Ririn Febriana

Malware merupakan singkatan dari malicious software, yaitu perangkat lunak berbahaya yang dirancang untuk merusak, mencuri data, atau mengganggu sistem komputer dan jaringan. Salah satu jenis malware yang sering ditemui adalah Trojan, yang biasanya menyamar sebagai program aman namun memiliki tujuan merusak. Untuk mengatasi ancaman ini, dibutuhkan sistem yang mampu mendeteksi pola-pola mencurigakan dalam lalu lintas jaringan. Penelitian ini bertujuan untuk menjawab tiga pertanyaan utama, yaitu bagaimana proses ekstraksi data dari file PCAP, seberapa efektif metode Decision Tree dalam mendeteksi malware Trojan, serta bagaimana cara meningkatkan performa model deteksi. Proses ekstraksi data dilakukan dengan memanfaatkan CICFlowMeter untuk mengubah file PCAP menjadi format CSV yang berisi fitur-fitur aliran data jaringan. Data tersebut kemudian dianalisis menggunakan metode Machine Learning, khususnya algoritma Decision Tree, guna mengklasifikasikan antara trafik normal dan berbahaya. Hasil penelitian menunjukkan bahwa metode Decision Tree efektif dalam mengidentifikasi aktivitas malware pada jaringan perangkat mobile. Performa terbaik diperoleh saat rasio data pelatihan, validasi dan pengujian adalah 25:25:50 untuk sebelum seleksi fitur, dengan akurasi 93,13% dan fi-score sebesar 92,89%, setelah seleksi fitur dengan rasio 40:40:20 dengan akurasi 97,91% dan fi-score sebesar 97,89%. Selain itu, penerapan sistem deteksi intrusi Snort turut memperkuat deteksi serangan dengan mengenali pola-pola lalu lintas berbahaya secara berbasis aturan. Seleksi fitur berperan penting dalam meningkatkan performa model, mengurangi overfitting, serta memastikan generalisasi yang lebih baik. Optimalisasi kedalaman pohon keputusan juga membantu menjaga keseimbangan antara bias dan varians dalam model. Keywords— Malware, Trojan, PCAP, Decision Tree, CICFlowMeter, Snort, Deteksi Intrusi, Seleksi Fitur, Akurasi, F1-Score.