<![CDATA[Keamanan aplikasi Learning Management System (LMS) berbasis mobile menjadi perhatian utama seiring dengan meningkatnya penggunaan platform digital dalam kegiatan pembelajaran. Namun, pengujian keamanan secara manual dan metode fuzzing tradisional sering kali tidak efektif dalam mendeteksi kerentanan tersembunyi. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan model fuzzing berbasis Deep Reinforcement Learning (DRL) guna mengoptimalkan proses pengujian keamanan pada aplikasi LMS berbasis mobile dalam format APK. Model yang dikembangkan menggunakan algoritma Deep Q-Network (DQN) untuk mengeksplorasi komponen UI, intent, dan input dengan mengandalkan hasil analisis statis serta dataset payload dari OWASP dan FuzzDB. Sistem dikendalikan oleh agen DRL yang dilatih melalui interaksi bertahap dengan environment Appium dan ADB, dengan reward function yang mempertimbangkan pemicu API, deteksi crash, dan variasi aksi. Evaluasi dilakukan berdasarkan jumlah respon API yang dipicu, skenario crash yang dihasilkan, serta stabilitas dan konsistensi reward selama pelatihan. Hasil menunjukkan bahwa agen DRL mampu mempertahankan reward stabil di atas 500, memicu 11 crash unik, dan menjelajahi 95 aksi eksplorasi berbeda dengan jumlah aksi berulang yang minim. Penelitian ini menunjukkan bahwa pendekatan DRL dapat meningkatkan cakupan pengujian dan efektivitas deteksi kerentanan pada aplikasi LMS mobile. Temuan ini penting bagi pengembang dan institusi pendidikan dalam memperkuat keamanan aplikasi sebelum implementasi luas, serta berkontribusi pada pengembangan metode fuzzing otomatis berbasis kecerdasan buatan.]]>
