Serangan malware spyware merupakan ancaman yang signifikan terhadap perangkat keras komputer dan privasi penguna. Untuk menganalisis dan mempermudah mengenali serangan tersebut dengan efektif, teknik visualisasi dapat memberikan wawasan yang berharga tentang pola dan karakteristiknya. Penelitian ini menggunakan algoritma machine learning yaitu Support Vector Machine (SVM). Dataset yang digunakan penelitian ini dari CIC MalMem 2022 yaitu data benign dan spyware Transponder. Seleksi fitur diterapkan pada penelitian ini untuk mengidentifikasi fitur-fitur yang paling relevan dalam membedakan antara data normal dan serangan. Hasil yang didapatkan menggunakan model SVM dengan 3 kernel SVM yaitu Linear, Polynomial dan Radial Basis Function (RBF). Berdasarkan validasi dari proses klasifikasi menggunakan kernel SVM mendapatkan hasil yang cukup tinggi, dimana dengan kernel Linear mendapatkan hasil akurasi yang paling unggul yaitu untuk 8 fitur akurasi 99.53%, 15 fitur akurasi 99.77% dan 24 fitur akurasi 99.96%.

Visualisasi Serangan Malware Spyware dengan Menggunakan Metode Support Vector Machine (SVM)

Kreator & Penulis