AksaraLLM Bahasa Daerah v1Korpus pretraining untuk 8 bahasa daerah Indonesia, dihimpun dari Wikipedia snapshot Nov 2023.
Bahasa
ISO code
Rows (articles)
Notes
Bahasa Jawa
jv
73,380
Substantial
Bahasa Sunda
su
61,555
Substantial
Bahasa Minangkabau
min
227,143
Largest; ⚠️ contains many bot-generated stub articles
Bahasa Aceh
ace
13,003
Moderate
Bahasa Bugis
bug
15,880
Moderate
Bahasa Bali
ban
20,986
Moderate
Bahasa Banjar
bjn
10,519
Small
Bahasa Madura
mad
1… See the full description on the dataset page:
https://huggingface.co/datasets/AksaraLLM/aksara-bahasa-daerah-v1.
