Deteksi Malware Menggunakan GRU-LSTM

• Heru Dwi Saputra
• 14220006

---

ABSTRAK

Penelitian ini mengembangkan model deteksi malware berbasis perilaku dengan menggunakan kombinasi arsitektur Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM), yang dioptimalkan untuk menganalisis pola perilaku malware. Data yang digunakan mencakup aktivitas sistem dari aplikasi berbahaya (malware) dan non-berbahaya (benign), yang diperoleh dari dua dataset berbeda. Pemrosesan data melibatkan beberapa langkah, termasuk normalisasi data, penghapusan fitur yang tidak relevan, dan seleksi fitur berbasis korelasi untuk mengidentifikasi fitur yang paling signifikan dalam deteksi malware. Model GRU-LSTM diimplementasikan dengan berbagai konfigurasi hyperparameter, seperti ukuran batch, jumlah epoch, dan laju pembelajaran, untuk memaksimalkan kinerja deteksi. Pada fase pelatihan, model diuji menggunakan skenario cross-validation untuk memastikan generalisasi yang baik terhadap data yang tidak terlihat. Hasil pengujian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi deteksi malware yang sangat tinggi, yaitu 99.99% pada dataset pengujian. Selain akurasi, evaluasi kinerja model juga melibatkan metrik lain, seperti precision, recall, F1-score, dan confusion matrix untuk mengukur tingkat kesalahan deteksi, termasuk false positives dan false negatives. Evaluasi lebih lanjut menunjukkan bahwa kombinasi GRU dan LSTM memberikan keunggulan dalam menangkap pola sekuensial dan temporal yang ada dalam data malware, serta efektif dalam mengurangi tingkat kesalahan deteksi. Penggunaan seleksi fitur berbasis korelasi juga terbukti meningkatkan efisiensi model dengan mengurangi kompleksitas komputasi tanpa mengorbankan akurasi. Model ini menunjukkan potensi yang signifikan untuk diterapkan dalam lingkungan nyata guna mendeteksi malware secara lebih cepat dan akurat. Penelitian ini berkontribusi pada pengembangan metode deteksi malware yang lebih efisien dan efektif dengan menggunakan pendekatan deep learning. Hasil penelitian diharapkan dapat digunakan sebagai landasan untuk penelitian lebih lanjut dalam pengembangan model deteksi malware berbasis perilaku yang lebih adaptif dan tahan terhadap serangan zero-day malware.

Kata Kunci : Deteksi malware, GRU, LSTM, deep learning, seleksi fitur, akurasi, perilaku
malware.

KATA KUNCI

Malware,Deep Learning

---

DAFTAR PUSTAKA

[1] Z. Yuan, Y. Lu, and Y. Xue, “DroidDetector: Android Malware Characterization and Detection Using Deep Learning,” 2016.

[2] “kaspersky-ics-cert-apt-attacks-on-industrial-companies-in-2020-en-1”.

[3] “1. Sistem Deteksi Malware Baru Menggunakan Teknik Pembelajaran Mesin untuk Urutan Panggilan API”.

[4] “2. Survei Deteksi Malware Android dengan Model Deep Neural”.

[5] “3. Model probabilitas Bayesian untuk deteksi malware Android”.

[6] “4. Pendekatan Deteksi Malware Android Menggunakan Inferensi Bayesian”.

[7] “5. Analisis Memori yang Efektif untuk Deteksi dan Klasifikasi Malware”.

[8] “6. Kerangka Kerja Optimal untuk SDN Berdasarkan Deep Neural Network”.

[9] “7. Klasifikasi Kanker Kulit Ganas dan Jinak Otomatis Menggunakan Pendekatan Deep Learning Hybrid”.

[10] “8. Mendeteksi Akun Jejaring Sosial yang Disusupi Menggunakan Deep Learning untuk Analisis Perilaku dan Teks”.

[11] “12. Deteksi Malware menggunakan Machine Learning dan Deep Learning”.

[12] D. Andriyanto and Y. Rianto, “Optimization Of Recurrent Neural Network In Indonesia Stock Exchange Price Prediction Modeling,” Journal of Information Systems, Informatics and Computing Issue Period, vol. 6, no. 1, pp. 1–10, 2022, doi: 10.52362/jisicom.v6i1.744.

[13] Deviana Sely Wita and A. Subekti, “Mobilenet-based Transfer Learning for Detection of Eucalyptus Pellita Diseases,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 12, no. 1, pp. 1–7, Mar. 2023, doi: 10.23887/janapati.v12i1.53220.

[14] M. Ernawati and D. Riana, “Classification of Human Emotions Based on Javanese Speech Using Convolutional Neural Network and Multilayer Perceptron,” Indonesian Journal of Electrical Engineering and Informatics, vol. 12, no. 1, pp. 101–112, Mar. 2024, doi: 10.52549/ijeei.v12i1.5343.

[15] O. Setyawan and H. F. Pardede, “Sentiment analysis for event-based stock price predictions using bidirectional long short term memory,” Journal of Information System, Informatics and Computing Issue Period, vol. 6, no. 1, pp. 50–58, 2022, doi: 10.52362/jisicom.v6i1.772.

[16] S. R. T. Mat, M. F. A. Razak, M. N. M. Kahar, J. M. Arif, and A. Firdaus, “A Bayesian probability model for Android malware detection,” ICT Express, vol. 8, no. 3, pp. 424–431, Sep. 2022, doi: 10.1016/j.icte.2021.09.003.

[17] H. Rathore, S. Agarwal, S. K. Sahay, and M. Sewak, “Malware Detection using Machine Learning and Deep Learning,” Apr. 2019, doi: 10.1007/978-3-030-04780-1_28.

[18] A. Nasif, Z. A. Othman, and N. S. Sani, “The deep learning solutions on lossless compression methods for alleviating data load on iot nodes in smart cities,” Sensors, vol. 21, no. 12, Jun. 2021, doi: 10.3390/s21124223.

[19] S. Yen, M. Moh, and T. S. Moh, “Detecting compromised social network accounts using deep learning for behavior and text analyses,” International Journal of Cloud Applications and Computing, vol. 11, no. 2, pp. 97–109, Apr. 2021, doi: 10.4018/IJCAC.2021040106.

[20] S. Shabudin, N. S. Sani, U. Kebangsaan, M. Khairul, A. Z. Ariffin, and M. Aliff, “Feature Selection for Phishing Website Classification,” 2020. [Online]. Available: www.ijacsa.thesai.org

[21] C.-H. Liu, Z.-J. Zhang, and S.-D. Wang, “An Android Malware Detection Approach Using Bayesian Inference,” in 2016 IEEE International Conference on Computer and Information Technology (CIT), IEEE, Dec. 2016, pp. 476–483. doi: 10.1109/CIT.2016.76.

[22] Alomari et al. (2023), “Deteksi Malware Menggunakan Pembelajaran Mendalam dan Pemilihan Fitur Berbasis Korelasi,” Deteksi Malware Menggunakan Pembelajaran Mendalam dan Pemilihan Fitur Berbasis Korelasi, 2023.  “Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri”

[23] S. Jeon and J. Moon, “Malware-Detection Method with a Convolutional Recurrent Neural Network Using Opcode Sequences,” Inf Sci (N Y), vol. 535, pp. 1–15, Oct. 2020, doi: 10.1016/j.ins.2020.05.026.

[24] Toan et al. (2021), “Malware Detection on IoT Using Machine Learning,” Malware Detection on IoT Using Machine Learning, 2021.

[25] K. Prayogi, W. Gata, and D. P. Kussanti, “Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU"