Panduan · Kualitas & Keamanan

Content Guidelines

Panduan membuat dataset AI yang aman, legal, dan berkualitas menggunakan AXION DataForge. Anda bertanggung jawab penuh atas konten dataset yang Anda buat.

Versi 1.0Berlaku: 2 Oktober 2026
Peringatan. Karena AXION DataForge berjalan tanpa backend, kami tidak dapat memoderasi atau menghapus dataset yang Anda simpan di perangkat atau unggah ke repository Anda. Seluruh risiko hukum dan etis dari konten dataset menjadi tanggung jawab Anda sepenuhnya.

Konten yang Dilarang

Jangan gunakan AXION DataForge untuk membuat, menyimpan, atau mendistribusikan dataset yang berisi:

  • Data pribadi (PII) — nama, alamat, nomor telepon, email, KTP, data kesehatan, atau data identitas lain tanpa persetujuan yang sah dan sesuai peraturan perlindungan data (mis. UU PDP Indonesia, GDPR).
  • Konten ilegal — apa pun yang melanggar hukum di yurisdiksi Anda, termasuk instruksi kejahatan, peretasan yang merugikan, atau materi eksploitatif.
  • Hak cipta — materi berhak cipta tanpa lisensi atau tanpa memenuhi syarat penggunaan wajar (fair use / fair dealing).
  • Konten berbahaya — ujaran kebencian, pelecehan, kekerasan, malware, atau konten yang membahayakan kelompok rentan, termasuk anak-anak.
  • Informasi palsu atau menyesatkan yang dirancang untuk disinformasi atau penipuan.

Keamanan & Kepatuhan AI

  • Hormati Terms of Service penyedia layanan yang Anda gunakan bersama aplikasi ini (GitHub, model AI, dll.).
  • Jangan menggunakan dataset untuk melatih atau menyempurnakan model yang ditujukan untuk aktivitas berbahaya, penipuan, atau pelanggaran privasi.
  • Jika dataset Anda dikumpulkan dari web, pastikan Anda mematuhi ketentuan robots.txt, hak cipta, dan peraturan perlindungan data yang berlaku.

Standar Kualitas Dataset

  1. Skema yang konsisten. Gunakan struktur field yang seragam di seluruh record (mis. instruction, input, output). Validasi dengan tombol Validate sebelum menyimpan.
  2. Bebas duplikat. Hapus record duplikat untuk mencegah bias dan overfitting.
  3. Bahasa yang konsisten. Jika dataset multibahasa, beri label bahasa atau pisahkan ke berkas terpisah.
  4. Format yang tepat. Gunakan JSONL untuk training fine-tuning (satu record per baris), JSON untuk distribusi, dan XML sesuai kebutuhan sistem target.
  5. Dokumentasi. Sertakan catatan sumber, lisensi, dan metodologi pengumpulan data agar dataset dapat dipercaya dan digunakan ulang.

Atribusi & Lisensi

Saat mendistribusikan dataset (mis. melalui GitHub), cantumkan:

  • Sumber data dan lisensinya (mis. CC0, CC-BY, MIT, atau lisensi khusus).
  • Atribusi kepada pembuat data asli jika diwajibkan lisensi.
  • Pernyataan bahwa dataset dibuat dengan AXION DataForge (opsional, tetapi sangat kami apresiasi).

Pelanggaran Guidelines

Pelanggaran pedoman ini dapat mengakibatkan:

  • Pencabutan akses ke fitur integrasi (mis. penyalahgunaan token GitHub akan ditindaklanjuti oleh GitHub sesuai kebijakannya);
  • Penghentian dukungan dan pembaruan aplikasi;
  • Tindakan hukum jika terjadi pelanggaran hukum yang serius.

Untuk melaporkan penyalahgunaan atau meminta klarifikasi, hubungi axionneuralis@gmail.com.

Ingat. Dataset yang baik adalah dataset yang terdokumentasi, legal, dan menghormati privasi. Tim AXION Neuralis berkomitmen mendukung ekosistem AI yang bertanggung jawab.