Fandi Kurniawan

Penggunaan ponsel pintar berbasis Android terus meningkat secara signifikan, memberikan dampak luas pada berbagai aspek kehidupan manusia. Namun, kemajuan ini juga menimbulkan tantangan besar dalam keamanan siber, terutama dengan kemunculan berbagai bentuk malware Android. Menurut laporan dari Badan Siber dan Sandi Negara (BSSN), serangan malware berbasis APK yang menyamar sebagai undangan pernikahan menjadi salah satu bentuk penipuan siber yang paling sering terjadi pada tahun 2023. Meskipun berbagai langkah mitigasi telah diimplementasikan, ancaman ini tetap menimbulkan kekhawatiran bagi pengguna. Deteksi malware Android yang efektif dan andal menjadi kebutuhan mendesak, mengingat 70,11% pengguna ponsel menggunakan sistem operasi Android, menjadikannya target utama bagi penyerang siber. Penelitian sebelumnya telah mengusulkan berbagai teknik untuk meningkatkan deteksi malware Android, termasuk pendekatan machine learning dan deep learning. Namun, masih terdapat celah signifikan dalam relevansi dataset yang digunakan, metodologi analisis yang kurang holistik, dan kinerja algoritma deteksi yang belum optimal. Penelitian ini bertujuan untuk mengembangkan pendekatan hybrid yang menggabungkan analisis statis dan dinamis dengan menggunakan dataset malware Android dari Indonesia. Evaluasi efektivitas pendekatan ini akan dilakukan dengan algoritma Multi-Robot seperti Support Vector Machine (SVM), Random Forest (RF), dan K-nearest neighbors (KNN). Pendekatan ini diharapkan dapat memberikan solusi yang lebih adaptif dan robust dalam mengantisipasi ancaman cyber crime berbasis malware Android, khususnya dalam konteks lokal Indonesia. Pada tahap eksperimen awal, penelitian ini berfokus pada pengujian performa metode klasifikasi dalam Multi-Robot menggunakan dataset yang dihasilkan dari analisis statis. Dataset pada awal penelitian belum sempurna karena masih dalam proses penyelesaian analisis dinamis. Dari hasil ekstraksi fitur statis, diperoleh 45 fitur permission dari APK. Untuk membuktikan efektivitasnya, dilakukan eksperimen dengan beberapa metode seperti Information Gain, Gain Ratio, dan Chi-Square. Sedangkan untuk mengukur akurasinya, digunakan algoritma Multi-Robot yang menunjukkan bahwa model evaluasi Random Forest secara konsisten memberikan kinerja terbaik dengan akurasi 97,5%, presisi 97,5%, recall 97,5%, dan F1-Score 97,5%, dibandingkan dengan SVM dan KNN. Kata kunci: Malware Detection, Machine Learning, Cyber Crime, Hybrid Malware Analyisis.