Perbandingan Kinerja Akurasi Klasifikasi K-NN, NB dan DT pada APK Android
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Dewasa ini masyarat banyak memanfaatkan teknologi Internet, untuk berbagai kebutuhan. Mulai dari berbelanja, transportasi dan dunia pendidikan memanfaatkan Internet sebagai layanan digital. Peralatan dalam mengakses Internet pun banyak dan sangat beragam, mulai dari personal komputer, laptop sampai perangkat komunikasi seperti perangkat seluler. Perangkat seluler saat ini yang cukup banyak variasinya dan digunakan masyarakat adalah perangkat seluler berbasis sistem operasi Android. Dalam situasi ini mendorong pihak-pihak tertentu memanfaatkan celah untuk mencari keuntungan, salah satunya pembuatan Malicious Software (Malware). Keberadaan Malware sangat meresahkan, dimana pertumbuhan malware sangat cepat. Fenomena Malware yang terus bertumbuh inilah yang menjadikan peneliti berfokus untuk menganalisa Malware dengan memanfaatkan teknologi kecerdasan buatan. Tujuan dari penelitian ini adalah menganalisa file-file APK Android dengan metode anlisa statis dan melakukan klasifikasi keluarga Malware dan bukan Malware atau file APK Normal. File-file APK Malware dan bukan Malware di unduh dari Canadian Institute for Cyber Security, Google Play dan APK Pure. File-file tersebut dilakukan fitur ekstraksi untuk digenerate dan disimpan menjadi Malware dataset. Malware dataset tersebut dilakukan training menggunakan algoritma pembelajaran mesin. Pembelajaran mesin yang digunakan adalah Naïve Bayes, K-Nearest Neighbor dan Decision Tree. Pengukuran performansi akurasi dan perbandingan antara Naïve bayes, K-Nearest Neighbor dan Decision Tree yang merupakan bagian dari Pembelajaran Mesin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.005 | 0.000 |
| Scholarly communication | 0.003 | 0.007 |
| Open science | 0.006 | 0.004 |
| Research integrity | 0.000 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it