Text
Perbandingan kinerja algoritma systematic clustering dan greedy K-member pada model K-Anonymity yang menggunakan dua atribut sensitif
ABSTRAK
Nasiha Sakina, Perbandingan Kinerja Algoritma Systematic Clustering dan Greedy K-Member pada Model K-Anonymity yang Menggunakan Dua Atribut Sensitif. Skripsi. Jakarta, Program Studi Pendidikan Teknik Informatika dan Komputer, Fakultas Teknik, Universitas Negeri Jakarta, 2017. Dosen Pembimbing: Widodo, M.Kom dan Bambang P. Adhi, M.Kom.
Latar belakang dari penelitian ini adalah adanya perusahaan atau organisasi yang harus menyebarkan infromasi tanpa harus diketahui informasi aslinya, sehingga dilakukan penganoniman data. Model yang digunakan adalah KAnonymity dan algortima yang akan digunakan adalah Algoritma Systematic Clustering dan Algoritma Greedy K-Member. Metode yang digunakan adalah rekayasa teknik dimana nantinya akan dihitung algoritma mana yang memiliki information loss paling sedikit untuk mengetahui algoritma mana yang lebih baik. Tujuan dari penelitian ini ialah diharapkan perusahaan atau organisasi dapat memberikan informasi mengenai perusahannya tapi tidak secara detail sehingga masih tetap aman. Data pada penelitian ini di ambil dari UCI Machine Learning Repository. Dataset yang digunakan adalah data set Adult. Hasil dari penelitian ini adalah nilai information loss terendah untuk Systematic Clustering adalah 11843,9 dan untuk Greedy K-Member adalah 13950,83. Sedangkan nilai information loss terbesar untuk Systematic Clustering adalah 14705,2 dan untuk Greedy K-Member adalah 13962,09. Kesimpulan dari penelitian ini adalah Algoritma Systematic Clustering lebih baik dibandingkan dengan Algoritma Greedy K-Member.
Kata kunci: Model K-Anonymity, Algoritma Systematic Clustering, Algoritma Greedy K-Member, Information Loss
Bibliografi : lembar 45-46
Tidak tersedia versi lain