KOMPARASI ALGORITMA MACHINE LEARNING UNTUK DETEKSI MALWARE MENGGUNAKAN SELEKSI FITUR PADA DATASET CLAMP

Serangan malware merupakan ancaman siber signifikan yang membutuhkan metode deteksi canggih. Penelitian ini bertujuan untuk membandingkan performa empat algoritma machine learning (Gradient Boosting, Neural Network, k-Nearest Neighbors, dan Support Vector Machine) dalam mendeteksi malware pada dataset ClaMP. Metode penelitian meliputi pra-pemrosesan data, seleksi fitur menggunakan Information Gain untuk memilih 40 fitur terbaik, dan pengujian model pada empat skenario subset fitur (ALL, DDoS, File Features, dan Optional Features). Evaluasi model menggunakan metode 10-Folds Cross-validation untuk memastikan stabilitas hasil. Hasil penelitian menunjukkan bahwa kombinasi model Gradient Boosting dengan semua 40 fitur terbaik (skenario ALL) mencapai performa tertinggi dengan akurasi 98.7%. Hasil ini melampaui penelitian rujukan utama sebelumnya yang mencatatkan akurasi 96.91% dengan 68 fitur. Kesimpulannya, penerapan seleksi fitur Information Gain yang dikombinasikan dengan algoritma Gradient Boosting terbukti mampu meningkatkan akurasi deteksi secara signifikan sekaligus mengurangi jumlah fitur yang dibutuhkan (efisiensi).