel
malware sintetis.
DCGAN, yang merupakan perluasan dari arsitektur Generative Adversarial
Networks (GAN), telah dikenal efektif dalam menghasilkan gambar sintetis yang
realistis. Dalam penelitian ini, DCGAN diadaptasi untuk menghasilkan gambar
malware yang memungkinkan pelatihan sistem deteksi malware yang lebih robust.
Model ini dilatih menggunakan dataset komprehensif yang berisi sampel malware
dan benign. Fokus utama adalah untuk menguji apakah sampel sintetis yang
dihasilkan oleh DCGAN dapat digunakan untuk meningkatkan efektivitas sistem
deteksi malware dalam mengidentifikasi varian malware yang baru dan tidak
diketahui sebelumnya.
Evaluasi model menunjukkan peningkatan yang signifikan dalam kemampuan
deteksi malware. Dengan penggunaan sampel sintetis dalam pelatihan, sistem
deteksi malware yang dihasilkan mencapai akurasi deteksi hingga 99.5%, dengan
precision dan recall yang sangat tinggi. Hal ini menunjukkan bahwa integrasi
sampel sintetis dalam dataset pelatihan dapat memperkaya variasi data dan
memperkuat model terhadap teknik penghindaran yang sering digunakan oleh
malware modern.