SIREGAR, ANNISA ARRUMAISHA (2023) PENINGKATAN PERFORMA BACK PROPAGATION NEURAL NETWORK DENGAN OPTIMASI HYPERPARAMETER UNTUK DETEKSI MALWARE. Other thesis, UPT PERPUSTAKAAN POLSRI.
|
Text
Cover.pdf Download (826kB) | Preview |
|
|
Text (BAB I 1 PENDAHULUAN)
Bab I.pdf Download (135kB) | Preview |
|
|
Text (BAB II 2 TINJAUAN PUSTAKA)
Bab II.pdf Download (544kB) | Preview |
|
![[img]](http://eprints.polsri.ac.id/style/images/fileicons/text.png) |
Text (BAB III 3 METODOLOGI PENELITIAN)
Bab III.pdf Restricted to Repository staff only Download (247kB) | Request a copy |
|
|
Text (BAB IV 4 HASIL DAN PEMBAHASAN)
Bab IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
|
Text (BAB V 5 KESIMPULAN DAN SARAN)
Bab V.pdf Download (10kB) | Preview |
|
|
Text
Daftar Pustaka.pdf Download (94kB) | Preview |
|
|
Text
Lampiran.pdf Download (2MB) | Preview |
Abstract
Perkembangan pesat internet meningkatkan risiko serangan siber, termasuk serangan malware yang mengancam keamanan jaringan. Penelitian ini menginvestigasi penerapan Back Propagation Neural Network (BPNN) untuk deteksi malware, melibatkan eksperimen tanpa dan dengan optimasi hyperparameter. Eksperimen tanpa optimasi mengeksplorasi berbagai kombinasi hyperparameter, termasuk jumlah neuron di lapisan tersembunyi, learning rate, dan jumlah epoch. Hasil eksperimen menunjukkan bahwa performa model tetap berada pada kisaran 96% hingga 97%. Kombinasi dengan 20 neuron pada lapisan tersembunyi, learning rate sebesar 0.05, dan 200 epoch mencapai akurasi, presisi, dan recall sebesar 97%, serta F1-score sebesar 96%, dengan waktu komputasi yang efisien sekitar 5670.53 detik. Eksperimen yang dioptimasi menggunakan Grid Search untuk hyperparameter tuning meningkatkan akurasi hingga 1% dibandingkan dengan pendekatan tanpa optimasi. Dengan learning rate 0.05, dropout rate 0.1, 20 neuron pada lapisan tersembunyi, 2 lapisan tersembunyi, dan 200 epoch, model mencapai akurasi, presisi, recall, dan F1-score sebesar 98%. Namun, peningkatan ini disertai waktu komputasi yang lebih tinggi. Pengujian pada real test data menunjukkan keefektifan model neural network berperforma terbaik dalam mengidentifikasi dan membedakan antara file malware dan benign. Dengan akurasi 96.67%, sistem secara akurat mendeteksi sebagian besar file malware dan benign. Dari 135 file malware, 130 diidentifikasi secara benar, begitu pula dengan semua 15 file benign. Penelitian ini membuktikan bahwa model neural network yang diimplementasikan pada website memiliki kinerja yang baik dalam mendeteksi malware.
| Item Type: | Thesis (Other) |
|---|---|
| Uncontrolled Keywords: | Deteksi malware, Back Propagation Neural Network, optimasi hyperparameter, Grid Search, akurasi, presisi, recall, F1-score |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Electrical Engineering > Undergraduate Theses |
| Depositing User: | Mr Bambang Anthony |
| Date Deposited: | 23 Jan 2025 02:06 |
| Last Modified: | 23 Jan 2025 02:06 |
| URI: | http://eprints.polsri.ac.id/id/eprint/15855 |
Actions (login required)
 |
View Item |
