Inovasi Pembelajaran Mesin untuk Deteksi Malware: Analisis Komprehensif dan Tinjauan Literatur

Abstract

Penelitian tentang deteksi malware menggunakan pembelajaran mesin dan teknik deep learning telah menjadi topik yang menarik dalam beberapa tahun terakhir. Kombinasi fitur statis dan dinamik telah terbukti efektif dalam meningkatkan akurasi deteksi hingga 95%, sementara pendekatan ensemble learning juga menunjukkan peningkatan yang signifikan, mencapai akurasi hingga 97% untuk malware nol-hari. Implikasi temuan ini sangat penting dalam konteks keamanan siber, dengan kemampuan deteksi yang lebih baik dapat membantu melindungi sistem dan infrastruktur kritis dari serangan malware yang semakin canggih. Namun, ada beberapa batasan dalam penelitian ini, termasuk fokus yang terbatas pada tinjauan literatur dan tidak mencakup evaluasi eksperimental langsung. Oleh karena itu, penelitian lanjutan diperlukan untuk menguji metode ini pada dataset yang lebih beragam dan lingkungan operasional yang lebih realistis. Kontribusi dari penelitian ini terletak pada pengembangan solusi deteksi malware yang lebih efektif dan akurat menggunakan pendekatan pembelajaran mesin dan deep learning. Pertanyaan dan arah penelitian baru termasuk investigasi efektivitas metode dalam lingkungan produksi, pengembangan model hibrid yang menggabungkan pembelajaran mesin dengan teknik lain, serta eksplorasi penggunaan pembelajaran mesin untuk deteksi malware pada perangkat Internet of Things (IoT). Penelitian ini juga menyoroti pentingnya mempertimbangkan variabel tambahan seperti kompleksitas malware, metode penyebaran, dan dampak terhadap sistem target dalam penelitian mendatang. Secara keseluruhan, temuan ini mendukung gagasan bahwa pembelajaran mesin dan deep learning memiliki potensi besar dalam mengatasi tantangan deteksi malware yang semakin kompleks dan dinamis, dengan implikasi yang luas dalam meningkatkan keamanan siber.