KiKai Universal 7B

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.