Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Privacy preserving data publishing (PPDP) merupakan bidang yang saat ini berkembang dengan fokus penelitian adalah mempertahankan data agar bersifat privat jika data tersebut dipublikasikan. Isu penting pada penelitian PPDP adalah meminimalkan nilai information loss yang diperoleh akibat proses penganoniman tabel mikrodata sehingga menjadi lebih privat. Berbagai model dan metode telah dikembangkan untuk mengatasi permasalahan tersebut. Model seperti k-anonymity, l-diversity, dan p-sensitive menjadi model dasar atas berkembangnya disiplin ilmu ini. Namun sebagian besar penelitian lebih banyak berfokus pada model untuk single sensitive attribute atau satu atribut sensitif pada tabel mikrodata. Padahal dalam dunia nyata atribut sensitif pada sebuah tabel bisa banyak atau multiple sensitive attributes. Penelitian yang membahas multiple-sensitive attributes pun masih banyak permasalahan yang belum terpecahkan karena hanya bertujuan untuk mengatasi satu permasalahan tertentu saja, misalnya untuk mengatasi serangan tertentu terhadap data. Sementara itu efek information loss kurang diperhatikan. Hal lain yang belum terlalu diperhatikan adalah bagaimana mendistribusikan nilai atribut sensitif ke seluruh grup data. Pendistribusian ini sangat penting untuk menghindari penumpukan data sensitif pada sebuah atau beberapa grup saja.

Penelitian ini berhasil mengusulkan dan mengevaluasi model PPDP dengan overlapped slicing pada multiple sensitive attributes dengan metode pendistribusian nilai atribut sensitif berupa simple distribution of sensitive values (SDSV) dan extended systematic clustering (ESC). Penelitian ini juga mengusukan sebuah pengukuran untuk menyempurnakan model pengukuran sebelumnya yaitu normalized and average discernibility metrics (NADM). Hasil dari penelitan ini menunjukkan overlapped slicing dengan tiga variasi metode untuk mencapaimodel tersebut memiliki tingkat information loss yang minimal dibandingkan dengan yang lain. Overlapped slicing dengan menggunakan variasi systematic clustering, SDSV, dan extended systematic clustering berhasil menghasilkan PPDP dengan nilai information loss yang kecil. Demikian juga dibandingkan dengan model lain yang menggunakan multiple sensitive attributes, overlapped slicing memiliki nilai information loss yang lebih kecil. Pada saat dijalankam dengan adult dataset, Nilai information loss yang telah dinormalkan untuk overlapped slicing adalah 0.25, sedangkan systematic clustering 0.625, SDSV 0.871, dan ESC 0,704. Dengan data bank marketing overlapped slicing menghasilkan nilai information loss yang dinormalkan sebesar 0.397, lebih baik daripada systematic clustering 0.441.

 

---

Privacy preserving data publishing (PPDP) is a field with research focus is in maintaining data to be private when the data is published. An important issue in PPDP is minimizing the information loss that is obtained due to the anonymization process to the microdata table so that it becomes more private. Various models and methods have been developed to overcome these problems. Models such as k-anonymity, l-diversity, and p-sensitive are the basic models for the development of this discipline. However, most studies focus on models for single sensitive attributes in microdata table. Yet in the real world, sensitive attributes on a table can be multiple sensitive attributes. There are still many problems in research that discusses multiple-sensitive attributes, and it still has not been solved because it only aims to overcome one particular problem for each research, for example to overcome certain attacks on data. Meanwhile the effect of information loss is less noticed. Another thing that has not been given much attention is how to distribute sensitive attribute values across data groups. This distribution is very important to avoid the accumulation of sensitive data on just one or a few groups.

This study successfully proposes and evaluates the PPDP model with overlapped slicing on multiple sensitive attributes and proposes methods for distributing sensitive attribute values namely, simple distribution of sensitive values (SDSV) and extended systematic clustering (ESC). This study also proposes a measurement to perfect the previous measurement model, normalized and average discernibility metrics (NADM). The results of this research show that overlapped slicing with three variation methods in achieving the model, has a minimalinformation loss compared to the others. Overlapped slicing by using systematic clustering, SDSV, and extended systematic clustering succeeded in producing PPDP with a small value of information loss. Likewise, compared to other models that use multiple sensitive attributes, overlapped slicing has a smaller information loss. When it is tested with adult dataset, the value of information loss that has been normalized for overlapped slicing is 0.25, while systematic clustering is 0.625, SDSV 0.871, and ESC is 0.704. With marketing bank dataset, it produces a normalized information loss value of 0.397, better than systematic clustering 0.441.

 

"

"Sebuah sistem berbasis ontologi saat ini dapat melakukan penalaran logis melalui Web Ontology Language - Description Logic (OWL-DL). Namun untuk melakukan penalaran probabilistik, sistem tersebut harus menggunakan basis pengetahuan terpisah, pemrosesan terpisah, atau aplikasi pihak ketiga. Studi-studi terdahulu seperti BayesOWL, MEBN/PR-OWL, dan OntoBayes utamanya berfokus kepada bagaimana merepresentasikan informasi probabilistik dalam ontologi dan melakukan penalaran terhadapnya. Pendekatan-pendekatan tersebut tidak cocok bagi sistem-sistem yang telah memiliki basis pengetahuan ontologi dan Bayesian network (BN) yang telah berjalan/operasional karena pengguna harus menulis ulang informasi probabilistik yang terkandung dalam BN ke dalam ontologi. Penelitian ini mengusulkan konsep pemaduan Bayesian network ke dalam ontologi dan sebaliknya yang menyediakan solusi penalaran logis dan probabilistik secara simultan tanpa harus menulis ulang informasi probabilistik yang terkandung dalam BN ke dalam ontologi. Metode yang digunakan adalah dengan cara menentukan aturan transformasi lalu mengembangkan morpher/transformer berdasarkan aturan dan algoritma dalam sebuah kerangka kerja untuk melakukan penalaran logis dan probabilistik secara simultan. Kerangka kerja tersebut kemudian diuji dengan validasi logis, validasi empiris, dan penilaian pakar (expert judgement) untuk membuktikan validitasnya. Hasil validasi logis menunjukkan bahwa algoritma-algoritma transformasi yang diusulkan terbukti valid dan memenuhi kriteria time complexity dan decidability. Hasil validasi empiris menunjukkan bahwa kerangka kerja yang dibangun terbukti mampu mentransformasikan informasi yang terkandung dalam basis pengetahuan Bayesian network ke dalam ontologi dan demikian pula sebaliknya. Adapun hasil penilaian pakar memperkuat hasil validasi empiris yang dilakukan terhadap kasus-kasus uji yang diambil. Hasil berbagai pengujian tersebut menunjukkan bahwa kerangka kerja yang diusulkan terbukti mampu menyelesaikan permasalahan yang membutuhkan kesatuan penalaran logis dan probabilistik dalam sebuah sistem pengetahuan berbasis ontologi.

---

An ontology-based system can currently logically reason through the Web Ontology Language Description Logic (OWL-DL). To perform probabilistic reasoning, the system must use a separate knowledge base, separate processing, or third-party applications. Previous studies such as BayesOWL, MEBN/PR-OWL, and OntoBayes mainly focus on how to represent probabilistic information in ontologies and perform reasoning through them. These approaches are not suitable for systems that already have running ontologies and Bayesian network (BN) knowledge bases because users must rewrite the probabilistic information contained in a BN into an ontology.

This study proposes the concept of integrating BN into ontology and vice versa which provides simultaneous logical and probabilistic reasoning solution without having to rewrite probabilistic information contained in BN into ontology. The method used is by determining the rules of transformation and then develop a morpher/transformer based on the rules and the algorithms in the form of a framework for simultaneous logical and probabilistic reasoning. The framework is then tested by using logical validation, empirical validation, and expert judgement to prove its validity. The logical validation results show that the transformation algorithms are proven valid and meet the criteria of time complexity and decidability.

The results of empirical validation indicate that the built framework has been proven capable of transforming information contained in the Bayesian networks knowledge base into ontology and vice versa. The results of expert judgement strengthen the results of empirical validation conducted on the test cases taken. The results of these tests indicate that the proposed framework is proven to solve problems that require the unity of logical and probabilistic reasoning in an ontology-based knowledge system."

"Sistem etika dibangun untuk memandu manusia menemukan keselarasan hidup. Namun, ketika sebuah etika dikembangkan dengan menafikan keberadaan manusia, maka timbul pertanyaan: untuk kebutuhan siapakah etika tersebut? Disertasi ini bertujuan untuk menyingkap selubung makna atas gagasan Luciano Floridi yang membangun etika informasi dengan menjadikan informasi sebagai pusat refleksinya. Informasi tidak lagi sekadar masalah epistemologis. Namun, informasi ditempatkan menjadi persoalan ontologis (reontologization), sehingga manusia beralih-pusat dari subjek (decentering subject) menjadi setara dengan entitas lainnya. Semua entitas yang ada dipahami sebagai objek informasi yang memiliki hak yang sama untuk dihargai dan dihormati (the ontological equality principle). Penilaian moral didasarkan pada prinsip moral yang bersifat formal. Hasil penelitian menunjukkan bahwa terjadi proses alih-pusat yang berakibat pada distribusi peran antara manusia (responsibility) dan entitas nonmanusia (accountability). Sebagai konsekuensinya, distribusi tersebut melahirkan dualisme peranan yang memisahkan masalah moralitas (responsibility) dengan hukum (accountability) yang selama ini keduanya dicampuradukkan tanpa disadari. Namun, pandangan ini justru menyisakan kontroversi bahwa agen moral buatan dapat dikenai sangsi hukum (accountability). Sementara, agen moral manusia hanya dimintai pertanggungjawaban moral (responsibility).

---

An ethical system is built to guide people to find harmony in life. However, when an ethic is developed by denying human existence, then the question arises: for whose needs is the ethic? This study aims to disclose the veil of meaning in Luciano Floridi's idea of establishing information ethics by making information as its center of reflection. Information is no longer a mere an epistemological problem; it turns, however, into an ontological issue (reontologized). Thus, humans are no longer subjects (decentered subjects), equal with other entities. All entities are understood to be objects of information, having equal rights to be appreciated and respected (the ontological equality principle). Moral judgment is based on four formal moral principles. Hermeneutics Phenomenology of Paul Ricoeur is used to disclose the veil. The results showed that there was a dehumanization process, resulted in the delegation of moral responsibility from human (responsibility) to entity artificial intelligence (accountability). Thus, it gives birth to a dualism of responsibility that precisely clarifies matters of morality (responsibility) and law (accountability) which had been both mixed up unnoticed. However, this view also leaves the controversy that an artificial moral agent can be subject to legal sanction (accountability). Meanwhile, human moral agents are only accounted for moral responsibility."