Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK 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 model neural networks memiliki kekurangan dalam melindungi informasi yang terdapat dalam training set agar tidak dapat dieksploitasi oleh pihak-pihak yang tidak berkepentingan. Kekurangan ini dapat dieksploitasi dengan membuat sebuah model yang dapat menentukan apakah seseorang berada dalam training set atau tidak, dan hasilnya dapat digunakan untuk melanggar privasi orang tersebut. Eksploitasi ini disebut dengan serangan membership inference. Serangan membership infrerence dapat dihindari oleh model yang memenuhi kriteria differential privacy, yaitu probabilitas 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 differential privacy. Algoritma yang dikembangkan digunakan untuk melatih model neural networks agar memenuhi kriteria differential privacy. Eksperimen yang dilakukan menunjukkan bahwa algoritma yang dikembangkan dapat digunakan untuk 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 yang dilatih menggunakan algoritma yang dikembangkan, yaitu penjaminan privasi yang lebih kuat menghasilkan akurasi model yang lebih rendah, dan sebaliknya.

---

ABSTRACT Neural networks is one of the popular approach to analyze data. It has showed excellent ability to tackle complex problems in various domain, e.g., computer vision,language representation, and bioinformatics. At some point, neural network model may leak some information about the training data. This leakage could be exploited by adversaries to violate individuals in the training data. Membership inference attack is one kind of attacks that could be used by the adversary. This attack can be mitigated by using differentially private models. In this thesis, differentially private optimization algorithms, i.e., momentum, nesterov, rmsprop, adam, were developed. These algorithms then used to train a differentially private neural networks model. It was shown by the experiments conducted that these algorithms can be used to train a neural networks model, and yields better model accuracy compared to stochastic gradient descent algorithm. The tradeoff between privacy and utility is also studied.

Abstrak :
Di dunia digital saat ini, penggunaan perangkat lunak telah menjadi bagian penting dalam kehidupan sehari-hari dan bisnis. Perangkat lunak harus diuji secara ketat untuk menghindari kerugian finansial dalam proses memperbaiki perangkat lunak. Perangkat lunak yang bebas dari cacat dapat meningkatkan fungsionalitas bisnis secara signifikan. Karena itu, memprediksi cacat pada perangkat lunakmenjadi sangat penting dalam industri teknologi. Tujuan dari prediksi cacat pada perangkat Lunak (Software Defect Prediction - SDP) adalah untuk menemukan kemungkinan malfungsi pada perangkat lunak. Penelitian ini mengusulkan pendekatan pemilihan fitur hibrida (filter dan wrapper) berdasarkan metode pengambilan keputusan multi kriteria (Multi Criteria Decision Making - MCDM) dan metode optimisasi Rao untuk memilih fitur yang lebih informatif untuk meningkatkan tingkat prediksi cacat pada perangkat lunak. Fungsi kecocokan (fitness function) yang diusulkan mengukur kecocokan solusi kandidat dengan menggunakan tingkat akurasi prediksi cacat pada perangkat lunak dan rasio fitur pada himpunan data yang dipilih. Kinerja metode yang diusulkan dievaluasi menggunakan tiga himpunan data acuan NASA yang populer (PC5, JM1, dan KC1) dan dibandingkan dengan metode state-of-the-art. Dalam penelitian acuan yang ditulis oleh Thirumoorthy et al. (2022), metode yang diajukan menunjukkan kinerja yang lebih baik daripada algoritma pembanding. Namun, saat peneliti mencoba mereplikasi penelitian acuan, metode yang diajukan tidak menghasilkan peningkatan kinerja yang signifikan. ......Software has become an important part of business. The software must be tested in order to prevent substantial financial loss. Defect-free software saves business money and effort to fix defects that occurs. Predicting software defects in advance is a crucial task in the software industry. The goal of Software Defect Prediction (SDP) is to predict bugs in software using software metrics as it’s features in the dataset. This paper proposes a hybrid feature selection (using filter–based) approach based on the multi criteria decision making (MCDM) method and the Rao optimization method for selecting informative features to improve the software defect prediction rate. The proposed work measures the fitness value of possible solution using defect prediction rate and feature selection ratio. The performance of the proposed method is evaluated using three popular benchmark NASA datasets (PC5, JM1, and KC1) and compared with the state-of-the-art methods. In the referenced paper written by Thirumoorthy et al. (2022), the proposed method demonstrated better performance than the comparative algorithms. However, when this paper attempted to replicate the cited study, the proposed method did not yield significant performance improvements.