DETEKSI MALWARE ANDROID BERDASARKAN SYSTEM CALL MENGGUNAKAN ALGORTIMA SUPPORT VECTOR MACHINE

Denar Regata Akbi, Sendi Herlambang, Setio Basuki, Zamah Sari

Abstract


Android merupakan salah satu sistem operasiberbasis linux pada smartphone yang memiliki banyak fungsi sehingga dapat membantu kinerja penggunanya.Kelebihan Android adalah bersifat open source code sehingga memudahkan para pengembang untuk membuat dan memodifikasi aplikasi yang belum tersedia di sistem operasi Android sesuai dengan kebutuha. Seiring dengan perkembangan teknologi, juga memicu berkembangnya file-file jahat atau biasa disebut dengan malware. Aktivitas berbahaya yang diakibatkan oleh malware sangat merugikan bagi para korbannya, sehingga dibutuhkan cara untuk mengatasinya. Umumnya pendeteksian malware menggunakan metode signature-basedakan tetapi metode ini mudah untuk dikelabui oleh malware yang memiliki kemampuan polimorfik. Penelitian ini bertujuan untuk melakukan pendeteksian jenis malware Android secara Dinamis dan melakukanklasifikasi jenis malware menggunakan algoritma Support Vector Machine(SVM). Metode pada penelitian ini dibagi menjadi beberapa tahapan yaitu pengumpulan data penelitian, pengambilan informasi dari system call, praproses data, seleksi fitur, pelatihan data, pengolahan data dalam pengujian, dan pengujian klasifikasiBerdasarkan dari penelitian ini menunjukkan hasil akurasi yang cukup tinggi, yaitu dataset tanpa seleksi fitur sebesar75.5556% dan dataset dengan metode seleksi fitur Wrapper SubsetEval Sebesar 73.3333%. Dapat disimpulkan dari akurasi tersebut bahwa system call dapat digunakan sebagai pengembangan klasifikasi jenis malware Android untuk kedepannya.

Full Text:

PDF

References


Yunus, Mohammad. 2009. Pendeteksian Malware Dengan Menggunakan Algoritma Multi-Naive Bayes. Tugas Akhir. Jurusan Teknik Informatika Institut Teknologi Sepuluh November.

Kramer, S., & Bradfield, J. C. 2009. A General Definition of Malware. Journal in Computer Virology. Vol. 6, no. 2. pp 105–114.

Kolbitsch, C., Comparetti, P. M., Kruegel, C., Kirda, E., Zhou, X., Wang, X., Antipolis, S. (n.d.). 2009. Effective and Efficient Malware Detection at the End Host. USENIX Association Berkeley. Montreal, Canada.

Baltaci Nuray, dkk. 2014. The Analysis of Feature Selection Methods and Classification Algorithms in Permission Based Android Malware Detection. Cyber Defense and Security Laboratory of METU-COMODO, Informatics Institute Middle East Technical University (METU), Ankara, Turkey.

Li Xiang, dkk. 2016. AN Android Malware Detection Method Based on Androidmanifest File. Beijing University of Posts and Telecommunications, Beijing 100876, China.

Fan Ming, dkk. 2016. Frequent Subgraph based Familial Classification of Android Malware. Department of Computer, The Hong Kong Polytechnic University, 999077, China.

Xiao Xi, dkk. Back-propagation neural network on Markov chains from system call sequences: a new approach for detecting Android malware with system call sequences. 1Graduate School at Shenzhen, Tsinghua University, 518055 Shenzhen, People's Republic of China.

Shifu Hou, dkk. 2016. Deep4MalDroid: A Deep Learning Framework for Android Malware Detection Based on Linux Kernel System Call Graphs. Department of Computer Science and Electrical Engineering West Virginia University Morgantown, WV, 26506, USA.

Vapnik, V dan Cortes, C. 1995. Support Vector Networks. Machine Learning, 20, 273-297.

Cristianini N, Taylor JS. (2000). An Introduction to Support Vector Machine and Other Kernel-based Learning Methods. Cambridge (GB): Cambridge University Press.




DOI: https://doi.org/10.22219/sentra.v0i4.2491

Refbacks

  • There are currently no refbacks.


Seketariat

Fakultas Teknik

Universitas Muhammadiyah Malang Kampus III

Jl. Raya Tlogomas 246 Malang, 65144