Penelitian ini dilatarbelakangi oleh meningkatnya serangan malware cryptomining yang memanfaatkan perangkat pengguna tanpa izin untuk menambang cryptocurrency. Berdasarkan laporan dari berbagai lembaga keamanan siber, ancaman ini berdampak signifikan terhadap performa perangkat dan konsumsi daya, terutama di lingkungan penambangan Bitcoin. Serangan cryptomining tidak hanya merugikan dari sisi kinerja perangkat tetapi juga menciptakan kerugian finansial bagi individu dan perusahaan (SophosLabs, 2023). Hal ini menunjukkan bahwa diperlukan sistem deteksi yang andal untuk mengenali aktivitas cryptomining secara akurat dan efisien dalam ekosistem Bitcoin mining (Kosugi dkk., 2024).

Penelitian ini menggunakan pendekatan perbandingan algoritma machine learning untuk membangun sistem deteksi malware cryptomining yang lebih efektif. Algoritma yang diuji dalam penelitian ini meliputi Random Forest, Logistic Regression, Decision Tree, K-Nearest Neighbor (K-NN), Support Vector Machine (SVM), Naïve Bayes, dan Multilayer Perceptron (MLP). Pengujian dilakukan menggunakan dataset yang mencakup pola penggunaan CPU, lalu lintas jaringan, dan karakteristik dari aktivitas cryptomining. Dataset ini diperoleh dari berbagai sumber terbuka dan diproses menggunakan teknik data scraping melalui platform Kaggle dan Google Collaboratory (Wahyudi & Satriani, 2023).

Metode yang digunakan dalam penelitian ini mencakup penerapan teknik praproses data untuk meningkatkan kualitas data, serta penggunaan metrik evaluasi seperti akurasi, precision, recall, dan F1-score untuk mengevaluasi kinerja masing-masing algoritma. Selain itu, penelitian ini juga menggunakan metode validasi silang untuk mengurangi bias dan memastikan hasil evaluasi yang lebih akurat.
Hasil pengujian menunjukkan bahwa algoritma Random Forest memiliki tingkat akurasi yang paling tinggi dalam mendeteksi aktivitas cryptomining dibandingkan dengan algoritma lain. Namun, setiap algoritma memiliki kelebihan dan kekurangannya masing-masing, tergantung pada kompleksitas data dan kebutuhan spesifik sistem deteksi. Saran untuk pengembangan lebih lanjut adalah menerapkan teknik deep learning tambahan dan mengeksplorasi integrasi sistem ini dengan platform keamanan siber yang lebih luas untuk meningkatkan cakupan deteksi di berbagai lingkungan.

Kata Kunci: Malware Cryptomining, Machine Learning, Cryptojacking, Bitcoin Mining