Penerapan Mikrosoft Presidio untuk Identifikasi dan Perlindungan Informasi Sensitif pada Data Pasien
Abstrak
Pemanfaatan data pasien dalam bentuk Electronic Medical Records (EMR) memberikan banyak manfaat, terutama untuk integrasi layanan kesehatan antar lembaga. Namun, di sisi lain, keberadaan data sensitif seperti usia dan nomor kontak menimbulkan risiko privasi yang perlu ditangani dengan serius. Penelitian ini bertujuan untuk meningkatkan perlindungan data pasien melalui penerapan Mikrosoft Presidio sebagai alat identifikasi informasi sensitif, serta optimalisasi teknik anonymization berbasis local recoding. Data yang digunakan berasal dari dataset sekunder berisi informasi pasien yang memiliki entitas PII DAN quasi-identifier. Pada tahap awal, Mikrosoft Presidio digunakan untuk mendeteksi dan menyamarkan informasi sensitif. Selanjutnya, local recoding dioptimalkan menggunakan grid search dengan menggunakan nilai ambang usia dan parameter k-anonymity sebagai acuan penilaian. Hasil pengujian menunjukkan bahwa kombinasi parameter terbaik terdapat pada nilai a = 43 dan k = 2, yang memberikan k-anonymity dan I-diversity lebih tinggi dibandingkan metode pembanding, yaitu rounding. Temuan ini menunjukkan bahwa local recording yang dioptimalkan mampu memberikan perlindungan privasi yang lebih baik tanpa menghilangkan utilitas data. Penelitian ini menegaskan bahwa penerapan Mikrosoft Presidio dan optimasi anonymization dapat menjadi pendekatan efektif untuk menjaga kemananan informasi pasien di lingkungan EMR.
Kata kunci: lokal recoding, rekam medis elektronik, pencarian grid, k-anonimity, teknik anonimisasi
Referensi
M. T. Neame et al., “Successful integration of an automated patient-reported outcome measure within a hospital electronic patient record,” Rheumatol. Adv. Pract., vol. 6, no. 3, p. rkac065, Sept. 2022, doi: 10.1093/rap/rkac065.
K.-H. Nguyen et al., “Cashing in: cost-benefit analysis framework for digital hospitals,” BMC Health Serv. Res., vol. 24, no. 1, p. 694, May 2024, doi: 10.1186/s12913-024-11132-7.
J. Andrew, R. J. Eunice, and J. Karthikeyan, “An anonymization-based privacy-preserving data collection protocol for digital health data,” Front. Public Health, vol. 11, p. 1125011, Mar. 2023, doi: 10.3389/fpubh.2023.1125011.
J. Fu, N. Wang, and Y. Cai, “Privacy-Preserving in Healthcare Blockchain Systems Based on
Lightweight Message Sharing,” Sensors, vol. 20, no. 7, p. 1898, Mar. 2020, doi: 10.3390/s20071898.
SunithaBJ, K. Sankar, A. Ayesha, and M. Islabudeen, “Different Approaches on Security, Privacy and Efficient Sharing of Electronic Health Records Using Blockchain Technology,” in Advances in Parallel Computing, D. J. Hemanth, T. N. Nguyen, J. Indumathi, and S. Lakshmanan, Eds., IOS Press, 2022. doi: 10.3233/APC220007.
M. Harary, “SHIELD: Secure Haplotype Imputation Employing Local Differential Privacy,” 2023,
arXiv. doi: 10.48550/ARXIV.2309.07305.
Y. Liu et al., “Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models,” 2024, arXiv. doi: 10.48550/ARXIV.2412.08276.
D. Penkov, P. Koprinkova-Hristova, N. Kasabov, S. Nedelcheva, S. Ivanovska, and S. Yordanov, “Grid Search Optimization of Novel SNN-ESN Classifier on a Supercomputer Platform,” in Large-Scale Scientific Computations, vol. 13952, I. Lirkov and S. Margenov, Eds., in Lecture Notes in Computer Science, vol. 13952. , Cham: Springer Nature Switzerland, 2024, pp. 435–443. doi: 10.1007/978-3-031-56208-2_45.
M. A. Rafif Tarigan, A. G. Putrada, and R. L. Wicaksono, “ElGamal Homomorphic Encryption with SMOTE for PET in Occupancy Monitoring by XGBoost,” in 2025 International Conference on Advancement in Data Science, E-learning and Information System (ICADEIS), Bandung, Indonesia: IEEE, Feb. 2025, pp. 1–6. doi: 10.1109/ICADEIS65852.2025.10933291.
N. Alrebdi, A. Alabdulatif, C. Iwendi, and Z. Lian, “SVBE: searchable and verifiable blockchain- based electronic medical records system,” Sci. Rep., vol. 12, no. 1, p. 266, Jan. 2022, doi: 10.1038/s41598- 021-04124-8.
S. Prabowo, A. G. Putrada, I. D. Oktaviani, and M. Abdurohman, “Camera-Based Smart Lighting
System that complies with Indonesia’s Personal Data Protection Act,” in 2023 International Conference on Advancement in Data Science, E-learning and Information System (ICADEIS), Bali, Indonesia: IEEE, Aug. 2023, pp. 1–6. doi: 10.1109/ICADEIS58666.2023.10271086.
T. Feng, R. Peri, and S. Narayanan, “User-Level Differential Privacy against Attribute Inference
Attack of Speech Emotion Recognition in Federated Learning,” 2022, doi: 10.48550/ARXIV.2204.02500.
S. Prabowo et al., “Privacy-Preserving Tools and Technologies: Government Adoption and
Challenges,” IEEE Access, vol. 13, pp. 33904–33934, 2025, doi: 10.1109/ACCESS.2025.3540878.
