Penghapus Data Pribadi
Tempel apa saja, tiket dukungan, log, transkrip percakapan, lalu buang data pribadi dan kunci rahasia yang bersembunyi di dalamnya sebelum Anda membagikannya. Semuanya berjalan di peramban, jadi teksnya tidak pernah meninggalkan perangkat Anda.
Deteksi:
Alat ini hanyalah skrip biasa yang berjalan di sisi klien. Teks Anda diproses di tab peramban ini, tidak pernah dikirim ke server, dan tidak disimpan atau dicatat di mana pun. Tutup tabnya dan teks itu hilang.
Cara menggunakan Penghapus Data Pribadi
- 1
Tempel teks Anda
Masukkan tiket, log obrolan, dump galat, baris spreadsheet, atau dokumen yang hendak Anda bagikan. Tidak ada batas panjang dan tidak ada yang diunggah.
- 2
Pilih cara penggantian
Balok sensor mempertahankan bentuk aslinya sehingga cocok untuk tangkapan layar. [REDACTED] adalah tampilan dokumen yang paling dikenal. Label jenis seperti [EMAIL] memberi tahu pembaca apa yang dihapus, sedangkan placeholder bernomor seperti [EMAIL_1] menjaga keterkaitan antar pengulangan nilai yang sama.
- 3
Nyalakan atau matikan detektor
Kesembilan detektor menyala secara bawaan. Matikan yang kategorinya aman untuk dipertahankan, misalnya membiarkan URL dalam laporan bug sambil tetap menghapus kunci API di sebelahnya.
- 4
Periksa hitungannya, lalu salin
Panel menampilkan persis berapa item tiap jenis yang dihapus. Pastikan angkanya sesuai dugaan Anda, lalu salin teks yang sudah bersih.
Tentang menghapus data pribadi dan kunci rahasia dari teks
Mengapa teks dibagikan sebelum sempat diperiksa
Hampir semua kebocoran data pribadi yang tidak disengaja bermula dari tempelan biasa yang niatnya baik. Petugas dukungan menyalin pesan pelanggan ke obrolan grup untuk bertanya kepada rekan kerja. Pengembang melempar jejak galat ke pelacak isu. Seseorang menempel satu baris spreadsheet ke jendela obrolan, atau cuplikan log ke asisten AI untuk menanyakan arti pesan galatnya. Dalam semua kasus itu, bagian yang sensitif, entah alamat, nomor kartu, atau kunci akses, sama sekali bukan maksud pesannya. Ia hanya ikut terbawa.
Solusinya bukan lebih berhati-hati, melainkan satu langkah yang memakan dua detik. Alat ini ada untuk menjadi langkah itu: tempel, lihat sekilas berapa yang ditemukan, salin versi bersihnya. Ia sengaja dibuat cukup cepat supaya memakainya tidak terasa seperti aturan yang harus diingat.
Apa yang dicari alat ini
Ada sembilan kategori yang dideteksi. Alamat email dan URL dikenali dari strukturnya. Alamat IPv4 diperiksa rentang tiap oktetnya, jadi 999.1.1.1 dan string versi berbagian lima tidak dianggap alamat. Nomor jaminan sosial Amerika hanya dikenali dalam bentuk bertanda hubung. Nomor telepon harus punya awalan internasional atau pemisah sungguhan. Kartu dan IBAN divalidasi dengan checksum. Kunci API dikenali dari awalan vendornya, dan JWT dari struktur base64 tiga bagiannya.
Daftar itu dipilih dari apa yang benar-benar muncul dalam teks yang orang tempel. Kategori data pribadi klasik menutupi sisi manusia, dan kategori kredensial menutupi sisi mesin, dan dalam praktiknya di sanalah kecelakaan termahal terjadi: satu kunci cloud yang bocor jauh lebih mahal daripada satu nomor telepon yang bocor.
Ketepatan lebih penting daripada cakupan
Cara yang menggoda untuk membangun alat semacam ini adalah mencocokkan secara agresif: menganggap setiap deretan angka panjang sebagai kartu dan setiap angka bertanda hubung sebagai telepon. Hasilnya terlihat mengesankan saat demo dan diam-diam merusak dokumen sungguhan. ID pesanan berubah menjadi balok hitam. Jumlah baris lenyap. Nomor versi berubah jadi [PHONE]. Lebih buruk lagi, kerusakannya tidak terlihat: Anda menyalin keluarannya, menempelkannya, dan baru belakangan tahu bahwa justru bagian yang dibutuhkan orang lain sudah hilang.
Karena itu setiap detektor di sini entah tidak ambigu secara struktur atau diverifikasi dengan checksum. Kartu kredit harus lolos pemeriksaan Luhn mod-10 yang dipakai semua jaringan kartu, artinya angka 16 digit yang dipilih acak hanya punya sekitar satu banding sepuluh peluang diterima, bukan kepastian. IBAN harus lolos pemeriksaan mod-97 ISO 13616. Deretan angka polos tidak pernah menjadi nomor telepon. Hasilnya menangkap sedikit lebih sedikit tetapi hampir tidak pernah merusak teks yang ingin Anda pertahankan, dan itulah pertukaran yang tepat untuk alat yang keluarannya akan segera Anda kirim ke orang lain.
Memilih gaya penggantian
Balok sensor mempertahankan bobot visual aslinya, dan itulah yang Anda inginkan untuk tangkapan layar atau dokumen yang harus tetap terlihat seperti dokumen. [REDACTED] adalah konvensi yang akrab di dunia hukum dan permintaan keterbukaan informasi, dan terbaca jelas dalam teks polos. Label jenis seperti [EMAIL] dan [CREDIT_CARD] memberi tahu apa yang dihapus, dan itu penting ketika sifat datanya adalah bagian dari penjelasan: laporan bug terbaca sangat berbeda kalau tertulis [API_KEY] dibandingkan kalau hanya ada balok hitam tanpa nama.
Placeholder bernomor adalah yang paling berguna sekaligus paling tidak kentara. Kemunculan berulang atas nilai yang sama mendapat nomor yang sama, jadi utas yang menyebut satu pelanggan empat kali menghasilkan empat [EMAIL_1], bukan empat kekosongan yang tak terbedakan. Dokumennya tetap runut: pembaca, atau model bahasa, masih bisa melihat bahwa orang yang sama muncul sepanjang teks, dan Anda bisa memetakannya kembali ke nilai asli belakangan kalau menyimpan dokumen aslinya.
Membersihkan teks sebelum prompt AI
Menempel log, tiket, dan dokumen internal ke asisten percakapan sudah menjadi rutinitas, dan kini itu salah satu jalur paling umum keluarnya data sensitif dari sebuah organisasi. Prompt itu pergi ke pihak ketiga, bisa disimpan, dan pada sebagian konfigurasi bisa ditinjau manusia atau dipakai untuk pelatihan. Sebagian besar waktu semua itu tidak diperlukan, karena yang dibutuhkan model adalah bentuk masalahnya, bukan alamat email asli pelanggan.
Melewatkan teks melalui penghapus data terlebih dahulu mempertahankan bagian yang berguna dan membuang bagian yang berisiko. Mode bernomor paling pas di sini: model masih bisa menalar siapa melakukan apa karena identitasnya tetap terbedakan dan konsisten, sementara nilai aslinya sama sekali tidak pernah muncul di dalam prompt. Kalau Anda perlu menindaklanjuti jawabannya, terjemahkan kembali placeholder itu di mesin Anda sendiri.
Mengapa penyensoran gagal di PDF dan gambar
Ada sejarah panjang dan memalukan tentang penyensoran yang ternyata tidak menyensor apa pun. Berkas pengadilan, laporan pemerintah, dan dokumen korporat pernah dipublikasikan dengan persegi hitam yang sekadar digambar di atas teks pada penampil PDF, sementara karakter aslinya utuh di bawahnya, bisa diseleksi, bisa disalin, dan berhasil dipulihkan hanya beberapa menit setelah terbit. Hal serupa terjadi ketika kuas hitam disapukan pada tangkapan layar yang lalu disimpan dalam format yang menyimpan lapisan atau gambar mini.
Sebabnya sederhana: persegi hitam itu instruksi menggambar, bukan penghapusan. Bekerja dengan teks polos menghapus seluruh kelas kegagalan itu, karena karakternya benar-benar diganti di dalam string: yang Anda salin adalah semua yang ada. Kalau Anda memang harus menyensor PDF, pakailah alat yang membuang teks di bawahnya, lalu buktikan dengan menyeret seleksi melewati balok hitam dan menempelkan hasilnya di tempat lain untuk melihat apa yang muncul.
Catatan tentang hal yang tidak bisa diketahui sebuah alat
Pengenal terstruktur bisa dideteksi karena punya bentuk. Nama orang, jabatan, rincian medis, nama sandi proyek internal, dan kalimat seperti "dia tinggal dua rumah dari klinik itu" tidak punya bentuk, dan tidak ada pencocok pola yang akan menemukannya. Penghapus data membuang kategori data sensitif yang bersifat mekanis; ia tidak membaca dokumennya untuk Anda.
Perlakukan keluarannya sebagai lintasan pertama yang andal membersihkan materi yang jelas, lalu bacalah sekali sebelum Anda mengirimnya. Hitungan apa saja yang dihapus ada di sana justru untuk membantu hal itu: kalau Anda mengira ada dua alamat email tetapi hanya satu yang ditemukan, selisih itu layak dilihat lagi.
Pertanyaan yang sering diajukan
Apa saja yang dihitung sebagai data pribadi di sini?
Apakah teks saya diunggah ke suatu tempat?
Apakah angka biasa dalam teks saya akan ikut rusak?
Bisakah dipakai sebelum menempel ke ChatGPT atau AI lain?
Kunci API dan token apa saja yang dikenali?
Apakah menghitamkan teks di PDF benar-benar menghapusnya?
Apa bedanya dengan generator teks tersensor?
Bisakah nilai aslinya dikembalikan?
Alat terkait
Lanjutkan dengan alat praktis ini