Dataset Universal — KiKai
Dataset pelatihan untuk model AI KiKai
Developer: Idin Iskandar
Bahasa utama: Indonesia (sebagian bilingual ID/EN)
Format: JSONL chat messages (kompatibel OpenAI / HuggingFace SFT)
Tentang Dataset
Dataset ini adalah kumpulan >4.600 pasangan tanya-jawab dan bacaan referensi berbahasa Indonesia yang dirancang untuk melatih model bahasa (LLM) agar:
- Menjawab pertanyaan pengetahuan umum (sains, sejarah, geografi, budaya, hewan, kuliner, dst.)
- Melakukan percakapan santai yang natural dan empatik
- Memiliki identitas konsisten sebagai KiKai — asisten AI karya Idin Iskandar
- Melakukan terjemahan Indonesia ↔ Inggris (kosakata & kalimat)
- Menghitung matematika dasar (aritmatika, perkalian, persen, geometri, romawi)
- Membantu di ranah coding & teknologi
- Menyadari batas pengetahuannya (anti-halusinasi dasar)
Format Data
Semua file .jsonl memakai skema chat messages — satu baris = satu contoh percakapan:
{"messages": [
{"role": "user", "content": "Ibu kota Jepang?"},
{"role": "assistant", "content": "Tokyo."}
]}
File .md berisi bacaan naratif (topik pengetahuan) yang bisa dipakai sebagai corpus continued pre-training atau retrieval context (RAG).
Struktur Direktori
dataset-universal/
├── README.md ← file ini
│
├── identity/ ← identitas & persona KiKai
│ ├── universal_persona.jsonl
│ └── kikai_developer.jsonl (NEW)
│
├── interaction/ ← percakapan sehari-hari
│ ├── casual_chat.jsonl
│ ├── casual_chat_lanjut.jsonl (NEW)
│ ├── emotional_support.jsonl (NEW — dukungan emosional + small talk)
│ └── batas_pengetahuan.jsonl (NEW — anti-halusinasi)
│
└── knowledge/ ← pengetahuan tematik
│
├── agama/
│ ├── agama_di_indonesia.md
│ └── qa_agama.jsonl
│
├── astronomi/
│ ├── astronomi_populer.md
│ └── qa_astronomi.jsonl
│
├── bahasa/
│ ├── bahasa_indonesia.md
│ ├── qa_bahasa.jsonl
│ ├── qa_kosakata_en_id.jsonl
│ ├── qa_kalimat_id_en.jsonl (NEW — 100 kalimat bilingual)
│ ├── qa_kata_kerja_en_id.jsonl (NEW — 88 kata kerja)
│ └── qa_angka_ke_kata.jsonl (NEW — angka 0-100)
│
├── budaya/
│ └── budaya_indonesia.md
│
├── ekonomi/
│ ├── dasar_ekonomi.md
│ └── qa_ekonomi.jsonl
│
├── filsafat/
│ └── qa_filsafat.jsonl
│
├── geografi/
│ ├── geografi_dunia.md
│ ├── qa_geografi.jsonl
│ ├── qa_ibukota_dunia.jsonl
│ ├── qa_provinsi_indonesia.jsonl
│ ├── qa_provinsi_indonesia_lengkap.jsonl (NEW — 38 provinsi)
│ └── qa_negara_detail.jsonl (NEW — mata uang/bahasa/benua)
│
├── hewan/
│ ├── dunia_hewan.md
│ ├── qa_hewan.jsonl
│ ├── qa_hewan_detail.jsonl
│ └── qa_hewan_lengkap.jsonl (NEW — habitat, kelas, ciri)
│
├── kuliner/
│ ├── kuliner_indonesia_dunia.md
│ └── qa_kuliner.jsonl
│
├── lingkungan/
│ ├── perubahan_iklim.md
│ └── qa_lingkungan.jsonl
│
├── matematika/
│ ├── kalkulus_aljabar.md
│ ├── qa_matematika_dasar.jsonl
│ ├── qa_matematika_tambahan.jsonl (NEW — 858 soal + konsep)
│ ├── qa_tabel_perkalian.jsonl (NEW — tabel 1-12)
│ └── qa_angka_romawi.jsonl (NEW)
│
├── olahraga/
│ ├── olahraga_dunia.md
│ └── qa_olahraga.jsonl
│
├── psikologi/
│ ├── pengantar_psikologi.md
│ └── qa_psikologi.jsonl
│
├── purba/
│ ├── dinosaurus_prasejarah.md
│ └── qa_purba.jsonl
│
├── sains_medis/
│ ├── fisika_dasar_kuantum.md
│ ├── kedokteran_anatomi.md
│ ├── qa_sains.jsonl
│ ├── qa_unsur_kimia.jsonl
│ └── qa_sains_umum.jsonl (NEW — fisika/kimia/biologi)
│
├── sejarah/
│ ├── sejarah_dunia.md
│ ├── sejarah_indonesia.md
│ ├── qa_sejarah_dunia.jsonl
│ ├── qa_sejarah_indonesia.jsonl
│ ├── qa_presiden_ri.jsonl
│ └── qa_sejarah_tambahan.jsonl (NEW — tokoh & peristiwa)
│
├── seni/
│ ├── seni_budaya.md
│ └── qa_seni.jsonl
│
├── teknologi/
│ ├── teknologi_dan_komputer.md
│ ├── qa_teknologi.jsonl
│ ├── qa_pemrograman.jsonl
│ └── qa_pemrograman_lanjut.jsonl (NEW — konsep + snippet kode)
│
├── tokoh/ (NEW)
│ └── qa_tokoh_dunia.jsonl (25 tokoh dunia)
│
└── umum/ (NEW)
├── qa_kalender_waktu.jsonl
├── qa_dasar_visual.jsonl (warna, bentuk, arah)
├── qa_konversi_satuan.jsonl
└── qa_tips_praktis.jsonl
Statistik
| Kategori | Total Entri |
|---|---|
| Matematika | ~1.100 |
| Bahasa & translasi | ~1.160 |
| Geografi | ~630 |
| Hewan | ~270 |
| Sejarah | ~130 |
| Sains & medis | ~100 |
| Teknologi/coding | ~90 |
| Interaction/chat | ~115 |
| Identity | ~75 |
| Lain-lain | ~950 |
| TOTAL JSONL | ~4.600+ |
Plus ~20 file markdown sebagai bacaan referensi.
Cara Pakai
Load dengan Python
import json, glob
data = []
for fp in glob.glob("dataset-universal/**/*.jsonl", recursive=True):
with open(fp, encoding="utf-8") as f:
for line in f:
data.append(json.loads(line))
print(f"Total contoh: {len(data)}")
print(data[0])
Load dengan HuggingFace datasets
from datasets import load_dataset
ds = load_dataset("json", data_files="dataset-universal/**/*.jsonl", split="train")
Fine-tuning SFT (Supervised)
Format messages sudah kompatibel dengan:
- OpenAI fine-tuning API
- Axolotl (
chat_template: chatml) - LLaMA-Factory
- Unsloth
- TRL SFTTrainer (via
apply_chat_template)
Konvensi Identitas
Sepanjang dataset, model secara konsisten menyebut dirinya:
- Nama: KiKai
- Developer: Idin Iskandar
- Sikap: membantu, jujur, empatik, mengakui batas pengetahuannya
Lisensi & Atribusi
- Referensi utama: Wikipedia, Britannica, National Geographic, IUCN, Kemdikbud, BPS, CIA World Factbook, dan pengetahuan umum.
- Dataset ini disusun dan diperluas oleh Idin Iskandar untuk pelatihan model KiKai.
- Silakan gunakan untuk keperluan riset/edukasi. Untuk penggunaan komersial, cek atribusi masing-masing sumber referensi.
Changelog
- v2 — Ditambahkan 2.246 entri baru: matematika (aritmatika, romawi, tabel perkalian), terjemahan kalimat & kata kerja EN↔ID, tips praktis, konversi satuan, tokoh dunia, provinsi Indonesia lengkap, negara & mata uang, hewan detail, sejarah tambahan, sains umum, pemrograman lanjut, dukungan emosional, dan batas pengetahuan.
- v1 — Baseline 2.371 entri.
Changelog v3
Ditambahkan ~1.460 entri baru di 4 kategori besar:
knowledge/hukum/— hukum umum, KUHP/KUHPerdata, pasal populer UUD 1945, ketenagakerjaan, pajak, situasi praktis, istilah hukum. (~220 entri)knowledge/kedokteran/— penyakit umum, obat, anatomi, PPPK, gejala→diagnosis. (~210 entri)interaction/dialog_multi_turn*.jsonl— dialog 3–6 giliran: konsultasi, medis, hukum, teknis, chit-chat. (~105 dialog)knowledge/reasoning/— Chain-of-Thought: soal cerita matematika, common sense, logika, sains-reasoning. (~925 entri)
Semua jawaban medis & hukum diberi disclaimer edukasi otomatis di akhir teks.
- Downloads last month
- 15