EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Deteksi Malware pada File Executable Menggunakan Machine Learning Random Forest

M. Cakra Adhana, Alde Alanda, Hidra Amnur, Febrian Kasmar

JITSI : Jurnal Ilmiah Teknologi Sistem Informasi · 30.06.2026 · 7 (2) · 176-182

DOI: 10.62527/jitsi.7.2.602 ↗

Kurz gefasst

Fachartikel in der Zeitschrift JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, online erschienen am 30.06.2026. Verfasst von M. Cakra Adhana und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Ekspansi infrastruktur digital yang meluas telah memicu peningkatan eksponensial dalam ancaman siber, dengan perangkat lunak berbahaya (malware) menimbulkan risiko utama bagi sistem keamanan informasi. Metode deteksi berbasis tanda tangan dan heuristik tradisional menunjukkan keterbatasan serius dalam mengurangi eksploitasi zero-day dan malware multi-varian yang dikaburkan karena ketergantungannya yang kaku pada repositori tanda tangan yang ada dan kerentanannya terhadap tingkat false-positive yang tinggi. Untuk mengatasi keterbatasan ini, studi ini memperkenalkan kerangka kerja deteksi statis adaptif dan tangguh untuk file Portable Executable (PE) dengan memanfaatkan teknik pembelajaran mesin ensemble Random Forest. Dengan menggunakan dataset terstruktur yang terdiri dari file PE yang diambil dari repositori malware publik termasuk Malware Bazaar bersama dengan aplikasi benign yang terverifikasi, analisis statis dilakukan tanpa eksekusi kode untuk menjaga keamanan lingkungan. Sebanyak 75 fitur struktural yang berbeda yang mencakup header COFF, karakteristik bagian, direktori data, dan penanda konfigurasi diekstrak secara sistematis menggunakan pustaka Python pefile. Model dilatih menggunakan rasio pembagian data 80:20. Evaluasi eksperimental mencapai kemampuan generalisasi internal yang luar biasa dengan skor Out-of-Bag (OOB) sebesar 97,43%. Validasi independen pada rangkaian uji yang terdiri dari 332 file yang belum pernah dilihat sebelumnya menghasilkan matriks kebingungan yang seimbang yang terdiri dari 160 True Positive, 164 True Negative, 5 False Positive, dan 3 False Negative, yang menetapkan presisi, recall, dan skor F1 yang tinggi sekitar 98%. Analisis kepentingan fitur menyoroti bahwa parameter seperti MajorOperatingSystem Version, MajorSubsystemVersion, dan DllCharacteristics berfungsi sebagai diskriminator penting. Terakhir, model prediktif yang dioptimalkan diintegrasikan ke dalam arsitektur aplikasi yang dapat diakses melalui web yang didukung oleh Flask dan MySQL untuk memfasilitasi pengunggahan file yang digerakkan pengguna dan pelaporan inferensi waktu nyata, menawarkan lapisan pertahanan pelengkap yang skalabel untuk ekosistem keamanan siber modern

Zitieren

APA

Adhana, M. C., Alanda, A., Amnur, H., & Kasmar, F. (2026). Deteksi Malware pada File Executable Menggunakan Machine Learning Random Forest. JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, 7(2), 176-182. https://doi.org/10.62527/jitsi.7.2.602

Vancouver

Adhana MC, Alanda A, Amnur H, Kasmar F. Deteksi Malware pada File Executable Menggunakan Machine Learning Random Forest. JITSI : Jurnal Ilmiah Teknologi Sistem Informasi. 2026;7(2):176-182. doi:10.62527/jitsi.7.2.602

BibTeX
@article{Adhana2026,
  author = {Adhana, M. Cakra and Alanda, Alde and Amnur, Hidra and Kasmar, Febrian},
  title = {Deteksi Malware pada File Executable Menggunakan Machine Learning Random Forest},
  journal = {JITSI : Jurnal Ilmiah Teknologi Sistem Informasi},
  year = {2026},
  volume = {7},
  number = {2},
  pages = {176--182},
  doi = {10.62527/jitsi.7.2.602}
}
Kostenlos starten →