Deteksi Ransomware Menggunakan Algoritma Random Forest dan XGBoost

Rasyedo Monoarfa, Mohamad (2026) Deteksi Ransomware Menggunakan Algoritma Random Forest dan XGBoost. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (223kB)
	PDF BAB_II.pdf Download (540kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (913kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (261kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (222kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (692kB)
	Archive (ZIP) 00000071358_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Ransomware merupakan salah satu ancaman keamanan siber paling dominan saat ini, dengan karakteristik yang semakin adaptif dan sulit dideteksi menggunakan pendekatan berbasis signature konvensional. Penelitian ini melakukan evaluasi komparatif terhadap algoritma Random Forest dan XGBoost dalam mendeteksi ransomware menggunakan dataset UGRansome2024 yang memuat 149.043 sampel lalu lintas jaringan dari berbagai keluarga ransomware. Metodologi yang diterapkan mencakup rekayasa fitur derivatif, penanganan ketidakseimbangan kelas menggunakan SMOTE, optimasi hyperparameter dengan RandomizedSearchCV, serta validasi model melalui Stratified K-Fold cross-validation. Perbedaan performa kedua algoritma diuji secara statistik menggunakan Wilcoxon signed-rank test. Hasil eksperimen menunjukkan bahwa XGBoost unggul pada seluruh dimensi evaluasi, mencapai akurasi 98,98%, F1-Score 98,98%, dan ROC-AUC 99,99%, melampaui Random Forest yang mencatatkan akurasi 98,84% dan ROC-AUC 99,98%. XGBoost juga terbukti 4,76 kali lebih cepat dalam pelatihan dan 4,06 kali lebih cepat dalam inferensi dibandingkan Random Forest. Penelitian ini menyimpulkan bahwa XGBoost merupakan algoritma yang lebih optimal untuk sistem deteksi ransomware berbasis fitur lalu lintas jaringan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Rasyedo Monoarfa, Mohamad (00000071358)
Contributors:	Yakub, Sy Yuliani
Keywords:	Deteksi Ransomware, Keamanan Siber, Machine Learning, Random Forest, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:09
URI:	https://kc.umn.ac.id/id/eprint/48377

Actions (login required)

View Item