Hibah Internal Udinus
2025
Enhancing the Performance of Support Vector Machine using Quantum Kernel for Malware Detection
- Tim Peneliti / Pelaksana
- Fauzi Adi Rafrastara, Pulung Nurtantio Andono, Purwanto, Pujiono
- Skema / Program
- Penelitian Dasar Perguruan Tinggi
Abstrak / Deskripsi
Deteksi malware adalah tantangan kritis dalam keamanan siber, karena ancaman yang terus berkembang seperti ransomware, botnet, dan polymorphic malware secara terus-menerus menghindari teknik deteksi berbasis tanda tangan (signature-based) tradisional. Untuk mengatasi keterbatasan ini, pendekatan berbasis machine learning telah mendapatkan popularitas, dengan Support Vector Machine (SVM) muncul sebagai metode klasifikasi yang banyak digunakan. Namun, efektivitas SVM sangat bergantung pada pemilihan kernel-nya, di mana kernel klasik seperti Linear, Radial Basis Function (RBF), Sigmoid, dan Polynomial seringkali kesulitan mempertahankan kinerja optimal di ruang fitur berdimensi tinggi. Studi ini mengeksplorasi penerapan metode Quantum Kernel, khususnya ZZFeatureMap, untuk meningkatkan klasifikasi malware berbasis SVM. Kami melakukan eksperimen pada dataset gabungan dengan 6.248 instance dan 1.083 fitur, menerapkan Principal Component Analysis (PCA) untuk reduksi dimensi dan mengimplementasikan SVM dengan kernel klasik maupun quantum. Hasilnya menunjukkan bahwa Quantum Kernel SVM secara konsisten mengungguli pendekatan klasik, mencapai akurasi 95,83% dan recall 98,04% dengan lima komponen utama. Perbandingan dengan Random Forest dan Neural Networks lebih lanjut menyoroti kinerja superior SVM yang ditingkatkan dengan Quantum Kernel dalam deteksi malware. Meskipun kendala perangkat keras membatasi jumlah komponen utama yang diuji, temuan menunjukkan bahwa pemetaan fitur yang ditingkatkan secara quantum secara signifikan meningkatkan akurasi klasifikasi dalam dataset keamanan siber yang kompleks. Studi ini berkontribusi pada bidang Quantum Machine Learning (QML) yang sedang berkembang untuk keamanan siber, menjembatani kesenjangan antara teknik ML klasik dan metodologi yang ditingkatkan secara quantum. Hasil yang menjanjikan menggarisbawahi potensi Quantum Kernels dalam deteksi ancaman di dunia nyata, membuka jalan bagi aplikasi komputasi quantum di masa depan dalam keamanan siber. Luaran dari proposal hibah ini adalah International Journal bereputasi (Journal of Information and Communication Technology – Q3) sebagai luaran wajib serta International Conference (iSemantic) sebagai luaran tambahan.