Belajar Data Scientist - Privacy & Data Governance

#Pendahuluan

Setelah di episode 18 kita menangani bias, pada episode ini kita membahas pagarnya: privacy & data governance. Data scientist bekerja dengan data pribadi — nama, telepon, riwayat transaksi, lokasi — dan setiap pemrosesannya membawa tanggung jawab hukum serta etis.

Mengapa privacy penting untuk peran teknis, bukan hanya tim legal? Karena keputusan kepatuhan terjadi di lapisan teknis: kolom apa yang disimpan, berapa lama, siapa yang bisa akses, bagaimana data anonim. Data scientist yang memahami governance mencegah pelanggaran yang bisa berujung denda besar dan kehilangan kepercayaan — dan di 2026, regulator AI & data semakin aktif memeriksa pemrosesan data di balik model.

#Data Minimization

Prinsip pertama governance: jangan kumpulkan data yang tidak dibutuhkan.

Prinsip	Arti Praktis
Data minimization	Kumpulkan hanya data yang diperlukan untuk tujuan
Purpose limitation	Data dipakai hanya untuk tujuan yang disepakati
Storage limitation	Data dihapus setelah tujuan selesai
Accuracy	Data dijaga benar & diperbarui
Security	Data dilindungi dari akses tidak sah

Tanya pada diri sendiri setiap kali menambah kolom: "untuk tujuan apa kolom ini benar-benar dibutuhkan?" Jika jawabannya "mungkin berguna nanti" — itu alasan yang buruk.

GDPR (Uni Eropa) adalah standar emas regulasi data, dan menjadi acuan banyak regulasi lokal. Poin yang paling relevan bagi data scientist:

Konsep	Arti
Consent	Pemrosesan data butuh dasar hukum (izin, kontrak, kepentingan sah)
Right to access & erasure	Subjek data bisa meminta salinan atau penghapusan datanya
Data protection by design	Privasi dipertimbangkan sejak desain, bukan setelahnya
Data breach notification	Pelanggaran data wajib dilaporkan dalam 72 jam
Impact assessment	Analisis dampak privasi untuk pemrosesan berisiko tinggi

Di Indonesia, regulasi sejenis berlaku lewat UU Pelindungan Data Pribadi (UU PDP) — prinsipnya sejajar dengan GDPR. Konsepnya universal: transparansi, hak subjek data, dan akuntabilitas.

Warning

Menghapus nama dari tabel bukan berarti data anonim. Kombinasi kolom lain (tanggal lahir, kode pos, gender) bisa mengidentifikasi seseorang — yang disebut re-identification. Untuk data yang benar-benar anonim, pastikan tekniknya diuji (episode di bawah) dan konsultasikan dengan tim legal.

#Anonimisasi vs Pseudonymization

Dua teknik paling umum, dan perbedaannya penting:

Teknik	Definisi	Dapat Dikembalikan?
Pseudonymization	Ganti identitas langsung dengan kode (ID)	Ya — dengan pemetaan terpisah
Anonimisasi	Data tidak lagi bisa dikaitkan ke individu	Tidak — permanen

text

Pseudonymization: nama → cust_001 (pemetaan disimpan terpisah, diamankan)
Anonymization   : nama & semua identitas dihapus permanen, tidak ada pemetaan

Aturan praktis: gunakan pseudonymization saat masih butuh menghubungkan record antar tabel (misal analisis customer); gunakan anonimisasi untuk data publik atau analisis yang tidak perlu identitas. Untuk data sensitif di luar itu, teknik lebih kuat seperti differential privacy menambah noise sehingga statistik tetap berguna tetapi individu tidak teridentifikasi.

#Praktik Ringkas

Pseudonymization dengan hash

import hashlib
import pandas as pd
 
df = pd.DataFrame({"name": ["Budi", "Siti", "Agus"],
                   "phone": ["0811...", "0812...", "0813..."]})
 
df["customer_id"] = df["name"].map(
    lambda x: hashlib.sha256(x.encode()).hexdigest()[:12]
)
# Hapus identitas langsung untuk dataset analisis
df_analytics = df.drop(columns=["name", "phone"])
print(df_analytics)

Perhatikan: customer_id tetap konsisten antar baris (bisa untuk join), tetapi identitas asli dipisah dan diamankan di tempat lain. Untuk anonimisasi sejati, hash pun tidak cukup — gabungkan dengan penghapusan kolom yang memungkinkan re-identification.

#Akses & Kepatuhan di Praktik

Governance data di organisasi melibatkan peran dan kontrol:

Lapisan	Kontrol
Teknis	Enkripsi at rest/in-transit, masking data, audit log akses
Akses	Role-based access control (RBAC): analyst hanya melihat yang diperlukan
Proses	Approval untuk data sensitif, review berkala, pencatatan pemrosesan
Legal	Kontrak pemroses data, SOP pelanggaran data, DPIA

Sebagai data scientist, kalian paling sering bersentuhan dengan dua kontrol pertama: memastikan notebook dan dashboard tidak menampilkan data pribadi mentah, dan menggunakan hanya dataset yang sudah disetujui.

#Praktik: Governance Checklist

Sebelum proyek data science melibatkan data pribadi, jalankan checklist ini:

text

CHECKLIST GOVERNANCE — Proyek: [nama]
───────────────────────────────────────────────
[ ] Tujuan pemrosesan didefinisikan & disetujui
[ ] Data minimization: semua kolom punya alasan
[ ] Data sensitif diidentifikasi (pribadi, kesehatan, finansial)
[ ] Pseudonymization/anonimisasi diterapkan
[ ] Enkripsi aktif (at rest & in transit)
[ ] RBAC: akses hanya untuk yang berhak
[ ] Retensi: jadwal penghapusan data ditetapkan
[ ] Pihak ketiga (vendor) sudah punya DPA
[ ] DPIA dilakukan untuk risiko tinggi
[ ] Log akses & audit trail aktif

Centang semua sebelum memulai analisis, dan perbarui setiap kali cakupan data berubah. Checklist ini juga jadi bukti kepatuhan saat ditanya regulator atau auditor — bahan yang akan kalian pakai di episode 20.

#Kesalahan Umum

Pitfall	Dampak	Solusi
Menganggap nama dihapus = aman	Re-identification	Kombinasi kolom tetap bisa mengidentifikasi
Menyimpan data lebih lama dari perlu	Risiko breach naik	Storage limitation + jadwal hapus
Data sensitif di notebook/cloud publik	Breach langsung	Enkripsi, jangan commit data asli
Tidak tahu tujuan pemrosesan	Penyalahgunaan data	Purpose limitation di awal
Mengabaikan DPIA untuk proyek besar	Regulasi menjegal	Libatkan legal sejak desain

#Penutup

Inti yang harus dibawa pulang:

Data minimization: kumpulkan & simpan hanya yang diperlukan, hapus setelah selesai.
GDPR & UU PDP memberikan hak subjek data dan kewajiban teknis-legal pada pemroses.
Pseudonymization (bisa dikembalikan) vs anonimisasi (permanen) — pilih sesuai kebutuhan.
Kontrol teknis: enkripsi, RBAC, masking, audit log — lapisan paling sering dipegang data scientist.
Jalankan governance checklist sebelum proyek menyentuh data pribadi.

Di episode 20 selanjutnya kita akan membahas model governance & documentation — model cards, explainability dengan SHAP, dan audit — untuk menjadikan model kalian transparan dan bisa dipertanggungjawabkan. Sampai jumpa di episode 20!