Arah · Keamanan dan AI
Alat AI terasa seperti percakapan pribadi, padahal setiap kalimat yang Anda ketik berpindah ke server pihak lain. Panduan ini menunjukkan data apa yang sebaiknya tidak pernah Anda kirim, apa yang boleh dengan syarat, dan cara menyamarkannya sebelum menekan Enter.
Pengantar
Rina bekerja di bagian sumber daya manusia sebuah perusahaan distribusi dengan 40 karyawan. Menjelang akhir tahun ia harus menyusun ringkasan penilaian kinerja dan usulan kenaikan gaji. Spreadsheet-nya berisi nama, NIK, tanggal lahir, gaji, nilai kinerja, dan catatan disiplin. Pukul sembilan malam, dalam keadaan lelah, ia menyalin seluruh tabel ke asisten AI dan menulis, “Ringkas dan beri saya usulan.” Dua menit kemudian jawaban yang rapi muncul. Rina merasa efisien. Ia tidak sempat memikirkan bahwa 40 orang yang datanya baru ia kirim tidak tahu apa-apa tentang hal itu.
Rina adalah tokoh rekaan, tetapi kebiasaannya nyata. Pada 2023 beberapa insinyur Samsung dilaporkan memasukkan kode sumber rahasia ke ChatGPT untuk membantu memperbaiki basis data, dan karyawan lain menyalin rekaman rapat utuh agar dibuatkan notulen. Pada 1 Mei 2023 perusahaan itu melarang penggunaan alat AI generatif untuk pekerjaan. Pada Agustus 2025, sejumlah percakapan ChatGPT yang dibagikan lewat tautan ditemukan muncul di hasil pencarian Google. Isinya antara lain nama lengkap, alamat email, CV, dan curahan hati. Penyedia layanan kemudian menghapus fitur yang membuat percakapan bisa ditemukan.
Masalah ini dihadapi banyak orang. Karyawan yang mempercepat pekerjaan, pekerja lepas yang menyunting dokumen klien, pemilik usaha kecil yang meminta saran soal laporan keuangan, pengembang yang menempelkan kode untuk dicari kesalahannya, mahasiswa yang mengunggah data penelitian responden, dan orang tua yang bertanya tentang hasil laboratorium anaknya. Semuanya mengetik di kotak yang sama, dengan perasaan yang sama bahwa ini hanya percakapan sebentar.
Keputusan ini penting karena tiga alasan. Pertama, data yang sudah terkirim tidak bisa ditarik kembali dengan pasti. Kedua, sebagian data bukan milik Anda, sehingga kerugiannya jatuh pada orang yang tidak ikut memutuskan. Ketiga, Indonesia memiliki Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) yang memuat kewajiban bagi pihak yang memproses data pribadi, termasuk ancaman pidana atas pengungkapan dan penggunaan data pribadi secara melawan hukum.
Artikel ini menyusun cara berpikir yang bisa dipakai setiap kali Anda hendak mengirim sesuatu ke alat AI. Anda akan mempelajari istilah yang sering tertukar, kerangka tiga zona untuk menggolongkan data, cara memilih jalur yang sesuai, dan cara menyamarkan data tanpa merusak tujuan Anda. Di bagian akhir tersedia pemindai data sensitif yang berjalan di peramban, pemeriksa keputusan, dan lembar kerja. Setelah membaca, Anda diharapkan mampu menentukan sebelum menekan Enter apakah sebuah data boleh dikirim, ke jalur mana, dan dalam bentuk apa.
Artikel ini memberikan informasi umum dan tidak menggantikan nasihat hukum atau keamanan siber dari profesional yang mengetahui kondisi Anda. Kebijakan penyedia layanan AI berubah dari waktu ke waktu, jadi periksa pengaturan dan ketentuan akun Anda sendiri. Semua angka dan contoh data dalam artikel ini adalah ilustrasi dan data palsu.
Ringkasan jawaban
Tidak ada satu daftar larangan yang cocok untuk semua orang, karena jawabannya bergantung pada jenis data, jalur yang Anda pakai, dan aturan yang mengikat Anda. Yang bisa dipegang adalah satu aturan dasar: jangan kirim data yang akan merugikan Anda atau orang lain jika dibaca staf penyedia, tersimpan lama, bocor, atau muncul di tempat yang salah.
Aturan itu dijalankan lewat lima langkah yang berurutan.
- Golongkan datanya. Beri warna merah, kuning, atau hijau pada setiap jenis data yang ingin Anda kirim.
- Pilih jalurnya. Akun pribadi, akun bisnis berkontrak, akses API, atau model lokal memberi perlindungan yang berbeda.
- Kurangi dan samarkan. Kirim hanya bagian yang dibutuhkan, dan ganti identitas dengan kode.
- Atur akunnya. Periksa pelatihan model, riwayat, memori, tautan berbagi, dan konektor ke aplikasi lain.
- Siapkan rencana jika terlanjur. Tentukan lebih dulu apa yang dicabut, siapa yang diberi tahu, dan apa yang dicatat.
Tiga jenis data tidak pantas dikirim apa adanya ke akun pribadi pada layanan AI publik: kredensial seperti kata sandi dan kunci API, data pribadi spesifik yang masih bisa dikaitkan dengan seseorang, dan rahasia yang terikat kewajiban hukum atau perjanjian kerahasiaan. Di luar itu, banyak pekerjaan tetap bisa dibantu AI dengan aman jika datanya disamarkan lebih dulu.
Hasil metode ini adalah keputusan yang lebih terukur, bukan jaminan. Pemindai dan lembar kerja membantu mengurangi kelalaian, tetapi tidak bisa membaca konteks dan tidak bisa menjamin bahwa data Anda aman di sisi penyedia.
Definisi dan konsep dasar
Beberapa istilah di bawah ini sering dipakai bergantian padahal artinya berbeda. Perbedaannya menentukan jalur yang boleh Anda pakai.
Data pribadi: umum dan spesifik
UU PDP membagi data pribadi ke dalam dua kelompok pada Pasal 4. Pembagian ini berguna sebagai titik awal, karena data spesifik menuntut kehati-hatian yang lebih tinggi.
| Kelompok | Yang termasuk | Contoh dalam pekerjaan sehari-hari |
|---|---|---|
| Data pribadi spesifik | Data kesehatan, biometrik, genetika, catatan kejahatan, data anak, data keuangan pribadi, dan data lain sesuai peraturan perundang-undangan | Hasil laboratorium, sidik jari atau foto wajah untuk verifikasi, data siswa, slip gaji, mutasi rekening, catatan disiplin yang bersifat hukum |
| Data pribadi umum | Nama lengkap, jenis kelamin, kewarganegaraan, agama, status perkawinan, dan data pribadi yang dikombinasikan untuk mengidentifikasi seseorang | Daftar nama pelanggan, email dan nomor telepon, kombinasi jabatan, divisi, dan usia yang menunjuk satu orang |
Kalimat terakhir pada kelompok data umum perlu dibaca dua kali. Data yang tampak tidak berbahaya, seperti jabatan, divisi, dan usia, dapat menjadi data pribadi ketika kombinasinya hanya cocok dengan satu orang. Menghapus nama saja belum tentu membuat data anonim.
Kredensial dan rahasia bisnis
Kredensial adalah apa pun yang membuktikan bahwa Anda berhak mengakses sesuatu: kata sandi, PIN, kode OTP, kunci API, token akses, kunci privat, string koneksi basis data, dan frasa pemulihan dompet kripto. Kredensial tidak memiliki “tingkat sensitivitas” yang bisa ditawar. Begitu terkirim, anggap kredensial itu sudah terpapar dan perlu diganti.
Rahasia bisnis adalah informasi yang bernilai karena tidak diketahui pesaing, misalnya kode sumber milik perusahaan, formula produk, daftar pelanggan, harga khusus, rencana produk, laporan keuangan yang belum dirilis, dan dokumen yang berada di bawah perjanjian kerahasiaan (NDA). Rahasia bisnis tidak otomatis termasuk data pribadi, tetapi bisa terikat kewajiban kontrak yang sama beratnya.
Subjek data dan pengendali data
Dalam UU PDP, subjek data adalah orang yang datanya diproses. Pengendali data adalah pihak yang menentukan tujuan dan cara pemrosesan. Rina bukan pemilik data 40 karyawan itu. Perusahaanlah yang mengendalikannya, dan para karyawan adalah subjeknya. Ketika Rina mengirim tabel ke layanan AI, ia bertindak atas nama perusahaan. Apakah penyedia layanan AI berperan sebagai pemroses atau pihak lain bergantung pada kontrak dan ketentuan layanan yang dipakai, sehingga soal ini perlu dinilai oleh bagian hukum atau pelindungan data di organisasi Anda.
Disimpan, dibaca, dilatih, dibagikan
Istilah “privasi” sering dipakai untuk lima hal yang berbeda. Memisahkannya membuat Anda tahu pengaturan mana yang benar-benar menjawab kekhawatiran Anda.
| Tahap | Artinya | Yang perlu Anda periksa |
|---|---|---|
| Dikirim | Teks, berkas, atau gambar berpindah ke server penyedia | Negara dan perusahaan di balik layanan, ketentuan layanan |
| Disimpan (retensi) | Percakapan disimpan untuk jangka waktu tertentu, termasuk setelah Anda menghapusnya dari tampilan | Lama penyimpanan dan apa yang terjadi saat Anda menghapus |
| Dibaca | Staf penyedia, kontraktor, atau mitra dapat mengakses isi untuk keamanan, penyalahgunaan, atau pengembangan layanan | Siapa yang berwenang membaca dan dalam keadaan apa |
| Dilatih | Isi percakapan dipakai untuk meningkatkan model di masa depan | Apakah pelatihan aktif secara bawaan dan apakah Anda bisa mematikannya |
| Dibagikan | Tautan, ruang kerja tim, atau konektor membuat isi terlihat oleh orang atau sistem lain | Daftar tautan berbagi, anggota tim, dan aplikasi yang tersambung |
Mematikan pelatihan model hanya menjawab satu dari lima tahap itu. Data tetap terkirim, tetap bisa disimpan, dan tetap bisa dibaca dalam kondisi tertentu. Karena itu “saya sudah mematikan pelatihan” tidak otomatis berarti data Anda aman untuk dikirim.
Akun pribadi, akun bisnis, API, dan model lokal
Jalur yang Anda pakai ikut menentukan perlindungan data. Ketentuan berikut dikutip dari halaman bantuan dan pengumuman resmi dua penyedia pada saat artikel ini ditulis, dan bisa berubah.
- Akun pribadi (konsumen). OpenAI menyatakan bahwa untuk layanan individu seperti ChatGPT, konten dapat dipakai untuk melatih model kecuali pengguna memilih opt out. Anthropic memperbarui ketentuan konsumennya pada 2025 sehingga pengguna paket Free, Pro, dan Max memilih apakah percakapan boleh dipakai untuk pelatihan. Jika diizinkan, data disimpan hingga lima tahun, dan jika tidak diizinkan, masa simpan yang berlaku adalah 30 hari.
- Akun bisnis dan API. OpenAI menyatakan ChatGPT Team, ChatGPT Enterprise, dan API Platform tidak dipakai untuk melatih model. Anthropic menyatakan ketentuan konsumen yang diperbarui tidak berlaku untuk paket Team dan Enterprise, layanan untuk pemerintah dan pendidikan, serta penggunaan API.
- Model lokal. Model yang berjalan di perangkat atau server milik sendiri tidak mengirim data ke pihak ketiga, tetapi keamanannya kembali menjadi tanggung jawab Anda, termasuk perangkat, plugin, dan siapa yang bisa mengakses mesin itu.
Pseudonimisasi, anonimisasi, dan penyamaran
Pseudonimisasi mengganti identitas dengan kode, misalnya “K07” untuk satu karyawan, sementara tabel pemetaannya Anda simpan terpisah. Data masih bisa dikaitkan kembali ke orangnya jika pemetaan jatuh ke tangan yang salah. Anonimisasi menghilangkan kemungkinan mengaitkan data ke individu secara layak, dan standarnya jauh lebih tinggi. Dalam praktik sehari-hari, yang realistis adalah penyamaran: menghapus pengenal langsung, menggeneralisasi nilai (usia menjadi rentang, gaji menjadi pita), dan memastikan kombinasi atribut tidak menunjuk satu orang.
Risiko yang menyertai penyamaran adalah re-identifikasi, yaitu orang bisa dikenali kembali dari kombinasi atribut yang tersisa. Aturan praktis yang sering dipakai adalah memastikan setiap kombinasi atribut dimiliki minimal lima orang. Aturan ini heuristik, bukan standar hukum, tetapi membantu Anda menangkap kasus seperti satu-satunya manajer di divisi tertentu.
Data yang tersembunyi di dalam berkas
Berkas membawa lebih banyak daripada yang tampak di layar. Dokumen kantor menyimpan nama penulis, nama perusahaan, riwayat revisi, komentar, dan teks yang dicoret atau disembunyikan. Spreadsheet bisa memuat lembar tersembunyi, kolom yang disembunyikan, dan rumus yang merujuk ke berkas lain. Foto menyimpan metadata seperti waktu pengambilan dan, pada banyak perangkat, koordinat lokasi. Tangkapan layar sering memuat notifikasi, nama tab, dan data lain di tepi gambar. Saat Anda mengunggah berkas utuh ke alat AI, semua itu ikut terkirim.
Karena itu mengunggah berkas lebih berisiko daripada menyalin bagian teks yang Anda pilih sendiri. Jika memang harus mengunggah, buat salinan bersih lebih dulu. Terima atau tolak seluruh perubahan, hapus komentar, hapus lembar dan kolom tersembunyi, lalu periksa properti dokumen. Untuk gambar, hapus metadata lokasi atau potong bagian yang tidak perlu.
Salah kaprah yang sering terjadi
| Anggapan | Yang lebih tepat |
|---|---|
| “Saya hapus chat-nya, jadi sudah hilang.” | Menghapus percakapan dari riwayat tidak menghapus tautan berbagi yang pernah dibuat. Penyedia juga bisa menyimpan data untuk jangka waktu tertentu sesuai ketentuannya. |
| “Pelatihan sudah saya matikan, jadi aman.” | Pelatihan hanyalah satu tahap. Penyimpanan, akses staf, dan risiko peretasan tetap ada. Data yang sudah masuk ke pelatihan sebelumnya tidak ikut terhapus saat Anda mengubah pengaturan. |
| “Risiko terbesarnya, AI membocorkan data saya ke pengguna lain.” | Pusat keamanan siber Inggris (NCSC) menyatakan bahwa model tidak otomatis menambahkan kueri Anda untuk dibagikan ke pengguna lain. Risiko yang lebih nyata adalah kueri tersimpan, terbaca penyedia atau mitranya, diretas, atau tanpa sengaja menjadi publik. |
| “Nama sudah saya hapus, jadi anonim.” | Kombinasi jabatan, divisi, usia, dan tanggal bisa menunjuk satu orang. Pengenal tidak langsung perlu ikut diperiksa. |
| “Model lokal pasti aman.” | Data tidak keluar dari mesin Anda, tetapi perangkat, plugin, dan akses ke mesin itu tetap bisa menjadi celah. |
Kerangka analisis
Kerangka ini disebut metode tiga zona. Tujuannya membuat keputusan kirim atau tidak kirim cukup cepat untuk dipakai setiap hari, tetapi cukup tertata agar tidak bergantung pada perasaan saat sedang terburu-buru. Setiap langkah menyebut data yang perlu Anda siapkan.
- Tugas dan kebutuhanApa yang diminta dari AI
- Inventaris dataJenis dan pemiliknya
- ZonaMerah, kuning, hijau
- JalurAkun, kontrak, lokal
- PenyamaranKurangi dan ganti
- Pengaturan dan catatanAkun, log, rencana
Langkah 1. Tulis tugasnya dan data minimum yang dibutuhkan
Mulailah dari pertanyaan: apa yang sebenarnya saya minta dari AI, dan data apa yang perlu ia lihat untuk mengerjakannya? Sering kali tugasnya bersifat umum, seperti merapikan bahasa, merangkum struktur, atau menyarankan format, dan data pribadi di dalamnya hanya ikut tersalin karena memang ada di dokumen. Tulis tugas dalam satu kalimat. Lalu tandai bagian dokumen yang benar-benar dibutuhkan. Prinsip meminimalkan data ini adalah langkah paling murah dan paling efektif, sebab data yang tidak dikirim tidak bisa bocor.
Langkah 2. Buat inventaris data
Daftar jenis data yang ada di dalam bahan yang akan dikirim, dan siapa pemiliknya. Pertanyaan pemandu: apakah ada nama, nomor identitas, kontak, keuangan, kesehatan, anak, rahasia dagang, kode, atau kredensial? Apakah ini data saya sendiri atau milik orang lain? Apakah ada penanda kerahasiaan, seperti “confidential” atau “internal only”, atau ketentuan dalam kontrak? Data milik orang lain membuat taruhannya naik, karena yang menanggung akibatnya bukan Anda.
Langkah 3. Beri zona merah, kuning, atau hijau
| Zona | Ciri | Contoh | Perlakuan |
|---|---|---|---|
| Merah | Kerugian besar atau sulit dipulihkan jika terpapar | Kata sandi, PIN, OTP, kunci API, frasa pemulihan kripto; nomor kartu dan CVV; NIK, paspor, NPWP; rekam medis dengan identitas; data anak; dokumen NDA dan kode sumber milik perusahaan; data pelanggan atau karyawan yang masih beridentitas | Jangan kirim apa adanya ke akun pribadi. Kredensial tidak pernah dikirim. Selain itu hanya setelah disamarkan, atau lewat jalur berkontrak dan terizin. |
| Kuning | Kerugian terbatas, tetapi bisa menjadi besar jika digabung dengan data lain | Nama dan email kerja, nomor telepon, jabatan dan divisi, draf email dengan nama klien, ringkasan rapat internal, data penjualan agregat | Samarkan atau kirim seperlunya. Pastikan jalur dan pengaturan akun sudah diperiksa. |
| Hijau | Sudah publik atau tidak menunjuk siapa pun dan tidak bernilai rahasia | Pertanyaan umum, teks yang sudah dipublikasikan, ide kasar tanpa nama, contoh data palsu | Boleh dikirim ke jalur apa pun yang diizinkan aturan Anda. |
Jika dalam satu bahan ada beberapa zona, perlakuan mengikuti zona tertinggi. Satu NIK di tengah tabel membuat seluruh tabel menjadi merah.
Langkah 4. Pilih jalur
Setelah zona jelas, cocokkan dengan jalur. Matriks berikut adalah panduan umum, bukan hukum. Aturan kantor, kontrak, dan peraturan sektor Anda bisa lebih ketat.
| Jenis data | Akun pribadi, pengaturan bawaan | Akun pribadi, pelatihan dimatikan | Akun bisnis atau API berkontrak | Model lokal |
|---|---|---|---|---|
| Kredensial | Jangan | Jangan | Jangan | Jangan |
| Data pribadi spesifik atau rahasia bisnis beridentitas | Jangan | Samarkan dulu | Hati-hati, izin tertulis | Hati-hati |
| Data pribadi umum | Samarkan dulu | Seperlunya | Boleh sesuai aturan | Boleh |
| Materi internal tanpa identitas | Hati-hati | Boleh | Boleh | Boleh |
| Informasi publik atau umum | Boleh | Boleh | Boleh | Boleh |
Kredensial berstatus “jangan” di semua jalur karena tidak ada alasan yang kuat bagi AI untuk memegangnya. Kalau tugasnya memperbaiki kode yang memakai kunci, ganti kunci dengan penanda seperti API_KEY_DISINI, lalu isi nilai aslinya sendiri di tempat yang aman.
Langkah 5. Kurangi dan samarkan
Penyamaran dikerjakan dengan lima teknik, dari yang paling sederhana.
- Hapus. Buang kolom atau paragraf yang tidak dibutuhkan untuk tugas.
- Ganti dengan kode. Nama menjadi K01 sampai K40, perusahaan klien menjadi “Klien A”. Simpan tabel pemetaan di tempat terpisah.
- Generalisasi. Tanggal lahir menjadi rentang usia, gaji menjadi pita, alamat menjadi kota atau kecamatan.
- Gabungkan kelompok kecil. Kelompok yang beranggotakan kurang dari lima orang dilebur dengan kelompok lain agar tidak menunjuk satu individu.
- Ganti dengan data palsu. Jika AI hanya perlu bentuk datanya, misalnya untuk menulis rumus atau kode, kirim contoh buatan dengan struktur yang sama.
Setelah menyamarkan, baca ulang seluruh teks sebelum mengirim. Pemindai otomatis menangkap pola seperti NIK atau kunci API, tetapi nama orang, alamat, dan konteks yang menunjuk seseorang harus Anda periksa sendiri.
Langkah 6. Atur akun dan kebiasaan
Periksa pengaturan yang memengaruhi lima tahap perjalanan data: pelatihan model (matikan jika tersedia dan sesuai kebutuhan), riwayat dan memori, tautan berbagi (hapus yang tidak dipakai), konektor ke email, penyimpanan awan, dan kalender (batasi akses), keamanan akun (kata sandi unik dan autentikasi dua langkah), serta pemisahan akun kerja dan akun pribadi. Jangan memakai akun pribadi untuk bahan kerja kecuali aturan kantor mengizinkan.
Langkah 7. Catat dan siapkan rencana jika terlanjur
Catat singkat jalur dan alasan untuk keputusan yang menyangkut data orang lain, supaya Anda bisa menjelaskannya jika ditanya. Siapkan juga rencana jika sesuatu terlanjur terkirim. Rencana ini dibahas pada bagian contoh dan FAQ. Jika organisasi Anda adalah pengendali data dan terjadi kegagalan pelindungan data pribadi, Pasal 46 UU PDP mewajibkan pemberitahuan tertulis kepada subjek data dan lembaga paling lambat 3 x 24 jam. Isinya minimal memuat data yang terungkap, waktu dan cara terungkapnya, serta upaya penanganan dan pemulihan. Hal itu sebaiknya dikoordinasikan dengan bagian hukum atau pelindungan data, bukan diputuskan sendirian.
Uji lima detik sebelum menekan Enter
Pada hari yang sibuk, lima pertanyaan berikut cukup untuk menangkap sebagian besar kesalahan.
- Adakah sesuatu di sini yang bisa dipakai orang lain untuk masuk ke akun atau sistem saya?
- Adakah nama, nomor, atau kombinasi atribut yang menunjuk seseorang yang tidak tahu datanya saya kirim?
- Apakah isinya terikat NDA, kontrak, atau penanda rahasia?
- Apakah akan menjadi masalah jika halaman ini dibaca staf penyedia atau muncul di hasil pencarian?
- Apakah AI benar-benar perlu melihat bagian ini untuk mengerjakan tugasnya?
Jika salah satu dari empat pertanyaan pertama dijawab ya, atau pertanyaan kelima dijawab tidak, berhenti dan samarkan dulu.
Rumus di atas bukan hitungan angka. Ini cara membaca: zona memberi titik awal, jalur bisa menurunkan atau menaikkan kehati-hatian, izin atau larangan dari pihak berwenang mengesampingkan semuanya, dan penyamaran bisa menurunkan zona sebelum Anda mengirim.
Contoh dan simulasi
Semua nama, angka, dan data pada bagian ini adalah ilustrasi dan data palsu. Nomor yang tampak seperti NIK atau kartu hanyalah contoh untuk menunjukkan cara kerja.
Studi kasus: Rina dan tabel 40 karyawan
Kita kembali ke Rina. Tabelnya berisi 40 karyawan dan enam kolom, sehingga ada 240 sel data. Tugasnya adalah merangkum pola penilaian kinerja per divisi dan menyusun usulan kenaikan gaji yang adil. Perhatikan bahwa untuk tugas itu AI tidak perlu tahu siapa nama atau NIK siapa.
| Kolom | Sel | Jenis data | Zona awal | Dibutuhkan untuk tugas? | Perlakuan |
|---|---|---|---|---|---|
| Nama | 40 | Pengenal langsung | Merah | Tidak | Ganti kode K01 sampai K40 |
| NIK | 40 | Nomor identitas | Merah | Tidak | Hapus |
| Tanggal lahir | 40 | Pengenal tidak langsung | Kuning | Sebagian (usia) | Ubah menjadi rentang usia |
| Gaji | 40 | Keuangan pribadi | Merah | Ya, secara relatif | Ubah menjadi pita A sampai D |
| Nilai kinerja | 40 | Penilaian pekerjaan | Kuning | Ya | Pertahankan setelah pengenal dibuang |
| Catatan disiplin | 40 | Catatan sensitif | Merah | Tidak | Hapus, atau ringkas jadi kode kategori |
| Total | 240 | ||||
Sebelum disamarkan, 160 dari 240 sel (kolom nama, NIK, tanggal lahir, dan gaji) berupa pengenal atau data keuangan pribadi. Setelah disamarkan, pengenal langsung nol, tetapi masih ada kombinasi atribut yang perlu diperiksa. Rina menghitung ukuran kelompok per divisi.
| Divisi | Jumlah orang | Aman dari re-identifikasi? (minimal 5) |
|---|---|---|
| Gudang | 12 | Ya |
| Penjualan | 10 | Ya |
| Keuangan | 8 | Ya |
| Logistik | 7 | Ya |
| Manajemen | 3 | Tidak, digabung |
| Jumlah | 40 |
Divisi manajemen hanya beranggotakan tiga orang. Jika tetap dipisah dan dilengkapi pita gaji D, siapa pun di perusahaan itu bisa menebak orangnya. Rina menggabungkan manajemen dengan keuangan menjadi satu kelompok beranggotakan 11 orang. Tabel pemetaan kode ke nama ia simpan di berkas terpisah di komputernya, tidak ikut dikirim.
Prompt yang akhirnya ia kirim berbunyi kira-kira seperti ini.
Hasilnya tetap berguna karena tugasnya memang soal pola dan aturan. Rina memeriksa keluaran itu secara manual terhadap data asli sebelum memakainya, sebab AI bisa keliru, dan ia tetap yang bertanggung jawab atas keputusan akhir.
Ada satu hal yang perlu dicatat. Apakah mengirim data karyawan ke layanan AI, bahkan dalam bentuk yang disamarkan, memerlukan dasar pemrosesan tertentu menurut Pasal 20 UU PDP bergantung pada fakta dan kebijakan perusahaan. Karena itu Rina tetap melaporkannya kepada atasan dan bagian hukum, dan mencatat jalur yang ia pakai.
Simulasi kedua: hasil laboratorium keluarga
Seorang pembaca ingin memahami istilah pada hasil laboratorium ayahnya. Data kesehatan termasuk data pribadi spesifik dan identitas ayahnya tidak perlu diketahui AI. Perbedaan sebelum dan sesudah penyamaran ditunjukkan di bawah.
| Sebelum (jangan kirim) | Sesudah (boleh dikirim ke jalur yang wajar) |
|---|---|
| Nama: Hadi Santoso (contoh). Tanggal lahir 14-03-1958. NIK 3201011403580001. Rumah sakit dan nomor rekam medis tercantum. HbA1c 6,8%, glukosa puasa 132 mg/dL, LDL 160 mg/dL. | Laki-laki usia 60-an. HbA1c 6,8%, glukosa puasa 132 mg/dL, LDL 160 mg/dL. Tolong jelaskan arti istilah dan pertanyaan yang perlu saya ajukan ke dokter. |
Nilai laboratorium tetap dipertahankan karena itulah yang perlu dijelaskan. Yang dibuang adalah semua hal yang menghubungkan angka itu dengan satu orang. AI bukan pengganti dokter, dan hasilnya sebaiknya dibawa ke tenaga kesehatan.
Simulasi ketiga: kunci API yang terlanjur terkirim
Seorang pengembang menempelkan berkas konfigurasi ke chatbot untuk mencari kesalahan, lalu sadar bahwa berkas itu berisi kunci API produksi. Menghapus percakapan tidak cukup, karena kunci itu sudah meninggalkan perangkatnya. Urutan tindakannya sebagai berikut.
| Urutan | Tindakan | Alasan |
|---|---|---|
| 1 | Cabut atau ganti kunci di penyedia layanan asalnya | Ini satu-satunya langkah yang menutup risiko. Hapus chat tidak membatalkan paparan. |
| 2 | Periksa log penggunaan kunci sejak waktu pengiriman | Memastikan tidak ada pemakaian yang tidak dikenal |
| 3 | Hapus percakapan dan tautan berbagi bila ada | Mengurangi jejak yang tersisa, bukan menggantikan langkah 1 |
| 4 | Beri tahu tim keamanan atau atasan | Tim perlu menilai dampak dan kewajiban pelaporan |
| 5 | Pindahkan kunci ke variabel lingkungan atau pengelola rahasia, dan pakai penanda di kode yang dibagikan | Agar kejadian serupa tidak terulang |
Pelajarannya sederhana. Bagi kredensial, pencegahan jauh lebih murah daripada pemulihan, dan pemulihan selalu dimulai dari mencabut kuncinya, bukan dari menghapus percakapan.
Contoh prompt: dari berisiko ke lebih aman
Kebanyakan tugas harian tidak memerlukan data aslinya. Tabel berikut memperlihatkan empat tugas umum. Nama, nomor, dan alamat pada kolom kiri adalah data palsu.
| Tugas | Prompt berisiko | Versi lebih aman |
|---|---|---|
| Membalas keluhan pelanggan | “Balas email ini. Yth. Bu Dewi Contoh, pesanan #A-20931 ke Jl. Melati 12 belum sampai dan saya sudah transfer Rp2.400.000...” | “Tulis balasan sopan untuk pelanggan yang pesanannya terlambat tiga hari. Tawarkan pengiriman ulang atau pengembalian dana. Nada ramah dan tegas.” |
| Mencari galat pada kode | “Ini isi berkas konfigurasi saya, kenapa error?” disertai string koneksi basis data dan kata sandinya | “Fungsi koneksi ini melempar timeout. Potongan kode saya sertakan dengan nilai diganti DB_URL_DISINI. Apa penyebab yang mungkin?” |
| Membuat notulen rapat | Menempelkan transkrip rapat direksi utuh, lengkap dengan angka laba dan nama peserta | “Buat format notulen dengan bagian keputusan, tindak lanjut, penanggung jawab, dan tenggat. Isinya akan saya tulis sendiri.” |
| Memperbaiki CV | Menempelkan CV lengkap dengan alamat rumah, nomor HP, dan tanggal lahir | “Perbaiki kalimat deskripsi pengalaman berikut agar lebih ringkas. Nama, kontak, dan tanggal lahir sudah saya hapus.” |
Pola yang sama berulang. Versi yang lebih aman menjelaskan situasi dan hasil yang diinginkan tanpa membawa data yang tidak dibutuhkan. Kualitas jawaban AI jarang bergantung pada nama pelanggan atau nomor pesanan, tetapi sangat bergantung pada kejelasan tugas, nada, dan batasannya. Jika AI memang memerlukan struktur data, kirim contoh buatan dengan bentuk yang sama, lalu jalankan hasilnya sendiri terhadap data asli di komputer Anda.
Apa kaitannya dengan hukum?
UU PDP memuat larangan bagi siapa pun untuk memperoleh atau mengumpulkan data pribadi milik orang lain secara melawan hukum demi keuntungan diri sendiri atau orang lain yang dapat merugikan subjek data (Pasal 65 ayat 1), mengungkapkan data pribadi milik orang lain secara melawan hukum (Pasal 65 ayat 2), dan menggunakan data pribadi milik orang lain secara melawan hukum (Pasal 65 ayat 3). Ancaman pidananya pada Pasal 67 berupa penjara paling lama 5 tahun dan/atau denda paling banyak Rp5 miliar untuk perolehan dan penggunaan, serta penjara paling lama 4 tahun dan/atau denda paling banyak Rp4 miliar untuk pengungkapan.
Apakah mengirim data ke layanan AI termasuk perbuatan yang dilarang itu sangat bergantung pada fakta, tujuan, dan dasar pemrosesannya, dan saya tidak menyimpulkannya untuk Anda. Yang pasti, kalimat “saya hanya meminta AI merangkum” belum menjawab pertanyaan tentang dasar pemrosesan. Per pemberitaan Februari 2026, lembaga pengawas pelindungan data pribadi yang diamanatkan UU PDP masih dalam proses pembentukan, dan untuk sementara pengawasan dijalankan oleh Komdigi. Status ini bisa sudah berubah, jadi periksa kabar terbaru.
Tools interaktif
Dua alat berikut berjalan sepenuhnya di peramban Anda. Skripnya tidak mengirim teks ke mana pun, dan Anda bisa membuktikannya dengan memutus koneksi internet sebelum memakainya. Meskipun begitu, biasakan menguji alat dengan data contoh lebih dulu. Kedua alat terisi dengan contoh palsu supaya Anda langsung melihat cara kerjanya.
Pemindai data sensitif
Tempel teks yang hendak Anda kirim ke alat AI. Pemindai mencari pola yang mudah dikenali: NIK, nomor kartu (diperiksa dengan algoritma Luhn), NPWP berformat titik, email, nomor telepon Indonesia, kunci API dan token, frasa seperti “password:” atau “PIN:”, nomor rekening yang diberi label, tanggal lahir yang diberi label, nilai gaji, alamat IP, dan penanda kerahasiaan. Nama orang, alamat, dan konteks tidak terdeteksi, jadi baca ulang sendiri hasilnya.
Pemeriksa keputusan: kirim atau tidak
Jawab enam pertanyaan. Alat ini menerapkan matriks zona dan jalur pada bagian kerangka, lalu menunjukkan keputusan jika data dikirim apa adanya dan jika data disamarkan lebih dulu.
Worksheet penerapan
Lembar kerja ini membantu Anda menyusun aturan pribadi sebelum godaan berikutnya datang. Isi dari atas ke bawah, lalu susun ringkasan yang bisa disalin ke catatan atau dibagikan ke tim. Kolom sengaja kosong agar Anda menulis dari kondisi sendiri.
1. Konteks
2. Inventaris data yang saya tangani
Isi jenis data nyata yang sering melewati meja Anda. Zona dan cara menyamarkan mengikuti bagian kerangka.
3. Aturan pribadi
Tulis aturan dalam kalimat perintah yang pendek. Contoh: “Tidak pernah menempelkan kata sandi, kunci, atau OTP.”
4. Pemeriksaan pengaturan akun
5. Rencana jika terlanjur
Risiko dan keterbatasan
Metode tiga zona dan alat di halaman ini mengurangi kelalaian, tetapi tidak menghapus risiko. Beberapa asumsi dan batasannya perlu Anda ketahui.
Yang tidak bisa dijamin oleh alat dan metode ini
- Pemindai hanya mengenali pola. Nama orang, alamat rumah, nama proyek rahasia, dan kalimat yang secara konteks membuka identitas tidak terdeteksi. Hasil “tidak ada temuan” berarti tidak ada pola yang dikenali, bukan berarti teks itu aman.
- Penyamaran bisa gagal. Kombinasi atribut yang tersisa dapat menunjuk satu orang. Aturan minimal lima orang per kelompok hanyalah heuristik.
- Kebijakan penyedia berubah. Pengaturan pelatihan, masa simpan, dan fitur berbagi diperbarui dari waktu ke waktu. Kutipan dalam artikel ini mencerminkan sumber pada saat penulisan dan bisa sudah berubah saat Anda membacanya.
- Pengaturan bukan jaminan. Menonaktifkan pelatihan tidak meniadakan penyimpanan, akses oleh staf atau mitra, atau risiko peretasan di sisi penyedia.
- Matriks adalah panduan umum. Aturan sektor, kontrak klien, dan kebijakan institusi bisa lebih ketat, dan itulah yang berlaku bagi Anda.
Risiko lain di luar mengetik data
Pembahasan di atas berfokus pada apa yang Anda masukkan. Ada risiko yang bekerja dari arah lain. Keluaran model dapat memuat informasi sensitif, dan OWASP memasukkan pengungkapan informasi sensitif dalam daftar risiko utama aplikasi berbasis model bahasa besar, termasuk kebocoran data pribadi, data bisnis, dan kredensial lewat respons. Fitur memori dan konektor ke email, penyimpanan awan, atau kalender memperluas apa yang bisa dilihat AI di luar teks yang Anda ketik. Agen AI yang bertindak atas nama Anda menambah risiko lain, termasuk instruksi tersembunyi di halaman atau dokumen yang dibaca agen. Setiap izin akses yang Anda berikan perlu diperlakukan seperti memberi akses kepada orang baru.
Keadaan ketika metode ini tidak memadai
Untuk organisasi yang memproses data dalam skala besar atau di sektor teregulasi seperti kesehatan, keuangan, dan hukum, kebijakan penggunaan AI sebaiknya dirumuskan bersama bagian hukum, keamanan informasi, dan pelindungan data, lengkap dengan penilaian risiko, perjanjian dengan penyedia, dan pelatihan staf. Metode di artikel ini cocok sebagai kebiasaan individu dan tim kecil, bukan pengganti program kepatuhan. Keadaan darurat yang melibatkan kebocoran nyata juga memerlukan penanganan insiden oleh pihak yang berwenang, bukan lembar kerja.
Artikel dan alat di halaman ini memberikan kerangka berpikir dan informasi umum. Isinya bukan nasihat hukum, bukan jaminan kepatuhan terhadap UU PDP atau peraturan lain, dan penulisnya bukan penasihat hukum atau keamanan Anda. Keputusan akhir ada pada Anda, dengan mempertimbangkan ketentuan yang berlaku bagi organisasi dan layanan yang Anda pakai.
Pertanyaan umum
Kalau saya matikan pelatihan model, apakah data saya aman dikirim?
Belum tentu. Pengaturan itu hanya menjawab apakah percakapan dipakai untuk melatih model. Data tetap berpindah ke server penyedia dan tetap bisa disimpan. Pada ketentuan konsumen Anthropic yang dirujuk artikel ini, misalnya, masa simpan 30 hari tetap berlaku bagi pengguna yang tidak mengizinkan pelatihan. Gunakan pengaturan itu sebagai lapisan tambahan, bukan sebagai izin untuk mengirim data merah.
Apakah menghapus percakapan membuat datanya hilang?
Tidak sepenuhnya. Menghapus percakapan tidak menghapus tautan berbagi yang pernah Anda buat. Pada kasus ChatGPT, tautan berbagi dihapus lewat pengaturan Data Controls dan menu Shared Links, dan hasil pencarian yang sudah terindeks bisa bertahan beberapa waktu. Penyedia juga dapat menyimpan data untuk jangka waktu tertentu sesuai ketentuannya. Mengubah pengaturan pelatihan juga tidak menarik kembali data yang sudah dipakai lebih dulu.
Bagaimana dengan mode percakapan sementara atau incognito?
Mode seperti itu biasanya mengurangi jejak di riwayat akun Anda. Namun, teks tetap dikirim ke penyedia untuk diproses. Pelajari ketentuan mode itu pada layanan yang Anda pakai, dan jangan menganggapnya sebagai alasan untuk mengirim data merah.
Bolehkah saya mengunggah kontrak atau laporan perusahaan?
Tergantung kontrak, aturan kantor, dan jalur yang dipakai. Dokumen di bawah NDA atau yang memuat data pelanggan sebaiknya tidak diunggah ke akun pribadi. Pada akun bisnis berkontrak, tetap pastikan ada izin tertulis dari pihak yang berwenang, dan sebisa mungkin kirim hanya bagian yang dibutuhkan.
Saya sudah terlanjur memasukkan kata sandi atau kunci API. Apa yang harus dilakukan?
Ganti atau cabut kredensial itu sekarang, lalu periksa log penggunaannya. Setelah itu hapus percakapan dan tautan berbagi, beri tahu tim keamanan, dan pindahkan rahasia ke tempat yang aman. Mengganti kredensial adalah satu-satunya langkah yang benar-benar menutup risiko.
Apakah model lokal otomatis aman?
Data tidak dikirim ke pihak ketiga, sehingga risikonya jauh berkurang. Namun, keamanan perangkat, plugin, dan akses ke mesin itu menjadi tanggung jawab Anda. Model lokal yang bisa diakses banyak orang tanpa kontrol tidak lebih aman daripada akun bisnis yang dikelola baik.
Bagaimana dengan fitur memori dan konektor ke email atau drive?
Keduanya memperluas data yang bisa dilihat AI, termasuk data yang tidak Anda ketik hari itu. Aktifkan hanya jika perlu, batasi izin ke folder atau label tertentu, dan tinjau berkala data yang tersimpan. Pada akun kerja, patuhi kebijakan organisasi.
Bagaimana cara menyamarkan data dengan benar?
Hapus kolom yang tidak dibutuhkan, ganti nama dengan kode, ubah nilai persis menjadi rentang, gabungkan kelompok kecil, lalu baca ulang seluruh teks. Simpan tabel pemetaan di tempat terpisah. Jika AI hanya perlu bentuk datanya, ganti seluruh isi dengan data palsu yang berstruktur sama.
Apakah mengirim data pelanggan atau karyawan ke AI melanggar UU PDP?
Tidak ada jawaban tunggal. Jawabannya bergantung pada dasar pemrosesan (Pasal 20 UU PDP memuat enam dasar, termasuk persetujuan yang sah dan kewajiban hukum), tujuan, perjanjian dengan penyedia, dan jenis datanya. Konsultasikan kasus Anda dengan bagian hukum atau pelindungan data organisasi. Untuk keputusan berisiko tinggi, minta pendapat penasihat hukum.
Bagaimana dengan foto KTP, selfie, atau tangkapan layar?
Anggap sama dengan teks. Foto KTP memuat NIK, foto wajah, dan data identitas lain. Selfie dan foto wajah termasuk data biometrik jika dipakai untuk pengenalan. Tangkapan layar sering membawa nama, notifikasi, dan data yang tidak Anda sadari berada di pinggir gambar. Potong atau tutup bagian yang tidak perlu sebelum mengunggah.
Apa yang sebaiknya ada dalam kebijakan penggunaan AI untuk tim kecil?
Satu halaman sudah cukup: daftar data merah yang dilarang, alat dan jenis akun yang diizinkan, aturan penyamaran, pengaturan akun yang wajib, dan langkah yang diambil bila terlanjur. Gunakan bagian worksheet sebagai draf awal, lalu minta persetujuan pimpinan dan bagian hukum.
Sumber dan rujukan
Rujukan berikut bisa Anda periksa sendiri. Contoh dan angka dalam artikel adalah ilustrasi buatan penulis. Ketentuan penyedia layanan dikutip dari halaman resmi pada saat penulisan dan bisa berubah, jadi periksa halaman terbaru sebelum menjadikannya dasar keputusan.
- Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, antara lain Pasal 4 (jenis data pribadi), Pasal 20 (dasar pemrosesan), Pasal 46 (kegagalan pelindungan), serta Pasal 65 dan 67 (larangan dan pidana). pasal.id
- OWASP GenAI Security Project. LLM02:2025 Sensitive Information Disclosure, tentang kebocoran data pribadi, data bisnis, dan kredensial pada aplikasi model bahasa besar serta mitigasinya. genai.owasp.org
- National Cyber Security Centre (Inggris). ChatGPT and large language models: what’s the risk?, 2023, tentang kueri yang tersimpan dan dapat dibaca penyedia serta saran untuk tidak memasukkan informasi sensitif. ncsc.gov.uk
- Bitdefender. Your shared ChatGPT chats may be publicly searchable, 1 Agustus 2025 (diperbarui 22 April 2026), tentang percakapan berbagi yang terindeks mesin pencari dan cara menghapus tautan. bitdefender.com
- Fortune. Laporan 2 Mei 2023 tentang larangan Samsung atas penggunaan alat AI generatif oleh karyawan, setelah kode sumber dan rekaman rapat dimasukkan ke ChatGPT. fortune.com
- OpenAI Help Center. How your data is used to improve model performance, tentang penggunaan konten untuk pelatihan, opt out, dan perbedaan layanan individu dengan layanan bisnis. help.openai.com
- Anthropic. Updates to our consumer terms, 2025, tentang pilihan pelatihan model, masa simpan data, dan cakupan paket yang terkena. anthropic.com
- CNBC Indonesia. Telat 2 Tahun, Komdigi Janji Badan Penjaga Data Warga RI Berdiri 2026, 4 Februari 2026, tentang status pembentukan lembaga pelindungan data pribadi. cnbcindonesia.com
