IMPLEMENTASI NON-DOMINATED SORTING GENETIC ALGORITHM II PADA SUPPORT VECTOR MACHINE UNTUK MENINGKATKAN KEMAMPUAN DETEKSI MALWARE DALAM SISTEM PERTAHANAN NEGARA

Ancaman malware yang semakin canggih menjadi salah satu tantangan utama dalam menjaga keamanan sistem pertahanan negara, terutama pada aspek digital. Deteksi malware berbasis Machine Learning seperti Support Vector Machine telah digunakan secara luas karena kemampuannya dalam mengklasifikasi pola data kompleks. Namun, penggunaan Support Vector Machine masih memiliki kelemahan dalam hal tingginya tingkat False Positive Rate, yang dapat mengganggu efektivitas sistem deteksi. Penelitian ini bertujuan untuk mengoptimalkan parameter model Support Vector Machine menggunakan pendekatan Pareto Optimization berbasis algoritma Non-Dominated Sorting Genetic Algorithm-II (NSGA-II). Optimasi dilakukan dengan menyeimbangkan dua tujuan utama yang saling bertentangan, yaitu memaksimalkan akurasi dan meminimalkan FPR. Dataset yang digunakan diperoleh dari sumber terbuka dan diolah melalui tahap preprocessing dan teknik SMOTE untuk menangani
ketidakseimbangan kelas. Hasil eksperimen menunjukkan bahwa model Support Vector Machine yang telah dioptimasi mampu meningkatkan akurasi hingga 98% dan secara signifikan menurunkan FPR dibandingkan dengan model awal. Dengan demikian, pendekatan ini efektif dalam membentuk sistem deteksi Malware yang lebih andal dan efisien, serta dapat diterapkan secara luas pada infrastruktur keamanan siber militer maupun sipil.