Klasifikasi Shellcode Dengan Machine Learning Berbasis Klasifikasi Biner

Abstract

Internet dapat menghubungkan satu orang dengan orang lain dengan menggunakan perangkat masing-masing. Internet sendiri memiliki dampak positif dan negatif. Salah satu contoh dampak negatif dari internet adalah adanya malware yang dapat mengganggu atau bahkan merusak perangkat atau penggunanya; itulah mengapa keamanan siber diperlukan. Banyak cara yang dapat dilakukan untuk mencegah atau mendeteksi malware. Salah satunya adalah dengan menggunakan teknik machine learning. Dataset pelatihan dan pengujian untuk eksperimen ini berasal dari dataset UNSW_NB15. K-Nearest Neighbour (KNN), Decision Tree, dan Naïve Bayes diimplementasikan untuk mengklasifikasikan apakah sebuah record pada data testing merupakan serangan Shellcode atau non-Shellcode. Classifier KNN, Decision Tree, dan Naïve Bayes mencapai tingkat akurasi masing-masing sebesar 96.82%, 97.08%, dan 63.43%. Hasil dari penelitian ini diharapkan dapat memberikan wawasan mengenai penggunaan machine learning dalam mendeteksi atau mengklasifikasikan malwares atau jenis serangan siber lainnya