<![CDATA[Perlindungan data medis menjadi prioritas utama di era digital karena tingginya risiko kebocoran dan penyalahgunaan informasi pasien. Regulasi seperti HIPAA, GDPR, dan Undang-Undang Kesehatan No. 36 Tahun 2009 mewajibkan penerapan keamanan, namun tantangan teknis dalam implementasi masih besar. Differential Privacy (DP) menawarkan pendekatan matematis untuk menjamin privasi dengan menambahkan noise terkontrol sehingga keberadaan individu sulit diidentifikasi tanpa mengurangi nilai analisis data. Penelitian ini bertujuan mengevaluasi efektivitas DP pada dataset prescriptions. Data yang diuji bersumber dari database rekam medis publik MIMIC-III yang mencakup ribuan catatan resep. Empat atribut sensitif (row_id, subject_id, hadm_id, icustay_id) dianalisis menggunakan variasi parameter ε = {0.1, 0.5, 1.0, 5.0}. Evaluasi dilakukan menggunakan Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) untuk menilai trade-off antara privasi dan akurasi. Hasil penelitian menunjukkan bahwa Laplace mechanism lebih stabil dibanding Gaussian dengan nilai RMSE konsisten lebih rendah, terutama pada ε kecil hingga sedang. Gaussian menghasilkan error tinggi pada ε kecil dan baru mendekati Laplace pada ε besar. Kebaruan penelitian ini terletak pada analisis kuantitatif langsung menggunakan RMSE untuk membandingkan kinerja mekanisme Laplace dan Gaussian pada atribut-atribut identitas rekam medis, memberikan bukti empiris praktis yang melengkapi studi sebelumnya yang seringkali bersifat teoretis atau tinjauan umum. Temuan ini menegaskan bahwa pemilihan mekanisme dan parameter ε sangat menentukan kualitas data medis yang diproteksi. Secara praktis, penelitian ini merekomendasikan penggunaan Laplace mechanism dengan ε = 0.5–1.0 untuk implementasi Differential Privacy pada sistem rekam medis elektronik. Konfigurasi]]>
