Deteksi Ransomware Menggunakan Algoritma XGBoost

Firmansyah, Shabrina (2026) Deteksi Ransomware Menggunakan Algoritma XGBoost. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (4MB)
	PDF ARTIKEL.pdf Restricted to Registered users only Download (945kB)
	PDF TURNITIN.pdf Restricted to Registered users only Download (647kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	PDF LETTER_OF_ACCEPTANCE.pdf Restricted to Registered users only Download (107kB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (803kB)
	Archive (ZIP) 00000076396_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Ransomware telah muncul sebagai ancaman kritis bagi keamanan perusahaan dan infrastruktur penting, namun sistem deteksi berbasis machine learning yang ada saat ini secara dominan mengoptimalkan metrik kinerja agregat seperti akurasi dan F1-Score. Dalam situasi kritis keamanan, di mana satu insiden ransomware yang tidak terdeteksi dapat menyebabkan enkripsi berkas yang beruntun dalam hitungan menit, penekanan ini mengabaikan biaya asimetris dari False Negatives (FN). Untuk menjembatani celah ini, penelitian ini mengusulkan pendekatan deteksi sensitif risiko yang secara eksplisit menargetkan minimisasi False Negative Rate (FNR) dengan menggabungkan XGBoost dengan Random Undersampling (RUS) dan optimasi ambang batas keputusan berbasis probabilitas Out-of-Fold (OOF). Dataset Ransomware CSU, yang mencakup 352.876 catatan aktivitas perilaku sistem di 19 karakteristik, digunakan dalam eksperimen ini. Pendekatan yang diusulkan berhasil mempertahankan Akurasi sebesar 0,9586, F1-Score sebesar 0,8810, Presisi sebesar 0,7920, dan AUC-ROC sebesar 0,9899, sekaligus mencapai Recall sebesar 0,9927 dan FNR sebesar 0,0073, dengan mengenali secara akurat 1.085 dari 1.093 insiden ransomware. Temuan ini menunjukkan bahwa kombinasi antara pelatihan sadar ambang batas (threshold aware training) dengan pengambilan sampel seimbang (balanced sampling) merupakan metode yang layak dan dapat diterapkan untuk deteksi ransomware dalam lingkungan di mana kegagalan deteksi menimbulkan risiko operasional tertinggi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Firmansyah, Shabrina (00000076396)
Contributors:	Aditiyawan, Aditiyawan (8994550022)
Keywords:	Deteksi Ransomware, Keamanan Siber, Machine Learning, Tingkat False Negative, XGBoost.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:15
URI:	https://kc.umn.ac.id/id/eprint/48424

Actions (login required)

View Item