ABSTRAK Nama : Roan Gylberth Program Studi : Magister Ilmu Komputer Judul : Algoritma Optimisasi yang memenuhi Differential Privacy padaNeuralNetworksSebagaiPencegahanSeranganMembership Inference Neural networks merupakan salah satu pendekatan yang sering digunakan dalam melakukan analisis data. Dalam perkembangannya, neural networks mencapai kesuksesan dalam berbagai bidang, mulai dari pengenalan gambar, representasi bahasa, hingga bio informatika. Beberapa penelitian terakhir menunjukkan bahwa modelneuralnetworksmemilikikekurangandalammelindungiinformasiyangterdapat dalam training set agar tidak dapat dieksploitasi oleh pihak-pihak yang tidak berkepentingan. Kekuranganinidapatdieksploitasidenganmembuatsebuahmodel yangdapatmenentukanapakahseseorangberadadalamtrainingset atautidak,dan hasilnya dapat digunakan untuk melanggar privasi orang tersebut. Eksploitasi ini disebut dengan serangan membership inference. Serangan membership infrerence dapatdihindariolehmodelyangmemenuhikriteriadifferentialprivacy,yaituprobabilitas keluaran dari model pada dua database yang berbeda pada satu baris pada dasarnya mirip. Pada tesis ini, dikembangkan algoritma optimisasi berbasis gradien seperti Momentum, Nesterov, RMSProp dan Adam yang memenuhi kriteria differentialprivacy. Algoritmayangdikembangkandigunakanuntukmelatihmodel neural networks agar memenuhi kriteria differential privacy. Eksperimen yang dilakukanmenunjukkanbahwaalgoritmayangdikembangkandapatdigunakanuntuk melatih model neural networks dan menghasilkan model yang lebih akurat dibandingkan algoritma stochastic gradient descent yang memenuhi kriteria differential privacy. Diperlihatkan juga pengaruh penjaminan privasi terhadap akurasi model yangdilatihmenggunakanalgoritmayangdikembangkan,yaitupenjaminanprivasi yang lebih kuat menghasilkan akurasi model yang lebih rendah, dan sebaliknya. Kata Kunci: Privasi, Neural Networks, Differential Privacy, Membership Inference, Algoritma optimisasi