<![CDATA[Peningkatan penggunaan smartphone di Indonesia turut mendorong meningkatnya penyebaran malware pada perangkat Android. Serangan melalui file APK berbahaya sering kali menargetkan pengguna awam, sehingga dibutuhkan metode deteksi yang andal dan efisien. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma XGBoost dalam mendeteksi Android malware, serta menganalisis pengaruh seleksi fitur menggunakan Mutual Information terhadap akurasi model. Dataset yang digunakan adalah TUNADROMD, yang terdiri dari 241 fitur yang mencerminkan permission dan API yang digunakan aplikasi. Algoritma XGBoost diterapkan secara manual untuk memahami proses klasifikasinya, sedangkan hasilnya dibandingkan dengan model boosting lainnya seperti AdaBoost dan LightGBM. Pengujian dilakukan dengan jumlah fitur yang bervariasi untuk melihat pengaruh seleksi fitur terhadap performa model. Hasil penelitian menunjukkan bahwa seleksi fitur mampu meningkatkan efisiensi dan akurasi model secara signifikan, dan XGBoost memberikan performa yang kompetitif dibandingkan model lainnya. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi malware yang lebih efektif.]]>
Copyrights © 2025
