<![CDATA[Android, sistem operasi yang dikembangkan oleh Google, mendominasi pasar global dengan pangsa sebesar 71,8% pada akhir tahun 2023. Meskipun keberhasilan ini didorong oleh sifat open-source dan berbagai aplikasi di Google Play Store, Android juga menjadi target utama bagi serangan malware, dengan 97% dari semua serangan malware pada tahun 2022 ditujukan pada perangkat Android. Malware juga kian waktu terus mengalami peningkatan yang menjadikannya semakin sulit untuk dideteksi. Maka dari itu diperlukan metode deteksi yang andal. Pada bidang IT saat ini, machine learning telah menunjukkan hasil yang cukup efisien dalam mendeteksi malware. Penulis mengusulkan metode Algoritma XGBoost sebagai pendekatan klasifikasi malware Android. Dalam penelitian ini, dilakukan penerapan teknik Feature Selection, yaitu Recursive Feature Elimination (RFE) dan Multicollinearity Removal (MR), untuk mengurangi dimensi data dan meningkatkan performa model. Pengujian dilakukan dengan membandingkan kinerja model XGBoost sebelum dan sesudah penerapan Feature Selection. Hasil evaluasi menggunakan classification report dan confusion matrix menunjukkan bahwa model XGBoost yang menerapkan Feature Selection berhasil mencapai Validation Accuracy sebesar 98%, Detection Accuracy sebesar 98%, Precision sebesar 98%, Recall sebesar 98%, dan F1-Score sebesar 98%. Model tanpa Feature Selection hanya mencapai nilai 97% pada metrik yang sama.]]>
Copyrights © 2025
