data analis c.45 peridiksi kemungkinan peretsan.pptx

alais

1. SIDANG AKHIR ANALISIS PREDIKSI PRETASAN DATA PRIBADI BERDASARKAN UMUR PENGGUNA DI KOTA TANJUNGBALAI MENGGUNAKAN ALGORITMA C4.5 MHD. ARFAN SITORUS | NPM 2314374022 Dosem Penguji : Assoc. Prof. Dr. Muhammad Iqbal , S.Kom ., M.Kom . Dosen Pembimbing : Dr Darmeli Nasution , S.Kom ., M.Kom .

2. Latar Belakang MASALAH SOLUSI HASIL Salah satu permasalahan tingkat kerentanan terhadap peretasan adalah rentang umur pengguna . Perbedaan dalam tingkat literasi digital, pemahaman keamanan siber , serta kebiasaan pengguna dalam berinteraksi dengan teknologi dapat menyebabkan variasi signifikan dalam tingkat risiko antar kelompok umur . Solusi yang ditawarkan adalah penerapan metode C4.5 bertujuan untuk menerapkan algoritma C4.5 dalam menganalisis dan memprediksi kemungkinan pengguna terkena peretasan data pribadi berdasarkan rentang umur. Hasil penelitian ini juga dapat digunakan sebagai dasar dalam pengembangan strategi mitigasi risiko yang lebih efektif serta edukasi keamanan digital yang disesuaikan dengan karakteristik usia pengguna .

3. Rumusan Masalah Bagaimana karakteristik rentang umur pengguna memengaruhi tingkat kemungkinan terkena peretasan data pribadi ? Bagaimana penerapan metode C4.5 dalam membangun model prediksi terhadap kemungkinan peretasan berdasarkan data pengguna ? Seberapa akurat dan efektif metode C4.5 dalam mengklasifikasikan pengguna yang berisiko tinggi terhadap peretasan data pribadi ?

4. Tujuan Penelitian Menganalisis hubungan antara rentang umur pengguna dan tingkat risiko terkena peretasan data pribadi . Membangun model prediksi menggunakan algoritma C4.5 untuk mengidentifikasi pengguna yang berisiko tinggi berdasarkan atribut yang dimiliki . Mengevaluasi performa model dalam melakukan klasifikasi terhadap tingkat risiko peretasan berdasarkan kelompok umur .

5. Manfaat Penelitian Memberikan kontribusi dalam pengembangan ilmu pengetahuan di bidang keamanan data, khususnya dalam penerapan algoritma klasifikasi seperti C4.5 untuk analisis risiko . Memberikan referensi dan dasar pengambilan keputusan bagi p`engembang aplikasi dan lembaga terkait dalam merancang sistem proteksi data yang disesuaikan dengan karakteristik pengguna . Meningkatkan kesadaran masyarakat terhadap pentingnya keamanan data pribadi serta kelompok pengguna yang perlu mendapatkan perhatian khusus dalam upaya pencegahan peretasan . Mendorong pengembangan sistem prediksi berbasis kecerdasan buatan untuk mendeteksi risiko peretasan secara dini .

6. Kajian Pustaka Algoritma C4.5 Data Mining Hasil Penelitian Yang Relevan

7. Teknik Analisis Data Analisis data dalam penelitian ini menggunakan metode C4.5, yaitu algoritma pohon keputusan yang digunakan untuk membangun model prediksi berdasarkan data pengguna . Dengan C4.5, penelitian ini akan menghasilkan model yang dapat mengidentifikasi kemungkinan risiko terkena peretasan berdasarkan karakteristik pengguna seperti rentang umur , tingkat pendidikan , dan aktivitas online. Analisis dilakukan untuk melihat pola-pola yang berhubungan dengan kerentanannya terhadap serangan peretasan dan memberikan rekomendasi pencegahan yang lebih tepat .

8. HASIL PENELITIAN DAN PEMBAHASAN Kode Unsur Nama Unsur U1 Rentang Umur Pengguna U2 Frekuensi Aktivitas Online U3 Penggunaan Password yang Unik U4 Penggunaan Verifikasi Dua Langkah (2FA) U5 Akses ke Situs Tidak Aman U6 Pengetahuan Tentang Phishing & Scam U7 Kebiasaan Menyimpan Password di Browser U8 Pemakaian Antivirus atau Firewall U9 Riwayat Pernah Terkena Peretasan Kode Unsur Nama Unsur Skala 1 Skala 2 Skala 3 Skala 4 U1 Rentang Umur Pengguna < 17 tahun 17–25 tahun 26–40 tahun > 40 tahun U2 Frekuensi Aktivitas Online Jarang (1–2x seminggu) Kadang (3–5x seminggu) Sering (tiap hari, <5 jam) Sangat Sering (tiap hari, >5 jam) U3 Penggunaan Password yang Unik Tidak pernah Jarang Kadang-kadang Selalu U4 Penggunaan Verifikasi Dua Langkah (2FA) Tidak pernah Tahu tapi tidak pakai Kadang pakai Selalu pakai U5 Akses ke Situs Tidak Aman Tidak pernah Jarang Kadang-kadang Sering U6 Pengetahuan Tentang Phishing & Scam Tidak tahu sama sekali Pernah dengar Mengerti sebagian Sangat paham dan waspada U7 Kebiasaan Menyimpan Password di Browser Selalu Sering Kadang-kadang Tidak pernah U8 Pemakaian Antivirus atau Firewall Tidak pernah Jarang Kadang-kadang Selalu aktif U9 Riwayat Pernah Terkena Peretasan Tidak pernah Sekali 2–3 kali >3 kali

9. HASIL PENELITIAN DAN PEMBAHASAN No Nama NILAI UNSUR Output User U1 U2 U3 U4 U5 U6 U7 U8 U9 1 Martina Agustian Meha,. St. M., Kes 2 4 3 3 4 3 3 2 1 TP 2 Magdalena Br Sitepu ,. Am. Keb 2 3 3 4 2 1 4 4 3 TP 3 Hermenia Sembiring. SKM 1 4 4 3 3 4 4 3 3 P 4 Cifta Tridawati Sembiring. 3 3 4 4 3 3 4 3 4 P 5 Roseria Br Sinaga. 3 4 4 3 1 3 3 4 4 P 6 Nisa. S.Pd 4 4 3 4 4 4 3 3 3 P 7 Willdan 3 4 4 4 1 3 3 1 3 TP 8 Osmar Sianturi 1 4 4 4 3 4 4 3 3 P … … … … … … … … … … … … 40 Melda Sianturi 3 3 4 3 4 4 4 1 4 TP

10. HASIL PENELITIAN DAN PEMBAHASAN Perhitungan entropy total pada tabel 4.1. dapat dihitung dengan menggunakan persamaan sebagai berikut : Entropy (Total) = ( ) ) + ( ) = 1,356915449 Untuk perhitungan entropy setiap atribut sama sengan perhitungan mencari entropy total. Nilai gain atribut Gain dihitung dengan menggunakan persamaan sebagai berikut : Perhitungan Entropy U1 ( Rentang Umur Pengguna ) Entropy (U1,1) = ( ) ) + ( ) = 2,6419268 Entropy (U1,2) = ( ) ) + ( ) = 0,7564708 Entropy (U1,3) = ( ) ) + ( ) = 1,23861263 Entropy (U1,4) = ( ) ) + ( ) = 1 Entropy (U1,5) = 0 Perhitungan Entropy U2 ( Frekuensi Aktivitas Online) Entropy (U2,1) = 0 Entropy (U2,2) = 0 Entropy (U2,3) = ( ) ) + ( ) = 1,079914285 Entropy (U2,4) = ( ) ) + ( ) = 1,306276436 Entropy (U2,5) = 0   Perhitungan Gain U1 ( Rentang Umur Pengguna ) Gain (U1) = 1,356915449 (  

11. IMPELEMENTASI

12. KESIMPULAN DAN SARAN KESIMPULAN Frekuensi Aktivitas Online, Pengetahuan Tentang Phishing & Scam dalam memengaruhi tingkat kemungkinan terkena peretasan . Dari hasil pohon keputusan , cenderung memiliki tingkat kerentanan yang lebih tinggi terhadap peretasan berhubungan erat dengan perilaku digital dan kesadaran keamanan siber . Algoritma C4.5 efektif dalam membentuk model klasifikasi risiko peretasan dengan memanfaatkan sembilan variabel . Hasil proses pembentukan pohon keputusan menunjukkan bahwa atribut paling berpengaruh adalah penggunaan antivirus/firewall (U8), diikuti oleh penggunaan password unik (U3), aktivasi 2FA (U4), dan riwayat peretasan (U9). Struktur pohon keputusan yang dihasilkan bersifat jelas dan interpretatif untuk pengambilan keputusan . Model C4.5 menunjukkan tingkat akurasi yang tinggi dan konsisten antara hasil perhitungan manual dan implementasi sistem berbasis MySQL dan PHP. Model ini mampu mengidentifikasi pola yang relevan dan memberikan klasifikasi risiko yang akurat sebagai dasar rekomendasi peningkatan perlindungan data pribadi pengguna . SARAN Dinas Komunikasi dan Informatika serta instansi terkait diharapkan dapat meningkatkan edukasi keamanan digital kepada masyarakat , khususnya pada kelompok usia yang lebih muda yang lebih rentan terhadap peretasan . Pengguna internet disarankan untuk menerapkan praktik keamanan siber seperti penggunaan password yang kuat dan unik , penghindaran penyimpanan password di browser, serta pemanfaatan fitur verifikasi dua langkah untuk meningkatkan keamanan akun pribadi . Untuk penelitian selanjutnya , disarankan untuk memperluas jumlah sampel dan menambah variabel lain yang relevan seperti frekuensi penggunaan WiFi publik , jenis perangkat yang digunakan , serta tingkat literasi digital guna meningkatkan keakuratan model prediksi .

13. TERIMA KASIH