Hibah Internal Udinus
2026
Deteksi Malware Android yang Interpretable Menggunakan LightGBM dan Random Forest pada Dataset CICAndMal2017
- Tim Peneliti / Pelaksana
- Rama Aria Megantara, Dewi Pergiwati
- Skema / Program
- Penelitian Dasar Perguruan Tinggi
Abstrak / Deskripsi
Pertumbuhan ekosistem Android yang masif berbanding lurus dengan peningkatan kompleksitas serangan malware. Meskipun metode deteksi berbasis Deep Learning menunjukkan akurasi tinggi, model tersebut sering kali bersifat black-box, sehingga sulit bagi analis keamanan untuk memahami karakteristik fitur serangan secara transparan. Penelitian ini bertujuan mengembangkan model deteksi malware Android yang tidak hanya akurat tetapi juga interpretable (dapat dijelaskan) menggunakan algoritma Light Gradient Boosting Machine (LightGBM) dan Random Forest pada dataset CICAndMal2017. Pendekatan ini dipilih karena efisiensi komputasi yang tinggi dan kemampuan feature importance bawaan yang mendukung audit keamanan.Metode penelitian mencakup pembangunan pipeline dua-lapis untuk menangani big data, ekstraksi fitur berbasis network-flow, serta evaluasi model pada tiga level klasifikasi: binary (jinak/jahat), category (jenis serangan), dan family (varian malware). Kebaruan penelitian terletak pada analisis interpretability model untuk memetakan fitur jaringan paling dominan dalam serangan modern. Luaran wajib penelitian ini adalah publikasi pada Jurnal Internasional/Nasional Terakreditasi Sinta 2 dan Hak Cipta (HKI) atas alur logika sistem deteksi. Penelitian ini berada pada Tingkat Kesiapan Teknologi (TKT) 3, yang berfokus pada pembuktian konsep fungsi dan karakteristik analitis secara laboratorium.