Perpustakaan Digital ITB

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.