Dataset Ingatan Lima Abad Ahmadie Thaha :  Kolumnis, Mantan wartawan Majalah Tempo dan Koran Republika, Pendiri dan Pengasuh Ma’had Tadabbur al-Qur'an.

CATATAN CAK AT, 13 Agustus 2026

 

                                                

 

Bermula dari dana Microsoft tahun 2005, British Library kini menyajikan 25 juta halaman buku tua dalam bentuk dataset di Hugging Face.   Coba bayangkan sebuah lorong buku yang membentang lima abad. Di sana menumpuk naskah filsafat, peta kuno, kitab agama, sastra, sejarah, hingga gambar fabel dari zaman yang sudah sangat jauh.   Lalu datang mesin pemindai. Kamera memotret tiap lembar. Komputer membaca tulisannya. Gambar dipisahkan dari halaman. Seluruh isi kertas perlahan berubah jadi data.   Itu kemudian membuat hari ini mahasiswa di Jakarta atau peneliti di Istanbul sudah tak perlu lagi terbang ke London, Inggris, untuk mencari data. Cukup buka laptop, ketik kata kunci, dan sebagian isi buku tua itu langsung muncul di layar.   Proyek raksasa ini bukan sekadar mengunggah berkas. Ini pemindahan ingatan manusia ke dalam mesin.   Semuanya bermula pada 2005. British Library di Inggris menggandeng Microsoft untuk memindai puluhan ribu buku langka terbitan 1510 sampai 1900. Microsoft waktu itu menggelontorkan dana jutaan dolar demi proyek ini.   Saat kemitraan selesai, British Library Labs melangkah lebih jauh. Pada 2013, mereka memotong lebih dari satu juta gambar ilustrasi dari halaman-halaman tersebut lalu melepasnya gratis ke Flickr Commons.   Sekarang, repositori alias simpanan raksasa berukuran 626 GB yang berisi 1,08 juta gambar dari 25 juta halaman buku itu dikemas ulang. Ia kini nongkrong di Hugging Face dengan nama British Library Book Images.   Datanya gila-gilaan. Bayangkan ukuran file sebesar 626 Gigabyte. Kalau Anda memakai ponsel pintar dengan kapasitas penyimpanan rata-rata 128 Gigabyte, data itu butuh hampir lima unit ponsel penuh untuk menampung seluruh gambarnya saja.   Belum lagi jika kita menghitung 25 juta halaman teks yang harus dibaca, diurai, dan disimpan dalam memori komputer. Angka itu jauh melampaui tumpukan lembar kertas fisik yang muat di dalam satu gedung perpustakaan biasa.   Inilah lautan informasi digital hasil ribuan tahun otak manusia. Buku tertuaya terbit tahun 1510. Itu artinya ada jejak pikiran manusia yang usianya sudah lebih dari lima abad.   Proyek digitalisasi tersebut meruntuhkan tembok gedung. Dulu, buku langka cuma punya satu alamat: London. Sekarang, data buku itu bisa pindah ke mana saja.   Ingatan lima abad lalu pun berubah menjadi bahan baku data. Buku bukan lagi sekadar benda di rak. Ia sudah jadi data yang bisa Anda cari, hitung, bandingkan, atau racik sebagai bahan melatih sistem kecerdasan buatan (AI).   Sederhananya, kumpulan data berukuran raksasa yang sudah dikelompokkan dan diatur agar mudah dibaca komputer itulah yang disebut dataset.   Jika buku biasa dibaca manusia lembar demi lembar, dataset adalah bahan mentah yang disantap sekaligus oleh komputer. Di dalamnya, ribuan teks, gambar, dan catatan pendukung sudah disusun sedemikian rupa agar mesin bisa langsung mengolahnya tanpa bingung.   Dengan begitu, peneliti bisa menghitung berapa kali kata tertentu muncul dalam ribuan buku. Ahli bahasa tinggal melacak pergeseran makna kata dari zaman ke zaman. Sejarawan bisa membandingkan cara sebuah bangsa menggambarkan kota, perang, hingga penyakit.   Mesin pun belajar mengenali pola dari semua itu. Tapi ada satu masalah besar. Koleksi ini bukan cermin jujur seluruh sejarah manusia. Ia cuma cermin yang memilih sudut pandangnya sendiri.   Dari 1,08 juta gambar di Hugging Face itu, sepertiganya berasal dari dekade 1890-an. Koleksi sebelum tahun 1800 cuma menyumbang 1,6 persen.   Kalau Anda memakai seluruh dataset itu untuk melatih AI tanpa membenahi pembagian datanya, AI Anda bakal terobsesi pada zaman Victoria dan tidak paham zaman lainnya.   Ada juga persoalan yang lebih mendasar. Mesin tidak memindai seluruh buku yang pernah ada di bumi. Mesin cuma memindai buku milik perpustakaan tertentu, yang kebetulan selamat dari bencana, lalu dipilih manusia untuk didigitalkan.   Mesin tidak pernah memilih sendiri makanannya. Manusia yang menentukan. Siapa yang memilih buku untuk dipindai, dialah yang menentukan pengetahuan apa yang kelak mudah ditemukan AI.   Proyek raksasa begini ternyata bukan cuma milik Inggris. Google Books di Amerika Serikat sudah duluan memindai lebih dari 40 juta buku dalam 400 bahasa. Untuk buku tanpa hak cipta, Google mengizinkan Anda mengunduhnya secara gratis.   Ada pula HathiTrust, hasil kerja sama kampus riset yang menyimpan 17 juta volume digital berisi 6,2 miliar halaman. Sistem mereka bahkan sanggup menganalisis teks jutaan buku sekaligus.   Di Eropa, platform Europeana menyatukan 60 juta objek warisan budaya dari ribuan museum dan galeri. Hebatnya, data di Europeana bisa ditarik lewat jalur API untuk bikin aplikasi baru.   Prancis juga punya situs Gallica milik Bibliothèque nationale de France yang menyediakan jutaan dokumen gratis.   Proyek-proyek itu membuat Barat bukan cuma menyelamatkan buku tua. Mereka sedang membangun bank ingatan manusia.   Lalu bagaimana dengan dunia Islam? Mereka tak kalah hebat. Turki memegang salah satu gudang ilmu terbesar. Perpustakaan Süleymaniye di Istanbul menyimpan 101.451 jilid manuskrip dan 78.034 jilid buku cetak.   Tapi untuk mengaksesnya, Anda masih harus melewati prosedur izin dan memesan salinan secara manual. Punya koleksi digital beda artinya dengan membuka pengetahuan untuk publik.   Arab Saudi mulai membenahi diri. Lembaga Raqmin di Riyadh sibuk mendigitalkan sumber sejarah lokal. Perpustakaan Masjid Nabawi bahkan punya 260 ribu judul manuskrip digital dan mengarsipkan 1,5 juta lembar dokumen per tahun.   Mesir punya cerita yang tak kalah keren. Perpustakaan Bibliotheca Alexandrina membangun platform digital DAR untuk mengelola koleksi buku dan manuskrip Arab.   Dunia Islam memang tak kekurangan gudang ilmu. Yang sering kurang cuma jalan digital menuju gudang itu.   Indonesia pun sudah bergerak lewat portal Khastara milik Perpusnas. Isinya naskah kuno Nusantara, koran lama, peta, dan foto sejarah yang diposting sejak 2019.   Kita memang sudah melakukan digitalisasi. Tapi pertanyaan sebenarnya: seberapa jauh kita memperlakukannya sebagai infrastruktur pengetahuan?   Namun, bikin berkas PDF saja tidak cukup. Pekerjaan justru baru dimulai setelah buku selesai dipindai. Teksnya harus bisa dibaca mesin pencari.   Aksara Arab-Melayu, Jawa, Sunda, Bugis, hingga Batak wajib ditranskripsi. Tiap halaman perlu metadata. Nama tokoh, tempat, dan istilah harus saling terhubung. Jika perlu, buka aksesnya lewat API agar peneliti tak perlu memotret ulang dari awal.   British Library memberi contoh bagus. Koleksi 25 juta halaman mereka ditaruh di Flickr Commons lalu dijadikan dataset terbuka (CC0) di Hugging Face. Siapa pun bebas mengambil dan mengolah data itu tanpa takut digugat hukum.   Bayangkan kalau kekayaan Nusantara diperlakukan sama. Kitab Jawi, Babad Jawa, Hikayat Melayu, manuskrip Aceh, naskah Bugis, hingga buku pesantren lama tidak sekadar dipindai jadi PDF.   Tiap halaman diberi identitas digital. Teksnya bisa dicari. Nama tokohnya terhubung. Naskah di Jakarta, Leiden, dan London bisa dibandingkan oleh mesin dalam hitungan detik.   Saat itulah kita berhenti sekadar menyelamatkan kertas dari rayap. Kita sedang menyelamatkan pemikiran dari kepunahan.   Kecerdasan buatan selama ini belajar dan mengandalkan kecerdasannya pada data yang tersedia di web. Makin banyak sebuah bahasa dan kebudayaan hadir dalam bentuk data digital yang rapi, makin besar peluang kebudayaan itu diwakili oleh AI.   Jika buku-buku Inggris dan Prancis melimpah di internet sementara naskah Nusantara langka, AI masa depan akan lebih paham sejarah London daripada sejarah Nusantara.   Itu bukan karena sejarah mereka lebih penting, tapi karena datanya lebih siap dibaca mesin.   Dulu, bangsa yang menguasai mesin cetak bisa menyebarkan gagasannya paling jauh. Sekarang, bangsa yang punya data paling lengkap di server yang bakal menentukan cara AI memandang dunia.   Mendigitalkan buku tua bukan kerjaan orang nostalgia yang hobi mencium bau kertas lapuk. Ini investasi strategis.   Buku yang tersimpan di lemari cuma menunggu pembaca yang datang. Buku yang diubah jadi data bakal menemukan pembacanya di seluruh dunia. ●   Sumber :   Tulisan Cak AT ini diterima langsung dari Ahmadie Taha