ANALISIS KESADARAN MAHASISWA TERHADAP PRIVASI DATA DENGAN MENGGUNAKAN METODE NAÏVE BAYES
ANALYSIS OF STUDENTS’ AWARENESS OF DATA PRIVACY USING THE NAÏVE BAYES METHOD
DOI:
https://doi.org/10.52972/hoaq.vol17no1.p29-37Keywords:
privasi data, mahasiswa, naive bayes, klasifikasi, KDDAbstract
Privasi data merupakan aspek penting dalam aktivitas digital, terutama bagi mahasiswa yang aktif menggunakan berbagai platform daring. Penelitian ini bertujuan menganalisis tingkat kesadaran privasi data mahasiswa menggunakan algoritma Naïve Bayes. Data primer dikumpulkan melalui kuesioner Google Form yang berisi 13 indikator kesadaran privasi dan disebarkan melalui media sosial dengan teknik voluntary response sampling. Sebanyak 56 mahasiswa berpartisipasi sebagai sampel penelitian. Pengolahan data mengikuti tahapan Knowledge Discovery in Database (KDD), meliputi seleksi data, pembersihan, transformasi, pemodelan, serta evaluasi. Transformasi dilakukan dengan menghitung skor total per responden dan mengelompokkan tingkat kesadaran ke dalam kategori “Tinggi” dan “Standar” menggunakan cut-off empiris untuk menjaga keseimbangan kelas. Analisis klasifikasi dilakukan menggunakan algoritma Naïve Bayes melalui aplikasi Orange Data Mining, dengan evaluasi menggunakan Test and Score serta Confusion Matrix. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan tingkat kesadaran privasi dengan akurasi 91.1%, precision 92.6%, recall 91.1%, F1-score 91.5%, AUC 0.976, dan MCC 0.738. Temuan ini menunjukkan bahwa Naïve Bayes efektif dalam mengenali pola kesadaran privasi mahasiswa dan layak digunakan sebagai dasar pengembangan program edukasi privasi data di lingkungan perguruan tinggi.
Data privacy is a critical aspect of digital activity, particularly for university students who frequently engage with online platforms. This study aims to analyze students’ awareness of data privacy using the Naïve Bayes classification algorithm. Primary data were collected through a Google Form questionnaire consisting of 13 indicators of privacy awareness and distributed via social media using a voluntary response sampling technique. A total of 56 students participated in this study. Data processing followed the Knowledge Discovery in Database (KDD) stages, including data selection, cleaning, transformation, modeling, and evaluation. The transformation process involved calculating the total awareness score for each respondent and categorizing awareness levels into “High” and “Standard” using an empirical cut-off to maintain class balance. The Naïve Bayes algorithm was applied using the Orange Data Mining application, with performance evaluated through the Test and Score and Confusion Matrix tools. The results indicate that the model performed effectively, achieving an accuracy of 91.1%, precision of 92.6%, recall of 91.1%, F1-score of 91.5%, AUC of 0.976, and MCC of 0.738. These findings demonstrate that Naïve Bayes is suitable for analyzing student privacy awareness patterns and can serve as a foundation for designing educational interventions to improve privacy literacy in academic environments.
References
A. M. Baqis and M. I. P. Nasution, “Pentingnya Privasi dan Keamanan Data Pribadi di Era Digital,” Jurnal Manajemen dan Pendidikan Agama Islam, vol. 3, no. 3, pp. 396–404, 2025, doi: 10.61132/jmpai.v3i3.1150.
S. Stefanni, Z. Zulfachmi, Z. Zulkipli, and A. Saputra, “Analisis Sentimen Pengguna X Terhadap Kebocoran Data Pribadi Menggunakan Algoritma Naïve Bayes Classifier,” Jurnal Bangkit Indonesia, vol. 14, no. 1, pp. 32–40, 2025, doi: 10.52771/bangkitindonesia.v14i1.434.
R. Firmansyah and D. Darmawan, “Kesadaran Masyarakat terhadap Perlindungan Data Pribadi di Era Digital,” Jurnal Ilmiah Komputer dan Informatika, vol. 8, no. 2, pp. 123-130, 2020, doi: https://doi.org/10.5281/zenodo.12608751.
Nopriadi, “Menjaga Privasi Digital: Studi Tentang Kesadaran Mahasiswa dalam Perlindungan Data Pribadi di Media Sosial,” Polygon?: Jurnal Ilmu Komputer dan Ilmu Pengetahuan Alam, vol. 2, no. 6, pp. 87–97, 2024, doi: 10.62383/polygon.v2i6.297.
P. R. Sihombing and I. F. Yuliati, “Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia,” MATRIK?: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 2, pp. 417–426, 2021, doi: 10.30812/matrik.v20i2.1174.
M. Siddik, Y. Desnelita, and Gustientiedina, “Penerapan Naïve Bayes untuk Memprediksi Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Akademis,” Jurnal Infomedia, vol. 2, no. 4, pp. 89–93, 2019, doi: 10.30811/jim.v4i2.1892.
A. Nurian, M. S. Ma’arif, I. N. Amalia, and C. Rozikin, “Analisis Sentimen Pengguna Aplikasi Shopee Pada Situs Google Play Menggunakan Naive Bayes Classifier,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 1, pp. 97–105, 2024, doi: 10.23960/jitet.v12i1.3631.
D. Nasien et al., “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN , Naive Bayes , Dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes,” JEKIN - Jurnal Teknik Informatika, vol. 4, no. 1, pp. 10–17, 2024, doi: 10.58794/jekin.v4i1.640.
D. Nurfadlillah, “Sentiment Analysis About Indonesian People’S Awareness About Cyber Security in Determining Data Leakage Using Naïve Bayes Classifier Algorithm,” Jurnal Elektro Luceat, vol. 9, no. 1, pp. 64–72, 2023, doi: 10.32531/jelekn.v9i1.598.
A. Zy and W. Hadikristanto, “Implementasi Algoritma Metode Naive Bayes dan Support Vector Machine Tentang Pembobolan dan Kebocoran Data di Twitter,” Bulletin of Information Technology (BIT), vol. 4, no. 1, pp. 49–56, 2023, doi: 10.47065/bit.v4i1.493.
A. Turmudi Zy, A. Nugroho, A. Rivaldi, and I. Afriantoro, “Analisis Sentimen Terhadap Pembobolan Data pada Twitter dengan Algoritma Naive Bayes,” Jurnal Teknologi Informatika dan Komputer, vol. 8, no. 2, pp. 202–213, 2022, doi: 10.37012/jtik.v8i2.1240.
M. Muharrom, “Analisis Komparasi Algoritma Data Mining Naive Bayes, K-Nearest Neighbors dan Regresi Linier Dalam Prediksi Harga Emas,” Bulletin of Information Technology (BIT), vol. 4, no. 4, pp. 430–438, 2023, doi: 10.47065/bit.v4i4.986.
H. Syahputra, L. Mayola, and D. Guswandi, “Jurnal KomtekInfo Clustering Tingkat Penjualan Menu (Food and Beverage),” KomtekInfo, vol. 9, no. 1, pp. 29–33, 2022, doi: 10.35134/komtekinfo.v9i1.274.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Jurnal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi diterbitkan berdasarkan lisensi Creative Commons Attribution 4.0 International License (CC BY 4.0). Lisensi ini memungkinkan setiap orang untuk Berbagi: menyalin dan mendistribusikan kembali materi ini dalam format atau bentuk apapun; Adaptasi: merombak, mengubah, dan membuat turunan dari materi ini untuk keperluan apa pun, termasuk keperluan komersial, asalkan mereka memberikan pengakuan kepada Penulis Asli atas hasil karya aslinya.
