IMPLEMENTASI ALGORITMA XGBOOST UNTUK DETEKSI MALWARE PADA FILE PDF (Studi Kasus: Platform Adaptif E-Learning Rumahilmu.org)

Pesatnya perkembangan teknologi digital dan internet telah mendorong pemanfaatan
platform E-Learning dalam mendukung proses pembelajaran yang lebih fleksibel dan
adaptif. Namun, ancaman keamanan khususnya malware berbasis file PDF menjadi
tantangan signifikan yang dapat mengganggu integritas sistem dan privasi pengguna.
Penelitian ini berhasil mengembangkan model deteksi malware pada file PDF
menggunakan algoritma Extreme Gradient Boosting (XGBoost) untuk mengatasi
permasalahan tersebut. Dataset yang digunakan adalah Evasive-PDFMal2022 yang
diperluas dengan 100 file PDF bersih dari lingkungan E-Learning dan 300 file hasil
injeksi malware berbasis eksploitasi CVE-2022-28672, CVE-2023-21608, dan CVE-
2024-4367. Hasil penelitian menunjukkan bahwa model XGBoost yang dioptimasi
menggunakan step-wise tuning (Model M2) memberikan performa terbaik dengan
kemampuan generalisasi yang kuat dan akurasi pengujian mencapai 100% pada data baru.
Model tersebut telah diintegrasikan melalui Application Programming Interface (API)
berbasis Flask dan di-deploy ke Google Cloud Platform. Penerapan sistem ini pada
platform adaptif E-Learning Rumahilmu.org terbukti mampu mendeteksi dan mencegah
pengunggahan file PDF berbahaya secara otomatis dengan waktu respons yang cepat.
Solusi ini secara signifikan meningkatkan keamanan proses pengunggahan dokumen
serta melindungi privasi pengguna di lingkungan pembelajaran digital.
Kata Kunci: Malware, PDF, XGBoost, E-Learning, API