KI: Privacy-Preserving AI - Revision history

Onnowpurbo: /* Perbandingan Singkat */

2026-01-23T22:38:08Z

Perbandingan Singkat

Onnowpurbo: /* Perbandingan Singkat */

2026-01-23T22:34:18Z

Perbandingan Singkat

Onnowpurbo: /* Federated Learning (FL) — Konsep Dasar */

2026-01-23T22:33:23Z

Federated Learning (FL) — Konsep Dasar

Onnowpurbo at 22:31, 23 January 2026

2026-01-23T22:31:03Z

Onnowpurbo: Created page with " BAB 12 — Privacy-Preserving AI Fokus: Aman tanpa bocor Di era AI modern, data adalah bahan bakar utama. Namun, semakin canggih model yang kita bangun, semakin besar pula..."

2026-01-23T01:55:35Z

Created page with " BAB 12 — Privacy-Preserving AI Fokus: Aman tanpa bocor Di era AI modern, data adalah bahan bakar utama. Namun, semakin canggih model yang kita bangun, semakin besar pula..."

New page

BAB 12 — Privacy-Preserving AI
Fokus: Aman tanpa bocor
Di era AI modern, data adalah bahan bakar utama. Namun, semakin canggih model yang kita bangun, semakin besar pula risiko kebocoran data pribadi. Privacy-Preserving AI hadir sebagai pendekatan yang menjaga manfaat AI tanpa mengorbankan privasi manusia. Pada pertemuan ini, kita tidak berbicara soal “menyembunyikan data”, melainkan merancang sistem AI yang sejak awal memang tidak membutuhkan data mentah secara langsung.
Materi ini dibuat mudah dipahami oleh technical reader, fun, dan tetap menantang. Anggap ini sebagai mindset upgrade: dari “bagaimana bikin model pintar” menjadi “bagaimana bikin model pintar dan bertanggung jawab”.
Gambaran Besar Privacy-Preserving AI
Secara sederhana, Privacy-Preserving AI adalah kumpulan teknik yang memungkinkan:
AI belajar dari data sensitif tanpa melihat data aslinya
Risiko kebocoran data ditekan sejak tahap desain
Kepatuhan terhadap regulasi privasi (UU PDP, GDPR, dsb.) menjadi realistis
Pendekatan ini penting karena:
Data bocor ≠ hanya masalah teknis, tapi juga hukum, reputasi, dan etika
AI yang “terlalu tahu” sering kali menyimpan jejak data personal
Keamanan bukan hanya firewall, tapi cara model dilatih
Differential Privacy (DP)
Privasi lewat ketidakpastian terkontrol
Differential Privacy adalah konsep yang terdengar rumit, tapi ide intinya sangat elegan:
👉 Tambahkan noise (gangguan acak) yang terukur agar data individu tidak bisa dilacak, tetapi pola besar tetap terlihat.
Bayangkan kita punya data nilai ujian mahasiswa. Kita ingin tahu rata-rata nilai, tapi tidak ingin siapa pun bisa menebak nilai individu tertentu. DP memastikan bahwa:
Kehadiran atau ketiadaan satu orang dalam dataset
Tidak mengubah hasil secara signifikan
Intuisi Sederhana
Sistem dengan DP:
“Hasilnya hampir sama, baik kamu ikut maupun tidak.”
Artinya: privasi individu terlindungi secara matematis
Konsep Kunci
Noise → gangguan acak yang ditambahkan ke hasil
Epsilon (ε) → parameter yang mengatur trade-off
ε kecil → lebih privat, tapi akurasi turun
ε besar → lebih akurat, tapi privasi berkurang
Query-based thinking → DP fokus pada hasil, bukan data mentah
Kenapa Ini Penting?
Cocok untuk statistik publik, dashboard, dan analytics
Banyak dipakai oleh perusahaan besar untuk data sensitif
Privasi bukan asumsi, tapi dijamin secara matematis
Insight penting:
Differential Privacy tidak menyembunyikan data, tapi membuat data individu menjadi “tidak penting” bagi penyerang.
Federated Learning (FL) — Konsep Dasar
Belajar bersama tanpa berbagi data
Jika Differential Privacy bermain di level statistik, Federated Learning bermain di level arsitektur sistem. Ide besarnya sangat powerful:
Data tidak pernah dikirim ke server pusat.
Model-lah yang datang ke data.
Cara Kerja (Konseptual)
Model awal dikirim ke banyak perangkat (client)
Setiap client:
Melatih model di data lokal
Data tidak pernah keluar
Client hanya mengirim:
Update model (misalnya gradient)
Server:
Menggabungkan (aggregate) update
Menghasilkan model global yang lebih pintar
Kenapa Ini Aman?
Tidak ada data mentah di server pusat
Kebocoran satu node ≠ kebocoran seluruh dataset
Cocok untuk data:
Medis
Finansial
Perilaku pengguna
Federated Learning ≠ Tanpa Risiko
Perlu dipahami juga bahwa:
Update model masih bisa bocor informasi jika tidak diamankan
Bias data lokal bisa mempengaruhi model global
Biasanya dikombinasikan dengan:
Differential Privacy
Secure aggregation
Use Case Nyata
Keyboard prediksi kata
Model rekomendasi personal
Analitik terdistribusi di organisasi besar
Insight penting:
Federated Learning memindahkan pusat risiko dari “database besar” ke “koordinasi yang cerdas”.
Perbandingan Singkat
Aspek
Differential Privacy
Federated Learning
Fokus
Hasil / statistik
Arsitektur pelatihan
Data mentah
Bisa di pusat
Tetap di lokal
Teknik utama
Noise injection
Distributed training
Cocok untuk
Analytics, publikasi data
AI personal & sensitif

Mindset yang Harus Dibawa Pulang
Privasi bukan fitur tambahan, tapi bagian dari desain
AI yang hebat adalah AI yang tidak rakus data
Privacy-Preserving AI bukan mengurangi kemampuan,
tapi meningkatkan kepercayaan
Challenge untuk pembaca:
Coba pikirkan satu sistem AI yang pernah kamu bangun.
👉 Bagian mana yang paling berisiko bocor data?
👉 Apakah bisa diganti dengan DP, FL, atau kombinasi keduanya?

==Pranala Menarik==

* [[Keamanan Informasi: Kuliah]]

← Older revision		Revision as of 22:38, 23 January 2026
Line 89:		Line 89:

	==Perbandingan Singkat==		==Perbandingan Singkat==
−	~~Aspek~~
−	~~Differential Privacy~~
−	~~Federated Learning~~
−	~~Fokus~~
−	~~Hasil / statistik~~
−	~~Arsitektur pelatihan~~
−	~~Data mentah~~
−	~~Bisa di pusat~~
−	~~Tetap di lokal~~
−	~~Teknik utama~~
−	~~Noise injection~~
−	~~Distributed training~~
−	~~Cocok untuk~~
−	~~Analytics, publikasi data~~
−	~~AI personal & sensitif~~
−
−
−
−
−
−

		+	{\| class="wikitable"
		+	! Aspek !! Differential Privacy !! Federated Learning
		+	\|-
		+	\| Fokus \|\| Hasil / statistik \|\| Arsitektur pelatihan
		+	\|-
		+	\| Data mentah \|\| Bisa di pusat \|\| Tetap di lokal
		+	\|-
		+	\| Teknik utama \|\| Noise injection \|\| Distributed training
		+	\|-
		+	\| Cocok untuk \|\| Analytics, publikasi data \|\| AI personal & sensitif
		+	\|}

	==Mindset yang Harus Dibawa Pulang==		==Mindset yang Harus Dibawa Pulang==

@@ Line 112: / Line 112: @@
-Mindset yang Harus Dibawa Pulang
+==Mindset yang Harus Dibawa Pulang==
-Privasi bukan fitur tambahan, tapi bagian dari desain
+* Privasi bukan fitur tambahan, tapi bagian dari desain
-AI yang hebat adalah AI yang tidak rakus data
+* AI yang hebat adalah AI yang tidak rakus data
-Privacy-Preserving AI bukan mengurangi kemampuan,
+* Privacy-Preserving AI bukan mengurangi kemampuan,
 tapi meningkatkan kepercayaan
 Challenge untuk pembaca:
-Coba pikirkan satu sistem AI yang pernah kamu bangun.
+ Coba pikirkan satu sistem AI yang pernah kamu bangun.
-👉 Bagian mana yang paling berisiko bocor data?
+ 👉 Bagian mana yang paling berisiko bocor data?
-👉 Apakah bisa diganti dengan DP, FL, atau kombinasi keduanya?
+ 👉 Apakah bisa diganti dengan DP, FL, atau kombinasi keduanya?
 ==Pranala Menarik==
 * [[Keamanan Informasi: Kuliah]]

@@ Line 48: / Line 48: @@
 ==Federated Learning (FL) — Konsep Dasar==
 Belajar bersama tanpa berbagi data
 Jika Differential Privacy bermain di level statistik, Federated Learning bermain di level arsitektur sistem. Ide besarnya sangat powerful:
-Data tidak pernah dikirim ke server pusat.
+ Data tidak pernah dikirim ke server pusat.
-Model-lah yang datang ke data.
+ Model-lah yang datang ke data.
 Cara Kerja (Konseptual)
-Model awal dikirim ke banyak perangkat (client)
+* Model awal dikirim ke banyak perangkat (client)
-Setiap client:
+* Setiap client:
-Melatih model di data lokal
+** Melatih model di data lokal
-Data tidak pernah keluar
+** Data tidak pernah keluar
-Client hanya mengirim:
+* Client hanya mengirim:
-Update model (misalnya gradient)
+** Update model (misalnya gradient)
-Server:
+* Server:
-Menggabungkan (aggregate) update
+** Menggabungkan (aggregate) update
-Menghasilkan model global yang lebih pintar
+** Menghasilkan model global yang lebih pintar
 Kenapa Ini Aman?
-Tidak ada data mentah di server pusat
+* Tidak ada data mentah di server pusat
-Kebocoran satu node ≠ kebocoran seluruh dataset
+* Kebocoran satu node ≠ kebocoran seluruh dataset
-Cocok untuk data:
+* Cocok untuk data:
-Medis
+** Medis
-Finansial
+** Finansial
-Perilaku pengguna
+** Perilaku pengguna
 Federated Learning ≠ Tanpa Risiko
 Perlu dipahami juga bahwa:
-Update model masih bisa bocor informasi jika tidak diamankan
+* Update model masih bisa bocor informasi jika tidak diamankan
-Bias data lokal bisa mempengaruhi model global
+* Bias data lokal bisa mempengaruhi model global
-Biasanya dikombinasikan dengan:
+* Biasanya dikombinasikan dengan:
-Differential Privacy
+** Differential Privacy
-Secure aggregation
+** Secure aggregation
 Use Case Nyata
-Keyboard prediksi kata
+* Keyboard prediksi kata
-Model rekomendasi personal
+* Model rekomendasi personal
-Analitik terdistribusi di organisasi besar
+* Analitik terdistribusi di organisasi besar
 Insight penting:
-Federated Learning memindahkan pusat risiko dari “database besar” ke “koordinasi yang cerdas”.
+ Federated Learning memindahkan pusat risiko dari “database besar” ke “koordinasi yang cerdas”.
 Perbandingan Singkat
 Aspek
 Differential Privacy
@@ Line 114: / Line 121: @@
 👉 Bagian mana yang paling berisiko bocor data?
 👉 Apakah bisa diganti dengan DP, FL, atau kombinasi keduanya?
 ==Pranala Menarik==
 * [[Keamanan Informasi: Kuliah]]

@@ Line 1: / Line 1: @@
 Pendekatan ini penting karena:
-Data bocor ≠ hanya masalah teknis, tapi juga hukum, reputasi, dan etika
+* Data bocor ≠ hanya masalah teknis, tapi juga hukum, reputasi, dan etika
-AI yang “terlalu tahu” sering kali menyimpan jejak data personal
+* AI yang “terlalu tahu” sering kali menyimpan jejak data personal
-Keamanan bukan hanya firewall, tapi cara model dilatih
+* Keamanan bukan hanya firewall, tapi cara model dilatih
 Differential Privacy (DP)
 Privasi lewat ketidakpastian terkontrol
 Differential Privacy adalah konsep yang terdengar rumit, tapi ide intinya sangat elegan:
 👉 Tambahkan noise (gangguan acak) yang terukur agar data individu tidak bisa dilacak, tetapi pola besar tetap terlihat.
 Bayangkan kita punya data nilai ujian mahasiswa. Kita ingin tahu rata-rata nilai, tapi tidak ingin siapa pun bisa menebak nilai individu tertentu. DP memastikan bahwa:
-Kehadiran atau ketiadaan satu orang dalam dataset
+* Kehadiran atau ketiadaan satu orang dalam dataset
-Tidak mengubah hasil secara signifikan
+* Tidak mengubah hasil secara signifikan
 Intuisi Sederhana
-Sistem dengan DP:
+* Sistem dengan DP:
-“Hasilnya hampir sama, baik kamu ikut maupun tidak.”
+* “Hasilnya hampir sama, baik kamu ikut maupun tidak.”
-Artinya: privasi individu terlindungi secara matematis
+* Artinya: privasi individu terlindungi secara matematis
 Konsep Kunci
-Noise → gangguan acak yang ditambahkan ke hasil
+* Noise → gangguan acak yang ditambahkan ke hasil
-Epsilon (ε) → parameter yang mengatur trade-off
+* Epsilon (ε) → parameter yang mengatur trade-off
-ε kecil → lebih privat, tapi akurasi turun
+** ε kecil → lebih privat, tapi akurasi turun
-ε besar → lebih akurat, tapi privasi berkurang
+** ε besar → lebih akurat, tapi privasi berkurang
-Query-based thinking → DP fokus pada hasil, bukan data mentah
+* Query-based thinking → DP fokus pada hasil, bukan data mentah
 Kenapa Ini Penting?
-Cocok untuk statistik publik, dashboard, dan analytics
+* Cocok untuk statistik publik, dashboard, dan analytics
-Banyak dipakai oleh perusahaan besar untuk data sensitif
+* Banyak dipakai oleh perusahaan besar untuk data sensitif
-Privasi bukan asumsi, tapi dijamin secara matematis
+* Privasi bukan asumsi, tapi dijamin secara matematis
 Insight penting:
-Differential Privacy tidak menyembunyikan data, tapi membuat data individu menjadi “tidak penting” bagi penyerang.
+ Differential Privacy tidak menyembunyikan data, tapi membuat data individu menjadi “tidak penting” bagi penyerang.
 Federated Learning (FL) — Konsep Dasar
 Belajar bersama tanpa berbagi data
 Jika Differential Privacy bermain di level statistik, Federated Learning bermain di level arsitektur sistem. Ide besarnya sangat powerful: