PENERAPAN METODE RANDOM FOREST DALAM KLASIFIKASI MALWARE PADA ANDROID

Popularitas android yang meluas menimbulkan risiko keamanan yang signifikan karena rentannya pengguna terhadap malware. Perkembangan teknologi yang pesat memberikan solusi yang cukup efektif dalam mengurangi dampak negatif yang diakibatkan oleh malware pada perangkat android. Salah satu solusi yang dapat diterapkan adalah penerapan machine learning dalam menganalisis data terkait android malware. Penelitian ini bertujuan untuk menilai performa metode random forest dalam menganalisis malware pada android, dengan menggunakan dataset DREBIN yang terdiri dari 215 atribut dan satu atribut target, dan terdiri dari 15,036 baris data. Hasil awal menunjukkan akurasi, presisi, recall, dan f1-score mencapai 100% pada data pelatihan, sementara pada data pengujian, akurasi mencapai 96%, presisi 97%, recall 89%, dan f1-score 92%, yang mengindikasikan potensi overfitting. Untuk mengatasi potensi overfitting, dilakukan cross validation sebanyak sepuluh kali. Hasil setelah penerapan cross validation menunjukkan bahwa kinerja model pada data pelatihan dan pengujian tetap baik, dengan akurasi mencapai 96%, presisi 96% pada data pelatihan dan 97% pada data pengujian, recall 90% pada data pelatihan dan 86% pada data pengujian, serta f1-score 93% pada data pelatihan dan 91% pada data pengujian. Meskipun demikian, penurunan nilai metrik evaluasi yang lebih realistis menunjukkan bahwa model mampu menggeneralisasikan hasilnya dengan lebih baik ke data yang belum pernah dilihat sebelumnya.