Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal Journal of Animation & Games Studies Proceeding of the Electrical Engineering Computer Science and Informatics Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Matrix : Jurnal Manajemen Teknologi dan Informatika Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Sewagati Jurnal Repositor
Lailatul Husniah
Universitas Muhammadiyah Malang
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Languange, Linguistic, Communication & Media Mechanical Engineering Public Health Social Sciences Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Klasifikasi Malware Android Dengan Menggunakan Metode XGBoost Algoritma Taufik Abdul Aziz; Zamah Sari; Lailatul Husniah
Jurnal Repositor Vol. 7 No. 1 (2025): Februari 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i1.36564

Abstract

Android, sistem operasi yang dikembangkan oleh Google, mendominasi pasar global dengan pangsa sebesar 71,8% pada akhir tahun 2023. Meskipun keberhasilan ini didorong oleh sifat open-source dan berbagai aplikasi di Google Play Store, Android juga menjadi target utama bagi serangan malware, dengan 97% dari semua serangan malware pada tahun 2022 ditujukan pada perangkat Android. Malware juga kian waktu terus mengalami peningkatan yang menjadikannya semakin sulit untuk dideteksi. Maka dari itu diperlukan metode deteksi yang andal. Pada bidang IT saat ini, machine learning telah menunjukkan hasil yang cukup efisien dalam mendeteksi malware. Penulis mengusulkan metode Algoritma XGBoost sebagai pendekatan klasifikasi malware Android. Dalam penelitian ini, dilakukan penerapan teknik Feature Selection, yaitu Recursive Feature Elimination (RFE) dan Multicollinearity Removal (MR), untuk mengurangi dimensi data dan meningkatkan performa model. Pengujian dilakukan dengan membandingkan kinerja model XGBoost sebelum dan sesudah penerapan Feature Selection. Hasil evaluasi menggunakan classification report dan confusion matrix menunjukkan bahwa model XGBoost yang menerapkan Feature Selection berhasil mencapai Validation Accuracy sebesar 98%, Detection Accuracy sebesar 98%, Precision sebesar 98%, Recall sebesar 98%, dan F1-Score sebesar 98%. Model tanpa Feature Selection hanya mencapai nilai 97% pada metrik yang sama.
Co-Authors Achmad Holil Noor Ali Ahmad Hamdani Akbi, Denar Regata Alfian Hanafi Ali Akbar Montazeri Ali Sofyan Ali Sofyan Kholimi Amruzi Nugrahardiawan Andi Nagoro Syahputra Andika Eko Kristanto Arif Djunaidy Aulia Sidharta, Hanugra Azzmi. H., M. Naufal Bayu Fajar Pratama Catur Rahmadani Nuari Diah Risqiwati Divka, Princessa Sissy Eko Budi Cahyono Eko Mulyanto Yuniarno Elbert Setiadharma Fannani, Firdaus Fendy Saputro Firdaus Fannani Gita Indah Marthasari Gusti Alfian M. P Hamdani, Ahmad Hapzi Ali Hardianto Wibowo Hazmi Rizky Kristanto, Andika Eko Mahendra, Rizky Ade Mairissa Anggraini Maskur, M Matahari Bhakti Nendya, Matahari Bhakti Mauridhi Hery Purnomo Muhammad Fajarruddin Naufal Azzmi Nawang Sulistyani Nova Eka Budiyanta Prasetiyono, Sugeng Rahmanisa, Fathia Raras Tyasnurita Rizky Ade Mahendra Rizqi Nidzar Achmadi Saputro, Fendy Sugeng Prasetiyono SUGIYANTO Syahputra, Andi Nagoro Syauqi Hidayatul Hakim Taufik Abdul Aziz Tirto Adhi Triambodo Umi Laili Yuhana Vicky Novreza Wildan Suharso Wiwik Anggraeni Yuda Munarko Zamah Sari