Evaluasi Performa TabTransformer Terhadap XGBoost dalam Klasifikasi Malware Android pada Dataset MH-1M

Abstract

Pertumbuhan eksponensial ekosistem Android mendorong evolusi malware seluler yang semakin canggih, sehingga menuntut mekanisme deteksi berbasis perilaku yang andal. Arsitektur deep learning tabular seperti TabTransformer memiliki potensi teoretis yang kuat dalam memodelkan interaksi fitur kompleks melalui contextual embeddings, namun efektivitasnya masih belum banyak dieksplorasi dalam domain keamanan siber berskala masif. Penelitian ini bertujuan untuk mengevaluasi performa TabTransformer dengan menempatkan algoritma gradient boosting XGBoost sebagai model pembanding utama pada dataset MH-1M. Hasil eksperimen menunjukkan bahwa meskipun TabTransformer mencatatkan performa yang sangat kompetitif dengan akurasi 96,66% dan nilai ROC-AUC 0,9907, XGBoost secara konsisten unggul tipis di seluruh metrik prediktif dengan akurasi 97,21% dan ROC-AUC 0,9948. Secara kuantitatif, XGBoost mengungguli TabTransformer pada rentang selisih skor 0,42 hingga 0,80 poin persentase, termasuk keunggulan 0,55% pada akurasi dan 0,60% pada F1-Score. Selisih paling signifikan ditemukan pada False Positive Rate (FPR), di mana TabTransformer mencatatkan FPR 0,54% lebih tinggi (2,05%) dibandingkan XGBoost (1,51%). Kesenjangan skor ini mengindikasikan bahwa karakteristik dataset MH-1M yang didominasi fitur biner dan sparse lebih sesuai dengan mekanisme pemisahan langsung pohon keputusan XGBoost, sehingga membuat keunggulan interaksi kontekstual dari mekanisme self-attention pada TabTransformer tidak dapat dimanfaatkan secara maksimal. Penelitian ini menyimpulkan bahwa untuk data tabular biner berskala masif, arsitektur gradient boosting tetap menjadi pilihan yang lebih optimal.