Analisis Klasifikasi Keamanan dalam Shorting Malware Android dengan Algoritma K-Nearest Neighbors
DOI:
https://doi.org/10.53842/juki.v5i2.378Keywords:
Data Mining, Malware, Android, Klasifikasi, K-Nearest NeighborAbstract
Abstrak. Perkembangan teknologi dan popularitas perangkat berbasis Android telah membuka pintu lebar bagi pengembangan aplikasi yang beragam dan inovatif. Namun, kesuksesan Android juga telah menarik perhatian para penjahat cyber untuk mengembangkan Malware. Berbagai jenis perangkat dapat diinfeksi oleh malware, salah satunya adalah smartphone, dimana kasus malware terbanyak didominasi pada sistem operasi Android. Rentannya serangan malware dan dapat merugikan para pengguna Android sehingga diperlukan analisis lebih lanjut, pada kasus ini digunakan pendekatan Machine Learning untuk melakukan klasifikasi data serangan malware android. Algoritma yang digunakan adalah K-Nearest Neighbor. Mendapatkan hasil accuracy dengan nilai sebesar 98%, precision sebesar 98%, dan recall sebesar 98%. Hasil ini membuktikan bahwa algoritma K-Nearest Neighbor memberikan hasil yang cukup baik dalam mengklasifikasi malware android.
Abstract. Technological developments and the popularity of Android-based devices have opened wide doors for the development of diverse and innovative applications. However, Android's success has also attracted the attention of cybercriminals to develop Malware. Various types of devices can be infected by malware, one of which is smartphones, where the majority of malware cases are dominated by the Android operating system. Malware attacks are vulnerable and can harm Android users so further analysis is needed, in this case a Machine Learning approach is used to classify Android malware attack data. The algorithm used is K-Nearest Neighbor. Get accuracy results with a value of 98%, precision of 98%, and recall of 98%. These results prove that the K-Nearest Neighbor algorithm provides quite good results in classifying Android malware.
Downloads
References
Sugiarto and A. Farid, “Literasi Digital Sebagai Jalan Penguatan Pendidikan Karakter Di Era Society 5.0,” Cetta: Jurnal Ilmu Pendidikan, vol. 6, no. 3, pp. 580–597, Jul. 2023, doi: 10.37329/cetta.v6i3.2603.
Thomas Andrew, “Network Centric Warfare sebagai Upaya Transformasi Perang TNI,” DEFENDONESIA, vol. 5, no. 1, pp. 35–45, Apr. 2021, doi: 10.54755/defendonesia.v5i1.101.
A. Z. Zaidi, C. Y. Chong, Z. Jin, R. Parthiban, and A. S. Sadiq, “Touch-based continuous mobile device authentication: State-of-the-art, challenges and opportunities,” Journal of Network and Computer Applications, vol. 191, p. 103162, Oct. 2021, doi: 10.1016/j.jnca.2021.103162.
Virgina Maulita Putri, “Malware Baru Beredar di Play Store, Incar Pengguna Android di Indonesia,” detik.com.
Cahyandaru Kuncorojati, “Paruh Pertama 2022, Mobile Malware Masih Mengintai Indonesia,” medcom.id.
Agustinus Mario Damar, “Hati-Hati, Jutaan Perangkat Android Terinfeksi Malware Baru Berbahaya,” liputan6.com.
D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indonesian Journal of Data and Science, vol. 1, no. 2, pp. 39–43, Jul. 2020, doi: 10.33096/ijodas.v1i2.13.
A. N. Kasanah, M. Muladi, and U. Pujianto, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 3, no. 2, pp. 196–201, Aug. 2019, doi: 10.29207/resti.v3i2.945.
R. K. Dinata, H. Akbar, and N. Hasdyna, “Algoritma K-Nearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus,” ILKOM Jurnal Ilmiah, vol. 12, no. 2, pp. 104–111, Aug. 2020, doi: 10.33096/ilkom.v12i2.539.104-111.
J. Homepage, S. R. Cholil, T. Handayani, R. Prathivi, and T. Ardianita, “IJCIT (Indonesian Journal on Computer and Information Technology) Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” 2021.
Z. Chen, L. J. Zhou, X. Da Li, J. N. Zhang, and W. J. Huo, “The Lao text classification method based on KNN,” in Procedia Computer Science, Elsevier B.V., 2020, pp. 523–528. doi: 10.1016/j.procs.2020.02.053.
M. Z. Al-Dabagh, M. H. Mohammed Alhabib, and F. H. AL-Mukhtar, “Face Recognition System Based on Kernel Discriminant Analysis, K-Nearest Neighbor and Support Vector Machine,” International Journal of Research and Engineering, vol. 5, no. 2, pp. 335–338, Mar. 2018, doi: 10.21276/ijre.2018.5.3.3.