DETEKSI MALWARE PADA PERANGKAT ANDROID MENGGUNAKAN GRADIENT BOOSTING DECISION TREE DAN SMOTE

QORNI, QOIS AL (2025) DETEKSI MALWARE PADA PERANGKAT ANDROID MENGGUNAKAN GRADIENT BOOSTING DECISION TREE DAN SMOTE. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) 0.pdf Download (883kB)
	Text (BAB 1) 1.pdf Download (685kB)
	Text (DAFTAR PUSTAKA) D.pdf Download (664kB)
	Text (FULLBAB SKRIPSI) F.pdf Restricted to Repository staff only Download (5MB)
	Text (LAMPIRAN) L.pdf Download (1MB)

Abstract

Malware merupakan ancaman signifikan terhadap keamanan perangkat Android karena dapat menyamar sebagai aplikasi sah untuk kemudian mencuri data, merusak sistem, maupun memata-matai pengguna. Penelitian ini bertujuan untuk mendeteksi malware pada perangkat Android menggunakan metode Gradient Boosting Decision Tree (GBDT) dengan teknik Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data. Dataset yang digunakan adalah Drebin dan Tuandromd. Proses penelitian meliputi pra pemrosesan data, pembagian data dengan proporsi 70:30, 80:20, dan 90:10, serta pembangunan model menggunakan algoritma Decision Tree dan GBDT baik dengan maupun tanpa SMOTE. Hasil pengujian pada dataset Drebin menunjukkan bahwa model GBDT dengan SMOTE memberikan performa terbaik dengan akurasi hingga 96,42%, presisi 94,60%, recall 90,98%, dan f1-score 92,76% pada proporsi data 80:20. Sementara itu, pada dataset Tuandromd, GBDT dengan SMOTE juga menghasilkan kinerja tertinggi dengan akurasi 93,98%, presisi 90,00%, recall 84,38%, dan f1-score 87,10% pada proporsi 80:20. Temuan ini membuktikan bahwa kombinasi GBDT dan SMOTE efektif meningkatkan kemampuan deteksi malware Android dengan kinerja seimbang pada kelas mayoritas dan minoritas, meskipun memerlukan sumber daya komputasi yang lebih besar.

Actions (login required)

View Item