Differential Privacy diusulkan untuk memberikan solusi terhadap masalah pengamanan data yang dapat
menjamin bahwa utilitas data dan privasi data dapat dijaga dan dikontrol dengan baik. Differential Privacy
semakin berkembang pesat dan dianggap sebagai metode yang menjanjikan dan telah digunakan oleh
berbagai pihak seperti Apple dan Google pada sistem keamanannya . Dalam penelitian ini, dilakukan uji
eksperimen pada kueri agregat ‘count’ untuk mempelajari performansi dari salah satu mekanisme differential privacy yaitu Exponential Mechanism pada dataset Student’s Alcohol Consumptions. Dataset
Student’s Alcohol Consumptions relevan dengan penelitian sebelumnya. Dimana dataset ini berisikan
informasi-informasi sensitif terkait konsumsi alkohol siswa sekolah menengah sehingga harus dijaga
privasinya. Selanjutnya, ditentukan nilai ????(epsilon) yang optimal melalui pengujian nilai relative error
terhadap penggunaan nilai ????(epsilon) serta menganalisis pengaruhnya terhadap privacy tradeoff. Studi eksperimen yang dilakukan menunjukkan bahwa nilai ???? = 10 pada dataset Student’s Alcohol Consumptions menjaga privacy tradeoff dengan baik (dengan rata-rata error pada tiap kategori = 22% ) sehingga dataset memenuhi ????-differential privacy.