Perpustakaan Digital ITB

Permasalahan privasi menjadi tantangan utama dalam upaya kolaborasi antar institusi untuk pelatihan model pembelajaran mesin. Kolaborasi semacam ini berpotensi meningkatkan performa model secara signifikan, tetapi seringkali terhambat oleh ketentuan kerahasiaan data yang dimiliki masing-masing pihak. Tugas Akhir ini menghadirkan sebuah solusi berupa sistem Privacy-Preserving Machine Learning (PPML) berbasis Secure Multiparty Computation (MPC), yang memungkinkan pelatihan model regresi linear dan regresi logistik secara kolaboratif tanpa memperlihatkan data mentah antar partisipan. Sistem dikembangkan dengan tiga komponen utama: antarmuka pengguna berbasis web yang interaktif, layanan backend yang menangani orkestrasi multipihak dan sinkronisasi sesi secara real-time, serta engine MPC yang menjalankan komputasi rahasia menggunakan protokol berbasis secret sharing. Mekanisme sistem mencakup proses Private Set Intersection (PSI) untuk menemukan irisan identifikator pengguna, penyelarasan fitur antar pihak, pembentukan vektor fitur global secara rahasia, hingga pelatihan model melalui algoritma gradient descent yang telah disesuaikan untuk lingkungan MPC. Hasil evaluasi menunjukkan bahwa sistem mampu menghasilkan model dengan performa yang kompetitif dan efisien. Model regresi linear menghasilkan nilai RMSE di bawah 10.000 dan R² di atas 0.92, sementara model regresi logistik mencapai F1-score hingga 0.86 dan AUC-ROC melebihi 0.91. Seluruh proses berjalan stabil dalam konfigurasi tiga pihak dengan waktu eksekusi total berkisar antara 3 hingga 42 menit. Temuan ini menunjukkan bahwa pendekatan yang diusulkan mampu menjaga privasi data secara ketat tanpa mengorbankan akurasi dan efisiensi pelatihan model. Sistem ini memberikan kontribusi nyata dalam pengembangan PPML berbasis MPC yang modular, fleksibel, dan siap diuji pada skenario nyata. Ke depan, sistem dapat diperluas dengan dukungan model non-linear dan interoperabilitas dengan protokol privasi lainnya.