TUGAS 2

METODE PENELITIAN
LITERATUR REVIEW

Judul Hasil
Nama Metode yang
No Artike Link di Scimago Kekuran
Jurnal digunakan Kelebihan
l gan
[1] Analy Machine 95% dan 88% Kurang
sis of Learning, accuracy pada ditingkat
Interne https://www.scimagojr.com/
intern Image texture random forest kan
t of journalsearch.php?
et of feature. classifier dan K- akurasi
Things q=21100826426&tip=sid&clean=0
things nearest
malw neighbour
are
using
image
textur
e
featur
es and
machi
ne
learni
ng
techni
ques
[2] Simil Future https://www.scimagojr.com/ Clustering Recall Masih
arity Genera journalsearch.php? Malware, keseluruhan studi
hash tion q=12264&tip=sid&clean=0 Overview of 92%, akurasi tahap
based Comp the building sistem 91%, awal,
scorin uter blocks of the presisi 99%, kedepan
g of Syste proposed dan skor-F nya
portab ms method. 96%. mungkin
le Pendekatan akan ada
execu lebih fleksibel jurnal
table yang bisa
files meningk
for atkan
efficie kinerja
nt dari studi
malw sebelum
are nya.
detect
ion in
IoT.
[3] Malw IEEE https://www.scimagojr.com/ classifiers Analisis ini Kurangn
 are Access journalsearch.php? use machine mencakup ya
Threa q=21100374601&tip=sid&clean=0 learning 2-3 literatur terbaru akurasi
ts and layer. tentang deteksi yang
Detec Zero-day. tinggi
tion Menggunakan sehingga
for fitur hibrid, Studi di
Indust karena fitur masa
rial hibrid dapat depan
Mobil menggambarka akan
e-IoT n perilaku melibatk
Netw aktual suatu an desain
orks aplikasi lebih dan
akurat daripada impleme
fitur statis atau ntasi
volume dinamis framewo
rk yang
akan
dapat
mendete
ksi
malware
dengan
akurasi
yang
lebih
tinggi
untuk
memasti
kan
deteksi
Zero-
day.
[4] Analy IEEE https://www.scimagojr.com/ Control Flow Menggunakan itur
zing Interne journalsearch.php? Graphs beberapa berbasis
and t of q=21100338350&tip=sid&clean=0 (CFGs) dari klasifikasi yang CFG
Detec Things sample berbeda dan diperliha
ting Journa malware mendapati tkan
Emer l yang berbeda akurasi yang dalam
ging dan Detesi tinggi, karya ini
Intern Algorithm mencapai 99% untuk
et of klasifikasi mendete
Thing menggunaka ksi
s n Logistic malware
Malw Regression, IoT
are: A Random dengan
Graph Forrest, dan akurasi
- CNN. tinggi,
Based fitur-fitur
Appro ini rentan
ach terhadap
 kebingun
gan.
Sebagai
contoh,
kebingun
gan
fungsi-
level dari
malware
IoT
dapat
menyeba
bkan
peningka
tan
jumlah
kompone
n,
berkuran
gnya
aliran
kontrol
dan
berkuran
gnya
komplek
sitas,
yang
akan
memeng
aruhi
keakuraa
n sistem
deteksi.
[5] Fuzzy Journa https://www.scimagojr.com/ fuzzy pattern Akurasi fuzzy Kurang
patter l of journalsearch.php? tree, Racing pat- tern tree ditingkat
n tree Syste q=12398&tip=sid&clean=0 algorithm, and 90.093% kan
for ms Potential akurasi
edge Archit Heuristic. dari
malw ecture fuzzy
are patern
detect tree
ion karena
and akan
categ lebih
orizati efisien
on in untuk
IoT edge
komputi
ng di
 jaringan
IOT.
[6] A Future Recurrent Akurasi Dataset
Deep Genera Neural tertinggi yang
https://www.scimagojr.com/
Recur tion Network, mencapai digunaka
rent Comp journalsearch.php? three (98.18%) n sangat
Neura uter q=12264&tip=sid&clean=0 different kecil
l Syste Long Short dibandin
Netw ms Term gkan
ork Memory dengan
Based (LSTM) cyberthre
Appro configuration ats yang
ach . ada di
for dunia
Intern nyata.
et of
Thing
s
Malw
are
Threa
t
Hunti
ng
[7] A IEEE https://www.scimagojr.com/ Efficient Dapat Kurang
secure Interne journalsearch.php? balance meningkatkan sempurn
IoT t of q=21100338350&tip=sid&clean=0 dynamics. efisiensi a dan
servic Things layanan sistem masih
e Journa IoT-Cloud dan penelitia
archit l memastikan n tahap
ecture kepercayaan awal.
data.
with
an
efficie
nt
balan
ce
dyna
mics
based
on
cloud
and
edge
comp
uting.

[8] Malic Multi https://www.scimagojr.com/ A Systematic Menampilkan Jurnal

 ious media journalsearch.php? Literature panduan untuk masih
inside Tools q=25627&tip=sid&clean=0 Review merancang penelitia
rs and teknik baru di n tahap
attack Applic masa depan awal
in IoT ations yang akan
based mengatasi
Multi- kelemahan
Cloud
e-
Healt
hcare
enviro
nment
:A
Syste
matic
Litera
ture
Revie
w

[9] MalIn Journa https://www.scimagojr.com/ Graph Memperdalam Tidak

sight: l of journalsearch.php? Embedding graph-based praktis
A Netwo q=27277&tip=sid&clean=0 and deep learning dalam
syste rk and Augmentatio models dan penggun
matic Comp n (GEA) memperolah aan
profili uter method dan hasil klasifikasi sehingga
ng Applic off-the-shelf yang tinggi. studi di
based ations adversarial masa
malw learning depan
are attack akan
detect methods meningk
ion atkan
frame efisiensi
work proses
deteksi
dengan
mengado
psi
teknologi
komputa
si paralel
dan
terdistrib
usi
berdasar
kan
pembelaj
 aran
yang
mendala
m

[1 Deep IEEE https://www.scimagojr.com/ Deep Mengatasi Terkenda

0] Learn Transa journalsearch.php? Learning serangan dan la dalam
ing ctions q=144912&tip=sid&clean=0 based keterbatasan bentuk
based on Blockchain adanya kontrol biaya
Block Industr Framework. dari malicious komunik
chain ial voting-based projek atau asi.
Frame Inform consensus traffic jaringan
work
atics. mechanism. yang tidak
for.
deep terkontrol.
boltzmann
machine-
based flow
analyzer

[1 Effici 2018 https://www.scimagojr.com/ System Jurnal ini Masih

1] ent IEEE journalsearch.php? Overview, berhasil penelitia
Signat Confer q=21100803191&tip=sid&clean=0 Clustering membuat tanda n tahap
ure ence Merging, yang efisien awal.
Gener on Classification untuk Nantinya
ation Comm . mendeteksi akan ada
for unicati malware Iot. studi
Classi ons lebih
fying and lanjut
Netwo tentang
rk malware
Securit iot.
y
(CNS)
[1 Block IEEE https://www.scimagojr.com/ Blockchain Memperkenalka Kerangk
2] chain Interne journalsearch.php? mining. n sistem a kerja
Meets t of q=21100338350&tip=sid&clean=0 manajemen IBM
IoT: Things akses baru yang Adept
An Journa mengurangi tidak
Archit l masalah ditampil
ecture mengelola kan
for banyak dalam
Scala perangkat IoT gambar
ble terbatas. karena
Acces Solusinya belum
s terdesentralisasi menerap
Mana dan didasarkan kan
geme pada teknologi sistem
nt in blockchain. kontrol
 IoT akses apa
pun.
[1 BeeK IEEE https://www.scimagojr.com/ Blockchain- semua data Tidak
3] eeper: Access journalsearch.php? Based IoT yang bisa
A q=21100374601&tip=sid&clean=0 System,homo dikumpulkan mempela
Block morphic oleh perangkat jari hasil
chain- komputasi, dicatat dalam dari
Based secure blockchain dan enkripsi
IoT storage. server dapat data.
Syste membantu
m untuk
with memproses
Secur data, maka
e leader server
Stora tidak
ge memerlukan
and memori dan
Homo sumber daya
morp komputasi yang
hic besar.
Comp
utatio
n.

Daftar Pustaka
[1] E. M. Karanja, S. Masupe, and M. G. Jeffrey, “Analysis of internet of things malware using image
texture features and machine learning techniques,” Internet of Things, vol. 9, p. 100153, 2020, doi:
10.1016/j.iot.2019.100153.
[2] A. P. Namanya, I. U. Awan, J. P. Disso, and M. Younas, “Similarity hash based scoring of portable
executable files for efficient malware detection in IoT,” Futur. Gener. Comput. Syst., no. xxxx,
2019, doi: 10.1016/j.future.2019.04.044.
[3] S. Sharmeen, S. Huda, J. H. Abawajy, W. N. Ismail, and M. M. Hassan, “Malware Threats and
Detection for Industrial Mobile-IoT Networks,” IEEE Access, vol. 6, no. c, pp. 15941–15957,
2018, doi: 10.1109/ACCESS.2018.2815660.
[4] H. Alasmary et al., “Analyzing and Detecting Emerging Internet of Things Malware: A Graph-
Based Approach,” IEEE Internet Things J., vol. 6, no. 5, pp. 8977–8988, 2019, doi:
10.1109/JIOT.2019.2925929.
[5] E. Modiri, A. Azmoodeh, A. Dehghantanha, D. Ellis, R. M. Parizi, and H. Karimipour, “Fuzzy
pattern tree for edge malware detection and categorization in IoT,” J. Syst. Archit., vol. 97, no.
December 2018, pp. 1–7, 2019, doi: 10.1016/j.sysarc.2019.01.017.
[6] H. Haddadpajouh, A. Dehghantanha, R. Khayami, and K. R. Choo, “A Deep Recurrent Neural
Network Based Approach for Internet of Things Malware Threat Hunting,” Futur. Gener. Comput.
Syst., 2018, doi: 10.1016/j.future.2018.03.007.
[7] T. Wang, G. Zhang, A. Liu, M. Z. A. Bhuiyan, and Q. Jin, “A secure IoT service architecture with
an efficient balance dynamics based on cloud and edge computing,” IEEE Internet Things J., vol.
 6, no. 3, pp. 4831–4843, 2019, doi: 10.1109/JIOT.2018.2870288.
[8] A. Ahmed, R. Latif, S. Latif, H. Abbas, and F. A. Khan, “Malicious insiders attack in IoT based
Multi-Cloud e-Healthcare environment: A Systematic Literature Review,” Multimed. Tools Appl.,
vol. 77, no. 17, pp. 21947–21965, 2018, doi: 10.1007/s11042-017-5540-x.
[9] W. Han, J. Xue, Y. Wang, Z. Liu, and Z. Kong, “MalInsight: A systematic profiling based malware
detection framework,” J. Netw. Comput. Appl., vol. 125, pp. 236–250, 2019, doi:
10.1016/j.jnca.2018.10.022.
[10] M. Singh et al., “Deep Learning based Blockchain Framework for,” vol. 3203, no. c, pp. 1–11,
2020, doi: 10.1109/TII.2020.2968946.
[11] C. I. Malware, “Efficient Signature Generation for Classifying,” 2018 IEEE Conf. Commun. Netw.
Secur., pp. 1–9, 2018.
[12] O. Novo, “Blockchain Meets IoT: An Architecture for Scalable Access Management in IoT,” IEEE
Internet Things J., vol. 5, no. 2, pp. 1184–1195, 2018, doi: 10.1109/JIOT.2018.2812239.
[13] L. Zhou, L. Wang, Y. Sun, and P. Lv, “BeeKeeper: A Blockchain-Based IoT System with Secure
Storage and Homomorphic Computation,” IEEE Access, vol. 6, no. 8, pp. 43472–43488, 2018, doi:
10.1109/ACCESS.2018.2847632.