Deteksi Serangan Malware Menggunakan Metode Support Vector Machine

Simbolon, Hery Sanjaya (2025) Deteksi Serangan Malware Menggunakan Metode Support Vector Machine. Skripsi thesis, Program Studi Teknik Informatika.

	Text cover.pdf - Submitted Version Download (2MB)
	Text bab I.pdf - Submitted Version Download (1MB)
	Text bab II.pdf - Submitted Version Download (6MB)
	Text bab III.pdf - Submitted Version Download (4MB)
	Text bab IV.pdf - Submitted Version Restricted to Registered users only Download (5MB) | Request a copy
	Text bab V.pdf - Submitted Version Download (377kB)
	Text daftar pustaka.pdf - Submitted Version Download (1MB)
	Text lampiran.pdf - Submitted Version Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Pengembangan teknologi informasi yang pesat telah meningkatkan potensi ancaman terhadap keamanan sistem, salah satunya adalah serangan malware. Malware adalah perangkat lunak berbahaya yang memiliki kemampuan untuk mengganggu, merusak, atau mencuri data sistem komputer tanpa pengetahuan pengguna. Untuk mencegah kerusakan lebih lanjut pada sistem, deteksi aktivitas malware menjadi sangat penting. Tujuan dari penelitian ini adalah untuk membuat model klasifikasi yang dapat mengidentifikasi serangan malware berdasarkan perilaku proses sistem operasi saat menggunakan metode Support Vector Machine (SVM). Dataset yang digunakan memiliki 100.000 entri data yang memiliki 33 atribut yang menunjukkan aktivitas proses seperti penggunaan CPU, memori, dan konteks pergeseran. Pembagian data menjadi data latih dan data uji, analisis data exploratory (EDA) untuk memahami karakteristik data, preprocessing data untuk membersihkan dan menstandarisasi atribut, seleksi fitur berdasarkan korelasi untuk mengurangi kompleksitas model, dan pengembangan dan pelatihan model klasifikasi menggunakan SVM dengan kernel linear. Menggunakan confusion matrix dan metrik evaluasi seperti akurasi, precision, recall, dan skor F1, model dievaluasi. Hasil pengujian menunjukkan bahwa model SVM yang dibangun memiliki performa yang sangat baik dengan akurasi sebesar 99,57%, ketepatan sebesar 99,76%, recall sebesar 99,38%, dan skor F1 sebesar 99,57%. Model ini juga memiliki kemampuan untuk membedakan proses yang merupakan malware dari proses normal dengan jumlah kesalahan klasifikasi yang sangat kecil. Hasilnya menunjukkan bahwa SVM dapat melakukan deteksi malware berbasis perilaku proses sistem dengan cukup baik. Penelitian ini dapat berkontribusi pada pengembangan sistem keamanan otomatis yang dapat mendeteksi ancaman secara real-time dan membantu memperkuat pertahanan sistem terhadap serangan siber.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Malware, SVM, Klasifikasi, Security, Cyber: Malware, SVM, Classification, Security, Cyber
Subjects:	000 Karya Umum > 000-009 Ilmu Umum dan Komputer > 006.3 Kecerdasan Buatan
Divisions:	Fakultas Teknik dan Komputer > Teknik Informatika
Depositing User:	Susila Novmbrita
Date Deposited:	10 Nov 2025 02:53
Last Modified:	10 Nov 2025 02:53
URI:	http://repository.upbatam.ac.id/id/eprint/6938

Actions (login required)

View Item

Downloads