KAL
Menu

Etika dan Privasi

Bias data, persetujuan, dan anonimisasi pada pekerjaan data yang bertanggung jawab.

Daftar isi

Etika pada pekerjaan data bukan lampiran, melainkan batas yang menentukan data apa yang boleh dipakai, untuk apa, dan dengan pernyataan keterbatasan apa. Topik ini memeriksa tiga wilayahnya secara berurutan, yaitu bias yang dibawa data sejak lahirnya, persetujuan dan minimisasi data sebelum dipakai, serta anonimisasi yang benar pada data yang memuat orang. Setelah membacanya, sebuah analisis dapat dinyatakan etis dengan alasan yang tertulis, bukan dengan asumsi diam-diam.

Bias yang dibawa data sejak lahir#

Setiap dataset adalah hasil proses pengumpulan, dan proses itu membawa bias yang bertahan sepanjang analisis. Data yang hanya mencakup pengguna yang terdaftar mewarisi bias pendaftaran, data keluhan mewarisi bias yang berani bersuara, dan sensor yang mati pada jam tertentu mewarisi lubang waktu yang tidak terdistribusi merata, sebagaimana diperlihatkan langsung oleh survivorship bias pada modul cara berpikir.

Bias juga masuk lewat keputusan desain yang terlihat netral. Ambang yang sama pada dua kelompok dengan kondisi berbeda menguntungkan salah satunya, dan model yang dilatih dari keputusan masa lalu belajar pula prasangkanya. Pemeriksaan yang disiplin menyebut populasi yang tercakup, periode pengumpulan, dan mekanisme yang membuat baris hadir atau hilang.

Laporan yang jujur memuat batas ini secara terbuka, dan bahasanya tidak memalu, misalnya “data mencakup pelanggan aktif saja, sehingga kelompok yang berhenti tidak terwakili”. Kejujuran semacam ini bukan kelemahan, melainkan syarat agar keputusan yang dibangun atasnya tidak menipu dirinya sendiri.

Persetujuan dan minimisasi data#

Pertanyaan pertama pada data yang memuat orang bukan bagaimana menganalisisnya, melainkan atas dasar apa data itu diperoleh. Persetujuan yang sah menyebut tujuan penggunaannya, dan data yang dikumpulkan untuk satu tujuan tidak otomatis bebas dipakai untuk tujuan lain, sehingga analisis baru memeriksa dasar hukum dan persetujuan aslinya lebih dahulu.

Minimisasi data menyatakan bahwa hanya kolom yang dibutuhkan pertanyaan yang diambil, dan kebiasaan menarik semua kolom “sekali untuk aman” justru menciptakan risiko baru. Pengenal yang tidak dibutuhkan, seperti alamat lengkap pada analisis agregat, dibuang sebelum data menyentuh notebook, sebab data yang tidak ada tidak dapat bocor.

Pemegang data juga punya hak atas jejaknya, termasuk permintaan penghapusannya, dan arsitektur yang memisahkan identitas dari pengukuran membuat permintaan itu dapat dipenuhi tanpa meruntuhkan dataset. Praktik yang menyertai adalah akses yang dicatat, yaitu siapa membuka data apa dan kapan, yang menjadi kebiasaan sejak proyek kecil.

Anonimisasi yang benar#

Anonimisasi mengganti pengenal langsung dengan pseudonim, dan bentuknya yang paling umum adalah sidik jari kriptografi atas nama yang disambung garam (salt) milik proyek. Skrip berikut memperlihatkan bentuk terkecilnya.

python pseudonim.py 
"""Pseudonimisasi deterministik: identitas diganti tanpa menyimpan pemetaannya."""
import hashlib

nama_asli = ["Ali Rahman", "Budi Santoso", "Citra Dewi"]
garam = "proyek-udara-2026"

for nama in nama_asli:
    sidik = hashlib.sha256((garam + nama).encode()).hexdigest()
    pseudonim = "U-" + sidik[:8]
    print(f"{nama:14} -> {pseudonim}")
text Keluaran 
Ali Rahman     -> U-653ff58b
Budi Santoso   -> U-407f4c8e
Citra Dewi     -> U-02f44c61

Hasilnya deterministik, sehingga baris orang yang sama tetap bergabung setelah diganti, dan garam yang tidak dicatat pada repository membuat tabel balik itu tidak dapat dibangun dari luar. Pemetaan yang asli disimpan terpisah dengan akses yang jauh lebih ketat daripada datanya.

Batasnya harus dipahami jujur, yaitu pseudonimisasi bukan anonimisasi penuh, karena kombinasi kolom yang khas dapat mengidentifikasi ulang seseorang, misalnya tanggal lahir, wilayah, dan pekerjaan yang bertemu pada satu baris. Perlindungan yang lebih kuat memerlukan generalisasi nilai atau pembuangan kombinasi yang terlalu khas, dan pada dataset publik, aturan praktisnya adalah bertanya apakah diri sendiri dapat dikenali dari baris miliknya.

Kesalahan umum#

Kesalahan pertama adalah menganggap data publik bebas dipakai untuk tujuan apa pun. Lisensi dan ketentuan asalnya menyertai setiap pemakaian, dan sebagian besar data terbuka melarang penggunaan yang mengidentifikasi individu.

Kesalahan kedua adalah pseudonim tanpa garam, yang membuat tabel baliknya dapat dibangun siapa pun yang menebak daftar namanya. Garam milik proyek yang disimpan terpisah adalah perbedaan antara perlindungan dan label yang menipu.

Kesalahan ketiga adalah laporan yang tidak menyebut batas biasnya. Kekuatan kesimpulan yang sebenarnya lebih rendah dari bahasanya adalah kebohongan dengan bentuk yang sopan, dan satu kalimat batas pada setiap laporan adalah kebiasaan paling murah.

Ringkasan#

  • Data membawa bias proses pengumpulannya, dan laporan menyebut populasi tercakup, periode, dan mekanisme hadir-hilangnya baris.
  • Persetujuan menyebut tujuan, dan minimisasi membatasi kolom yang diambil pada yang dibutuhkan pertanyaan.
  • Pseudonimisasi memakai sidik jari kriptografi bersama garam yang disimpan terpisah, dan ia bukan anonimisasi penuh.
  • Kombinasi kolom yang khas dapat mengidentifikasi ulang, sehingga generalisasi menyertai penggantian nama pada data publik.

Referensi#