---
license: apache-2.0
task_categories:
  - text-generation
language:
  - id
tags:
  - text
  - indonesian
  - continued_pretraining
  - domain-adaptation
  - news
  - crawling
  - playwright
size_categories:
  - 100M<n<1B
pretty_name: EOS Continued Pre-Training Dataset (Indonesia)
---

# EOS Continued Pre-Training Dataset (Indonesia)

## Deskripsi Dataset

**EOS Continued Pre-Training Dataset** adalah korpus teks bahasa Indonesia berskala besar (**~214.2 Juta Token**) yang dikurasi secara khusus untuk proses **Continued Pre-Training (CPT)** pada Large Language Models (LLM).

Dataset ini disusun sebagai bagian dari program **Artificial Intelligence Talent Factory (AITF)**, kolaborasi antara Kementerian Komunikasi dan Digital (Komdigi) Republik Indonesia dan Universitas Brawijaya[cite: 713]. Tujuan utamanya adalah melakukan *domain adaptation* agar model fondasi (seperti Qwen/Llama) memahami konteks lokal, regulasi, dan terminologi spesifik Indonesia pada dua domain strategis:

1.  **Pengawasan Ruang Digital (PRD)**
2.  **Digital Talent Pool (DTP)**

## Komposisi Data

Total volume dataset adalah **214.2 Juta Token** yang terbagi menjadi tiga subset utama[cite: 65, 786]:

| Kategori | Deskripsi Domain | Sumber Data | Token (M) | Proporsi |
| :--- | :--- | :--- | :--- | :--- |
| **DTP** (Digital Talent Pool) | Berfokus pada pengembangan SDM digital, kebijakan talenta, standar kompetensi (SKKNI), tren okupasi TIK, dan pelatihan vokasi[cite: 109, 156]. | Kemnaker, BPSDM Komdigi, LinkedIn, Job Portals, CNBC Indonesia, CNN Indonesia[cite: 786]. | **94 M** | 43.9% |
| **PRD** (Pengawasan Ruang Digital) | Berfokus pada isu patologi sosial di ruang digital seperti judi online, hoaks/disinformasi, penipuan siber, perlindungan data pribadi, dan regulasi ITE[cite: 108, 156]. | Tribunnews, Republika, Antara, Tempo, Siaran Pers Komdigi[cite: 786]. | **92 M** | 42.9% |
| **General** (Regularization) | Pengetahuan umum, sejarah, geografi, dan budaya Indonesia untuk mencegah *catastrophic forgetting* dan menjaga kemampuan bahasa baku[cite: 786]. | Wikipedia Bahasa Indonesia (Filtered Dump)[cite: 786]. | **28.2 M** | 13.2% |
| **TOTAL** | | | **214.2 M** | **100%** |

## Metodologi Pengumpulan Data (Crawling)

Pengumpulan data dilakukan menggunakan teknik **Web Crawling** tingkat lanjut untuk menangani situs web modern yang dinamis[cite: 495].

### Infrastruktur Crawling: Playwright
Berbeda dengan metode *scraping* konvensional, dataset ini dibangun menggunakan framework **Playwright** dengan Python[cite: 512]. Pendekatan ini dipilih karena:

* **Handling Dynamic Content (CSR):** Banyak portal berita menggunakan *Client-Side Rendering* yang memuat konten secara asinkron. Playwright memungkinkan eksekusi JavaScript penuh (headless browser) untuk menangkap konten yang tidak ada di HTML statis[cite: 497, 513].
* **Asynchronous I/O:** Dibangun di atas `asyncio` untuk melakukan *request* secara paralel (concurrency) dengan efisiensi tinggi[cite: 507].
* **Anti-Bot Detection:** Menggunakan teknik *stealth* seperti rotasi *User-Agent* dan penghapusan properti `navigator.webdriver` untuk menghindari blokir[cite: 570, 571].

## Struktur dan Format Data

Dataset ini disajikan dalam format **Raw Text (.txt)** untuk memudahkan proses *streaming* saat pelatihan.

* **Format File:** `.txt`
* **Separator Dokumen:** Token `<im_end>`
* **Struktur:** Seluruh artikel digabungkan menjadi satu file teks panjang. Akhir dari setiap artikel/dokumen ditandai dengan token `<im_end>`.

### Contoh Format (Raw Text)
```text
Kementerian Komunikasi dan Digital terus menggalakkan pemberantasan judi online... [Konten Artikel 1] ...bertujuan melindungi masyarakat.
<im_end>