Klasifikasi Aplikasi Android menggunakan Algoritme K-Means dan Convolutional Neural Network berdasarkan Permission
DOI:
https://doi.org/10.25126/jtiik.2020702641Abstrak
Convolutional Neural Network (CNN) adalah salah satu metode multilayer perceptron yang dapat melakukan klasifikasi aplikasi lebih dari dua kelas. Penelitian ini mengklasifikasikan aplikasi ke dalam tiga kelas, yaitu kelas aplikasi tidak berbahaya, mengandung malware kurang berbahaya, dan mengandung malware berbahaya. Dataset yang digunakan pada penelitian ini terdiri dari dataset Androsec dan Koodous dengan total data 37289 aplikasi. Dataset mengandung aplikasi undetected (tidak mengandung malware) dan detected (mengandung malware). Data detected perlu dikelompokkan dengan algoritme k-means sehingga menghasilkan kelompok aplikasi kurang berbahaya dan berbahaya berdasarkan tingkat kemiripan fitur permission yang dimiliki aplikasi. Kerangka kerja meliputi dataset preprocessing, learning and classification algorithm using CNN, dan check APK to Model. Tingkat akurasi terbaik yang didapat pada penelitian ini adalah 92,23% dan dapat mengklasifikasikan ke dalam kelas tidak berbahaya, kurang berbahaya, dan berbahaya.
Abstract
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 based on apps permission similarity. 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.
Downloads
Referensi
ABDI, M., 2015. Android Malware Detection And Classification. pp. 1-9.
ALFINA, T., SANTOSA, B. & BARAKBAH, A. R., 2012. Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi Kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS). JURNAL TEKNIK ITS, pp. A-521 - A-525.
ANGGARA, M., SUJIANI, H. & NASUTION, H., 2016. Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokan Member Di Alvaro Fitness. Jurnal Sistem dan Teknologi Informasi (JUSTIN), Volume 1, pp. 1-6.
BROWNLEE, J., 2016. Understand Machine Learning Algorithms. [Online]
Available at: https://machinelearningmastery.com
[Diakses 29 November 2018].
DEVELOPERS, G., 2019. Developers. [Online]
Available at: https://developer.android.com/guide/topics/permissions/overview#permission-groups
[Diakses 25 March 2019].
ELGAMAL, M., 2016. Sentiment Analysis Methodology of Twitter Data with an application on Hajj season. International Journal of Engineering Research & Science (IJOER), 2(1), pp. 82-87.
GILBERT, D., 2016. Convolutional Neural Networks for Malware Classification. Barcelona: Escola Politècnica de Catalunya (UPC) - BarcelonaTech.
KERAS, 2019. Keras Documentation. [Online]
Available at: https://keras.io/
[Diakses 13 May 2019].
MATHWORKS, 2019. MathWorks Deep Learning. [Online]
Available at: https://www.mathworks.com/solutions/deep-learning/convolutional-neural-network.html
[Diakses 15 May 2019].
NOVRIANDA, R., KUNANG, Y. N. & P, S. H., 2014. Analisis Forensik Malware Pada Platform Android. Konferensi Nasional Ilmu Komputer, p. 377.
OPREA, C., 2014. PERFORMANCE EVALUATION OF THE DATA MINING CLASSIFICATION METHODS. Annals of the „Constantin Brâncu şi” University of Târgu Jiu, Economy Series, pp. 249-253.
RAHMADYA, 2017. Rahmadya - "Just for a little kindness". [Online]
Available at: https://rahmadya.com
[Diakses 13 May 2019].
RETENAGA, A. M., 2015. Android Malware Situation. Spanyol: INCIBE.
SUARTIKA E. P, I. W., WIJAYA, A. Y. & SOELAIMAN, R., 2016. Klasifikamsi Citra Menggunakan Convolutional Neural Network(CNN). Jurnal Teknik ITS, Volume 5, pp. A65-A69.
TENSORFLOW, 2019. TensorFlow. [Online]
Available at: https://www.tensorflow.org/
[Diakses 13 May 2019].
WIBOWO, A., t.thn. Binus University Graduate Program Master Program. [Online]
Available at: https://mti.binus.ac.id/2017/11/24/klasifikasi/
[Diakses 15 10 2018].
XIE, N., DI, X., WANG, X. & ZHAO, J., 2018. Andro_MD : Android Malware Detection based on Convolutional Neural Networks. International Journal of Performability Engineering, Volume 14, pp. 547-558.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi

Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).