Studi Keamanan Sistem Operasi Android: Analisis dan Pencegahan Malware Berbasis Mobile

Fadhilah Dirayati, Iin Marliana, Teuku

Abstract


Android merupakan sistem operasi mobile yang paling banyak digunakan di dunia, sehingga menjadi target utama bagi serangan malware. Penelitian ini bertujuan untuk menganalisis tingkat kerentanan sistem operasi Android terhadap ancaman malware serta mengidentifikasi strategi pencegahan yang efektif. Metode penelitian mencakup studi literatur, analisis teknis terhadap sampel malware, dan evaluasi efektivitas teknik pencegahan seperti enkripsi data, deteksi anomali, dan pembaruan sistem. Hasil penelitian menunjukkan bahwa sebagian besar serangan malware memanfaatkan kelemahan pada manajemen izin aplikasi dan pembaruan keamanan yang terlambat. Strategi pencegahan yang direkomendasikan meliputi penggunaan aplikasi keamanan berbasis machine learning, peningkatan kesadaran pengguna, dan penerapan kebijakan pembaruan sistem secara berkala. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan sistem keamanan Android yang lebih tangguh serta meminimalkan risiko serangan malware di masa depan.

Full Text:

PDF

References


Yang, S., Wang, Y., & Xu, H. (2022). An Android Malware Detection and Classification Approach Based on Contrastive Learning. Computers & Security, 123, Article 102915.

Liderman, E. (2023, October 17). Android Security Paper 2023. Google Blog. Diakses dari Google.

Molina-Coronado, B., Ruggia, A., Mori, U., Merlo, A., Mendiburu, A., & Miguel-Alonso, J. (2023). Light up that Droid! On the effectiveness of static analysis features against app obfuscation for Android malware detection. arXiv.

Pan, J., Cui, Z., Lin, G., Chen, X., & Zheng, L. (2023). A Review of Static Detection Methods for Android Malicious Application. Journal of Computer Research and Development, 60(8), 1875–1894. https://doi.org/10.7544/issn1000-1239.202220297

El Fiky, A. H., Elshenawy Elsefy, A., & Madkour, M. A. (2021, Mei). A Survey of Malware Detection Techniques for Android Devices. AL-AZHAR Engineering Fifteenth International Conference (Conference Paper).

Liu, Y., Tantithamthavorn, C., Li, L., & Liu, Y. (2021, Maret). Deep Learning for Android Malware Defenses: a Systematic Literature Review. arXiv.

Negi, C., Mishra, P., Chaudhary, P., & Vardhan, H. (2021). A Review and Case Study on Android Malware: Threat Model, Attacks, Techniques and Tools. Journal of Cyber Security and Mobility, 10(1), 231–260. https://doi.org/10.13052/jcsm2245-1439.1018

Shakya, S., & Dave, M. (2022). Analysis, Detection, and Classification of Android Malware using System Calls. arXiv. https://doi.org/10.48550/arXiv.2208.06130


Refbacks

  • There are currently no refbacks.