Perbandingan Kinerja Algoritma Machine Learning Deteksi Malware dengan Z-Score Normalization Hasil Terbaik pada Random Forest

Abstrak

Deteksi malware merupakan tantangan utama dalam dunia keamanan siber, terutama dengan meningkatnya kompleksitas dan variasi serangan. Pendekatan tradisional seringkali tidak mampu mengidentifikasi ancaman baru ini, sehingga machine learning (ML) menjadi solusi yang efektif. Tujuan dari penelitian ini untuk membandingkan kinerja tiga algoritma machine learning, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM), dalam mendeteksi malware pada dataset SOMLAP yang terdiri dari file eksekusi Windows. Pemrosesan data, penggunaan teknik SMOTE untuk ketidakseimbangan kelas, dan penilaian menggunakan metrik seperti akurasi, precision, recall, dan skor F1 adalah semua bagian dari metodologi penelitian. Penelitian ini juga menerapkan Z-Score Normalization untuk mengurangi pengaruh nilai-nilai ekstrem dalam data, yang membantu model menangani data dengan skala yang berbeda. Hasil penelitian memperlihatkan dimana Random Forest memiliki performa paling unggul dengan akurasi 99.16%, dilanjutkan oleh XGBoost dan SVM. Random Forest unggul dalam keseimbangan antara precision, recall, dan akurasi, menjadikannya algoritma yang paling efektif dalam mendeteksi malware. Penelitian ini menyarankan untuk pengembangan algoritma lebih lanjut dengan menggunakan teknik ensemble dan optimasi lainnya untuk meningkatkan akurasi deteksi malware di masa depan.

Identifier

• OpenAlex: https://openalex.org/W4417028889
• DOI: https://doi.org/10.33364/algoritma/v.22-2.3077