IMPLEMENTASI SISTEM ANALISIS MALWARE BERBASIS WEB DENGAN INTEGRASI RANDOM FOREST

This is the latest version of this item.

ABSTRAK
The threat of Malware is increasing as digital technology develops. However, most existing Malware analysis systems are too complex for ordinary users. This study aims to develop a web-based Malware analysis system with a Streamlit framework integrating Machine learning using the Random Forest algorithm. This system leverages the MetaDefender API for in-depth Malware analysis and the GPT API to simplify the interpretation of analysis results. By utilising the Streamlit framework, the system provides a responsive and user-friendly interface, as it presents analysis results in graphical form, making it easier for non-technical users to understand. Through this system, users can verify the security status of a file in real-time. It also offers competitive advantages in terms of better accessibility, ease of use, and simplified analysis results compared to conventional methods, which are often complex. The method used for this research is quantitative exploration in analysing the effectiveness of the algorithm. The results of this research can enhance cybersecurity awareness and provide more practical solutions for Malware detection and handling.

Keywords: Malware, Machine learning, Random Forest, Streamlit, MetaDefender API, Cybersecurity, GPT API.

Ancaman Malware semakin meningkat seiring berkembangnya teknologi digital. Namun, kebanyakan sistem analisis Malware yang ada terlalu kompleks bagi pengguna awam. Penelitian ini bertujuan untuk mengembangkan sistem analisis Malware berbasis web dengan kerangka kerja Streamlit integrasi Machine learning menggunakan algoritma Random Forest. Sistem ini memanfaatkan MetaDefender API untuk analisis Malware secara mendalam serta GPT API untuk menyederhanakan interpretasi hasil analisis. Dengan memanfaatkan framework Streamlit, sistem ini menyediakan antarmuka yang responsif dan mudah digunakan karena memiliki hasil analisis dalam bentuk grafik yang dapat memudahkan pengguna awam untuk memahaminya. Melalui sistem ini, pengguna dapat memastikan kondisi keamanan sebuah file secara real-time. Juga menawarkan keunggulan kompetitif berupa aksesibilitas yang lebih baik, kemudahan penggunaan, dan penyederhanaan hasil analisis dibandingkan metode konvensional yang seringkali kompleks. Metode yang digunakan untuk penelitian ini adalah kuantitatif eksplorasi dalam menganalisis efektivitas algoritma. Hasil dari penelitian ini mampu meningkatkan kesadaran keamanan siber serta memberikan solusi yang lebih praktis dalam deteksi dan penanganan Malware.

Kata kunci: Malware, Machine learning, Random Forest, Streamlit, MetaDefender API, Keamanan Siber, GPT API.