PENERAPAN ENSEMBLE LEARNING DALAM DETEKSI MALWARE (STUDI KASUS : DATASET IoT-23)

Internet of Things (IoT) telah menjadi inovasi teknologi yang membawa banyak
manfaat di berbagai sektor, namun juga menghadirkan tantangan, khususnya dalam
hal keamanan siber. Salah satu ancaman utama adalah malware, yang dapat
merusak perangkat, mencuri data, dan mengganggu kinerja sistem. Dengan
meningkatnya penggunaan IoT, serangan malware pada perangkat IoT menjadi
perhatian serius. Penelitian sebelumnya menunjukkan bahwa model deteksi
malware di perangkat IoT masih memiliki kekurangan, khususnya dalam hal
akurasi. Salah satu algoritma yang digunakan dalam deteksi malware, Naïve Bayes,
telah terbukti memberikan hasil akurasi yang rendah. Penelitian ini bertujuan
meningkatkan akurasi deteksi malware pada jaringan IoT dengan menerapkan
teknik Ensemble learning menggunakan data lalu lintas dari dataset IoT-23.
Metodologi yang digunakan mengacu pada kerangka kerja CRISP-DM (Cross
Industry Standard Process for Data Mining), yang mencakup tahapan pemahaman
bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan pengembangan.
Hasil penelitian menunjukkan bahwa Ensemble learning dapat meningkatkan
performa model individu. Naïve Bayes sebagai model tunggal menghasilkan
akurasi 0.24, meningkat menjadi 0.27 saat digabung dengan AdaBoost, dan 0.99
saat digabung dengan XGBoost. Kombinasi ketiga model juga menghasilkan
akurasi 0.99.
Kata kunci : Malware, IoT-23, Ensemble learning