Claim Missing Document
Check
Articles

Found 2 Documents
Search

Shellcode Classification with Machine Learning Based on Binary Classification Semendawai, Jaka Naufal; Stiawan, Deris; Pahendra, Iwan
Jurnal Indonesia Sosial Teknologi Vol. 6 No. 2 (2025): Jurnal Indonesia Sosial Teknologi
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jist.v6i2.3233

Abstract

The Internet can link one person to another using their respective devices. The internet itself has both positive and negative impacts. One example of the internet's negative impact is malware that can disrupt or even kill a device or its users; that is why cyber security is required. Many methods can be used to prevent or detect malware. One of the efforts is to use machine learning techniques. The training and testing dataset for the experiments is derived from the UNSW_NB15 dataset. K-Nearest Neighbour (KNN), Decision Tree, and Naïve Bayes classifiers are implemented to classify whether a record in the testing data is Shellcode or non-Shellcode attack. The KNN, Decision Tree, and Naïve Bayes classifiers achieve accuracy levels of 96.82%, 97.08%, and 63.43%, respectively. The results of this research are expected to provide insight into the use of machine learning in detecting or classifying malware or other types of cyber attacks.
Klasifikasi Shellcode Dengan Machine Learning Berbasis Klasifikasi Biner Naufal Semendawai, Jaka; Stiawan, Deris; Pahendra, Iwan
Jurnal Pendidikan Indonesia Vol. 5 No. 11 (2024): Jurnal Pendidikan Indonesia
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/japendi.v5i11.6291

Abstract

Internet dapat menghubungkan satu orang dengan orang lain dengan menggunakan perangkat masing-masing. Internet sendiri memiliki dampak positif dan negatif. Salah satu contoh dampak negatif dari internet adalah adanya malware yang dapat mengganggu atau bahkan merusak perangkat atau penggunanya; itulah mengapa keamanan siber diperlukan. Banyak cara yang dapat dilakukan untuk mencegah atau mendeteksi malware. Salah satunya adalah dengan menggunakan teknik machine learning. Dataset pelatihan dan pengujian untuk eksperimen ini berasal dari dataset UNSW_NB15. K-Nearest Neighbour (KNN), Decision Tree, dan Naïve Bayes diimplementasikan untuk mengklasifikasikan apakah sebuah record pada data testing merupakan serangan Shellcode atau non-Shellcode. Classifier KNN, Decision Tree, dan Naïve Bayes mencapai tingkat akurasi masing-masing sebesar 96.82%, 97.08%, dan 63.43%. Hasil dari penelitian ini diharapkan dapat memberikan wawasan mengenai penggunaan machine learning dalam mendeteksi atau mengklasifikasikan malwares atau jenis serangan siber lainnya