Keamanan model deep learning dalam tugas klasifikasi gambar semakin menjadi sorotan, terutama karena kemunculan serangan adversarial yang dapat mengelabui prediksi model hanya dengan gangguan kecil pada input. Penelitian ini bertujuan untuk menganalisis dan membandingkan efektivitas tiga jenis serangan adversarial, yaitu Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), dan Patch Attack terhadap model ResNet34 pada dataset ImageNet. Model ResNet34 dipilih karena arsitekturnya yang dalam dan telah terbukti unggul dalam berbagai kompetisi visi komputer. Dataset yang digunakan adalah subset dari ImageNet yang telah melalui proses pra-pemrosesan untuk kompatibilitas dengan arsitektur ResNet34. Hasil penelitian menunjukkan bahwa ketiga serangan mampu menurunkan akurasi klasifikasi secara signifikan. Serangan PGD terbukti paling destruktif, menghasilkan misklasifikasi dengan tingkat kepercayaan tinggi, diikuti oleh FGSM dan Patch Attack. Visualisasi adversarial examples juga mengonfirmasi bahwa perubahan kecil pada input dapat menyebabkan perubahan besar dalam prediksi model. Penelitian ini memberikan wawasan penting mengenai kerentanan model deep learning dan mendorong pengembangan strategi pertahanan yang lebih efektif di masa mendatang.