Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JTERA (Jurnal Teknologi Rekayasa)
Reza Maulana
Universitas Negeri Sriwijaya
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Identifikasi Malware pada Jaringan Internet sebagai Tindakan Preventif untuk Ancaman Siber berbasis Deep Learning Husnawati Husnawati; Rian Rahmanda Putra; Faris Humam; Ica Admirani; Reza Maulana; M. Humam Fadholi; Bagus Ananta Hidayatullah; Abib Ardiansyah
JTERA (Jurnal Teknologi Rekayasa) Vol 11 No 1: Vol. 11 No. 1: Juni 2026
Publisher : Politeknik Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31544/jtera.v11.i1.2026.77-86

Abstract

Keamanan jaringan merupakan aspek krusial bagi penyedia layanan internet (Internet Service Provider/ISP), terutama dalam menghadapi ancaman malware yang terus berkembang. Malware merupakan perangkat berbahaya yang dirancang untuk menyerang sistem operasi atau mengeksploitasi kerentanan sistem. Ancaman ini dapat menyebabkan pencurian data penting dan kerugian signifikan bagi pengguna. Salah satu perusahaan yang bergerak di bidang jaringan dan sebagai penyedia layanan internet yang digunakan pada instansi pemerintahan di Sumatera Selatan, menghadapi permasalahan untuk meminimalkan risiko serangan malware pada jaringan yang mereka kelola. Sehingga pada penelitian ini dilakukan penerapan metode deep learning dengan algoritma Convolutional Neural Network (CNN) untuk mengidentifikasi dan mengklasifikasikan lalu lintas jaringan yang terindikasi malware. Proses dilakukan melalui tahap pengumpulan dataset lalu lintas jaringan, pra-pemrosesan data, pelatihan model CNN, serta evaluasi kinerja model. Hasil pengujian menunjukkan bahwa metode CNN mampu mendeteksi serangan malware dengan tingkat akurasi sebesar 83%, precision 83%, dan recall 82%. Penerapan metode ini memberikan sistem deteksi yang cepat dan akurat, sehingga server dan client dapat lebih waspada terhadap ancaman siber dan terhindar dari pencurian data krusial.
Co-Authors Abib Ardiansyah Bagus Ananta Hidayatullah Faris Humam Husnawati Husnawati Ica Admirani M. Humam Fadholi Rian Rahmanda Putra