Penerapan Model Pembelajaran Mesin Dalam Sistem Cybersecurity
DOI:
https://doi.org/10.58520/jddat.v4i2.85Keywords:
Cybersecurity, Malware, Jaringan, Machine learningAbstract
Keamanan jaringan atau cybersecurity sangat penting dalam dunia digital,karena seseorang yang melakukan penyerangan bisa megirim kode jahat seperti malware ke berbagai file yang bisa merugikan orang lain. Ada berbagai jenis malware atau program yang cukup berbahaya bisa ditemukan di internet. Banyak hal yang harus diperhatikan dalam perlindungan system, seperti jaringan dan keamanan lainnya yang merupakan fakrot penting karena berkaitan dengan pengoperasian sistem informasi agar bisa mencegah ancaman terhadap kerusakan sistem. Malware merupakan program software yang berbahaya pagi pengguna komputer.Serangan kerusakan yang sering terjadi seperti Ping of Death, UDP Flood, Smurf Attack dan lainnya. Model pembelajaran mesin atau biasnaya disebut dengan Machine Learning akan melakukan pendekatan untuk mendeteksi serangan malware ini yang dianalisis secara statistik menggunakan algoritma genetika. Dari pembelajaran mesin ini akan dilakukan secara kategori untuk serangan malware yang terjadi dengan cara eksplorasi data,training dan testing, maka akan terlihat tingkat akurasi dari neural networknya.
References
Akhtar, M. S., & Feng, T. (2022). Malware Analysis and Detection Using Machine Learning Algorithms. Symmetry, 14(11). https://doi.org/10.3390/sym14112304
Aldwairi, M., Mardini, W., & Alhowaide, A. (2018). Anomaly payload signature generation system based on efficient tokenization methodology. International Journal on Communications Antenna and Propagation, 8(5), 421–429. https://doi.org/10.15866/irecap.v8i5.12794
Alkasassbeh, M. (2017). An empirical evaluation for the intrusion detection features based on machine learning and feature selection methods. Journal of Theoretical and Applied Information Technology, 95(22), 5962–5976.
Arelakis, A. (2015). MSc THESIS Efficient Pre-filtering Techniques for Packet Inspection. September.
Damanik, A. R., Seta, H. B., & Theresiawati, T. (2023). Analisis Trojan Dan Spyware Menggunakan Metode Hybrid Analysis. Jurnal Ilmiah Matrik, 25(1), 89–97. https://doi.org/10.33557/jurnalmatrik.v25i1.2327
Dieta Wahyu Asry, Eko Siswanto, Dendy Kurniawan, & Haris Ihsanil Huda. (2023). Deteksi Malware Statis Menggunakan Deep Neural Networks Pada Portable Executable. Teknik: Jurnal Ilmu Teknik Dan Informatika, 3(1), 19–34. https://doi.org/10.51903/teknik.v3i1.325
Farhana, N., Firdaus, A., Darmawan, M. F., & Ab Razak, M. F. (2023). Evaluation of Boruta algorithm in DDoS detection. Egyptian Informatics Journal, 24(1), 27–42. https://doi.org/10.1016/j.eij.2022.10.005
Arora, R., Singh, A., Pareek, H., & Edara, U. R. (2013). A heuristics-based static analysis approach for detecting packed PE binaries. International Journal of Security and Its Applications, 7(5), 257–268. https://doi.org/10.14257/ijsia.2013.7.5.24
Bouchlaghem, Y., Akhiat, Y., & Amjad, S. (2022). Feature Selection: A Review and Comparative Study. E3S Web of Conferences, 351(May). https://doi.org/10.1051/e3sconf/202235101046
Hairani, T. (2018). Botnet Detection Using K-Nearest Neighbor Algorithm.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Desain Dan Analisis Teknologi

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.