<p><em>Convolutional Neural Network</em> (CNN) adalah salah satu metode <em>multilayer perceptron</em> yang dapat melakukan klasifikasi aplikasi lebih dari dua kelas. Penelitian ini mengklasifikasikan aplikasi ke dalam tiga kelas, yaitu kelas aplikasi tidak berbahaya, mengandung <em>malware</em> kurang berbahaya, dan mengandung <em>malware</em> berbahaya. Dataset yang digunakan pada penelitian ini terdiri dari <em>dataset</em> Androsec dan Koodous dengan total data 37289 aplikasi. <em>Dataset</em> mengandung aplikasi <em>undetected</em> (tidak mengandung <em>malware</em>) dan <em>detected</em> (mengandung <em>malware</em>). Data <em>detected</em> perlu dikelompokkan dengan algoritme <em>k-means </em>sehingga menghasilkan kelompok aplikasi kurang berbahaya dan berbahaya berdasarkan tingkat kemiripan fitur <em>permission</em> yang dimiliki aplikasi. Kerangka kerja meliputi <em>dataset preprocessing, learning and classification algorithm using CNN</em>, dan <em>check APK to Model</em>. Tingkat akurasi terbaik yang didapat pada penelitian ini adalah 92,23% dan dapat mengklasifikasikan ke dalam kelas tidak berbahaya, kurang berbahaya, dan berbahaya.</p><p> </p><p><em><strong>Abstract</strong></em></p><p class="Judul2"><em>Convolutional Neural Network (CNN) is a multilayer perceptron method which able to classify apps more than two classes. This paper describes classification into three classes such as benign/no malware, less harmful, and harmful application. In this research, we use and construct dataset from Androsec and Koodous with total 37289 apps. Dataset consists of undetected (no malware) and detected (consists of malware). Detected files need to clustered with k-means algorithm to clasify apps into less harmful and harmful </em><em>based on apps permission similarity.</em><em> The framework includes dataset preprocessing, learning and classification algorithm using CNN, and check APK to Model. In this research, we get the best accuracy 92,23% and able to classify apps into three classes benign, less harmful, and harmful.</em><em></em></p><p><em><strong><br /></strong></em></p>