Optimasi Hyperparameter Algoritma Random Forest Pada Klasifikasi Malware Android Berbasis Website Menggunakan Bayesian Optimization Tuning
Tahun 2026 · Penulis: Muhammad Muhtadin Nurilhaq
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/13966
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Android merupakan sistem operasi smartphone paling dominan di dunia dengan pangsa pasar global lebih dari 74% sejak tahun 2019. Popularitas tersebut menjadikan Android sebagai target utama serangan malware yang dapat menyalahgunakan perangkat pengguna secara masif. Salah satu modus serangan yang paling umum dan berbahaya adalah malware yang menyamar sebagai aplikasi sah melalui paket aplikasi Android, sehingga sulit dideteksi oleh pengguna awam. Kondisi ini mendorong kebutuhan mendesak terhadap sistem deteksi dini malware berbasis machine learning yang andal dan akurat. Penelitian ini memanfaatkan permissions sebagai fitur utama deteksi, mengingat perannya yang krusial dalam mengakses berbagai sumber daya sensitif pada perangkat Android. Pendekatan yang diusulkan adalah klasifikasi malware menggunakan algoritma Random Forest pada dataset NATICUSdroid, yaitu dataset yang memuat permission native dan custom yang diekstrak dari 29.000 aplikasi Android, mencakup aplikasi jinak maupun malware. Guna meningkatkan performa model secara optimal, penelitian ini menerapkan teknik optimasi hyperparameter menggunakan Bayesian Optimization Tuning. Hasil eksperimen menunjukkan bahwa model Random Forest tanpa optimasi mampu menghasilkan Accuracy sebesar 96,950%, F1-Score 96,620%, dan ROC_AUC 99,100%. Setelah diterapkan Bayesian Optimization Tuning, performa model mengalami peningkatan yang signifikan menjadi Accuracy 97,392%, F1-Score 97,368%, dan ROC_AUC 99,430%. Rata-rata peningkatan pada seluruh metrik evaluasi mencapai 0,506% dibandingkan model tanpa optimasi. Berdasarkan hasil tersebut, penelitian ini menyimpulkan bahwa Bayesian Optimization Tuning terbukti efektif dan signifikan dalam mengoptimasi hyperparameter algoritma Random Forest untuk deteksi malware pada aplikasi Android berbasis dataset NATICUSdroid, sehingga menghasilkan model klasifikasi yang lebih akurat dan dapat diandalkan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,832
Tahun 2025 · Penulis: Imanuel Agung Praja Romuty
Implementasi MobileNetV2 dengan Preprocessing Esrgan untuk Klasifikasi Tumor Kulit Pada Aplikasi Android
Kulit merupakan organ terbesar yang berperan penting dalam melindungi tubuh dari berbagai ancaman eksternal. Salah satu penyakit serius pada kulit adalah tumor, yang dapat bersifat jinak (benign) maupun ganas (malignant). Deteksi dini terhadap tumor kulit sang
- Cosine 0,824
Tahun 2026 · Penulis: Kevin Elvio Chrisselin Purwanto
Pengembangan Model Klasifikasi Phising URL Menggunakan Xgboost Dan Feature Selection Dengan Pengintegerasian Pada Ekstensi Browser
Pesatnya perkembangan teknologi informasi telah memicu peningkatan ancaman keamanan siber, salah satunya adalah *phishing*. Serangan *phishing* dilakukan dengan menggunakan tautan atau situs web palsu yang menyerupai situs web resmi untuk mencuri informasi sen
- Cosine 0,822
Tahun 2026 · Penulis: Tantra Wahyudi
Implementasi Sistem Deteksi Sentimen Berbasis Aspek untuk Ulasan Smartphone Menggunakan Metode Support Vector Machine (Studi kasus: iPhone 17 Pro)
Pengguna internet Indonesia telah menghasilkan jutaan ulasan smartphone di YouTube, yang sebagian besar ditulis dalam bahasa informal yang sangat tinggi yang berisi singkatan, typos, dan sarkasme, membuat analisis otomatis sangat menantang sistem konvensional.