<![CDATA[Dalam era digital yang semakin terhubung, ancaman siber terus berkembang seiring meningkatnya jumlah dan kompleksitas varian malware, termasuk malware dengan karakteristik polymorphic dan metamorphic yang mampu menghindari sistem deteksi konvensional. Pendekatan deteksi malware berbasis tanda tangan masih banyak digunakan karena efisiensinya, namun sangat bergantung pada pembaruan tanda tangan yang umumnya dilakukan secara manual dan memerlukan waktu serta keahlian tinggi. Penelitian ini mengusulkan pendekatan otomatis dalam pembentukan signature metadata malware berbasis analisis statis dan pembelajaran mesin. Dataset yang digunakan terdiri dari 5.000 file Portable Executable (PE) yang seimbang antara malware dan benign. Ekstraksi metadata dilakukan terhadap struktur PE, entropi, dan informasi API, yang selanjutnya diklasifikasikan menggunakan algoritma Random Forest dan Gradient Boosting. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai akurasi sebesar 96,2% dengan F1-score 0,96, sedangkan Gradient Boosting mencapai akurasi 95,4%. Selain itu, sistem mampu menghasilkan signature metadata secara otomatis dengan waktu pemrosesan kurang dari 2 detik per sampel, serta menunjukkan konsistensi tinggi dalam mendeteksi malware dari keluarga yang sama menggunakan aturan YARA. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan efisiensi dan adaptivitas sistem deteksi malware, serta berpotensi mendukung respons cepat terhadap evolusi ancaman siber modern.]]>
Copyrights © 2026
