Claim Missing Document
Check
Articles

Found 1 Documents
Search

Klasifikasi Malware Dengan Machine Learning Andra Wijaya , Natnanael; Adi Prabowo , Wahyu; Yuniati, Trihastuti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan malware yang pesat menjadi tantangan besar bagi keamanan sistem informasi. Berdasarkan data G Data Security Labs, pada 2022 ditemukan lebih dari 50 juta jenis malware baru. Penelitian ini mengimplementasikan tiga algoritma machine learning yaitu Logistic Regression, XGBoost, dan Convolutional Neural Network (CNN) untukmengklasifikasikan malware melalui analisis data statis. Dataset terdiri dari 130.046 sampel malware dan benign yang diperoleh dari Kaggle serta VirusShare. Proses penelitian meliputi prapemrosesan data, pembagian dataset menjadi 80% data latih dan 20% data uji, pelatihan model, serta evaluasi kinerja menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan XGBoost sebagai model dengan performa terbaik dengan akurasi 99,31%, precision 99,30%, recall 99,33%, dan F1-score 99,31%. CNN berada di posisi kedua dengan akurasi 98,89%, precision 98,91%, recall 98,88%, dan F1- score 98,89%. Logistic Regression mencatat akurasi 96,11%, precision 96,07%, recall 96,15%, dan F1-score 96,11%. XGBoost terbukti menjadi model paling efektif dalam klasifikasi malware pada penelitian ini sehingga berpotensi meningkatkan akurasi dan efisiensi sistem deteksi malware.Kata kunci— Machine Learning, Logistic Regression, XGBoost, Convolutional Neural Network , Malware