Klasifikasi Aplikasi Android menggunakan Algoritme K-Means dan Convolutional Neural Network berdasarkan Permission

Abstract

<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>

Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH

“…Dataset mengandung aplikasi undetected dan detected malware. Tingkat akurasi terbaik yang didapatkan pada penelitian ini adalah 92,23% [22].…”

The Design of Convolutional Neural Networks Model for Classification of Ear Diseases on Android Mobile Devices

“…The selection of an Android-based smartphone as a CNN model development platform for recognizing ear images is based on the popularity of Android in terms of its active users, which reaches more than 1 billion users from all over the world [5]- [7], and 124 million active internet users, and smartphone users in Indonesia [8]. Due to its popularity and affordability, the ear disease classification system can assist general practitioners in diagnosing ear diseases.…”

“…A previous study was built to determine disease and provide solutions to prevent or treat diseases that attack tomato leaves through digital image identification using supervised classification [5], [9]- [16]. Tests were carried out with 200 samples of tomato leaf images, 160 images as training data, and 40 as test data.…”

Klasifikasi Logo Mobil Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Decision Tree

“…Kemudian dalam penelitian selanjutnya yaitu klasifikasi mobil untuk penentuan iklan billboard menggunakan Convolution Neural Network [13] [1]. Pada penelitian tersebut adalah untuk mengidentifikasi merek mobil dengan metode sistem [14] [15]. Pada pengujian yang dilakukan mendapatkan hasil akurasi mencapai 93% dalam mengklasifikasikan.…”