1. Penelitian ini mengklasifikasikan malware Trojan ransomware dan file normal menggunakan algoritma Support Vector Machine (SVM). 2. Hasil pengujian menunjukkan bahwa SVM kernel linier memberikan tingkat akurasi terbaik hingga 87,6% dibandingkan SVM Evolutionary. 3. Semakin besar jumlah data latih, semakin baik pula hasil akurasi yang dicapai.

1. Klasifikasi Malware Trojan Ransomware
Dengan Algoritma Support Vector Machine
(SVM)
PRESENT BY : ERICK LAMDOMPAK S
SUPERVISOR : DERIS STIAWAN. PH.D
Universitas Sriwijaya | Fakultas Ilmu Komputer | Sistem Komputer | 2017

2. Latar Belakang
Trojan Ransomware merupakan salah satu jenis malware yang
paling berbahaya dan paling dibenci olah para pengguna
komputer. Tidak hanya menggunakan kode berbahaya, tetapi
juga menggangu dan mengenkripsi file korban tanpa
sepengetahuannya. [1]
Support Vector Machine adalah suatu teknik untuk
melakukan prediksi, baik dalam kasus klasifikasi maupun
regresi dalam analisis dinamis maupun statis[3]
No Jenis Malware
1 Ransomware
2 Exploit Kits
3 Banking Trojans
4 Collection of Malware,
Worms
5 PoS (Point-of-Sale) Malware
6 Social Engineering Attacks
7 Fake Tech Support Services
8 Rogue Antivirus Software
9 Potentially Unwanted
Programs
10 Adware
Menurut [6] Terdapat sepuluh malware yang paling
terpopuler di tahun 2015.
[1] X. Luo and Q. Liao, “Ransomware : a new cyber hijacking threat to enterprises,” in Handbook of Research on
Information Security and Assurance, IGI Global, 2009.
[3] G. Alexe, S. Alexe, P. Hammer, and B. V. (2006). Feature Selection and Machine Learning Classification
for Malware Detection. Annals of Operations Research, 148(September), 17–20.
[6] CFOC.ORG. (2016). Top 10 Malware Attacks Retrieved from http://cfoc.org/top-10-malware-
attacks-of-2015/

3. Latar Belakang
1. Pada penelitian [5] membahas bagaimana banyak nya data yang sangat beragam
(heterogeneous data) yang dianggap sebagai data ancaman dari internet. Penelitian ini
menggunakan Support Vector Machine untuk klasifikasi heterogeneous data.
2. Pada penelitian lain [7] membahas bagaimana SVM digunakan dalam melakukan identifikasi
malware yang dapat di deteksi dengan menggunakan Support Vector Machine (SVM) dan
kode operasional yang terdapat pada malware (opcodes).
[5]Kruczkowski, M., & Szynkiewicz, E. N. (2014). Support Vector Machine for Malware Analysis and Classification. 2014 IEEE/WIC/ACM International Joint
Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT), 415–420. http://doi.org/10.1109/WI-IAT.2014.127
[7] O’Kane, P., Sezer, S., McLaughlin, K., & Im, E. G. (2013). SVM Training phase reduction using dataset feature filtering for malware detection. IEEE Transactions on Information
Forensics and Security, 8(3), 500–509. https://doi.org/10.1109/TIFS.2013.2242890

4. Rumusan Masalah
Bagaimana proses ekstraksi malware dalam bentuk dataset untuk
menghasilkan kode malicious.
Bagaimana malware dapat dibagi kedalam 2 kelas, kelas bebahaya dan
kelas normal (training) dengan menggunakan Algoritma Support Vector
Machine dan menemukan tingkat akurasi terbaik dari algortima yang
digunakan.

5. Tujuan
Mendeteksi malware dengan menggunan metode N-gams.
Menerapkan algoritma Support Vector Machine untuk mengklasifikasian
data malware.
Melakukan analisis malware yang telah di klasifikasi dengan Support
Vector Machine.

6. Kerangka Kerja
Penelitian

7. Perancangan Sistem
Perangkat/ OS Spesifikasi Keterangan
Windows 7 Intel Core i3 2.53 GHz, 2GB RAM,
Gigabit Ethernet Interface
1 Unit
Spesifikasi Perangkat Keras
Sistem Tools/framework Keterangan
Disassemble file IDA Pro Versi 5.0
Classification Matlab Versi R2014a
Prediction / Accuracy RapidMiner Versi 7.4
Spesifikasi kebutuhan perangkat lunak

8. Proses Disassemble
Tampilan Hexa normal file
Tampilan hexa malware Trojan ransomware

9. Hasil Disassemble
Assembly view Trojan RansomwareAssembly view normal file

10. Percobaan ke dalam Data Training dan
Data Testing
Jenis Data
Percobaan 1
(50:50)
Percobaan 2
(60:40)
Percobaan 3
(70:30)
Percobaan 4
(80:20)
Data
Training
Data
Testing
Data
Training
Data
Testing
Data
Training
Data
Testing
Data
Training
Data
Testing
malware 125 125 150 150 175 175 200 200
Normal file 125 125 100 100 75 75 50 50
Total 250 250 250 250 250 250 250 250

11. Tabel hasil percobaan 1 hingga 4
No Percobaan Precision(TPR) Recall FPR Accuracy
1 Hasil percobaan 50:50 menggunakan SVM kernel linier 51,27 % 36,36 % 52,17% 50 %
Hasil percobaan 50:50 menggunakan SVM Evolutionary (Radial) 55,19 % 42,98 % 45,83% 54,80 %
2 Hasil percobaan 60:40 menggunakan SVM Kernel Linier 67% 34% 32% 67,20 %
Hasil percobaan 60:40 menggunakan SVM Evolutionary(Radial). 72,16% 51 % 31,08 % 71,20 %
3 Hasil percobaan 70:30 menggunakan SVM Kernel Linier 76,53 % 33,33% 32,42 % 75,20 %
Hasil percobaan 70:30 menggunakan SVM Evolutionary(Radial). 83,52 % 60% 33,82 % 78,80 %
4 Hasil percobaan 80:20 menggunakan SVM Kernel Linier 90,43% 60% 26,83 % 87,60 %
Hasil percobaan 80:20 menggunakan SVM Evolutionary(Radial) 97,52% 92 % 48,31 % 81,20 %

12. Kurva Roc Pada Percobaan 1 dan 2 SVM
Linier
Kurva ROC percobaan 1 (50:50) SVM kernel linier
Kurva ROC hasil percobaan 2 (60:40) SVM kernel linier
Area Under Curve (AUC) = 0.490 Area Under Curve (AUC) = 0.637

13. Kurva ROC pada percobaan 3 dan 4
SVM linier
Kurva ROC hasil percobaan 4 (80:20) SVM kernel linierKurva ROC hasil percobaan 3 (70:30) SVM kernel linier
Area Under Curve (AUC) = 0.727 Area Under Curve (AUC) = 0.939

14. Kurva Roc Pada Percobaan 1 dan 2 SVM
Evolutionary(radial)
Kurva ROC percobaan 1 (50:50) SVM Evolutionary Kurva ROC percobaan 2 (60:40) SVM Evolutionary
Area Under Curve (AUC) = 0.556 Area Under Curve (AUC) = 0.0765

15. Kurva Roc Pada Percobaan 1 dan 2 SVM
Evolutionary(radial)
Kurva ROC hasil percobaan 3 (70:30) SVM Evolutionary Kurva ROC percobaan 4 (80:20) SVM Evolutionary
Area Under Curve (AUC) = 0.830 Area Under Curve (AUC) = 0.945

16. Grafik perbandingan TPR, Recall,
51.27%
67%
76.83%
90.43%
55.19%
72.16%
83.52%
97.52%
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
1 2 3 4
Perbandingan TPR(precision) untuk kernel
linier dan Evolutionary(Radial)
Kernel Linier TPR Evolutionary (Radial) TPR
36.36%
34%
33.33%
60.00%
42.98%
51.00%
60.00%
92.00%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
1 2 3 4
Perbandingan Recall untuk kernel linier dan
Evolutionary(Radial)
Kernel Linier Recall (%) Evolutionary (Radial) Recall (%)

17. 52.17%
32%
32.42%
26.83%
45.83%
31.08%
33.82%
48.31%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
1 2 3 4
Perbandingan FPR untuk kernel linier dan
Evolutionary(Radial)
Kernel Linier (FPR) Evolutionary (Radial) FPR
1 2 3 4
50%
67.20%
75.20%
87.60%
Akurasi
Percobaan
PERBANDINGAN TINGKAT AKURASI
MENGGUNAKAN KERNEL LINIER
Grafik Perbandingan FPR dan Accuracy

18. Grafik Perbandingan Accuracy pada SVM Evolutionary (Radial)
1 2 3 4
54.80%
71.20%
78.80% 81.20%
Akurasi
Percobaan
PERBANDINGAN TINGKAT AKURASI
MENGGUNAKAN EVOLUTIONER (RADIAL)
Perbandingan Tingkat Akurasi Menggunakan Evolutionary(Radial)

19. Kesimpulan
1. N-grams dapat mendeteksi malware yang di ekstrak berdasarkan kode operasional yang sering muncul.
2. Kode operasional dan register yang banyak didalam sebuah file mengindikasikan bahwa file tersebut adalah
malware dan bukan file executable secara normal.
3. Algoritma Support Vector Machine menghasilkan klasifikasi antara Malware dengan Normal file yang di
pisahkan berdasarkan garis Hyperlane.
4.Malware dan normal file di klasfikasikan berdasarkan kelas -1 berwarna merah untuk malware dan 1 untuk
normal file dengan warna biru.
5. SVM kernel linier lebih baik dalam menghasilkan tingkat akurasi dibandingkan dengan SMV Evolutionary
(Radial).
6. Peningkatan jumlah data latih dapat meningkatkan hasil akurasi.
7. Nilai TPR lebih tinggi dibandingkan dengan recall disetiap percobaannya, dan hanya mendekati pada
percobaan data training dengan SVM kernel linier
8. Hasil akurasi terbaik yang di dapatkan adalah 87,60 % dengan Support Vector Machine kernel linier yang
merupakan excellent classfication.

20. Saran
1. Perlunya ditambahnya jumlah sampel dalam pengklasifikasian, agar hasil
klasifikasi mungkin akan berbeda.
2. Penelitian lebih lanjut dapat dilakukan dengan proses dataset yg lebih banyak
agar menghasilkan jumlah ciri khas malware atau normal file yg lebih lagi
dan hasil akurasi data yg lebih tinggi lagi dibandingkan penelitian ini.

21. TERIMA KASIH ….