Security vs Privacy and PII Handling

Back to IF4054 Pengoperasian Sistem Perangkat Lunak

Security vs Privacy and PII Handling

Questions/Cues

• Apa beda security dan privacy?
• Bagaimana metadata membantu menemukan PII?
• Apa kelebihan dan kekurangan masking, tokenization, encryption, dan deletion?
• Bagaimana Privacy by Design diterapkan pada event PayLend?
• Bagaimana masking dinamis dan audit akses bekerja?
• Bagaimana penyerang dapat melakukan re-identifikasi?

Reference Points

• IF4054 DataOps: Security, Quality & Privacy (Slides 22-30)

Security vs Privacy

• Security: melindungi data dari akses, perubahan, dan kehilangan tak sah (CIA triad).
• Privacy: hak dan ekspektasi orang yang datanya direkam: tujuan, persetujuan (consent), minimisasi, retensi.
• Security tanpa privacy mungkin: Anda bisa menyimpan dengan aman data yang tak berhak dikumpulkan.
• Privacy tanpa security tidak mungkin: janji yang tak dapat ditegakkan.
• PCI-DSS adalah standar keamanan industri, bukan hukum privasi; GDPR / UU PDP (Indonesia) adalah hukum privasi.

Metadata untuk Menemukan PII

Anda tidak dapat melindungi apa yang tidak dapat Anda identifikasi. Empat komponen: Business glossary (makna ssn, credit_card_num), Data catalog (lokasi field di semua sistem), Classification tags (PII, PCI, Confidential, Public), dan Policy engine (menerapkan kontrol otomatis berdasarkan tag).

Teknik Penanganan PII

Teknik	Deskripsi	Utilitas ML	Kepatuhan
Masking	Ganti dengan ***	Merusak utilitas	Baik untuk tampilan
Tokenization	Ganti dengan token deterministik tkn_abc	Mempertahankan integritas referensial	Baik untuk analitik
Encryption	Perlindungan kriptografis	Butuh dekripsi untuk ML	Terbaik untuk data at-rest
Deletion	Hapus sepenuhnya	Tanpa data tak ada model	Terbaik untuk minimisasi

Penting: data yang dipseudonimkan tetap data pribadi menurut GDPR dan (setahu penulis slide) UU PDP. Tokenisasi mengurangi eksposur, tidak menghapus kewajiban.

Privacy by Design di PayLend

Field	Mentah	Hasil di lake
ssn	123-45-6789	tkn_8f7a9b2c41de (token)
credit_card_num	PAN penuh	**** **** **** 1111
full_name, home_address	ada	dihapus
currency_code	USDD	ditolak ke karantina
transaction_type	hilang	ditolak ke karantina

Ringkas slide: privasi diperbaiki dengan menghapus; kualitas diperbaiki dengan menolak; tidak ada yang diperbaiki dengan berharap.

Masking Dinamis dan Audit Akses

Tabel yang sama menampilkan tampilan berbeda sesuai peminta: FRAUD_INVESTIGATOR melihat token penuh (tujuan terdokumentasi), sedangkan ML_ENGINEER dan ANALYST melihat tkn_******** (least privilege; ML cukup user_id untuk join). Diimplementasikan lewat masking policy (sintaks gaya Snowflake; PostgreSQL, BigQuery, Databricks punya padanan). Audit: catat siapa membaca kolom sensitif apa, kapan, dengan role apa, dan beri alert pada anomali.

Sudut Pandang Penyerang

• Quasi-identifier: timestamp + transaction_amount + card_last4, digabung dengan catatan merchant.
• Linkage: token yang stabil memungkinkan penyerang mengikuti riwayat satu orang lintas dataset.
• Token lemah: hash SSN tanpa salt dapat di-brute-force dalam menit.
• Bukti yang bocor: laporan validasi gagal yang mencetak nilai mentah.

Data poisoning adalah masalah kualitas dan keamanan; gerbang validasi juga merupakan kontrol keamanan.

Summary

Security (CIA) melindungi data, sedangkan privacy menyangkut hak subjek data (tujuan, consent, minimisasi, retensi); privacy tak mungkin tanpa security, tetapi sebaliknya mungkin. Metadata (glossary, catalog, tag, policy engine) memungkinkan penemuan PII. Teknik masking, tokenization, encryption, deletion punya trade-off utilitas ML vs kepatuhan; tokenisasi adalah titik tengah yang menjaga utilitas, namun data terpseudonim tetap data pribadi. Masking dinamis berbasis role dan audit akses menegakkan least privilege, dan penyerang dapat melakukan re-identifikasi lewat quasi-identifier, linkage, dan token lemah.

Additional Information

Token Berkunci dan Privasi Diferensial

Gunakan HMAC dengan kunci dari KMS (bukan hash polos) untuk tokenisasi deterministik. Untuk analitik agregat, differential privacy dan k-anonymity memberi jaminan formal terhadap re-identifikasi.

Proyek Eksplorasi Mandiri

1. Ambil dataset dengan quasi-identifier (usia, kode pos, tanggal) dan ukur k-anonymity-nya; bandingkan sebelum dan sesudah generalisasi.

Bacaan Lanjutan

• UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi.
• NIST SP 800-188 — De-Identifying Government Datasets.