SISTEM DETEKSI MALWARE DENGAN DEEP NEURAL NETWORK UNTUK SERANGAN SPYWARE

Fais Fadila, Adika (2024) SISTEM DETEKSI MALWARE DENGAN DEEP NEURAL NETWORK UNTUK SERANGAN SPYWARE. Skripsi thesis, UNAMA.

Preview	Text BAB I.pdf Download (190kB) | Preview
	Text BAB II.pdf Restricted to Registered users only Download (572kB)
	Text BAB III.pdf Restricted to Registered users only Download (391kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
Preview	Text BAB V.pdf Download (157kB) | Preview
Preview	Text BAB VI.pdf Download (157kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (218kB) | Preview

Abstract

Keamanan informasi menjadi aspek penting dalam era digital, di mana ancaman
serangan malware terus meningkat seiring perkembangan teknologi. Malware
adalah perangkat lunak berbahaya yang mengeksploitasi kerentanan dalam sistem
komputasi untuk tujuan jahat. Analisis dinamis trafik internet diperlukan untuk
mendeteksi perilaku malware dalam jaringan. Namun, analisis manual terhadap
data trafik yang besar sangat sulit dilakukan, sehingga diperlukan algoritma
Machine Learning yang efektif. Penelitian ini bertujuan untuk merancang sistem
deteksi serangan malware menggunakan Deep Neural Network (DNN) dengan
memanfaatkan dataset CIC-MalMem-2022. Dalam penelitian ini, DNN diterapkan
untuk mendeteksi malware dengan menggunakan Google Colaboratory dan bahasa
pemrograman Python. Dataset yang digunakan adalah CIC-MalMem-2022 dari
Canadian Institute for Cybersecurity. Proses seleksi fitur dilakukan menggunakan
metode Univariate untuk mengurangi dimensi atribut dan meningkatkan akurasi
klasifikasi. Hasil penelitian menunjukkan bahwa metode DNN dapat mendeteksi
malware dengan accuracy 99,99%, precission 100%, recall 100% dan f1-score
100%.

Item Type:	Thesis (Skripsi)
Subjects:	Networking
Divisions:	Skripsi > Sistem Komputer > 2024
Depositing User:	Digital Library
Date Deposited:	02 Jun 2025 09:28
Last Modified:	02 Jun 2025 09:28
URI:	https://repository.unama.ac.id/id/eprint/4243

Actions (login required)

View Item