KLASIFIKASI MULTI-LABEL KERENTANAN SMART CONTRACT BERBASIS METADATA HASIL KONSENSUS ALAT ANALISIS MENGGUNAKAN ALGORITMA REGRESI LOGISTIK DAN LINEAR-SVM

DENI NORMAN ZAKY, . (2026) KLASIFIKASI MULTI-LABEL KERENTANAN SMART CONTRACT BERBASIS METADATA HASIL KONSENSUS ALAT ANALISIS MENGGUNAKAN ALGORITMA REGRESI LOGISTIK DAN LINEAR-SVM. Skripsi thesis, UPN "VETERAN" YOGYAKARTA.

	Text 123220165_Cover - DENI NZ.pdf Download (194kB)
	Text 123220165_Abstrak - DENI NZ.pdf Download (232kB)
	Text 123220165_Halaman Pengesahan - DENI NZ.pdf Download (140kB)
	Text 123220165_Daftar Isi - DENI NZ.pdf Download (275kB)
	Text 123220165_Daftar Pustaka - DENI NZ.pdf Download (201kB)
	Text 123220165_Full Text - DENI NZ.pdf Restricted to Repository staff only Download (4MB)

Abstract

Smart contract pada platform Ethereum rentan terhadap berbagai jenis kerentanan yang dapat menimbulkan kerugian finansial signifikan. Tantangan utamanya adalah satu kontrak dapat mengandung lebih dari satu kerentanan secara bersamaan, hasil deteksi antar alat analisis bersifat heterogen, serta pendekatan yang memanfaatkan metadata hasil konsensus multi-tool sebagai fitur untuk klasifikasi multi-label masih relatif terbatas. Berdasarkan permasalahan tersebut, penelitian ini mengusulkan klasifikasi multi-label kerentanan smart contract berbasis metadata hasil konsensus alat analisis menggunakan Regresi Logistik dan Linear-SVM.
Penelitian ini menggunakan dataset ScrawlD yang memuat smart contract Ethereum dunia nyata dengan label kerentanan yang dihasilkan melalui majority voting dari lima alat analisis, yaitu Slither, Mythril, SmartCheck, Oyente, dan Osiris. Tahap preprocessing mencakup data cleaning, label mapping, metadata parsing, serta pembagian data dengan mekanisme anti-leakage, menghasilkan 22 fitur biner dari pasangan alat–kerentanan yang didukung. Model dibangun dengan skema One-vs-rest pada tujuh label efektif (ARTHM, LE, RENT, TimeM, TimeO, TX-Origin, dan UE), dengan interpretasi model menggunakan SHAP LinearExplainer. Antarmuka pengguna berbasis web juga dibangun menggunakan framework Streamlit.
Hasil evaluasi pada 1.133 data uji menunjukkan Regresi Logistik memperoleh Micro-f1 sebesar 0,8689, Macro-f1 sebesar 0,6828, dan Hamming loss sebesar 0,0523, sedangkan Linear-SVM memperoleh Micro-f1 sebesar 0,8676, Macro-f1 sebesar 0,6763, dan Hamming loss sebesar 0,0528. Kedua model menunjukkan performa tinggi pada label LE dan TimeO (F1-score 1,00) serta ARTHM dan RENT, namun menurun pada label minoritas akibat ketidakseimbangan distribusi label. Analisis SHAP mengungkap bahwa fitur dominan pada sebagian besar label berkorespondensi langsung dengan kerentanan targetnya, seperti osiris_ARTHM, slither_LE, dan oyente_TimeO, sementara pada label minoritas ekstrem model memanfaatkan sinyal lintas label sebagai proxy. Penelitian ini berkontribusi sebagai baseline klasifikasi multi-label yang interpretatif dan mudah direplikasi, sekaligus menunjukkan bahwa metadata konsensus multi-tool mengandung sinyal yang cukup untuk mendukung prediksi dan pemahaman pola kerentanan smart contract.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	smart contract, klasifikasi multi-label, metadata konsensus, Regresi Logistik, Linear-SVM
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	12 Oct 2026 02:54
Last Modified:	12 Oct 2026 02:54
URI:	http://eprints.upnyk.ac.id/id/eprint/49708

Actions (login required)

View Item