FARHAN TAUFIQUL IHSAN (2025) PENERAPAN OPTUNA PADA OPTIMASI GRAPH NEURAL NETWORK UNTUK DETEKSI MALWARE. S1 thesis, Universitas Muhammadiyah Yogyakarta.

	Text (Halaman Judul) Halaman Judul.pdf Download (962kB)
	Text (Lembar Pengesahan) Lembar Pengesahan.pdf Restricted to Registered users only Download (593kB)
	Text (Abstrak) Abstrak.pdf Restricted to Registered users only Download (193kB)
	Text (Bab I) Bab I.pdf Download (293kB)
	Text (Bab II) Bab II.pdf Restricted to Registered users only Download (584kB)
	Text (Bab III) Bab III.pdf Restricted to Registered users only Download (354kB)
	Text (Bab IV) Bab IV.pdf Restricted to Registered users only Download (919kB)
	Text (Bab V) Bab V.pdf Restricted to Registered users only Download (209kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf Restricted to Registered users only Download (262kB)
	Text (Lampiran) Lampiran.pdf Restricted to Registered users only Download (146kB)
	Text (Naskah Publikasi) Naskah Publikasi.pdf Restricted to Registered users only Download (1MB)
	Text (Full Text) Full Text.pdf Restricted to Repository staff only Download (3MB)

Abstract

Serangan malware yang semakin kompleks menuntut pengembangan metode deteksi yang lebih adaptif dan akurat. Penelitian ini berfokus pada optimasi arsitektur Graph Neural Network (GNN) menggunakan framework Optuna untuk menemukan konfigurasi hyperparameter paling efektif dalam mendeteksi serangan pada dataset UNSW-NB15. Kinerja arsitektur GNN (GCN) yang telah dioptimalkan ini kemudian dievaluasi secara komperhensif dengan membandingkannya terhadap enam model lain, yaitu GNN konvensional, Random Forest, XGBoost, Artificial Neural Network (ANN), K-Means. Evaluasi perfroma menggunakan metrik akurasi, precision, recall, F1- Score, dan confusion matrix menunjukkan bahwa GNN dengan Optuna, menghasilkan akurasi 99,34% dengan keunggulan utama dalam mencapai angka false negative terendah dibandingkan seluruh model pembanding. Studi ini membuktikan bahwa integrasi Optuna pada GNN secara signifikan meningkatkan keandalan deteksi dengan meminimalkan risiko serangan yang terlewat, menjadikan pendekatan yang baik untuk deteksi malware.

Dosen Pembimbing:	Slamet Riyadi, Ir., S.T., M.Sc., Ph.D. and Cahya Damarjati, S.T., M.Eng., Ph.D. | NIDN0509087801, NIDN0515038702
Item Type:	Thesis (S1)
Uncontrolled Keywords:	Malware Detection, Graph Neural Network, Hyperparameter Optimization, UNSW-NB15, Optuna
Divisions:	Fakultas Teknik > S1 Teknologi Informasi
Depositing User:	Yuliana Ramawati
Date Deposited:	04 Aug 2025 05:05
Last Modified:	04 Aug 2025 05:05
URI:	https://etd.umy.ac.id/id/eprint/52250

Actions (login required)

View Item