Pendeteksian Malware Android dengan Memanfaatkan Fitur Permissions Menggunakan Algoritma Extreme Gradient Boosting (XGBoost)

Latar Belakang: Ancaman malware terhadap sistem operasi Android semakin meningkat seiring pertumbuhan penggunaan perangkat mobile. Salah satu pendekatan yang digunakan dalam deteksi malware adalah melalui analisis fitur permissions, yaitu izin akses yang diminta oleh aplikasi. Permasalahan utama yang sering muncul adalah ketidakseimbangan kelas (imbalanced class) antara aplikasi non-malware dan malware, yang dapat memengaruhi kemampuan model dalam mengenali aplikasi berbahaya secara akurat.
Tujuan: Penelitian ini bertujuan untuk mengkaji penerapan algoritma Extreme Gradient Boosting (XGBoost) dalam mendeteksi aplikasi malware Android berbasis fitur permissions, dengan fokus utama pada strategi penanganan ketidakseimbangan kelas.
Metode Penelitian: Penelitian dilakukan dengan pendekatan eksperimental. Dataset yang digunakan merupakan data permissions dari aplikasi Android yang telah dilabeli sebagai malware dan non-malware. Proses dimulai dengan preprocessing data dan pemilihan 10 fitur permissions terbaik. Selanjutnya, dilakukan pelatihan model XGBoost dengan penyesuaian parameter scale_pos_weight, disertai eksperimen lanjutan berupa threshold tuning dan penerapan teknik oversampling SMOTE. Evaluasi dilakukan menggunakan
metrik akurasi, precision, recall, F1-Score, dan confusion matrix.
Hasil: Model XGBoost menunjukkan precision tinggi namun recall rendah pada baseline awal. Penerapan scale_pos_weight mampu meningkatkan sensitivitas model terhadap malware, yang kemudian diperkuat dengan penyesuaian threshold dan penggunaan SMOTE. Eksperimen subset data (500, 1000, dan 2000 sampel) menunjukkan bahwa ukuran data memengaruhi stabilitas performa dan waktu komputasi. Model terbaik mencapai recall hingga 65% setelah threshold tuning pada nilai 0.4.
Kesimpulan: XGBoost terbukti dapat digunakan untuk menangani ketidakseimbangan kelas dalam deteksi malware Android berbasis fitur permissions. Kombinasi strategi scale_pos_weight, threshold tuning, dan SMOTE berhasil meningkatkan performa model terhadap kelas minoritas.