[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-119365-id":3,"doc-seo-119365-113":31,"detail-sidebar-cat-0-id-113":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},119365,549768072016,"River Wang","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",52,"Teknologi","Klasifikasi Shellcode dengan Machine Learning Berbasis Klasifikasi Biner","Klasifikasi shellcode menjadi bagian penting dalam keamanan siber karena serangan malware dapat merusak perangkat dan pengguna. Dokumen ini merancang eksperimen machine learning menggunakan dataset UNSW_NB15 untuk membedakan record serangan Shellcode dan non-Shellcode. Model K-Nearest Neighbour (KNN), Decision Tree, dan Naïve Bayes diterapkan sebagai supervised machine learning. Hasil menunjukkan akurasi 96.82% (KNN), 97.08% (Decision Tree), dan 63.43% (Naïve Bayes). Temuan diharapkan memberi wawasan penerapan machine learning untuk deteksi dan klasifikasi serangan siber lainnya.","Klasifikasi Shellcode dengan Machine Learning Berbasis Klasifikasi Biner  \nJaka Naufal Semendawai1*, Deris Stiawan2, Iwan Pahendra3  \nTeknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya, Indonesia [jaka.semendawai@gmail.com](jaka.semendawai@gmail.com)*1, [deris@unsri.ac.id](deris@unsri.ac.id2)[2](deris@unsri.ac.id2), [iwanpahendra@unsri.ac.id](iwanpahendra@unsri.ac.id3)[3](iwanpahendra@unsri.ac.id3)  \n\n| INFO ARTIKEL | ABSTRAK |\n| --- | --- |\n| Kata Kunci: Keamanan Siber, Klasifikasi Biner,\u003Cbr>Machine Learning,\u003Cbr>Supervised Machine Learning, Hyperparameter Tuning. | Internet dapat menghubungkan satu orang dengan orang laindengan menggunakan perangkat masing-masing. Internet sendiri memiliki dampak positif dan negatif. Salah satu contoh dampak negatif dari internet adalah adanya malware yang dapat mengganggu atau bahkan merusak perangkatatau penggunanya; itulah mengapa keamanan siber diperlukan. Banyak cara yang dapat dilakukan untuk mencegah atau mendeteksi malware. Salah satunya adalah dengan menggunakan teknik machine learning. Dataset pelatihan dan pengujian untuk eksperimen ini berasal dari dataset UNSW_NB15 . K-Nearest Neighbour (KNN), Decision Tree, dan Naïve Bayes diimplementasikan untuk mengklasifikasikan apakah sebuah record pada data testing merupakan serangan Shellcode atau non-Shellcode. Classifier KNN, Decision Tree, dan Naïve Bayes mencapai tingkat akurasi masing-masing sebesar 96.82%, 97.08%, dan 63.43% . Hasil dari penelitian ini diharapkan dapat memberikan wawasan mengenai penggunaan machine learning dalam mendeteksi atau mengklasifikasikan malwares ataujenis serangan siber lainnya |\n| Keywords:\u003Cbr>Binary Classification, Cyber Security, Machine Learning, Supervised\u003Cbr>Machine Learning,\u003Cbr>Hyperparameter Tuning | ABSTRACT\u003Cbr>Internet can link one person to another using their respective devices. The internet itself has both positive and negative impacts. One example of the internet's negative impact is a malware that can disrupt or even kill a device or its users; that is why cyber security is required. Many methods can be used to prevent or detect malwares. One of the efforts is to use machine learning techniques. Training and testing dataset for the experiments is derivedfrom the UNSW_NB15 dataset. K-Nearest Neighbour (KNN), Decision Tree, and Naïve Bayes classifiers are implemented to classify whether a record in the testing data is Shellcode or non-Shellcode attack. The KNN, Decision Tree andNaïve Bayes classifiers achieve accuracy level of 96.82%, 97.08%, and 63.43%, respectively. The results of this research are expected to provide insight into the use of machine learning in detecting or classifying malwares or other types of cyber attacks. |\n\nPENDAHULUAN  \nKesadaran akan pentingnya cyber security di Indonesia masih tergolong sangat rendah. Hal tersebut dibuktikan oleh data yang diterbitkan oleh International Communication Union (ITU) di mana tingkat cyber security di Indonesia ada di ranking 70. Hal tersebut menyatakanbahwa Indonesia sangat rentan untuk dikirim serangan siber dari hacker di negara lain. Selain itu, menurut data dari treat exposure rate (TER), Indonesia memiliki angka kerentananserangan malware sebesar 23,54%(Ashari, 2020) .  \n(Patterson et al., 2023) mengemukakan bahwa organisasi apapun sudah harusmemikirkan tentang esensi dari cyber security. Hal tersebut dikarenakan semakin tingginyakasus serangan cyber yang harus dapat dilawan dengan adanya pengetahuan tentang cyber security, karena sudah menyangkut masalah privasi data dan ketahanan infrastruktur. Haltersebut dapat dilihat dari riset yang dilakukan oleh (Singelton et al., 2021) di mana pada tahun 2021 terdapat serangan yang menggunakan ransomware terhadap 10 jenis perusahaan berbeda, dengan nilai rata-rata yaitu 17,4% dari keseluruhan jenis serangan yang terjadi padaperusahaan-perusahaan tersebut.  \nSalah satu malware yang sedang menjadi tren untuk digunakan sebagai alat seranganadalah shellcode. Penggunaan shellcode p","cbCaidPbgnuzMyyv","https://ap.wps.com/l/cbCaidPbgnuzMyyv","pdf",380028,2,1,13,"Indonesian","id",113,"# PENDAHULUAN\n## Latar belakang pentingnya cyber security\n## Tren penggunaan shellcode dalam serangan siber\n## Struktur dasar shellcode\n## Alat pengembangan shellcode","[{\"question\":\"Mengapa keamanan siber diperlukan dalam konteks penggunaan internet?\",\"answer\":\"Internet memiliki dampak positif dan negatif, salah satunya adalah malware yang dapat mengganggu atau merusak perangkat maupun penggunanya. Karena itu dibutuhkan keamanan siber untuk mencegah dan mendeteksi ancaman.\"},{\"question\":\"Dataset apa yang digunakan untuk eksperimen klasifikasi shellcode?\",\"answer\":\"Dataset pelatihan dan pengujian diambil dari UNSW_NB15.\"},{\"question\":\"Model apa saja yang digunakan untuk mengklasifikasikan Shellcode vs non-Shellcode dan berapa akurasinya?\",\"answer\":\"Klasifikasi dilakukan menggunakan K-Nearest Neighbour (KNN), Decision Tree, dan Naïve Bayes. Akurasi masing-masing adalah 96.82%, 97.08%, dan 63.43%.\"}]","Klasifikasi Shellcode dengan Machine Learning Berbasis Klasifikasi Biner | PDF",1785723928,20,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"shellcode-classification-with-binary-classification-based-machine-learning","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/id/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/id/document/teknologi/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/id/document/shellcode-classification-with-binary-classification-based-machine-learning/119365/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-15","2026-08-03",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Mengapa keamanan siber diperlukan dalam konteks penggunaan internet?","Question",{"text":76,"@type":77},"Internet memiliki dampak positif dan negatif, salah satunya adalah malware yang dapat mengganggu atau merusak perangkat maupun penggunanya. Karena itu dibutuhkan keamanan siber untuk mencegah dan mendeteksi ancaman.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Dataset apa yang digunakan untuk eksperimen klasifikasi shellcode?",{"text":81,"@type":77},"Dataset pelatihan dan pengujian diambil dari UNSW_NB15.",{"name":83,"@type":74,"acceptedAnswer":84},"Model apa saja yang digunakan untuk mengklasifikasikan Shellcode vs non-Shellcode dan berapa akurasinya?",{"text":85,"@type":77},"Klasifikasi dilakukan menggunakan K-Nearest Neighbour (KNN), Decision Tree, dan Naïve Bayes. Akurasi masing-masing adalah 96.82%, 97.08%, dan 63.43%.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,123,125,129,133],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},48,"Cerita & Novel","story-novel",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},56,"Gaya Hidup","lifestyle",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},51,"Komik","comic",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},53,"Layanan Kesehatan","healthcare",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":97,"slug":118},54,"Penelitian & Laporan","research-report",{"id":120,"doc_module":4,"doc_module_name":47,"category_name":121,"show_sort_weight":97,"slug":122},49,"Sastra","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":124},"technology",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},50,"Ujian","exam",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},57,"Umum","general",{"id":134,"doc_module":4,"doc_module_name":47,"category_name":135,"show_sort_weight":4,"slug":136},181,"Formulir","formulir"]