Analisis Forensik Aplikasi Kesehatan dan Kebugaran Berbasis Android dan iOS melalui Pengembangan Parser Artefak pada Autopsy

Sulistio, Lii'zza Aisyah Putri (2026) Analisis Forensik Aplikasi Kesehatan dan Kebugaran Berbasis Android dan iOS melalui Pengembangan Parser Artefak pada Autopsy. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025242002-Master_Thesis.pdf Restricted to Repository staff only Download (23MB) | Request a copy

Abstract

Perkembangan teknologi digital telah mengubah cara masyarakat merekam aktivitas olahraga. Aktivitas olahraga seperti berlari, bersepeda, dan berenang kini dapat dicatat secara otomatis melalui aplikasi kesehatan dan kebugaran. Pencatatan tersebut menghasilkan artefak digital yang memuat informasi penting, seperti waktu, jarak, kecepatan, detak jantung, serta koordinat GPS. Format penyimpanan artefak berbeda bergantung pada aplikasi dan sistem operasi. Pada Android, artefak dari Strava, Zepp, Garmin Connect, dan Huawei Health disimpan dalam format Flexible and Interoperable Data Transfer (FIT) dan Training Center XML (TCX). Sedangkan pada iOS, hasil artefak dari aplikasi Apple Health disimpan dalam format SQLite. Data dari artefak ini memiliki nilai penting dalam proses investigasi forensik digital. Autopsy merupakan salah satu alat yang digunakan untuk mengekstraksi artefak digital dan menyediakan berbagai parser untuk memproses data. Namun demikian, Autopsy belum menyediakan modul parser untuk FIT dan TCX. Selain itu modul bawaan SQLite yang ada masih belum bisa melakukan parsing pada aplikasi Apple Health. Kondisi ini menyebabkan investigator kesulitan dalam memperoleh bukti aktivitas pengguna secara lengkap dan akurat. Akan tetapi, karena Autopsy bersifat open-source, maka pengguna dapat mengembangkan dan menambahkan modul parser untuk memperluas dukungan format artefak yang dapat dianalisis.
Penelitian ini mengembangkan modul parser untuk format FIT, TCX, dan SQLite yang dapat diintegrasikan langsung ke dalam Autopsy. Parser dibangun menggunakan bahasa pemrograman Python untuk proses decoding dan ekstraksi data, serta Jython untuk integrasi pada Autopsy. Hasil ekstraksi ditampilkan pada bagian Data Artifacts dengan memanfaatkan mekanisme Blackboard, sehingga informasi aktivitas kebugaran yang diperoleh dapat dilihat secara langsung melalui antarmuka Autopsy. Evaluasi dilakukan menggunakan lima dataset Android dan dua dataset iOS melalui pengujian cross-dataset, serta pengukuran precision, recall, dan F-measure.
Hasil evaluasi menunjukkan bahwa keseluruhan parser berhasil mencapai tingkat keberhasilan ekstraksi 100% pada seluruh dataset. Parser FIT memperoleh overall F-measure sebesar 90,80% dan macro-average F-measure sebesar 86,08%, sedangkan parser TCX memperoleh overall F-measure sebesar 88,96% dan macro- average F-measure sebesar 85,81%. Pada iOS, parser SQLite memperoleh overall F-measure sebesar 91,93% dan macro-average F-measure sebesar 91,91%. Hasil ini menunjukkan bahwa parser yang dikembangkan mampu menghasilkan informasi aktivitas kebugaran yang sesuai dengan ground-truth dan dapat digunakan untuk mendukung proses analisis forensik digital pada Autopsy.
=================================================================================================================================
The development of digital technology has changed how sports activities are recorded. Activities such as running, cycling, and swimming are now automatically captured by health and fitness applications, producing digital artifacts that contain time, distance, speed, heart rate, and GPS coordinates. Artifact formats vary by application and operating system. On Android, artifacts from Strava, Zepp, Garmin Connect, and Huawei Health are stored in Flexible and Interoperable Data Transfer (FIT) and Training Center XML (TCX) formats, while Apple Health artifacts on iOS are stored in SQLite databases. These artifacts are valuable for digital forensic investigations. Autopsy is widely used to extract and analyze digital artifacts, but it does not provide built-in parser modules for FIT and TCX. Its built-in SQLite module also cannot specifically parse Apple Health databases. This limitation may prevent investigators from obtaining complete activity evidence. Since Autopsy is open- source, additional parser modules can be developed to expand its artifact analysis capabilities.
This research develops parser modules for FIT, TCX, and SQLite formats that can be directly integrated into Autopsy. The parser is developed using Python for the decoding and data extraction processes, while Jython is used for integration with Autopsy. The extraction results are displayed in the Data Artifacts section by utilizing the Blackboard mechanism, allowing the extracted fitness activity information to be viewed directly through the Autopsy interface. The evaluation was conducted using five Android datasets and two iOS datasets through cross- dataset testing, as well as precision, recall, and F-measure measurements.
The evaluation results show that all of the parser achieved a 100% extraction success rate across all datasets. The FIT parser obtained an overall F-measure of 90.80% and a macro-average F-measure of 86.08%, while the TCX parser obtained an overall F-measure of 88.96% and a macro-average F-measure of 85.81%. On iOS, the SQLite parser obtained an overall F-measure of 91.93% and a macro- average F-measure of 91.91%. These results indicate that the developed parser is capable of producing fitness activity information that aligns with the ground truth and can be used to support digital forensic analysis in Autopsy.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Autopsy, Forensik Digital, Flexible and Interoperable Data Transfer, Training Center XML, SQLite, Digital Forensics
Subjects:	Q Science > QA Mathematics > QA76.9.A25 Computer security. Digital forensic. Data encryption (Computer science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Lii'zza Aisyah Putri Sulistio
Date Deposited:	31 Jul 2026 01:27
Last Modified:	31 Jul 2026 01:27
URI:	http://repository.its.ac.id/id/eprint/139542

Actions (login required)

View Item