Seleksi Fitur Relieff Pada Klasifikasi Malware Android Menggunakan Support Vector Machine(SVM)
Article Sidebar
Main Article Content
Abstract
Seiring berkembangnya jaman perkembangan malware android terus mengalami peningkatan setiap tahunnya.Machine Learning adalah salah satu teknik yang bisa kita gunakan dalam melakukan analisa malware android dengan 2 model pendekatan statis dan dinamis.Penulis menggunakan Support Vector Machine(SVM) untuk proses klasifikasiannya dan menggunakan kernel RBF. Fitur yang digunakan dalam penelitian ini adalah Permission dan Broadcast Receiver. Untuk menambah hasil akurasinya digunakan metode Seleksi Fitur Relieff. Dan Seleksi Fitur pembandingnya adalah Chi-Square(CHI),Correlation-based Feature Selection(CFS), dan Gain Ratio(GR). Hasil dari Seleksi Fitur Relieff akan di evaluasi dengan Seleksi Fitur pembandingnya serta juga dengan hasil klasifikasi tanpa menggunakan Seleksi Fitur. Akurasi klasifikasi Seleksi Fitur Relieff menghasilkan 33.33333%, hasil akurasi Seleksi Fitur pembanding lainnya juga memberikan hasil sama dengan Seleksi Fitur Relieff. Sedangkan hasil klasifikasi tanpa Seleksi Fitur memberikan hasil yang cukup tinggi yaitu 95%. Hasil pengujian menunjukkan bahwa Seleksi Fitur tidak cocok digunakan dengan data yang sedikit karna memberikan hasil yang jauh lebih rendah dari tanpa menggunakan Seleksi Fitur.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
V. Wahanggara and Y. Prayudi, “Sistem Deteksi Malicious Software Berbasis System Call untuk Klasifikasi Barang Bukti Digital Menggunakan Metode Support Vector Machine,” SENTRA (Seminar Nas. Teknol. dan Rekayasa), no. July, pp. 1–8, 2015.
A. H. Muhammad, B. Sugiantoro, A. Luthfi, M. Teknik, I. Universitas, and I. Indonesia, “Abstrak,” no. 1, 2004.
L. Sayfullina et al., “Improved Naive Bayes Classifier for Android Malware Classification.”
T. S. Barhoom and M. I. Nasman, “Malware Detection Based on Permissions on Android Platform Using Data Mining,” J. Eng. Res. Technol., vol. 3, no. 3, pp. 51–57, 2016.
I. Martín, J. A. Hernández, and S. de los Santos, “Machine-Learning based analysis and classification of Android malware signatures,” Futur. Gener. Comput. Syst., vol. 97, pp. 295–305, 2019, doi: 10.1016/j.future.2019.03.006.
Bustami, “Penerapan Algoritma Naive Bayes,” J. Inform., vol. 8, no. 1, pp. 884–898, 2014.
H. Saputra, S. Basuki, and M. Faiqurahman, “Implementasi teknik seleksi fitur pada klasifikasi malware Android menggunakan support vector machine (SVM),” Repositor, vol. 1, no. 1, p. 1, 2019, doi: 10.22219/repositor.v1i1.1.
& K. Ridlo. A. F., “Analisis Implementasi Metode Klasifikasi Bayes Untuk Deteksi Malware Android,” no. x, pp. 1–11, 2012.
U. Pehlivan, N. Baltaci, C. Acarturk, and N. Baykal, “The analysis of feature selection methods and classification algorithms in permission based Android malware detection,” IEEE SSCI 2014 2014 IEEE Symp. Ser. Comput. Intell. - CICS 2014 2014 IEEE Symp. Comput. Intell. Cyber Secur. Proc., no. December, 2014, doi: 10.1109/CICYBS.2014.7013371.
Q. C. and Y. J. D. Zhang, H. Huang, A Comparison Study of Credit Scoring Models. Haikou: Third International Conference on Natural Computation (ICNC 2007), 2007.