Penerapan Hybrid LightGBM dan CNN dalam Deteksi Malware Android Berbasis Image Feature Extraction [NII] [SYJ]

Abstract

Peningkatan jumlah pengguna Android secara global turut diiringi dengan meningkatnya risiko keamanan siber, salah satunya adalah malware yang semakin berkembang secara kompleks hingga sulit terdeteksi oleh metode tradisional. Penelitian ini bertujuan untuk mengembangkan sebuah sistem deteksi malware Android yang efisien dan akurat melalui pendekatan hybrid menggunakan algoritma Light Gradient Boosting Machine (LightGBM) dan Convolutional Neural Network (CNN). CNN digunakan untuk melakukan ekstraksi fitur berbasis citra dari data APK, sementara LightGBM bertindak sebagai algoritma klasifikasi untuk membedakan antara malware dan benign. Penelitian ini akan menggunakan dataset publik seperti MalDroid-2020 dan Malimg, serta mengevaluasi performa model berdasarkan metrik akurasi, precision, recall, F1-score, dan efisiensi waktu komputasi. Hipotesis awal menyatakan bahwa model hybrid LightGBM-CNN dapat meningkatkan akurasi deteksi malware secara signifikan dibandingkan pendekatan tunggal. Diharapkan, hasil penelitian ini dapat memberikan kontribusi terhadap pengembangan sistem hybrid untuk keamanan Android berbasis machine learning dan deep learning yang adaptif dan dapat diandalkan.