Analisis Hasil Obtain dan Scrub Data Malware Menggunakan Metode Klasifikasi untuk Mendapatkan Insight Data

Malware merupakan perangkat lunak berbahaya yang dapat mengganggu kinerja dari suatu sistem, dan telah menjadi salah satu cyber threat yang perlu mendapat perhatian khusus. Semakin hari perkembangan malware semakin berbagai macam dan mengalami evolusi semakin canggih, sehingga mempunyai kemampuan untuk melindungi diri dari suatu acaman baik itu antivirus atau sistem pengamanan yang lain. Pesatnya perkembangan malware tersebut, memerlukan perhatian dari berbagai macam pihak, baik dari peneliti pada bidang malware, dan stakeholder – stakeholder, salah satunya seperti Pusat Malware Nasional (Pusmanas) BSSN, untuk dapat saling bekerja sama meminimalisir akibat dari malware cyber threat. Salah satu upaya awal yang dapat dilakukan adalah melakukan analisis terhadap malware – malware yang ada, analisis dalam hal ini merupakan suatu proses untuk melakukan identifikasi terhadap perilaku malware, mulai dari apa yang dilakukan, apa yang diinginkan, dan apa tujuan utama dari malware tersebut. Tujuan utama dilakukannya analisis terhadap data – data malware tersebut, untuk mengetahui dan memahami bagaimana malware bekerja, dengan didapatkannya pengetahuan tersebut, pihak organisasi, stakeholder, ataupun para peneliti malware, dapat memanfaatkannya untuk mengembangkan suatu framework, antimalware, ataupun antivirus. Oleh karena itu, analisis yang dilakukan pada data – data malware tersebut memerlukan teknik, metode ataupun data yang baik. Dengan melakukan analisis pada data – data malware dengan kualitas yang baik, hal tersebut dapat mendukung langkah dalam pembuatan suatu suatu framework, antimalware, ataupun antivirus yang baik pula dalam meminimalisir terjadinya malware cyber threat. Analisis secara mendalam sangat diperlukan untuk menghasilkan sistem pendeteksi yang baik, analisis yang bisa dilakukan salah satunya pada bagian fitur dari data malware, dimana data dari fitur tersebut mencerminkan karakterisktik dari suatu malware, karakteristik dari malware satu dengan malware yang lain berbeda. Perkembangan malware dengan perkembangan sistem pengamanan berjalan beriringan, banyak pembuat malware yang telah menerapkan dan membekali malware buatannya dengan kecerdasan buatan, disisi lain para peneliti menerapkan metode machine learning dan deep learning yang merupakan cabang ilmu dari kecerdasan buatan untuk melakukan penelitian terhadap karakteristik malware, dengan melakukan analisis terhadap karakteristik dari suatu varian malware, seperti menggunakan metode klasifikasi diharapkan hal tersebut dapat memberikan referensi untuk pembuatan sistem pengamanan terhadap malware yang lebih baik. Pada penelitian yang akan dilakukan peneliti mencoba untuk melakukan analisis terhadap data malware yang diambil dari Canadian Institute for Cybersecurity, dimana data – data malware tersebut diambil dari real phone, sehingga bisa mewakili kondisi nyata dari data malware yang sebenarnya. Langkah awal yang dilakukan oleh peneliti adalah melakukan input data malware pada sistem kemudian dilakukan pembagian data, pembagian dilakukan untuk membagi persentase data test dan data training. Pembagian tersebut nantinya akan dilakukan variasi dimana pembagian pertama disesuaikan dengan kondisi pada penelitian terdahulu serta pembagian kedua dan seterusnya peneliti mencoba untuk melakukan variasi persentase pembagian data test dan data training. Setelah itu akan dilakukan preprocessing, langkah tersebut dilakukan untuk mendapatkan fitur – fitur utama dari data - data malware yang digunakan, setelah itu dilakukan klasifikasi menggunakan metode deep learning, hasil dari metode ini nantinya akan bandingkan dengan penelitian terdahulu, dengan pemilihan metode ini diharapkan mendapatkan hasil akurasi lebih baik dari penelitian sebelumnya. sehingga bisa dijadikan acuan dalam pembuatan atau pengembangan suatu sistem pengamanan terhadap malware

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.