datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
mc4-idA thoroughly cleaned version of the Italian portion of the multilingual
colossal, cleaned version of Common Crawl's web crawl corpus (mC4) by AllenAI.
Based on Common Crawl dataset: "https://commoncrawl.org".
This is the processed version of Google's mC4 dataset by AllenAI, with further cleaning
detailed in the repository README file.t5gemma2-indonesia-instruct-v1
T5Gemma-2 Indonesian Instruct — Mono-Repo
Satu repositori dataset HF untuk seluruh data pelatihan T5-Gemma-2 bahasa Indonesia.
Diorganisasi per fungsi (fondasi → spesifik → preferensi) dengan folder/subfolder,
setiap config = folder dan berisi split train + validation (80:20) di level percakapan.
Struktur (by fungsi)
t5gemma2-indonesia-instruct-v1/
├── README.md
├── manifest.json
├── chat_idx_map.json
├── foundation/ ← FASE 1 · fondasi Bahasa… See the full description on the dataset page: https://huggingface.co/datasets/daruokta/t5gemma2-indonesia-instruct-v1.Corpus-Indonesiaindonesian-krama-ngoko
Krama Ngoko Jawa 🇮🇩
Dataset tingkatan bahasa Jawa — Ngoko (kasar/sehari-hari), Krama (halus), Krama Ingge (paling halus). Satu makna, tiga cara ngomong, tergantung siapa lawan bicara.
Kenapa dataset ini ada?
Bahasa Jawa punya sistem undha-usuk (tingkatan bahasa) yang bikin LLM kewalahan — model sering nyampur ngoko & krama dalam satu kalimat. Dataset ini ngajarin model kapan pakai tingkatan yang mana. Dataset tingkatan bahasa Jawa di HF belum ada yang bagus —… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-krama-ngoko.Indonesian-Legal-Reasoning-QA
Indonesian Legal Reasoning & Instruction QA Dataset (ID-Legal-Reasoning-QA)
Repositori ini memuat dataset resmi instruksi penalaran hukum (Chain-of-Thought Legal Reasoning) berdaulat Indonesia yang dikurasi dan dipublikasikan oleh Dahono Labs (PT Dahono Consulting Agency).
Dataset ini dirancang khusus untuk memfasilitasi pelatihan terarah (Supervised Fine-Tuning / SFT), penyelarasan preferensi (RLHF / GRPO / DPO), serta evaluasi tolok ukur (benchmarking) model bahasa besar (LLM)… See the full description on the dataset page: https://huggingface.co/datasets/DahonoLabs/Indonesian-Legal-Reasoning-QA.garuda-indonesian
Garuda Dataset
The Garuda Dataset is a large-scale collection of question-answer pairs in the Indonesian language. It consists of over 3.8 million entries designed to support such as question-answering, information retrieval, and conversational AI.
Dataset Information
Language: Indonesian
Dataset Size: 3,812,494
Data Type: Text
Source: [community contributions, public datasets, etc.]
Purpose: This dataset is intended for research and development in NLP, particularly for… See the full description on the dataset page: https://huggingface.co/datasets/SweatGuard2/garuda-indonesian.indonesian-reasoning
Soal Reasoning Bahasa Indonesia 🧠
Kumpulan 320 soal penalaran bahasa Indonesia (logika, matematika dasar, pola, deduksi) — gaya soal TPA/SNBT. Tiap soal punya 4 pilihan jawaban, kunci jawaban, dan penjelasan.
Kenapa dataset ini ada?
Gap besar di HF: tidak ada dataset reasoning berbahasa Indonesia yang berformat pilihan ganda + penjelasan. Kebanyakan soal reasoning internasional (GSM8K, ARC) cuma versi Inggris. Dataset ini ngisi itu: buat evaluasi model bahasa… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-reasoning.indonesian-recipes
Resep Masakan Indonesia 🍛
Kumpulan resep masakan Indonesia autentik — dari rendang sampai es cendol, lengkap dengan bahan, langkah, tingkat kesulitan, waktu, dan daerah asal.
Kenapa dataset ini ada?
Resep adalah salah satu konten paling dicari untuk LLM (assistant masak) — tapi dataset resep Indonesia di HF nyaris kosong (cuma 1 yang 34 likes). Gw isi gap itu dengan resep-resep yang benar-benar asli Indonesia, bukan versi western yang diterjemahkan.… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-recipes.t5gemma2-indonesia-chat-formatted
T5Gemma-2 Indonesian Chat & QA Dataset
A high-quality Indonesian language multi-turn conversation and reading comprehension dataset, specifically formatted for instruction tuning of sequence-to-sequence (Seq2Seq) models like T5-Gemma / T5-Gemma-2.
Dataset Description
This dataset contains over 7,400 multi-turn conversations and document-based Q&A in Bahasa Indonesia. It covers diverse topics including everyday life, technology, general knowledge, and structured… See the full description on the dataset page: https://huggingface.co/datasets/daruokta/t5gemma2-indonesia-chat-formatted.NCD_Instruct-Tuning_Medical_QA_Indonesian
IndoHealth-NLP Vol. 2: NCD Instruct-Tuning Medical QA (Sample)
📁 VIEW & DOWNLOAD SAMPLE FILES HERE
⚠️ DATASET LIMITATION NOTE:
This repository contains a FREE SAMPLE (200 rows) for evaluation purposes. To download the full, production-ready dataset containing 3,497 meticulously curated rows, please visit our official Gumroad page: [https://3929431511879.gumroad.com/l/IndoHealth-NLPVol2NCDInstruct-TuningMedicalQAIndonesian]
Dataset Summary
Building localized… See the full description on the dataset page: https://huggingface.co/datasets/IndoHealth-NLP/NCD_Instruct-Tuning_Medical_QA_Indonesian.kamus-besar-bahasa-indonesiaTumpeng-1-Indonesian
Synthetic Indonesian dataset with Llama 3 70B
Tumpeng contains 14.8M words of 48.6K input-output pairs of Indonesian question-answering. It is intended to fine-tune Llama 3 8B, which has limited Indonesian language capabilities, to properly respond in Indonesian.
It is a research preview dataset and not curated for factual accuracy or safety. Use this dataset at your discretion.
Out of scope use
Commercial use
Fine-tuning non-Llama 3 models
Supported tasks… See the full description on the dataset page: https://huggingface.co/datasets/afrizalha/Tumpeng-1-Indonesian.alpaca-cleaned-indonesian
🦙🛁 Cleaned Alpaca Dataset (INDONESIAN)
Welcome to the Cleaned Alpaca Dataset repository! This repository hosts a cleaned and curated version of a dataset used to train the Alpaca LLM (Large Language Model). The original dataset had several issues that are addressed in this cleaned version.
On April 8, 2023 the remaining uncurated instructions (~50,000) were replaced with data from the GPT-4-LLM dataset. Curation of the incoming GPT-4 data is ongoing.
A 7b Lora model (trained on… See the full description on the dataset page: https://huggingface.co/datasets/ilhamfadheel/alpaca-cleaned-indonesian.id_newspapers_2018
Dataset of Indonesian Online Newspaper
This is a copy of dataset created by Feryandi Nurdiantoro (https://github.com/feryandi/Dataset-Artikel). The original dataset in json format is stored uncompressed in Google Drive in more than 500K files, one file per article. Unfortunately, due to its size, it is impossible to download the whole dataset as one big compressed file (it takes forever to compress it online). Therefore I provide here a copy and its cleaned version as compressed… See the full description on the dataset page: https://huggingface.co/datasets/indonesian-nlp/id_newspapers_2018.indonesian-dialogue-scenarios
Indonesian Dialogue Scenarios
150+ percakapan sehari-hari orang Indonesia di 10 situasi (warung kopi, pasar, kantor, rumah sakit, bank, sekolah, stasiun, restoran, bengkel, salon). Dialog natural campur bahasa gaul & formal, 4-8 giliran, lengkap dengan tone dan setting.
Detail
Jumlah record: 150
Format: JSONL, satu objek per baris
Field: id, scenario, participants, dialogue, tone, setting
ID: kontigu 1..150, tanpa duplikat
Contoh
{
"id": 1… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-dialogue-scenarios.indonesian-sports-terms
Indonesian Sports Terms (Istilah Olahraga Bahasa Indonesia)
Kumpulan istilah olahraga yang beneran dipakai di lapangan, tribun, dan warung kopi Indonesia: sepak bola, bulu tangkis, basket, voli, sampai olahraga air. Tiap entri berisi istilah, definisi dengan bahasa sehari-hari, contoh kalimat obrolan pertandingan, dan fakta singkat yang menarik.
Isi
125 istilah olahraga yang sering dipakai
Kategori: sepak bola (gawang, offside, VAR, hattrick), bulu tangkis (kok… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-sports-terms.Indonesia-dialog-eliana
Indonesian Dialogue Dataset
Deskripsi
Indonesian Dialogue-eliana adalah dataset percakapan kecil berbahasa Indonesia yang dibuat untuk penelitian, pembelajaran, dan eksperimen dengan model bahasa ringan, chatbot, serta sistem AI pribadi dengan satu persona.
Dataset ini disusun dalam bentuk pasangan percakapan, di mana masukan pengguna dipetakan ke respons asisten.
Contoh Format
{
"YOU": "halo",
"ELIANA": "hai"
}
Saat digunakan untuk pelatihan… See the full description on the dataset page: https://huggingface.co/datasets/okgoo/Indonesia-dialog-eliana.indonesian-slang-lexicon
Kamus Bahasa Gaul Indonesia 🇮🇩
Kumpulan 520 istilah bahasa gaul Indonesia yang dipakai anak muda sehari-hari — lengkap dengan arti, contoh kalimat, dan tingkat formalitas.
Kenapa dataset ini ada?
Model bahasa Indonesia biasanya cuma diajarin bahasa baku. Padahal orang Indonesia ngobrol pakai bahasa gaul: "bre", "gabut", "baper", "mager", "wkwk". Kalau model ga paham istilah ini, percakapannya kedengeran kaku — kayak teks terjemahan.
Dataset ini ngisi gap itu:… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-slang-lexicon.indonesian-formalization
Formalisasi Bahasa Indonesia 🇮🇩
Kumpulan 99 pasangan kalimat informal → formal bahasa Indonesia. Buat model yang bisa ngalihin gaya bahasa: dari ngobrol santai ("gw lagi gabut nih") ke bahasa formal ("saya sedang tidak ada kegiatan").
Kenapa dataset ini ada?
Satu model yang bisa dua gaya itu penting buat banyak use-case: customer service, dokumen resmi, email kerja. Model yang cuma diajarin bahasa santai bakal kaku pas disuruh bikin surat resmi — dan sebaliknya.… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-formalization.indonesian-idioms
Idiom & Ungkapan Bahasa Indonesia 🗯️
Kumpulan 172 idiom/ungkapan khas Indonesia — dari "banting setir" sampai "gulung tikar", lengkap dengan makna harfiah (kocak), makna kiasan, dan contoh pemakaian.
Kenapa dataset ini ada?
LLM sering gagal paham bahasa kiasan — "cuci tangan" bukan soal mencuci. Dataset idiom Indonesia di HF belum ada (cuma Korea/Norwegia/China). Ini yang pertama: 172 ungkapan yang beneran dipakai orang Indonesia sehari-hari.
Isi… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-idioms.indonesian-numbers-expressions
Ungkapan Angka Indonesia 🔢
Angka ga cuma buat hitung — di bahasa Indonesia, angka jadi bagian idiom. Setengah hati, dua muka, seribu satu alasan. Dataset ini ngumpulin ungkapan-ungkapan angka yang dipakai orang Indonesia sehari-hari.
Kenapa dataset ini ada?
LLM sering salah artiin ungkapan angka secara literal — dua muka bukan dua wajah, setengah hati bukan separuh jantung. Dataset ini bantu model paham makna kiasan. Belum ada dataset ungkapan angka bahasa… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-numbers-expressions.indonesian-jokes
Tebak-Tebakan & Jokes Indonesia 😂
Kumpulan 246 tebak-tebakan & jokes Indonesia — dari klasik sampai bapak-bapak jokes, pantun lucu, dark jokes ringan.
Kenapa dataset ini ada?
Humor adalah ujian tertinggi natural language — LLM yang bisa bikin orang Indonesia ketawa berarti paham konteks budaya. Dataset humor Indonesia di HF belum ada; ini yang pertama.
Isi
Field
Tipe
Contoh
setup
string
"Kenapa ayam kalau berkokok matanya merem?"… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-jokes.indonesian-proverbs
Peribahasa Indonesia 🪷
Kumpulan 152 peribahasa Indonesia (paribasan) — lengkap dengan makna, contoh pemakaian, dan asal daerah.
Kenapa dataset ini ada?
Peribahasa adalah kekayaan bahasa yang paling sering salah dipahami LLM (sering diartikan literal). Dataset ini ngajarin model makna kiasan: "Bagai air di daun talas" bukan soal air, tapi soal orang yang gampang berubah pendirian.
Isi
Field
Tipe
Contoh
proverb
string
"Sedia payung sebelum… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-proverbs.indonesian-dfk-cpt-dataset
Indonesian DFK Domain CPT Corpus
Dataset Description
Dataset ini merupakan korpus teks Bahasa Indonesia untuk kebutuhan Continued Pre-Training atau CPT pada domain DFK, yaitu domain yang berkaitan dengan topik-topik yang sering menjadi sasaran disinformasi, fitnah, dan kebencian di Indonesia.
Istilah DFK dalam dataset ini tidak berarti bahwa teks berisi disinformasi, fitnah, atau ujaran kebencian. DFK di sini merujuk pada domain atau topik yang sering menjadi sasaran DFK… See the full description on the dataset page: https://huggingface.co/datasets/aikathata/indonesian-dfk-cpt-dataset.indonesian-onomatopoeia
Indonesian Onomatopoeia
147 kata tiruan bunyi (onomatope) bahasa Indonesia beserta sumber bunyi, contoh kalimat alami, dan kategori. Khusus onomatope yang benar-benar dipakai penutur Indonesia sehari-hari: suara hewan, gejala alam, bunyi benda, dan bunyi yang keluar dari manusia.
Isi
147 entri onomatope
Kategori: hewan (35), alam (16), benda (61), manusia (35)
source: sumber bunyi (kucing, ayam jantan, ombak, piring pecah, mendengkur, dll.)
usage: contoh kalimat… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-onomatopoeia.indonesian-weather-terms
Indonesian Weather Terms
Kumpulan istilah cuaca dan musim yang beneran dipakai orang Indonesia sehari-hari: dari hujan gerimis, panas terik, sampai angin fohn dan La Nina. Setiap entri ditulis dengan bahasa rakyat biasa, bukan bahasa buku meteorologi, lengkap dengan contoh kalimat wajar dari obrolan nyata.
Isi
130 istilah cuaca & musim populer di Indonesia
5 kategori: cuaca, musim, angin, langit, fenomena_alam
Setiap item: id, term, definition (penjelasan awam… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-weather-terms.indonesian-euphemisms
Eufemisme Bahasa Indonesia 🤫
Kumpulan 170 eufemisme/kata santun bahasa Indonesia — dari "meninggal dunia" sampai "penyesuaian harga", lengkap dengan konteks, tingkat formalitas, dan alasan.
Kenapa dataset ini ada?
Orang Indonesia terkenal dengan kesantunan berbahasa — tapi LLM sering gagal menangkap nuansa ini. "Kurang mampu" bukan soal kemampuan. "Dirumahkan" bukan soal rumah. Dataset eufemisme Indonesia di HF belum ada — ini yang pertama.
Isi… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-euphemisms.indonesian-honorifics
Panggilan Hormat Nusantara: Indonesian Honorifics
Gelar dan kata panggilan hormat yang benar-benar dipakai orang Indonesia — dari "Pak" dan "Bu" yang ada di mana-mana, sampai "Ompung" di Tanah Batak, "Daeng" di Makassar, "Raden" di Jawa, dan "Tengku" di Melayu. Setiap panggilan membawa cerita: ada yang soal keluarga, ada yang soal bangsawan, ada yang soal agama, ada yang soal dagang di pasar.
Isi dataset
120 panggilan hormat dengan kolom:
kolom
arti
id… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-honorifics.indonesian-kitchen-terms
Indonesian Kitchen Terms (Istilah Dapur Bahasa Indonesia)
Kumpulan istilah dapur dan masakan Indonesia: alat dapur, teknik masak, bumbu-bumbu, sampai nama masakan Nusantara dari Sabang sampai Merauke. Tiap entri berisi istilah, definisi singkat dengan bahasa sehari-hari, contoh kalimat obrolan dapur, dan fakta singkat yang menarik.
Isi
147 istilah yang beneran dipakai di dapur Indonesia
Kategori: alat dapur (wajan, cobek, dandang, kukusan), teknik masak (menumis… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-kitchen-terms.indonesian-agent-tooluse
Agent Tool-Use Bahasa Indonesia 🤖
Dataset 241 contoh function-calling / tool-use berbahasa Indonesia — instruksi user natural + tool definitions + tool calls yang tepat + response.
Kenapa dataset ini ada?
Tool-calling adalah tren paling panas di HF (orca-agentinstruct 466 likes, Toucan 226, DeepScaleR 205) — tapi tidak ada satu pun dataset tool-use berbahasa Indonesia. Model lokal yang bisa panggil tool (cek cuaca, booking, cari rute) dalam bahasa Indonesia = gap… See the full description on the dataset page: https://huggingface.co/datasets/LorthGyu/indonesian-agent-tooluse.