Deteksi Dini Ancaman Malware pada OS Windows di Indonesia Menggunakan Analisis Data PE Header Berbasis Algoritma Random Forest
Keywords:
Dektesi malware, Windows os, Keamanan siber, PE Header, Random ForestAbstract
Perkembangan infrastruktur digital di Indonesia berbanding lurus dengan meningkatnya risiko serangan siber, khususnya ancaman malware yang menargetkan sistem operasi Windows sebagai platform paling dominan. Teknik deteksi tradisional yang berbasis signature-based terbukti kurang efektif menghadapi malware varian baru atau serangan zero-day. Oleh karena itu, penelitian ini bertujuan untuk membangun sebuah sistem deteksi dini malware pada OS Windows melalui analisis data Portable Executable (PE) Header menggunakan algoritma Machine Learning Random Forest. Dataset yang digunakan mencakup 19.611 sampel file PE (14.599 malware dan 5.012 file aman/benign) dengan 78 fitur teknis header. Tahapan metodologi meliputi pembersihan data, pengisian missing values secara median, ekstraksi fitur dominan, serta pembagian data training dan testing sebesar 80:20. Hasil pengujian menunjukkan bahwa model Random Forest mampu mendeteksi ancaman malware dengan tingkat akurasi yang sangat impresif mencapai 99,13%, dengan presisi 1.00% untuk file benign dan recall 1.00% untuk file malware. Fitur PE Header yang paling berpengaruh secara signifikan dalam proses klasifikasi adalah MajorLinkerVersion (8,34%), MinorOperatingSystemVersion (8,02%), dan MajorSubsystemVersion (7,45%). Penelitian ini membuktikan bahwa analisis PE Header yang dikombinasikan dengan algoritma Random Forest dapat diandalkan sebagai mekanisme pertahanan dini yang responsif dan akurat untuk memperkuat ketahanan siber nasional di Indonesia.
References
Applications, E. (2025). Implementation of TF-IDF and XGBoost Algorithms in Scientific Paper Classification. Journal of Cyber Security, 5(1), 1-5.
Felix Fernando. (2025). Klasifikasi Tweet Cyberbullying Dengan Menggunakan Algoritma Svm Dan Xgboost. Jurnal Ilmu Komputer Dan Sistem Informasi, 13(1). https://doi.org/10.24912/jiksi.v13i1.32857
Kairupan, I. Y., Angdresey, A., & Arif, H. (2023). An Extreme Gradient Boosting Approach for Classification and Sentiment Analysis. The Asian Journal of Technology Management (AJTM), 16(3), 211-225. https://doi.org/10.12695/ajtm.2023.16.3.5
Kipkosgei, D., & Mackenzie, S. (2026). Performance Evaluation of Hybrid SVM- RF and XGBoost-RF Architectures for Classifying Gender-Based Violence Tweets on X. International Journal of Data Science, 28(5), 61-72.
Kirana, A. S., Roeswidiah, R., & Pudoli, A. (2025). Analisis Sentimen Pada Media Sosial Terhadap Layanan Samsat Digital Nasional. Jurnal Teknologi Dan Sistem Informasi, 8, 53-63.
Lukman, K., & Novianto, S. (2025). Komparasi Algoritma Naïve Bayes dan SVM untuk Identifikasi Cyberbullying Selebriti di Media Sosial Twitter. Jurnal Algoritma, 22(1), 970-981. https://doi.org/10.33364/algoritma/v.22-1.2196
Mahmudah, S. A., & Yudhistira, A. (2025). Analisis Sentimen Terhadap Cyberbullying pada Platform Media Sosial X Menggunakan Algoritma Naive Bayes. Jurnal Pendidikan Dan Teknologi Indonesia, 5(1), 189-200. https://doi.org/10.52436/1.jpti.628
Murni, Santoso, R. D., Salsabila, A. A., Farhan, A., Arfin, T., Marsiano, J., & Rahmawati. (2026). Klasifikasi Komentar Cyberbullying pada Media Sosial Instagram Menggunakan Algoritma Support Vector Machine (SVM) Berbasis Orange Data Mining. JRIIN: Jurnal Riset Informatika dan Inovasi, 4(2), 441-449.
Munna, A., & Zuliarso, E. (2024). Interpretation of Stacking Ensemble model for sentiment analysis of online loan application reviews using LIME. Aiti, 21(2), 183-196.
Pratama, F. A., Silviana, F., Karifki, M., Muges, M. W., Septiani, S., & Rahmawati. (2026). Klasifikasi Pelanggaran Etika Siber pada Media Sosial X Menggunakan Algoritma Extreme Gradient Boosting Berbasis TF-IDF. JRIIN: Jurnal Riset Informatika dan Inovasi, 4(2), 459-464.
Putu, I., Purnama Widiarta, A., Dwiyansaputra, R., & Aranta, A. (2023). Analisis Sentimen Masyarakat Terhadap Kebijakan Penerapan PPKM Di Media Sosial Twitter Dengan Menggunakan Metode XGBoost. Jurnal Teknologi Informasi, Komputer Dan Aplikasinya (JTIKA), 5(2), 154-163. http://jtika.if.unram.ac.id/index.php/JTIKA/
