Article Per Year (5 Year)
p-Index From 2021 - 2026
1.642
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Ilmiah Kesatuan (JIK) Journal of S&T Policy and R&D Management Jurnal Rontal Keilmuan Pancasila dan Kewarganegaraan Bioscientia Medicina : Journal of Biomedicine and Translational Research Journal of Tropical AgriFood Infotekmesin Bioscientia Medicina : Journal of Biomedicine and Translational Research Terob : Jurnal Pengkajian dan Penciptaan Seni JMAEKA: Jurnal Manajemen Ekonomi Akuntansi
Mohamad Arifin
Center for Science and Technology Development Studies, Indonesian Institute of Sciences
Agriculture, Biological Sciences & Forestry Arts Humanities Biochemistry, Genetics & Molecular Biology Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Immunology & microbiology Mechanical Engineering Medicine & Pharmacology Neuroscience Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Deteksi Adware Berbasis Machine Learning Menggunakan Cluster-Aware Stacking Ensemble Karfindo, Karfindo; Diponegoro, Muhammad; Mahendra, Yusril Eka; Arifin, Mohamad
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15641

Abstract

Adware pada Android mengganggu pengalaman pengguna serta meningkatkan risiko privasi dan keamanan. Sebagian studi deteksi adware masih dievaluasi dengan pembagian data acak, sehingga kurang merepresentasikan pergeseran distribusi (out-of-distribution/OOD). Penelitian ini mengevaluasi Cluster-Aware Stacking (CAS) dengan validasi silang berbasis klaster (C_ClusterOOD) agar estimasi kinerja lebih mendekati kondisi penerapan. Dataset CICMalDroid 2020 difilter menjadi dua kelas, adware dan benign, menghasilkan 3.045 sampel dengan 470 fitur numerik (1.253 adware; 1.792 benign). Pembagian hold-out 80:20 menggunakan skema anti-kebocoran berbasis grup. Model dasar meliputi Logistic Regression, Random Forest, Gradient Boosting, dan XGBoost, dengan Soft Voting sebagai pembanding. Pada evaluasi berbasis klaster, CAS memberikan performa yang kompetitif pada metrik F1 adware dan MCC. Pada uji hold-out, konfigurasi terbaik mencapai akurasi 0,977, F1 adware 0,972, dan MCC 0,952, dengan ROC-AUC mendekati 1,0. Hasil ini menunjukkan bahwa evaluasi berbasis klaster membantu memilih model yang lebih robust untuk deteksi adware Android. Kata Kunci – Android adware, machine learning, ensemble learning, stacking ensemble, out-of-distribution
Co-Authors Diponegoro, Muhammad Dwityaningsih, Rosita hastasari, ratih Intan Fredika Bahari Karfindo, Karfindo Karlina Sari Mahendra, Yusril Eka Miftakhur Rohmah, Miftakhur Mubaroh, Mufi Muhammad Nuruzzaman Pandularas, Pangeran Ratri Harjanto, Taufan Totok Priyoleksono Wawan Saputra Yuliani Yuliani