Indonesia Comparative Analysis of Algorithms for Sensitive Outlier Protection in Privacy Preserving Data Mining

Muhammad Burhan, Dedi Wijaya, A. Inayah Auliyah, Muhaimin HadingNon-Scopus6 April 2025Afiliasi: ID

Abstrak

Penambangan data (Data Mining) merupakan teknik penting dalam era Big Data untuk menggali wawasan berharga dari kumpulan data besar. Tantangan utama dalam bidang ini adalah menjaga privasi individu, khususnya pada data outlier yang sensitif yang mengandung informasi pribadi. Penelitian ini bertujuan untuk membandingkan efektivitas algoritma clustering PAM, CLARA, CLARANS, dan ECLARANS dalam mendeteksi outlier serta mengevaluasi perlindungan privasi menggunakan metode Gaussian Perturbation Random. Penelitian dilakukan menggunakan dua dataset kesehatan: Dataset Diabetes dari National Institute of Diabetes and Digestive and Kidney Diseases dan Dataset Breast Cancer Wisconsin. Hasil menunjukkan bahwa algoritma CLARA mendeteksi jumlah outlier terbanyak pada dataset besar, sementara ECLARANS menunjukkan efisiensi waktu terbaik pada dataset tertentu. Metode Gaussian Perturbation Random terbukti efektif dalam melindungi privasi outlier tanpa mengurangi akurasi deteksi. Kesimpulannya, CLARA merupakan algoritma yang paling menjanjikan untuk mendeteksi outlier sambil menjaga privasi data, berkat pendekatan sampling yang efisien. Temuan ini memberikan kontribusi penting dalam penerapan data mining yang aman dan privasi yang terjaga, khususnya dalam domain data kesehatan.

Identifier

Scroll to Top