Artikel Terbaru

DETEKSI MALWARE ANDROID MENGGUNAKAN VISUALISASI GAMBAR DAN MACHINE LEARNING

Oleh   Degi Panju Anandia [23218304]
Kontributor / Dosen Pembimbing : Dr. Yusuf Kurniawan, S.T., M.T.;
Jenis Koleksi : S2 - Tesis
Penerbit : STEI - Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : malware Android, machine learning, visualisasi gambar.
Sumber :
Staf Input/Edit : karya  
File : 12 file
Tanggal Input : 2021-03-11 10:08:36

Generic placeholder image

Cover

PUBLIC

Generic placeholder image
Lembar Pengesahan

Terbatas
» ITB

Generic placeholder image
Pedoman Penulisan

Terbatas
» ITB

Generic placeholder image
BAB I

Terbatas
» ITB

Generic placeholder image
BAB II

Terbatas
» ITB

Generic placeholder image
BAB III

Terbatas
» ITB

Generic placeholder image
BAB IV

Terbatas
» ITB

Generic placeholder image
BAB V

Terbatas
» ITB

Generic placeholder image
BAB VI

Terbatas
» ITB

Generic placeholder image
Lampiran

Terbatas
» ITB

Generic placeholder image
Daftar Pustaka

Terbatas
» ITB


Kepopuleran smartphone Android menyebabkan cyber criminal banyak mengembangkan malware dalam platform ini. G DATA melaporkan terdapat lebih dari 4,18 juta malware Android pada tahun 2019 dengan rata - rata sekitar 11,500 malware Android baru muncul setiap hari. Teknik deteksi malware tradisional tidak lagi dapat diandalkan untuk mendeteksi malware yang baru dibuat dalam waktu singkat. Dalam beberapa tahun terakhir, teknik visualisasi malware diperkenalkan untuk mendeteksi malware. Teknik tersebut mampu mengklasifikasikan malware tanpa perlu melakukan analisis yang mendalam. Tahapan dari teknik ini adalah merubah file classes.dex yang berada dalam file apk ke bentuk gray scale image dan fitur image diekstrak menggunakan GIST descriptor. Fitur image tersebut kemudian diproses menggunakan machine learning untuk mengklasifikasikan malware. Beberapa penelitian telah dilakukan menggunakan teknik ini, akan tetapi masing - masing peneliti menggunakan dataset yang bersifat private dan berbeda - beda sehingga tidak bisa disimpulkan metode mana yang terbaik. Pada tesis ini penulis melakukan eksperimen untuk mendeteksi malware android menggunakan visualisasi gambar dengan dataset yang sudah tersedia untuk publik. Penulis menggunakan tiga algoritma machine learning yaitu k-nearest neighbor (KNN), Random Forest (RF), dan Artificial Neural Network (ANN) untuk mendapatkan algoritma dengan kinerja terbaik. Hasil percobaan menunjukkan bahwa algoritma RF menghasilkan kinerja paling baik dengan rincian akurasi mencapai 92,81%, presisi 88,88%, dan recall 83,72%. Waktu yang diperlukan untuk memproses keseluruhan dataset yang terdiri dari 1,596 file apk adalah 43 menit 16,69 detik.