<![CDATA[Ransomware merupakan salah satu ancaman keamanan siber yang berkembang pesat dalam satu dekade terakhir. Serangan jenis ini tidak hanya mengakibatkan kerugian finansial, tetapi juga gangguan pada layanan publik dan infrastruktur digital. Deteksi dini terhadap aktivitas ransomware menjadi tantangan utama karena pola serangan yang cepat dan adaptif. Penelitian ini bertujuan untuk mengimplementasikan metode Shallow Learning dalam mendeteksi ransomware menggunakan dataset RanSAP. Dataset ini memuat pola akses penyimpanan dari aktivitas ransomware dan aplikasi normal (benign). Empat algoritma yang digunakan yaitu Support Vector Machine (SVM), Random Forest (RF), Decision Tree dan Logistic Regression (LR). Evaluasi dilakukan dengan confusion matrix untuk mengukur akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model SVM memiliki kinerja terbaik dengan akurasi 95%, diikuti RF dengan 93%, Desicion Tree 91% dan LR dengan 89%. Penelitian ini menunjukan bahwa Shallow Learning cukup efektif dalam mendeteksi pola perilaku ransomware.]]>
Copyrights © 2026
