TY  - THES
N1  - ID SINTA Dosen Pembimbing:
Muhammad Taufik Dwi Putra: 6745726
Nurhidayatulloh: 6860681
PB  - Universitas Pendidikan Indonesia
KW  - Android
KW  -  Adware
KW  -  Keamanan Siber
KW  -  XGBoost
KW  -  Cybersecurity
A1  - Afif Nasrullah Subagja, -
A1  - Muhammad Taufik Dwi Putra, -
A1  - Nurhidayatulloh, -
M1  - other
UR  - https://repository.upi.edu/
AV  - restricted
ID  - repoupi137334
Y1  - 2025/08/20/
N2  - Pertumbuhan pesat sistem operasi Android di seluruh dunia, termasuk di Indonesia, yang meningkat dari 54 juta pengguna pada 2015 menjadi 209,3 juta pada 2023, menghadirkan peluang sekaligus tantangan dalam keamanan siber. Salah satu tantangan besar adalah adware, yang menampilkan iklan agresif dan berpotensi mencuri data pribadi. Penelitian ini bertujuan membangun sistem deteksi adware pada aplikasi Android berbasis web menggunakan model XGBoost untuk mengklasifikasikan file APK menjadi Benign (aman) dan Adware (berbahaya), dengan pendekatan Design and Development (D&D) meliputi eksplorasi masalah, pengembangan model, perancangan sistem, dan evaluasi, serta pembangunan website menggunakan HTML, CSS, dan Bootstrap untuk antarmuka pengguna dengan Flask sebagai backend. Pengujian pada 124 file APK asli menunjukkan akurasi 96,77% dengan sebagian besar file terklasifikasi benar. Implementasi sistem berbasis web menampilkan antarmuka sederhana dan mudah digunakan, menyajikan hasil prediksi secara jelas, serta memberikan pendekatan yang tepat untuk meningkatkan keamanan aplikasi Android dan kesadaran pengguna terhadap adware. Model machine learning berbasis XGBoost berhasil diimplementasikan ke dalam aplikasi berbasis web dan mampu mendeteksi adware dengan tingkat kesalahan yang sangat rendah.
---------
The rapid growth of the Android operating system worldwide, including in Indonesia, which increased from 54 million users in 2015 to 209.3 million in 2023, presents both opportunities and challenges in cybersecurity. One of the major challenges is adware, which displays aggressive advertisements and has the potential to steal personal data. This research aims to develop an adware detection system for Android applications based on a web platform, utilizing the XGBoost model to classify APK files into Benign (safe) and Adware (malicious) categories. The study employs the Design and Development (D&D) approach, which includes problem exploration, model development, system design, and evaluation, along with the development of a website using HTML, CSS, and Bootstrap for the user interface and Flask as the backend. Testing on 124 original APK files achieved an accuracy of 96.77%, with the majority of files correctly classified. The implementation of the web-based system provides a simple and user-friendly interface, clearly presents prediction results, and offers an effective approach to enhancing Android application security and user awareness of adware. The machine learning model based on XGBoost was successfully implemented into the web application and is capable of detecting adware with a very low error rate.
TI  - RANCANG BANGUN SISTEM DETEKSI ADWARE ANDROID BERBASIS WEB MENGGUNAKAN XGBOOST
ER  -