PENGEMBANGAN SISTEM DETEKSI KEAMANAN APLIKASI ANDROID BERBASIS MACHINE LEARNING MENGGUNAKAN ANALISIS STATIK ANDROID PERMISSIONS

Steven Tanadi, Ir. Nur Rohman Rosyid, S.T., M.T., D.Eng.

2025 | Tugas Akhir | D4 TEKNOLOGI JARINGAN

Ancaman yang dihadapi aplikasi Android terus berkembang dalam skala dan kecanggihan, membuatnya semakin sulit dideteksi. Hal ini mendorong kebutuhan solusi keamanan untuk menghadapi ancaman tersebut, seperti sistem deteksi keamanan untuk aplikasi Android berbasis machine learning menggunakan analisis statik Android permissions yang dirancang khusus untuk mengetahui tingkat keamanan beberapa aplikasi Android. Penggunaan machine learning penting dalam mendeteksi aplikasi Android yang berbahaya maupun aman karena kemampuan dalam membaca pola izin aplikasi Android dari puluhan ribu aplikasi berbahaya dan aman sehingga machine learning mampu membangun model prediksi dengan tingkat akurasi yang tinggi. Sistem deteksi keamanan ini bertujuan untuk memprediksi tingkat keamanan berkas aplikasi Android dalam jumlah banyak dan besar dengan akurasi tinggi yang memanfaatkan 3 model machine learning untuk memprediksi tingkat keamanan berkas aplikasi Android, yaitu Random Forest, LightGBM, dan Extra Trees. Hasil pengujian yang dilakukan oleh model machine learning menunjukkan adanya variasi tingkat akurasi prediksi pada setiap model yang digunakan. Berdasarkan hasil testing accuracy, model dengan akurasi tertinggi adalah Random Forest dengan akurasi 0,9758. Diikuti oleh LightGBM dan Extra Trees yang sama-sama memiliki akurasi 0,9755. Model machine learning kemudian di-deploy menggunakan framework Streamlit sebagai antarmuka web interaktif, yang terintegrasi dengan Mobile Security Framework (MobSF) untuk analisis statik serta VirusTotal API untuk validasi reputasi berkas. Hasil perbandingan ini menunjukkan bahwa penerapan machine learning tertentu mampu meningkatkan efektivitas akurasi deteksi keamanan berkas aplikasi Android. Dengan adanya sistem ini, diharapkan pengguna dapat mengetahui tingkat keamanan berkas-berkas aplikasi Android sebelum dijalankan di dalam perangkat pengguna, memberikan perlindungan yang lebih baik terhadap potensi ancaman malware. 

The threats faced by Android applications continue to evolve in scale and sophistication, making them increasingly difficult to detect. This has led to the need for security solutions to address these threats, such as a machine learning-based security detection system for Android applications that uses static analysis of Android permissions specifically designed to determine the security level of several Android applications. Machine learning plays an important role in distinguishing malicious and benign Android applications by identifying permission patterns from tens of thousands of samples, thereby enabling the construction of highly accurate predictive models. The proposed system aims to predict the security level of large volumes of Android application files with high accuracy using three machine learning models: Random Forest, LightGBM, and Extra Trees. Experimental results show variations in prediction accuracy among the models, with Random Forest achieving the highest testing accuracy of 0.9758, followed by LightGBM and Extra Trees with 0.9755 each. The models were deployed using the Streamlit framework as an interactive web interface integrated with the Mobile Security Framework (MobSF) for static analysis and the VirusTotal API for reputation validation. The results demonstrate that employing appropriate machine learning models can improve the effectiveness and accuracy of Android application security detection, enabling users to assess the security level of Android applications before installation and providing better protection against potential malware threats. 

Kata Kunci : Android, malware detection, keamanan aplikasi, MobSF, analisis statik, machine learning.