Implementasi teknik seleksi fitur pada klasifikasi malware Android menggunakan support vector machine (SVM)

Abstract

AbstrakPertumbuhan Malware Android telah meningkat secara signifikan seiring dengan majunya jaman dan meninggkatnya keragaman teknik dalam pengembangan Android. Teknik Machine Learning adalah metode yang saat ini bisa kita gunakan dalam memodelkan pola fitur statis dan dinamis dari Malware Android. Dalam tingkat keakurasian dari klasifikasi jenis Malware peneliti menghubungkan antara fitur aplikasi dengan fitur yang dibutuhkan dari setiap jenis kategori Malware. Kategori jenis Malware yang digunakan merupakan jenis Malware yang banyak beredar saat ini. Untuk mengklasifikasi jenis Malware pada penelitian ini digunakan Support Vector Machine (SVM). Jenis SVM yang akan digunakan adalah class SVM one against one menggunakan Kernel RBF. Fitur yang akan dipakai dalam klasifikasi ini adalah Permission dan Broadcast Receiver. Untuk meningkatkan akurasi dari hasil klasifikasi pada penelitian ini digunakan metode Seleksi Fitur. Seleksi Fitur yang digunakan ialah Correlation-based Feature Selection (CSF), Gain Ratio (GR) dan Chi-Square (CHI). Hasil dari Seleksi Fitur akan di evaluasi bersama dengan hasil yang tidak menggunakan Seleksi Fitur. Akurasi klasifikasi Seleksi Fitur CFS menghasilkan akurasi sebesar 90.83% , GR dan CHI sebesar 91.25% dan data yang tidak menggunakan Seleksi Fitur sebesar 91.67%. Hasil dari pengujian menunjukan bahwa Permission dan Broadcast Receiver bisa digunakan dalam mengklasifikasi jenis Malware, akan tetapi metode Seleksi Fitur yang digunakan mempunyai akurasi yang berada sedikit dibawah data yang tidak menggunakan Seleksi Fitur. Kata kunci: klasifikasi malware android, seleksi fitur, SVM dan multi class SVM one agains one Abstract Android Malware has growth significantly along with the advance of the times and the increasing variety of technique in the development of Android. Machine Learning technique is a method that now we can use in the modeling the pattern of a static and dynamic feature of Android Malware. In the level of accuracy of the Malware type classification, the researcher connect between the application feature with the feature required by each types of Malware category. The category of malware used is a type of Malware that many circulating today, to classify the type of Malware in this study used Support Vector Machine (SVM). The SVM type wiil be used is class SVM one against one using the RBF Kernel. The feature will be used in this classification are the Permission and Broadcast Receiver. To improve the accuracy of the classification result in this study used Feature Selection method. Selection of feature used are Correlation-based Feature Selection (CFS), Gain Ratio (GR) and Chi-Square (CHI). Result from Feature Selection will be evaluated together with result that not use Feature Selection. Accuracy Classification Feature Selection CFS result accuracy of 90.83%, GR and CHI of 91.25% and data that not use Feature Selection of 91.67%. The result of testing indicate that permission and broadcast receiver can be used in classyfing type of Malware, but the Feature Selection method that used have accuracy is a little below the data that are not using Feature Selection. Keywords: Classification Android Malware, Feature Selection, SVM and Multi Class SVM one against one

Implementasi Algoritma Decision Tree Dengan Fitur Seleksi Weight by Information Gain

“…Recall atau sensitivity merupakan rasio dari item yang dipilih terhadap total jumlah item relevan yang tersedia. Recall proporsi kasus positif yang diprediksi positif secara benar, dengan rumus sebagai berikut : Recall = TP / (TP+FN) (6) Akurasi merupakan persentase ketepatan data yang diklasifikasikan secara benar setelah dilakukan pengujian :…”

“…Untuk Naïve Bayes hanya 1.16 detik sedangkan linear regresi menjadi 2.44 detik. Jika tanpa fitur seleksi, waktu eksekusi adalah 1 jam 57 menit karena atribut yang digunakan tidak terlalu banyak sehingga kompleksitas dan waktu yang dibutuhkan lebih singkat dalam membuat pohon keputusan [6].…”

Seleksi Fitur Relieff Pada Klasifikasi Malware Android Menggunakan Support Vector Machine(SVM)

“…Pada penelitian Hendra Saputra dkk melakukan penerapan0seleksi0fitur pada0klasifikasi0malware0android menggunakan algoritma SVM, penelitian ini menggunakan 3 seleksi fitur yaitu (CFS), (GR),dan (CHI). Berdasarkan hasil pengujian yaitu menghasilkan akurasi yang cukup tinggi yaitu pada hasil dataset seleksi fitur (GR), dan (CHI) kelemahan pada penelitian ini adalah nilai akurasi menggunakan seleksi fitur sedikit lebih rendah dari hasil akurasi data normal0 (tidak menggunakan seleksi fitur) dimana hasil seleksi fitur tidak sesuai harapan penulis [7] Pada penelitian lainnya yang dilakukan oleh anang fahmi ridho & Aisyatul Karima melakukan analisis implementasi metode klasifikasi bayes untuk deteksi malware android. Penelitian ini menggunakan metode naïve bayes classifier untuk klasifikasinya, dataset berjumlah 200 APK yang terdiri dari 100 aplikasi aman dan 100 aplikasi malware.…”