Belajar Data Analyst - Data Privacy & Security

#Pendahuluan

Data yang berkualitas (episode 18) tidak berarti apa-apa jika penggunaannya melanggar privasi. Data analyst bekerja dengan data pribadi — nama, email, nomor telepon, alamat, riwayat pembelian — dan kebocoran atau penyalahgunaan satu dataset bisa menghancurkan kepercayaan perusahaan. Regulasi di Indonesia (UU PDP) dan global (GDPR) kini memberi sanksi nyata atas kelalaian ini.

Episode ini membangun kesadaran dan keterampilan privasi: mengenali PII, memahami regulasi, membatasi akses dengan role-based access, dan menyembunyikan identitas lewat anonymization. Fokusnya praktik harian analis — bukan hukum, tetapi prinsip kerja yang aman.

#Mengenali PII: Data Pribadi Itu Apa?

PII (Personally Identifiable Information) adalah data yang bisa mengidentifikasi seseorang, baik langsung maupun tidak langsung:

Aturan emas: jika bisa menebak siapa orangnya, itu PII. Kolom user_123 yang dipisah dari tabel mapping bukan PII; kolom budi@gmail.com adalah PII. Analis harus selalu bisa menjawab: dataset ini mengandung PII apa, dan siapa yang boleh melihatnya?

#Regulasi: UU PDP dan GDPR

Dua regulasi yang paling relevan untuk analis di Indonesia:

Prinsip praktis yang berlaku di keduanya:

1. Minimalisasi data — hanya kumpulkan data yang dibutuhkan.
2. Consent yang jelas — jelaskan untuk apa data dipakai.
3. Hak subjek data — orang bisa minta data mereka dilihat/dihapus.
4. Akuntabilitas — dokumentasikan keputusan pemrosesan data.

#Role-Based Access Control (RBAC): Akses Sesuai Peran

RBAC membatasi akses data berdasarkan peran — least privilege: setiap orang hanya melihat data yang dibutuhkan pekerjaannya. Contoh pola di PostgreSQL:

CREATE ROLE analyst;
CREATE ROLE analyst_manager;
 
-- Analis hanya melihat data non-sensitif
GRANT SELECT ON orders TO analyst;
REVOKE SELECT ON customers FROM analyst;
 
-- Manager punya akses tambahan
GRANT SELECT ON customers TO analyst_manager;

Di warehouse modern, pola yang sama dipakai di level kolom (column-level security) — misal marketing boleh melihat email, tetapi tidak boleh melihat data pendapatan per user. Sebagai analis, kalian juga penerima RBAC: memahami akses apa yang kalian miliki dan tidak mencoba jalan pintas adalah bagian dari profesionalisme.

#Anonymization dan Pseudonymization

Saat data pribadi tidak benar-benar dibutuhkan, identitas harus disembunyikan. Dua teknik utama:

Pseudonymize email dengan hash

import hashlib
 
def pseudonymize(email):
    return "usr_" + hashlib.sha256(email.encode()).hexdigest()[:10]
 
users["user_id"] = users["email"].apply(pseudonymize)

Generalisasi adalah teknik pelengkap: alamat lengkap → kecamatan → kota, atau usia presisi → rentang 25-30. Untuk analisis segmentasi, generalisasi sering sudah cukup dan jauh lebih aman.

#Menangani Data Sensitif dengan Benar: Praktik Harian

Checklist praktik yang harus menjadi kebiasaan:

Satu kebiasaan yang menyelamatkan karir: sebelum mengirim atau mem-publish hasil analisis, tanya "dataset ini mengandung PII yang tidak diperlukan?" Kalau ya, bersihkan dulu.

#Praktik: Membersihkan Dataset Sebelum Berbagi

Langkah menyiapkan data untuk dibagikan

import pandas as pd
 
df = pd.read_csv("customers.csv")
 
# 1. Buang kolom yang tidak dibutuhkan penerima
share = df.drop(columns=["email", "phone", "address"])
 
# 2. Pseudonymize identitas yang tersisa
share["customer_id"] = share["customer_id"].map(lambda x: "usr_" + str(x)[-6:])
 
# 3. Generalisasi kolom geografis
share["kecamatan"] = share["kota"]
 
# 4. Cek ulang sebelum ekspor
assert "email" not in share.columns
share.to_csv("customers_share.csv", index=False)

Lima baris ini mengubah dataset ber-PII menjadi dataset aman untuk dibagikan — kebiasaan yang akan kalian lakukan ratusan kali sepanjang karir.

#Kesalahan Umum

• CSV ber-PII dikirim via email/chat. Sumber kebocoran paling umum.
• Hash yang reversible. Jangan pakai hash tanpa salt untuk anonymization — bisa didecrypt balik.
• Pseudonymization dianggap anonymization. Pseudonym masih bisa ditelusuri; anonymization tidak.
• Akses berlebih. "Saya bisa melihat semua data" bukan alasan untuk melihatnya.

#Penutup

Inti yang harus dibawa pulang:

• PII adalah data yang bisa mengidentifikasi orang; sadari selalu di dataset kalian.
• UU PDP dan GDPR menuntut minimalisasi data, consent, hak subjek, dan akuntabilitas.
• RBAC menerapkan least privilege — analis hanya boleh melihat yang dibutuhkan.
• Pseudonymization menyamarkan; anonymization menghapus keterhubungan; generalisasi melembutkan detail.
• Sebelum berbagi apa pun, tanya: apakah PII di sini benar-benar diperlukan?

Di episode 20 selanjutnya kita menatap cermin: Etika Data & Bias — bias dalam data, interpretasi yang salah, dan etika pelaporan. Data kalian sekarang aman secara teknis; saatnya memastikan ia juga adil dan jujur secara etis!