DETEKSI MALWARE TROJAN HORSE MENGGUNAKAN METODE DEEP NEURAL NETWORKS

Saputra, Fiki (2024) DETEKSI MALWARE TROJAN HORSE MENGGUNAKAN METODE DEEP NEURAL NETWORKS. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (62kB)
	Text BAB II.pdf Restricted to Registered users only Download (515kB)
	Text BAB III.pdf Restricted to Registered users only Download (215kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (25kB)
	Text DAFTAR PUSTAKA.pdf Download (233kB)

Abstract

Malware merupakan sistem yang di rancang untuk menghancurkan sistem dan program komputer karena dapat menginfeksi sistem komputer, menghapus file data, dan mencuri informasi berharga. Trojan horse merupakan salah satu jenis malware yang dimasukkan kedalam sebuah sistem dan bekerja menyalin informasi tanpa izin pengguna. Deteksi serangan malware trojan horse pada program jaringan komputer dapat di lakukan dengan metode Deep learning. Metode DL yang memiliki potensi untuk di terapkan dalam deteksi malware yaitu deep neural networks (DNN) karena dapat mencapai akurasi tinggi dalam pengenalan pola. Pada Penelitian dilakukan deteksi malware trojan horse menggunakan metode DNN dan Information gain sebagai fitur yang digunakan dengan tujuan untuk Menerapkan metode DNN untuk mendeteksi malware trojan horse, menentukan fitur atau atribut yang di gunakan sebagai pola malware trojan horse, dan mengukur kinerja dari metode DNN dalam mendeteksi malware trojan horse pada dataset CIC-Malmem-2022. Hasil yang didapatkan bahwa Metode DNN dapat diterapkan dalam mendeteksi malaware trojan horse. Fitur atau atribut yang digunakan sebagai pengenalan pola serangan malware trojan horse adalah fitur Information gain dengan menggunakan 15 fitur teratas. Dan kinerja metode DNN dalam mendeteksi serangan malware trojan horse paling baik berdasarkan class serangan malware trojan horse mendapatkan accuracy 99,99%, precission 100%, recall 100% dan f1-score 100%, serta deteksi serangan malware trojan horse berdasarkan category mendapatkan accuracy 88%, precission 91%, recall 100% dan f1-score 95%.

Actions (login required)

View Item