Penjelasan Klasifikasi Data: Publik, Internal, Rahasia, dan Terbatas

Mengapa Klasifikasi Data Penting

Tidak setiap informasi pantas mendapatkan tingkat perlindungan yang sama. Sebuah\n\t\tposting blog publik, catatan perencanaan internal, kontrak pelanggan, dan\n\t\trahasia produksi seharusnya tidak ditangani dengan cara yang sama. Itulah tujuan\n\t\tklasifikasi data: memberi label informasi berdasarkan sensitivitas dan dampak bisnis sehingga\n\t\torang tahu cara menyimpannya, membagikannya, dan melindunginya.

Tidak ada skema penamaan universal tunggal. Beberapa kerangka menggunakan label seperti\n\t\t Public, General, Confidential, dan Sangat Rahasia. Model pemerintah mungkin menggunakan label yang sama sekali berbeda. Nama dapat\n\t\tberubah, tetapi tujuannya tetap sama: memahami bahaya apa yang dapat terjadi jika\n\t\tinformasi terekspos, diubah, hilang, atau dikirim ke audiens yang salah.

Model Empat-Level

Bagi banyak tim sektor swasta, model empat-level sederhana bekerja dengan baik karena\n\t\tmudah diajarkan dan praktis untuk diterapkan:

• Public
• Internal
• Confidential
• Restricted

Model ini bukan satu-satunya yang sah, tetapi menciptakan tangga sensitivitas yang jelas. Orang tidak perlu menghafal puluhan label. Mereka memerlukan\n\t\tmodel kerja yang benar-benar bisa digunakan saat mengirim file, membagikan catatan, atau\n\t\tmemutuskan apakah sebuah chatbot boleh melihat konten tersebut.

1. Public

Public informasi dapat dibagikan di luar organisasi tanpa\n\t\tmenyebabkan kerugian kerahasiaan yang berarti. Contoh sering kali termasuk posting blog publik,\n\t\trilis pers, dokumentasi yang dipublikasikan, salinan pemasaran yang disetujui, dan halaman produk yang ditujukan untuk publik.

Public tidak berarti tidak penting. Informasi ini tetap memerlukan integritas dan peninjauan. Tetapi\n\t\tdari perspektif kerahasiaan, ini adalah kelas risiko terendah.

2. Internal

Internal informasi dimaksudkan untuk penggunaan normal di dalam organisasi.\n\t\tJika bocor, kerusakannya biasanya terbatas, tetapi tetap tidak dimaksudkan untuk distribusi publik. Kebijakan internal, catatan rapat, materi orientasi, tangkapan layar khusus internal, dan dokumentasi proyek biasa sering masuk di sini.

Di sinilah banyak tim menjadi ceroboh. “Tidak terlalu sensitif” tidak berarti\n\t\t“boleh dibagikan ke mana saja.” Data internal tetap harus berada di sistem yang disetujui\n\t\tdan tetap memerlukan beberapa kontrol akses.

3. Confidential

Confidential informasi dapat menyebabkan kerugian nyata jika terekspos kepada\n\t\torang yang salah. Catatan pelanggan, data karyawan, laporan keuangan non-publik, kontrak,\n\t\tberkas hukum, prosedur keamanan internal, harga non-publik, dan kode sumber pribadi biasanya termasuk dalam kategori ini.

Tingkat ini biasanya memerlukan pembatasan akses yang lebih kuat, audit yang lebih baik,\n\t\tdan aturan berbagi yang lebih ketat. Jika pengungkapan dapat merugikan pelanggan, karyawan,\n\t\tkewajiban hukum, pendapatan, atau kepercayaan, Anda kemungkinan berada di wilayah Rahasia (Confidential).

4. Restricted

Restricted informasi adalah kategori dengan sensitivitas tertinggi dalam\n\t\tmodel sektor swasta empat-level yang khas. Paparan dapat menyebabkan kerusakan bisnis,\n\t\thukum, keuangan, operasional, atau keamanan yang parah.

Contoh mungkin termasuk rahasia produksi, kredensial root, kunci enkripsi,\n\t\tarsitektur keamanan yang sangat sensitif, materi merger, rahasia dagang, dan\n\t\tkumpulan data teregulasi yang paling sensitif. Ini adalah informasi berdasarkan kebutuhan untuk mengetahui dengan\n\t\tkontrol paling ketat.

Klasifikasi Tentang Dampak

Salah satu kebiasaan paling berguna dalam klasifikasi data adalah berhenti bertanya,\n\t\t“Apakah ini terasa sensitif?” dan sebagai gantinya bertanya, “Apa jadinya jika ini\n\t\tterekspos, diubah, atau dikirim ke tempat yang salah?”

Sebuah dokumen mungkin terlihat membosankan dan tetap sensitif. Sebuah spreadsheet dengan\n\t\temail pelanggan, tangkapan layar dengan URL internal, atau file teks biasa dengan\n\t\trahasia API mungkin tidak terlihat dramatis, tetapi dampak paparan bisa tinggi.\n\t\tKonteks lebih penting daripada emosi.

Jika Anda sudah tahu risiko utama Anda adalah oversharing dalam antarmuka obrolan, padukan\n\t\tmodel ini dengan Apa yang Tidak Boleh Anda Bagikan dengan Chatbot AI sehingga label klasifikasi dan contoh konkret saling memperkuat.

Klasifikasi Harus Mengarahkan Aturan Penanganan

Sebuah sistem klasifikasi hanya bekerja jika setiap label mengubah perilaku. Label\n\t\ttanpa aturan penanganan hanyalah hiasan.

Setidaknya, setiap level harus menjawab beberapa pertanyaan praktis:

• Siapa yang dapat mengaksesnya?
• Di mana dapat disimpan?
• Dapatkah dikirim melalui email ke pihak eksternal?
• Dapatkah disalin ke dalam alat AI?
• Apakah memerlukan enkripsi, persetujuan, atau pemantauan?

Model kerja sederhana dapat terlihat seperti ini: Public dapat dibagikan\n\t\texternally, Internal tetap di ruang yang disetujui perusahaan, Confidential\n\t\tmembutuhkan akses terbatas dan pembatasan berbagi yang lebih kuat, dan Restricted\n\t\tdikendalikan ketat dengan persetujuan eksplisit dan ekspektasi pemantauan.

Bagaimana Ini Membantu dengan Alat AI

Salah satu manfaat praktis terbesar dari klasifikasi data adalah bahwa ini\n\t\tmemberikan orang filter keputusan pertama sebelum mereka menempel sesuatu ke\n\t\tchatbot, mengunggahnya ke agen, atau mengeksposnya melalui konektor.

• Jika data adalah Public, membagikannya dengan alat AI biasanya\n\t\t\tberisiko rendah dari perspektif kerahasiaan.
• Jika data adalah Internal, itu mungkin masih dapat diterima hanya di\n\t\t\tlingkungan AI bisnis yang disetujui, tidak otomatis di alat pribadi atau\n\t\t\talat yang menghadap publik.
• Jika data adalah Confidential, biasanya seharusnya tidak dimasukkan ke alat AI konsumen secara default dan mungkin memerlukan penghapusan informasi atau alur kerja perusahaan yang disetujui.
• Jika data adalah Restricted, asumsi paling aman adalah bahwa itu\n\t\t\tsebaiknya tetap keluar dari alat AI tujuan umum kecuali ada proses yang dikendalikan ketat\n\t\t\tdan disetujui secara eksplisit.

Jika Anda membutuhkan sisi kontrol privasi dari keputusan itu, baca Pengaturan Privasi Obrolan AI . Jika kekhawatiran Anda tentang tindakan eksternal, alat, atau integrasi, panduan keamanan tentang GPTs, agents, and MCP connectors menambahkan sisi batas kepercayaan dari gambaran.

Cara Praktis untuk Mengklasifikasikan Informasi

Ketika Anda tidak yakin bagaimana mengklasifikasikan sesuatu, uji singkat berbasis dampak biasanya cukup:\n\t\t

1. Apakah ini dimaksudkan untuk publik? Jika ya, kemungkinan ini Public.
2. Apakah pengungkapan publik akan menyebabkan kerugian kecil atau terbatas? Jika ya,\n\t\t\titu mungkin Internal.
3. Apakah paparan akan merugikan pelanggan, karyawan, kewajiban hukum,\n\t\t\t\toperasi, atau kepercayaan? Jika ya, kemungkinan ini Confidential.
4. Apakah paparan akan menimbulkan kerusakan parah atau memerlukan tingkat perlindungan tertinggi? Jika ya, kemungkinan ini Restricted.

Alur ini tidak sempurna, tetapi jauh lebih baik daripada menebak. Tujuan utamanya\n\t\tadalah membuat orang berhenti sejenak sebelum mereka membagikan informasi ke sistem yang salah.

Kesalahan Umum

Kesalahan yang sering terjadi adalah memperlakukan semua informasi non-publik sebagai sama sensitifnya. Kesalahan lain adalah menggunakan label tertinggi secara berlebihan sampai kehilangan makna. Kedua masalah membuat klasifikasi menjadi lemah.

Kesalahan ketiga adalah lupa bahwa konteks mengubah sensitivitas. Sebuah\n\t\ttangkapan layar yang terlihat tidak berbahaya, transkrip, atau spreadsheet dapat menjadi\n\t\tmengidentifikasi setelah mencakup nama, cap waktu, referensi internal, atau\n\t\tterkait metadata.

Referensi Resmi dan Bacaan Lanjutan

• Microsoft Learn: Klasifikasi data dan taksonomi label sensitivitas
• Microsoft Learn: Pelajari tentang label sensitivitas
• Microsoft Learn: Konsep label klasifikasi
• Cyera: Apa Empat Level Klasifikasi Data?
• National Archives: Controlled Unclassified Information
• GOV.UK: Kebijakan Klasifikasi Keamanan Pemerintah
• OWASP: 10 Teratas untuk Aplikasi LLM

Pertanyaan yang Sering Diajukan