Model klasifikasi berasaskan privasi data awam dengan menggunakan pendekatan pengesahan dua peringkat

• Main Authors: Masnida Hussin,, Raja Azlina Raja Mahmood,, Nur Raidah Salim,
• Format: Article
• Language: English
• Published: Penerbit Universiti Kebangsaan Malaysia 2022
• Online Access: http://journalarticle.ukm.my/20853/1/10.pdf; http://journalarticle.ukm.my/20853/; https://www.ukm.my/apjitm/articles-issues

Maklumat digital telah menjadi trend dan penting untuk memodenkan dan memanfaatkan pelbagai sumber dalam Teknologi Maklumat (IT). Data dan maklumat yang luas boleh diperolehi pada bila-bila masa dan di mana sahaja di hujung jari kami melalui kemudahan ICT. Ini dianggap sebagai data awam kerana ia dikongsi secara terbuka, seperti di media sosial. Data awam boleh diatur mengikut pelbagai kriteria dan format. Pengguna mempunyai hak untuk memahami data mana yang boleh dikongsi secara terbuka dan data mana yang sepatutnya berada dalam keadaan peribadi. Walau bagaimanapun, orang sentiasa salah faham dan mengelirukan data mana yang perlu dijamin dan yang boleh dikongsi. Ia lebih kritikal apabila data awam ini sudah terdedah kepada pelanggaran data dan kecurian data. Dalam kerja ini, kami mencadangkan pendekatan klasifikasi privasi data untuk data awam di mana data ini berada di platform digital. Ia bertujuan untuk memaklumkan kepada orang ramai tentang tahap privasi data sebelum mereka mendedahkannya di platform digital terbuka dan percuma. Kami menggunakan tiga kelas privasi yang berbeza; rendah, sederhana, dan tinggi. Sebagai tindak balas kepada itu, kami mengenal pasti entiti data awam yang merujuk kepada platform maklumat digital seperti laman web, aplikasi mudah alih dan sistem dalam talian. Kami kemudian menggali lebih jauh ke dalam atribut data setiap entiti. Atribut data awam disusun dan diserahkan kepada responden untuk mendapatkan input mereka berkenaan dengan keputusan mereka mengenai kelas privasi yang sesuai untuk atribut masing-masing. Berdasarkan input daripada responden, kami kemudian menggunakan pengelas Naive Bayesian untuk menjana pemberat kebarangkalian untuk memperuntukkan semula atribut data ke dalam kelas privasi yang paling sesuai. Peringkat klasifikasi data dua peringkat ini membawa perspektif yang lebih baik mengenai privasi data. Versi kelas privasi data awam yang diubah suai ini kemudiannya disahkan oleh responden untuk menganalisis pilihan mereka sambil mengukur kepuasan pengguna. Mengikut keputusan, model klasifikasi privasi data awam kami memenuhi jangkaan orang ramai. Secara optimis, klasifikasi data yang teratur menyumbang kepada amalan data yang lebih baik.