Analisis dan Implementasi Algoritma Stochastic Gradient Descent (SGD) dalam Deteksi Malware Berbasis Memori [ENY]

Abstract

Perkembangan teknologi informasi membawa berbagai manfaat, tetapi juga meningkatkan risiko keamanan siber, termasuk serangan malware yang semakin canggih. Pendekatan deteksi malware tradisional yang berbasis tanda tangan memiliki keterbatasan dalam mendeteksi malware baru atau yang telah dimodifikasi. Oleh karena itu, deteksi malware berbasis memori menjadi metode alternatif yang menjanjikan karena mampu menganalisis perilaku malware yang aktif di memori. Penelitian ini bertujuan untuk menganalisis dan mengimplementasikan algoritma Stochastic Gradient Descent (SGD) yang optimal untuk meningkatkan akurasi dan efisiensi dalam deteksi malware berbasis memori. Dengan menggunakan dataset CIC-MalMem-2022, penelitian ini mengeksplorasi parameter seperti learning rate, momentum, dan batch size pada algoritma SGD. Hasil evaluasi diukur dengan metrik akurasi, presisi, recall, dan F1-score. Penelitian ini diharapkan memberikan rekomendasi konfigurasi SGD yang efektif untuk mendeteksi malware berbasis memori, yang bermanfaat dalam meningkatkan keamanan sistem.