Perancangan Sistem Analisis Dinamis Dan Klasifikasi Malware Otomatis Dengan Algoritma K-Nearest Neighbors
DOI:
https://doi.org/10.34818/eoe.v8i6.17043Abstrak
Malware merupakan sebuah perangkat lunak untuk merusak dan mencuri informasi berbagai sumber jaringan atau server yang tidak diketahui oleh pemiliknya, virus malware yang berbahaya rentan terhadap keamanan pada sistem agar malware mendapatkan akses untuk mengganggu layanan pada sistem serta mengambil informasi yang ditargetkan. Proses analisis yang dilakukan untuk mengidentifikasi apakah suatu file itu malware atau bukan. Semakin meningkat perkembangan malware bisa membuat malware tidak bisa terdeteksi karena dapat menghindari teknik analisis malware yang dilakukannya untuk mendeteksi malware dengan analisis malware, perkembangan malware dapat menghindari teknik analisis agar malware tidak dapat terdeteksi. Oleh karena itu, penelitian ini membuat atau merancang sebuah sistem otomatis mendeteksi malware menggunakan proses analisis dinamis dengan cuckoo Sandbox untuk dapat menghasilkan data yang diklasifikasikan. Proses analisis yang diklasifikasikan menggunakan sebuah algoritma K-Nearest Neighbors yang digunakan untuk mengklasifikasi file malware, pada metode ini K-Nearest Neighbors lebih memilih jalur terdekat dari tetangganya agar mendapatkan hasil akurasi yang optimal. Kata kunci: Malware, Analisis Dinamis, Klasifikasi, K-Nearest Neighbors, Cuckoo SandboxReferensi
[1] Sethi, K., Kumar, R., Sethi, L., Bera, P., & Patra, P. K. “A novel machine learning based malware detection and classification framework," In 2019 International Conference on Cyber Security and Protection of Digital Services (Cyber Security), IEEE,2019, pp. 1-4.
[2] K. O. Babaagba and S. O. Adesanya, “A study on the effect of feature selection on malware analysis using machine learning,” in ACM International Conference Proceeding Series, 2019, vol. Part F1481, pp. 51–55.
[3] O. Aslan and R. Samet, “Investigation of possibilities to detect malware using existing tools,” in Proceedings of IEEE/ACS International Conference on Computer Systems and Applications, AICCSA, 2018, vol. 2017-Octob, pp. 1277–1284, doi: 10.1109/AICCSA.2017.24.
[4] T. A. Cahyanto, V. Wahanggara and D. Ramadana, "Analisis dan Deteksi Malware Menggunakan Metode Analisis Dinamis," JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia , vol. II, no. 1, pp. 19-30, 2017.
[5] Or-Meir, O., Nissim, N., Elovici, Y., & Rokach, L. “Dynamic malware analysis in the modern era—A state of the art survey,” ACM Computing Surveys (CSUR), 52(5), 1-48, 2019.
[6] Eze, A. O., & Chukwunonso, C. (2018). “Malware Analysis and Mitigation in Information Preservation,” IOSR Journal of Computer Engineering (IOSRJCE),20(4), 1st ser., 53-62. Diakses pada 1 Juni, 2019
[7] Deka, D., Sarma, N., & Panicker, N. J. “Malware detection vectors and analysis techniques: A brief survey,” In 2016 International Conference on Accessibility to Digital World (ICADW) (pp. 81-85). IEEE.
[8] Ray, S., “A quick review of machine learning algorithms,” In 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon) (pp. 35-39). IEEE,2019.
[9] Ramadhan, B., Purwanto, Y., & Ruriawan, M. F., “Forensic Malware Identification Using Naive Bayes Method,” In 2020 International Conference on Information Technology Systems and Innovation (ICITSI) (pp. 1-7). IEEE,2020.
[10] Sandag, G. A., Tedry, N. E., & Lolong, S., “Classification of lower back pain using K-Nearest Neighbor algorithm,” In 2018 6th International Conference on Cyber and IT Service Management (CITSM) (pp. 1-5). IEEE.
[11] Ghazy Irfan Rusydy, Budhi Irawan, dan Casi Setianingsih, “ Android Based Sea Wave Detection System Usbig KNN(K-NEAREST NEIGHBOR) Algorithm,“e-Proceeding of Engineering : Vol.7, 2020.
[12] Ndaumanu, R. I., & Arief, M. R., “Analisis prediksi tingkat pengunduran diri mahasiswa dengan metode K-Nearest Neighbor,” Yogyakarta: STMIK AMIKOM Yogyakarta, 2014.
[13] Ijaz, M., Durad, M. H., & Ismail, M., “Static and dynamic malware analysis using machine learning,” In 2019 16th International bhurban conference on applied sciences and technology (IBCAST) (pp. 687-691). IEEE.
