Detail Cantuman

Perkembangan aplikasi Android yang pesat diikuti dengan meningkatnya jumlah malware yang mengancam keamanan pengguna. Tantangan utama dalam deteksi malware adalah kemiripan karakteristik antara aplikasi benign dan malware, serta adanya ketidakseimbangan distribusi data. Penelitian ini mengusulkan sistem deteksi malware Android berbasis static analysis dengan memanfaatkan fitur statis berupa permissions, intents, dan metadata aplikasi. Dataset yang digunakan adalah KronoDroid Emulator yang terdiri dari 63.991 sampel, dengan 28.745 malware dan 35.246 benign. Proses klasifikasi dilakukan menggunakan algoritma Extreme Gradient Boosting (XGBoost), dengan proses hyperparameter tuning melalui GridSearchCV serta penerapan Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, confusion matrix, dan ROC-AUC. Hasil pengujian menunjukkan bahwa penerapan SMOTE menghasilkan nilai akurasi sebesar 97,80% dan nilai ROC-AUC sebesar 0,9964. Selain itu, jumlah false negative menurun dari 160 menjadi 153 dan false positive dari 125 menjadi 122. Hasil tersebut menunjukkan bahwa pendekatan berbasis static analysis dengan algoritma XGBoost dapat digunakan sebagai dasar pengembangan sistem deteksi malware Android.