<![CDATA[Peningkatan jumlah dan kompleksitas malware menjadi tantangan utama dalam keamanan siber dan forensik digital. Metode deteksi berbasis signature memiliki keterbatasan dalam mengenali varian malware baru, sehingga diperlukan pendekatan berbasis Machine Learning. Penelitian ini bertujuan menganalisis efektivitas algoritma Machine Learning untuk deteksi malware menggunakan dataset forensik digital EMBER2024. Metode penelitian menggunakan pendekatan kuantitatif eksperimental dengan kerangka kerja CRISP-DM. Tiga algoritma yang dibandingkan, yaitu Random Forest, Support Vector Machine (SVM), dan Extreme Gradient Boosting (XGBoost), dievaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan ROC-AUC melalui skema 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa seluruh algoritma memiliki performa yang tinggi, dengan XGBoost memberikan hasil terbaik dalam mendeteksi malware. Temuan ini menunjukkan bahwa pendekatan ensemble learning lebih efektif dalam mengenali pola malware yang kompleks dan berpotensi mendukung sistem deteksi malware serta proses investigasi forensik digital secara lebih akurat.]]>
Copyrights © 2026
