<![CDATA[Penerapan machine learning seperti Decision Tree terbukti mampu meningkatkan performa model dalam mengadaptasi perubahan pola perilaku pengguna pada autentikasi berbasis behavioral biometrics. Namun, dalam implementasinya, perlindungan data sensitif pengguna menjadi tantangan utamanya. Penerapan metode Differential Privacy menjadi solusi penting untuk mengatasi tantangan tersebut dengan menjaga keseimbangan antara privasi dan akurasi model. Metode Differential Privacy yang diterapkan pada penelitian ini meliputi Laplace Mechanism, GaussianAnalytic Mechanism, dan Permute and Flip Mechanism. Hasil menunjukkan bahwa model tanpa Differential Privacy memiliki akurasi tertinggi (0,78). Namun, model tidak menawarkan perlindungan privasi. Sementara itu, Permute and Flip Mechanism menunjukkan kinerja yang optimal pada nilai epsilon 2,81 dengan rata-rata akurasi mencapai 0.67. Hal ini disebabkan oleh kemampuannya dalam memanfaatkan distribusi data kategori secara efektif untuk mengurangi dampak noise. Selain itu, rata-rata nilai False Match Rate (FMR, 0,3), False Non-Match Rate (FNMR, 0.2), and Equal Error Rate (EER, 0.2) menunjukkan bahwa mekanisme ini mampu mencapai keseimbangan yang baik antara deteksi positif palsu dan negatif palsu sehingga memberikan performa yang lebih andal. GaussianAnalytic dan Laplace Mechanism lebih rentan terhadap distorsi data akibat noise yang dipengaruhi oleh parameter epsilon dan sensitivitas, terutama pada nilai epsilon yang rendah.]]>
Copyrights © 2025
