Peran Keamanan Basis Data Relasional dalam Menjamin Kualitas Data untuk Proses Data Mining: Studi Kasus Klasifikasi Aktivitas Akses Berisiko

Abstract

Pertumbuhan data digital yang sangat cepat di era modern menuntut sistem pengelolaan data yang aman, andal, dan terstruktur. Basis data relasional menjadi tulang punggung dari berbagai sistem informasi, menyimpan data yang sensitif dan penting untuk operasional organisasi. Di sisi lain, data mining menjadi alat penting untuk mengekstrak pola dan informasi strategis dari volume data yang besar. Namun, keandalan hasil data mining sangat dipengaruhi oleh kualitas dan keamanan data yang digunakan. Artikel ini mengkaji integrasi antara sistem keamanan basis data relasional dan penerapan algoritma klasifikasi untuk mendeteksi aktivitas pengguna yang berisiko. Penelitian ini menggunakan pendekatan supervised learning dengan algoritma Decision Tree (C4.5) dan Naive Bayes, yang diuji pada dataset simulasi log aktivitas database dengan kondisi data tidak seimbang. Teknik pra-pemrosesan data, penanganan outlier, dan metode oversampling seperti SMOTE digunakan untuk meningkatkan kualitas model. Hasil menunjukkan bahwa Decision Tree lebih unggul dalam mendeteksi aktivitas mencurigakan dengan nilai F1-Score yang lebih tinggi dibandingkan Naive Bayes, khususnya setelah dilakukan penyesuaian terhadap distribusi kelas. Selain itu, analisis ketahanan terhadap noise memperlihatkan bahwa Naive Bayes memiliki stabilitas yang lebih baik, namun kurang presisi pada deteksi risiko. Temuan ini menegaskan bahwa keamanan data dan pemilihan algoritma yang sesuai sangat berpengaruh terhadap hasil analisis data mining yang akurat dan etis.