Perbandingan Teknik Penanganan Imbalance Data Pada Klasifikasi Malware

Summarise with VIRAT
Authors: Nindya Puspa Hapsari
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Ketidakseimbangan data (imbalanced data) pada klasifikasi malware sering menyebabkan model lebih fokus pada kelas mayoritas sehingga menurunkan akurasi pendeteksian malware. Penelitian ini bertujuan menganalisis pengaruh dari tiga teknik penanganan imbalanced data yaitu, SMOTE, random oversampling, dan random undersampling pada performa klasifikasi malware yang menggunakan algoritma AdaBoost. Setiap metode memiliki karakteristik berbeda-beda. SMOTE menghasilkan sampel sintetis yang lebih variatif, random oversampling menggandakan data minoritas secara langsung, sedangkan random undersampling menyederhanakan data mayoritas untuk mengurangi bias. Dataset melalui tahap preprocessing, EDA, feature scaling, balancing, pelatihan model AdaBoost, serta evaluasi menggunakan metrik recall, F1-score, dan PR-AUC. Hasil menunjukkan bahwa random undersampling memberikan performa paling tinggi dengan nilai recall sebesar 0.9813, random oversampling menghasilkan F1-score terbaik sebesar 0.9422, sedangkan SMOTE unggul dalam PR-AUC sebesar 0.9699. Temuan ini menunjukkan bahwa random undersampling merupakan metode paling efektif secara keseluruhan dalam meningkatkan sensitivitas model terhadap deteksi malware.

Fields of Study & Subjects

Imbalanced Data Classification Techniques Advanced Malware Detection Techniques Spam and Phishing Detection

Publication details

Journal / source
Universitas Kristen Satya Wacana Institutional Repository (Universitas Kristen Satya Wacana)
Publication date
19 February 2026
Language
ID
Document type
Thesis