Kualitas model dibatasi oleh kualitas data — tema yang berulang sejak section Data dan Dataset . Untuk berlatih, kita beruntung: bidang ini memiliki tradisi membuka dataset publik yang panjang, sehingga pemula dapat bekerja dengan data yang sama seperti peneliti profesional. Pilihan dataset yang tepat menentukan kecepatan belajar: dataset terlalu besar memakan waktu training tanpa mengajarkan konsep baru, sementara dataset terlalu kecil menyembunyikan perilaku penting seperti overfitting. Chapter ini memetakan dataset publik penting per domain, portal pencariannya, dan daftar periksa untuk menilai kelayakan sebuah dataset.
Dataset Publik per Domain #
Tabel berikut memuat dataset yang paling sering dipakai dalam literatur dan praktik. Kolom Akses menunjukkan jalur resmi untuk mendapatkannya.
| Domain | Dataset | Skala | Akses |
|---|---|---|---|
| Visi | MNIST | 70.000 gambar digit tulisan tangan 28×28 | Bawaan torchvision dan Keras |
| Visi | CIFAR-10 | 60.000 gambar berwarna 32×32, 10 kelas | cs.toronto.edu/~kriz/cifar.html |
| Visi | ImageNet | Lebih dari 14 juta gambar berlabel | image-net.org , setelah persetujuan ketentuan |
| NLP | IMDB | 50.000 ulasan film berlabel sentimen | ai.stanford.edu/~amaas/data/sentiment |
| NLP | GLUE | Kumpulan tugas pemahaman bahasa Inggris | Portal benchmark GLUE |
| Audio | LibriSpeech | Sekitar 1.000 jam ucapan bahasa Inggris | openslr.org/12 |
| Audio | Mozilla Common Voice | Korpus multibahasa yang terus bertambah, termasuk bahasa Indonesia | commonvoice.mozilla.org |
| Tabular | UCI ML Repository | Ratusan dataset tabular lintas domain | archive.ics.uci.edu |
MNIST layak mendapat catatan khusus: halaman aslinya di server penulisnya dikenal sering tidak stabil, dan praktik terbaik saat ini adalah memuatnya lewat torchvision.datasets.MNIST atau keras.datasets.mnist — jalur bawaan framework yang juga menjamin integritas berkas. CIFAR-10 adalah undangan pertama yang bagus ke dunia citra berwarna: cukup kecil untuk dilatih di CPU dalam hitungan menit, cukup kaya untuk membuat kesalahan nyata terlihat. ImageNet berperan sebagai tolok ukur sejarah — kemenangan AlexNet di atasnya pada 2012 memicu gelombang deep learning modern — tetapi ukurannya menuntut penyimpanan dan komputasi besar, jadi perlakukan sebagai tujuan jangka panjang, bukan langkah awal.
Untuk domain teks, IMDB adalah dataset klasifikasi sentimen standar yang dipakai berulang kali di literatur dan siap dimuat dari pustaka resmi. GLUE berbeda perannya: kumpulan tugas beragam untuk mengukur kemampuan pemahaman bahasa secara umum, lebih relevan saat mengevaluasi model bahasa daripada saat belajar dasar. Di domain audio, LibriSpeech menawarkan ucapan bersih untuk pengenalan bicara klasik, sementara Common Voice menarik karena mencakup bahasa Indonesia dan lisensinya terbuka.
Portal Pencarian Dataset #
Tiga portal berikut menutupi hampir seluruh kebutuhan. Kaggle (kaggle.com/datasets
) menggabungkan dataset, notebook, dan kompetisi dalam satu situs — nyaman karena dataset kerap disertai analisis pendahuluan dari pengguna lain. Hugging Face Datasets (huggingface.co/datasets
) menyimpan ratusan ribu dataset untuk tugas teks, audio, dan gambar yang dapat dimuat dengan beberapa baris kode lewat pustaka datasets. UCI (archive.ics.uci.edu
) adalah kurator paling tua: koleksinya sederhana, terdokumentasi rapi, dan berukuran ramah pemula.
Menilai Kelayakan Dataset #
Sebelum berinvestasi waktu pada sebuah dataset, periksa empat hal berikut — kerangka yang sama dengan yang dipakai di section Data dan Dataset :
- Ukuran dan keseimbangan kelas — data yang timpang membuat akurasi menipu; pemeriksaan distribusi label selalu menjadi langkah pertama sebagaimana dibahas di chapter Data Imbalance .
- Kualitas label — cari laporan kesepakatan anotator; label yang bising membatasi akurasi maksimum model seberapa pun baik arsitekturnya.
- Dokumentasi dan lisensi — dataset serius menyertakan halaman dokumentasi yang menjelaskan cara pengumpulan dan batas penggunaan.
- Bias representasi — tanyakan populasi apa yang diwakili data; bias dataset meluber menjadi bias model, topik yang kita bahas tuntas di chapter Bias dan Fairness .
Dataset memberi bahan latih; tahap berikutnya justru memungkinkan kita melewati sebagian besar training dari nol. Chapter berikutnya memetakan pusat model pretrained, cara membaca model card, dan pilihan umum untuk tiap tugas.