TRANS NEURAL NETWORK: MODEL DETEKSI AKTIVITAS MALWARE BERBASIS HYBRID MENGGUNAKAN ARSITEKTUR TRANSFORMER DAN CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI LALU LINTAS JARINGAN

Peningkatan serangan malware yang terus berevolusi menunjukkan
ketidakcukupan metode deteksi konvensional seperti antivirus dan firewall.
Berbagai penelitian model deteksi malware terus dikembangkan, namun penelitian
terdahulu didominasi fokus pada implementasi arsitektur secara tunggal, sehingga
masih memiliki keterbatasan dalam akurasi. Penelitian ini mengusulkan Trans
Neural Network (TNN), sebuah model deteksi malware hybrid yang
mengintegrasikan arsitektur Transformer dan Convolutional Neural Network
(CNN) dengan pendekatan transfer learning untuk mendeteksi lalu lintas jaringan
malicious dan benign secara lebih akurat. Penelitian yang dilakukan menggunakan
dataset USTC-TFC2016 dengan berfokus pada ekstraksi fitur paralel dimana
Transformer menangkap dependensi temporal dan CNN mengekstrak fitur spasial
lokal. Model TNN mencapai akurasi 99,57%, presisi 99,58%, recall 99,58%, dan
F1-Score 99,59%. Dengan 88,342 juta parameter dan kompleksitas 40.770
GFLOPs, model menunjukkan konvergensi cepat dengan penurunan loss dari
0,0421 menjadi 0,0096 dalam 35 epoch, waktu inferensi 11,86 ms per batch, dan
validation accuracy stabil 99,57 sampai 99,60% tanpa overfitting. Penelitian ini
memberikan kontribusi signifikan dan membuka eksplorasi pengembangan model
sistem keamanan jaringan dengan metode hybrid yang mampu menanggulangi
evolusi malware dengan lebih akurat.
Kata Kunci: CNN, Malware, Model Hybrid, Neural Netwok, Transformer