DETEKSI MALWARE BERBASIS CITRA MENGGUNAKAN DEEP LEARNING PADA ANDROID

Perkembangan ekosistem Android yang sangat pesat turut meningkatkan risiko penyebaran malware pada perangkat seluler. Metode deteksi tradisional berbasis signature memiliki keterbatasan dalam mendeteksi malware baru dan rentan terhadap teknik obfuscation. Penelitian ini bertujuan mengembangkan sistem deteksi malware Android berbasis citra menggunakan deep learning dengan representasi multi-channel image. File APK dikonversi menjadi citra RGB melalui ekstraksi komponen AndroidManifest.xml, classes.dex, dan resources.arsc menggunakan metode Multi-channel Image Size Adaptation (MC-ISA). Model klasifikasi dibangun menggunakan arsitektur CNN berbasis transfer learning dengan eksperimen pada MobileNet, EfficientNetB0, dan ResNet50V2. Dataset yang digunakan berasal dari KronoDroid dengan total 73.104 citra hasil sintesis. Hasil penelitian menunjukkan bahwa MobileNet memberikan performa terbaik dengan nilai accuracy sebesar 94,97%, precision sebesar 96,44%, recall sebesar 93,39%, dan F1-score sebesar 94,89%. Model kemudian diimplementasikan ke dalam aplikasi Android ATHENA untuk melakukan deteksi malware secara fungsional. Selain itu, penggunaan metode Explainable AI melalui Grad-CAM dan LIME membantu meningkatkan interpretabilitas hasil prediksi model. Penelitian ini menunjukkan bahwa representasi citra multi-channel efektif digunakan untuk deteksi malware Android berbasis deep learning.