Tokenisasi dan Masking Data sebelum Diproses AI

Bayangkan kamu ingin mengirim surat penting melalui kantor pos, tetapi kamu khawatir surat itu terbaca oleh orang yang tidak berhak. Apa yang akan kamu lakukan? Kamu bisa menyamar isi surat dengan kode rahasia, atau menutup bagian-bagian tertentu dengan tinta hitam agar tidak terbaca. Setelah sampai di tujuan, penerima yang berhak akan membuka samaran atau membersihkan tinta hitam itu.

Nah, dalam dunia pengolahan data oleh AI, ada dua teknik serupa yang sangat ampuh untuk melindungi data sensitif, yaitu:

1. Tokenisasi – mengubah data asli menjadi kode acak (seperti menyamar dengan kode rahasia).

2. Masking – menutupi sebagian data agar tidak terlihat (seperti mencoret dengan tinta hitam).

Keduanya dilakukan sebelum data dikirim ke AI, sehingga AI tetap bisa bekerja tanpa harus mengetahui data asli yang sangat rahasia.

Artikel ini akan menjelaskan apa itu tokenisasi dan masking, bagaimana cara kerjanya, serta kapan kamu harus menggunakannya.

Mengapa Data Perlu Dilindungi sebelum Masuk AI?

Sebelum membahas teknisnya, mari kita pahami dulu mengapa langkah ini sangat penting.

• AI publik tidak aman: Sebagian besar layanan AI menyimpan percakapan pengguna untuk pelatihan. Data sensitif yang kamu kirim bisa “dipelajari” oleh AI dan berpotensi muncul di jawaban untuk orang lain.

• Regulasi ketat: Undang-undang seperti UU PDP di Indonesia atau GDPR di Eropa mewajibkan perlindungan data pribadi. Jika data pelanggan bocor, perusahaan bisa kena denda besar.

• Kekhawatiran internal: Karyawan mungkin tidak sengaja memasukkan data rahasia ke dalam prompt. Melindungi data sebelum mencapai AI adalah lapisan pengaman tambahan.

Dengan tokenisasi dan masking, perusahaan tetap bisa memanfaatkan kecerdasan AI tanpa harus mengorbankan kerahasiaan data.

Apa Itu Tokenisasi?

Tokenisasi adalah proses mengubah data asli (misalnya nama, nomor rekening, atau alamat) menjadi serangkaian karakter acak yang disebut token. Token ini tidak memiliki makna sama sekali jika dilihat oleh orang lain, tetapi bisa dikembalikan ke data asli oleh sistem yang berwenang.

Contoh Tokenisasi

Jika seorang karyawan mengirim prompt ke AI:

• Tanpa tokenisasi: “Berapa saldo nasabah Andi Wijaya dengan rekening 1234567890?”

• Dengan tokenisasi: “Berapa saldo nasabah TKN-7X9Z-2B4M dengan rekening TKN-8F3A-6Q1W?”

AI akan memproses pertanyaan itu dengan token, bukan data asli. Jawaban yang dihasilkan AI pun akan menggunakan token. Baru setelah jawaban kembali ke sistem internal, token diubah kembali menjadi data asli untuk dibaca oleh karyawan yang berhak.

Cara Kerja Tokenisasi

1. Data asli masuk ke sistem tokenisasi.

2. Sistem mengganti data asli dengan token acak dan menyimpan pasangan (data asli ↔ token) di database aman (vault).

3. Token dikirim ke AI untuk diproses.

4. AI mengembalikan jawaban yang mungkin berisi token.

5. Sistem mengganti token dengan data asli menggunakan vault.

6. Karyawan menerima jawaban dengan data asli (tetapi hanya jika dia memiliki izin).

Kelebihan Tokenisasi

• Keamanan tinggi: Token tidak bisa ditebak atau dibalik tanpa akses ke vault.

• Data tetap terstruktur: Token bisa tetap memiliki format yang sama (misalnya panjang karakter tetap), sehingga AI tetap bisa menganalisis pola.

• Cocok untuk data yang sering dipakai: Token yang sama untuk data yang sama memungkinkan pelacakan konsistensi tanpa mengorbankan keamanan.

Kekurangan Tokenisasi

• Membutuhkan penyimpanan aman: Vault yang menyimpan pasangan data-token harus dijaga sangat ketat.

• Sedikit lebih lambat: Ada proses tambahan untuk mengganti data sebelum dan sesudah AI.

Apa Itu Masking Data?

Masking adalah proses menutupi sebagian atau seluruh data sensitif sehingga tidak terbaca. Tidak seperti tokenisasi, masking tidak bisa dikembalikan ke data asli (kecuali kamu memiliki data cadangan di tempat lain).

Contoh Masking

Jika seorang karyawan mengirim prompt ke AI:

• Tanpa masking: “Kirimkan notifikasi ke Andi Wijaya di andi@perusahaan.com“

• Dengan masking: “Kirimkan notifikasi ke A** Wa di a*@p*****.com”

AI akan memproses perintah itu, tetapi tidak pernah tahu nama dan email asli. Jika AI memberikan jawaban, jawaban itu tetap berupa data yang sudah dimasking atau data umum yang aman.

Jenis-Jenis Masking

Kelebihan Masking

• Sederhana dan cepat: Tidak perlu menyimpan vault atau database pasangan.

• Tidak bisa dibalik: Jika data bocor, peretas tidak bisa mengembalikan ke data asli.

• Mudah diterapkan: Bisa dilakukan dengan aturan sederhana (misalnya regex).

Kekurangan Masking

• Data asli hilang: Setelah dimasking, kamu tidak bisa mengembalikannya (kecuali ada salinan asli di tempat lain).

• Analisis terbatas: AI mungkin tidak bisa menganalisis pola yang sangat detail karena data sudah “rusak”.

Perbedaan Tokenisasi vs Masking

Analogi Sederhana

• Tokenisasi seperti koper dengan gembok kombinasi. Kamu bisa membukanya dengan kode yang benar. Hanya orang yang tahu kode yang bisa melihat isinya.

• Masking seperti amplop yang disobek bagian alamat pengirimnya. Kamu tidak bisa tahu alamat asli, tetapi surat tetap bisa sampai ke tujuan.

Kapan Menggunakan Tokenisasi dan Masking untuk AI?

Gunakan Tokenisasi Jika:

• Kamu perlu menganalisis data berulang kali (misalnya tren pelanggan).

• Kamu ingin AI mempelajari pola dari data, tetapi tanpa melihat data asli.

• Kamu memiliki sistem internal yang aman untuk menyimpan vault.

• Data harus tetap konsisten (pelanggan yang sama selalu mendapat token yang sama).

Contoh: Perusahaan e-commerce ingin AI merekomendasikan produk berdasarkan riwayat pembelian pelanggan. Data pelanggan (nama, alamat, riwayat) ditokenisasi. AI melihat pola “pelanggan token A sering membeli produk X”, tetapi tidak tahu siapa pelanggan sebenarnya.

Gunakan Masking Jika:

• Data hanya digunakan sekali atau untuk uji coba.

  

• Kamu tidak ingin menyimpan data asli sama sekali (kepatuhan privasi maksimum).

• Kamu hanya perlu gambaran umum, bukan detail spesifik.

Contoh: Tim pemasaran ingin AI membuat 10 judul email promosi berdasarkan data pelanggan. Nama dan email pelanggan dimasking, sehingga AI hanya melihat pola umum (misalnya “pelanggan di kota besar”) tanpa detail pribadi.

Kombinasi Keduanya

Di dunia nyata, banyak perusahaan menggunakan kombinasi tokenisasi dan masking:

• Data yang sangat sensitif (NIK, nomor rekening) → Tokenisasi.

• Data yang kurang sensitif (nama depan, kota) → Masking.

• Data yang tidak sensitif sama sekali (tanggal, kategori produk) → Dibiarkan asli.

Cara Menerapkan Tokenisasi dan Masking

Berikut langkah-langkah praktis untuk mulai menerapkannya:

Langkah 1: Klasifikasikan Data

Buat daftar semua jenis data yang akan diproses oleh AI. Kelompokkan menjadi:

• Sangat sensitif: NIK, rekening, password, kode sumber.

• Sensitif: Nama, alamat, email, nomor telepon.

• Tidak sensitif: Tanggal, kategori, jumlah (angka umum).

Langkah 2: Tentukan Metode Perlindungan

• Data sangat sensitif → Tokenisasi.

• Data sensitif → Masking atau tokenisasi (tergantung kebutuhan).

• Data tidak sensitif → Biarkan apa adanya.

Langkah 3: Pilih Alat/Platform

Beberapa alat yang bisa digunakan:

Langkah 4: Uji Coba

Jalankan sistem dengan data uji (bukan data asli) terlebih dahulu. Pastikan:

• Tokenisasi dan masking berjalan dengan benar.

• AI tetap bisa memberikan jawaban yang berguna.

• Tidak ada data sensitif yang lolos.

Langkah 5: Implementasi Bertahap

Mulai dengan satu departemen atau satu jenis data. Pantau selama beberapa minggu, lalu perluas ke seluruh perusahaan.

Langkah 6: Audit dan Perbarui

Secara berkala (misalnya setiap 6 bulan), periksa:

• Apakah ada data baru yang perlu dilindungi?

• Apakah vault tokenisasi masih aman?

• Apakah aturan masking masih relevan?

Studi Kasus: Tokenisasi dan Masking di Perusahaan Fintech

Kasus: Sebuah perusahaan fintech (keuangan digital) ingin menggunakan AI untuk mendeteksi transaksi mencurigakan. Namun, data transaksi berisi nomor rekening, nama nasabah, dan jumlah uang—semuanya sangat sensitif.

Solusi:

1. Nomor rekening → Tokenisasi. Setiap rekening mendapat token unik. AI bisa melihat pola transaksi dari token yang sama tanpa tahu rekening aslinya.

2. Nama nasabah → Masking. Nama asli diganti dengan inisial (misalnya “A*** W****a”) agar AI tidak tahu identitas.

3. Jumlah uang → Tidak dilindungi (karena AI perlu menganalisis angka untuk mendeteksi penipuan). Namun, jumlah ini hanya angka tanpa nama, jadi relatif aman.

Hasil: AI berhasil mendeteksi 15 transaksi mencurigakan dalam sebulan. Data nasabah tetap aman, dan perusahaan patuh terhadap regulasi keuangan. Jika terjadi kebocoran data dari AI publik, yang bocor hanyalah token dan inisial—bukan data asli.

Hal yang Perlu Diperhatikan

1. Jangan lupa melindungi vault tokenisasi. Vault adalah “kunci” dari tokenisasi. Jika vault diretas, semua data asli bisa terbuka. Gunakan enkripsi kuat, akses terbatas, dan pantau secara ketat.

2. Masking tidak cukup untuk data yang sangat sensitif. Masking bersifat permanen dan tidak bisa dibalik. Jika suatu saat kamu membutuhkan data asli untuk analisis mendalam, masking akan menyulitkan.

3. Uji apakah AI masih bekerja dengan baik. Kadang, tokenisasi atau masking yang terlalu agresif bisa membuat AI bingung. Misalnya, AI mungkin kesulitan memahami kalimat yang terlalu banyak token. Lakukan uji coba untuk menemukan keseimbangan antara keamanan dan kegunaan.

4. Kombinasikan dengan teknik lain. Tokenisasi dan masking adalah bagian dari strategi keamanan yang lebih besar. Gunakan bersama dengan Prompt Filtering, AI Firewall, dan Secure AI Gateway untuk perlindungan maksimal.

Kesimpulan

Tokenisasi dan masking adalah dua teknik yang sederhana tetapi sangat ampuh untuk melindungi data sensitif sebelum diproses oleh AI.

• Tokenisasi mengubah data menjadi kode acak yang bisa dikembalikan ke aslinya (dengan vault). Cocok untuk data yang perlu dianalisis berulang kali.

• Masking menutupi data sehingga tidak terbaca dan tidak bisa dikembalikan. Cocok untuk data yang hanya perlu gambaran umum.

Dengan menerapkan kedua teknik ini, perusahaan bisa:

• Menggunakan AI tanpa takut data bocor.

• Mematuhi peraturan perlindungan data.

• Tetap mendapatkan wawasan berharga dari AI.

• Melindungi reputasi dan kepercayaan pelanggan.