ABSTRAKSI: Teknik data mining untuk privacy-preserving data mining yang sering digunakan, biasanya memodifikasi task data mining yang sudah ada untuk merandom data. Pada Tugas Akhir ini, data mining digunakan sebagai teknik untuk menyamarkan data, oleh karena itu disebut sebagai data mining berdasarkan proteksi privasi. Pendekatan ini melibatkan sebagian task data mining yang menjadi target proteksi, yaitu klasifikasi, sehingga struktur essential data masih ada dalam data yang sudah disamarkan. Digunakan konsep bottom-up generalization sebagai cara untuk menyembunyikan informasi detail daripada untuk menemukan tren dan pola data. Setelah data disamarkan, task data mining yang ditargetkan bisa diaplikasikan tanpa perlu memodifikasi algoritma task data mining tersebut. Tugas Akhir ini menunjukkan penggunaan positif lain dari teknologi data mining, yaitu tidak hanya dapat menemukan pola yang berguna, tetapi juga menyamarkan informasi pribadi. Pengujian dilakukan untuk melihat apakah data hasil generalisasi masih layak digunakan untuk task data mining selanjutnya yaitu klasifikasi. Akurasi data mengalami perubahan setelah data diproteksi tetapi tidak terlalu besar sehingga data masih bisa digunakan untuk klasifikasi.
Kata Kunci : privacy-preserving data mining, bottom-up generalization, klasifikasiABSTRACT: The well-known privacy-preserved data mining modified existing data mining techniques to randomized data. In this project, data mining is use as a technique for masking data, therefore, termed data mining based privacy protection. This approach incorporates partially the requirement of a targeted data mining task into the process of masking data so that essential structure is preserved in the masked data. Bottom-up generalization concept is use as a way to hide detailed information, rather than discover trends and patterns. Ince data is masked, standard data mining techniques can be applied without modification. This project demonstrated another positive use of data mining technology, not only can discover useful patterns, but also mask private information. Testing is done to see whether the results generalize the data still fit for use for further data mining task is classification. The accuracy of the data changed after the data being protected, but not so large that the data can still be used for classification.
Keyword: privacy-preserving data mining, bottom-up generalization, classification