PENERAPAN TABNET DENGAN SELEKSI FITUR MUTUAL INFORMATION UNTUK KLASIFIKASI MALWARE ANDROID

Platform Android mendominasi pasar sistem operasi mobile global namun menjadi target utama serangan malware yang terus berkembang, sehingga diperlukan sistem deteksi yang andal dan efisien. Penelitian ini bertujuan menerapkan seleksi fitur Mutual Information pada dataset MH-100K dan mengevaluasi pengaruhnya terhadap performa model klasifikasi TabNet. Variabel bebas penelitian ini adalah metode seleksi fitur (tanpa seleksi fitur dan dengan seleksi fitur MI), sedangkan variabel terikat adalah performa model berdasarkan metrik accuracy, precision, recall, F1-score, dan AUPRC. Dataset MH-100K yang memuat 58.872 sampel unik dengan 24.833 fitur statis dibagi dengan rasio 70:15:15 secara stratified. Seleksi fitur MI diterapkan pada data latih menggunakan fungsi mutual_info_classif, menghasilkan empat skenario threshold (Min, Q1, Q2, Q3) yang masing-masing diuji pada model TabNet. Skenario terbaik diperoleh pada threshold Q3 yang mempertahankan 6.209 fitur atau setara reduksi 75% dari total fitur awal. Hasil evaluasi pada data uji menunjukkan model TabNet + MI-Q3 mencapai accuracy 96,69%, precision 83,65%, recall 93,46%, F1-score 88,28%, dan AUPRC 90,68%, mengungguli model baseline TabNet tanpa seleksi fitur pada empat dari lima metrik dengan peningkatan recall paling signifikan sebesar 9,43%. Penelitian ini membuktikan bahwa seleksi fitur Mutual Information efektif meningkatkan performa model TabNet sekaligus mereduksi dimensi fitur secara signifikan.