Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Ratranawati, Dian Eka
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Citra Malware Menggunakan CNN dengan Implementasi Loss Cross-Entropy dan Focal-Triplet Loss Salsabil, Arifa; Ratranawati, Dian Eka
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan intensitas serangan malware menuntut adanya sistem deteksi yang mampu bekerja akurat pada berbagai jenis serangan. Pendekatan representasi biner malware ke dalam citra keabuan memungkinkan proses klasifikasi visual menggunakan Convolutional Neural Network (CNN). Penelitian ini menganalisis pengaruh variasi loss function terhadap performa klasifikasi citra malware menggunakan arsitektur CNN VGG-19 pada dataset Malimg yang memiliki distribusi kelas tidak seimbang. Empat skenario loss diuji, yaitu Cross-Entropy sebagai baseline, kombinasi Cross-Entropy dengan Focal Loss, Cross-Entropy dengan Triplet Loss, serta gabungan Focal-Triplet Loss. Tahapan penelitian meliputi prapemrosesan citra, pembagian data secara terstratifikasi, pelatihan dua tahap (two-stage fine-tuning), dan evaluasi menggunakan accuracy serta macro metrics. Hasil menunjukkan bahwa Cross-Entropy telah memberikan performa dasar yang kuat, sementara penambahan Focal Loss tidak meningkatkan hasil secara signifikan. Triplet Loss memberikan peningkatan besar terhadap keterpisahan representasi fitur sehingga meningkatkan macro-F1 model. Kombinasi Focal-Triplet menghasilkan performa paling stabil dengan kesenjangan kelas mayoritas dan minoritas paling kecil. Temuan ini menegaskan pentingnya pemilihan loss function dalam meningkatkan kualitas deteksi citra malware pada kondisi data yang tidak seimbang.
Co-Authors Salsabil, Arifa