Penerapan Algoritma Random Forest dalam Deteksi dan Klasifikasi Ransomware
DOI:
https://doi.org/10.5201/jet.v5i2.488Kata Kunci:
Ransomware, Machine Learning, Seleksi Fitur, Random ForestAbstrak
Ransomware merupakan jenis malware yang menghalangi akses ke sistem komputer atau data hingga tebusan dibayar oleh korban. Serangan ransomware biasanya terjadi karena file berbahaya yang diunduh dan dipasang tanpa sadar oleh korban ke sistem komputernya. Mengingat ancaman dan potensi kerugian yang ditimbulkan, metode deteksi dan klasifikasi ransomware terus dikembangkan salah satunya dengan memanfaatkan algoritma machine learning Random Forest. Random Forest dipilih karena kelebihannya dalam menangani dataset besar, waktu pelatihan yang singkat, akurasi prediksi yang tinggi serta kemampuannya mengurangi risiko overfitting. Menggunakan 1380 sampel ransomware pada dataset yang memiliki 54 fitur, 10 fitur terbaik dipilih melalui seleksi fitur dimana model Random Forest yang dibangun berhasil memprediksi file ransomware dengan akurasi 98.79%.
Referensi
V., Rameshbabu., C., Vijayakumaran., P., B., EDWIN, PRABHAKAR. (2023). Machine Learning. Character Lab tips, doi: 10.53776/tips-gratitude-machine-learning.
Dinata, R., Akbar, H., & Hasdyna, N. (2020). Algoritma K-Nearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus. ILKOM Jurnal Ilmiah, 12(2), 104-111. doi:https://doi.org/10.33096/ilkom.v12i2.539.104-111.
Noorbehbahani, Fakhroddin & Rasouli, Farzaneh & Saberi, Mohammad. (2019). Analysis of Machine learning Techniques for Ransomware Detection. 128-133. 10.1109/ISCISC48546.2019.8985139.
Adamu, Umaru & Awan, Irfan. (2019). Ransomware Prediction Using Supervised Learning Algorithms. 57-63. 10.1109/FiCloud.2019.00016.
Dinata, R. K., Fajriana, F., Zulfa, Z., & Hasdyna, N. (2020). Klasifikasi Sekolah Menengah Pertama/Sederajat Wilayah Bireuen Menggunakan Algoritma K-Nearest Neighbors Berbasis Web. CESS (Journal of Computer Engineering, System and Science), 5(1), 33-37.
Bahaa, Yamany., Mahmoud, Said, Elsayed., Anca, Delia, Jurcut., Nashwa, Abdelbaki., Marianne, A., Azer. (2022). A New Scheme for Ransomware Classification and Clustering Using Static Features. Electronics, doi: 10.3390/electronics11203307.
Manabu, Hirano., Ryotaro, Kobayashi. (2022). Machine learning-based Ransomware Detection Using Low-level Memory Access Patterns Obtained From Live-forensic Hypervisor. doi: 10.1109/CSR54599.2022.9850340.
Masum, Mohammad & Hossain Faruk, Md Jobair & Shahriar, Hossain & Qian, Kai & Lo, Dan & Adnan, Muhaiminul. (2022). Ransomware Classification and Detection With Machine learning Algorithms. 10.1109/CCWC54503.2022.9720869.
Dinata, R. K., Hasdyna, N., & Alif, M. (2021). Applied of Information Gain Algorithm for Culinary Recommendation System in Lhokseumawe. Journal Of Informatics And Telecommunication Engineering, 5(1), 45-52.
Gustavo, Sosa-Cabrera., M., Garc'ia-Torres., Christian, E., Schaerer. (2023). Feature Selection: A perspective on inter-attribute cooperation. arXiv.org, doi: 10.48550/arXiv.2306.16559.
[11] Muliadi, Muliadi., Andi, Farmadi., Rudy, Herteno., Rahmat, Ramadhani. (2023). Random forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung. Jurnal Informatika, doi: 10.31294/inf.v10i1.14531
Rizal, R., Bustami, B., & Azzahra, D. (2019). Pendeteksi Tajwid Idgham Mutajanisain Pada Citra Al-Qur’an Menggunakan Fuzzy Associative Memory (FAM). TECHSI-Jurnal Teknik Informatika, 11(3), 395-407.
Dinata, R. K., Hasdyna, N., Retno, S., & Nurfahmi, M. (2021). K-means algorithm for clustering system of plant seeds specialization areas in east Aceh. ILKOM Jurnal Ilmiah, 13(3), 235-243.
M. Mathur, "Ransomware (malware) detection using Machine learning," GitHub, https://github.com/muditmathur2020/RansomwareDetection/blob/master/Ransomware.csv. [Diakses: Maret, 2024].
