Ketika perusahaan-perusahaan teknologi raksasa berlomba mengumpulkan data untuk melatih model kecerdasan buatan, sebuah pertanyaan besar mulai bergema di ruang redaksi: apakah aset terbesar media massa selama ini—yakni ribuan hingga jutaan artikel yang tersimpan di server—bisa diubah menjadi sumber pendapatan baru yang sah, etis, dan berkelanjutan? Mozilla Data Collective (MDC) menawarkan jawaban yang layak untuk dipertimbangkan secara serius.
Apa Itu Mozilla Data Collective?
Mozilla Data Collective adalah inisiatif yang diluncurkan oleh Mozilla Foundation—organisasi nirlaba di balik browser Firefox—untuk membangun ekosistem pengumpulan dan distribusi data guna melatih model-model kecerdasan buatan. Yang membedakan MDC dari praktik serupa yang dilakukan perusahaan teknologi besar adalah satu hal fundamental: pendekatan berbasis izin aktif atau opt-in.
Dalam tatanan industri AI saat ini, sebagian besar data pelatihan diperoleh melalui web crawling massal—robot yang menyapu seluruh internet tanpa permisi. Pendekatan ini telah melahirkan sengketa hukum di berbagai negara, termasuk gugatan dari penerbit besar seperti The New York Times terhadap OpenAI. MDC hadir sebagai alternatif: platform di mana pemilik data—mulai dari individu hingga lembaga media—dapat secara sadar memilih untuk berkontribusi, menetapkan syarat penggunaan, dan bahkan memperoleh kompensasi finansial.
Mozilla sendiri bukan pemain baru dalam urusan privasi dan keterbukaan digital. Dengan ratusan juta pengguna Firefox di seluruh dunia dan reputasi panjang sebagai pembela internet terbuka, Mozilla memposisikan MDC sebagai langkah untuk mendemokratisasi kecerdasan buatan: memastikan bahwa akses ke data berkualitas tidak hanya menjadi hak eksklusif perusahaan bermodal triliunan dolar.
Bagaimana MDC Bekerja untuk Pengguna Biasa
Bagi pengguna Firefox, partisipasi dalam MDC bersifat sepenuhnya sukarela. Tidak ada data yang diambil tanpa sepengetahuan dan persetujuan aktif pengguna. Sistem telemetri Firefox—yang mencakup data interaksi teknis dan penggunaan browser—hanya aktif jika pengguna secara eksplisit mengizinkannya melalui pengaturan privasi.
Untuk memeriksa apakah Anda berpartisipasi, buka Settings → Privacy & Security → Firefox Data Collection and Use. Di bagian ini, terdapat beberapa opsi yang bisa dinonaktifkan jika Anda menginginkan privasi penuh: izin pengiriman data teknis dan interaksi, izin menjalankan studi riset, serta izin pengiriman laporan crash. Jika Anda belum pernah mengaktifkan opsi-opsi tersebut, data Anda kemungkinan besar tidak sedang dikumpulkan.
Satu hal yang melegakan bagi pengguna yang baru menyadari fitur ini aktif: Mozilla menyatakan bahwa ketika pengguna mencabut izin pengiriman data teknis, data yang sebelumnya telah terkirim akan dihapus dari sistem mereka dalam kurun waktu 30 hari. Ini adalah mekanisme kontrol yang jarang ditemukan pada platform pengumpulan data lain.
Potensi Ekonomi: Dari Data Pasif Menjadi Aset Aktif
Di sinilah titik yang paling relevan bagi lembaga media massa. MDC bukan sekadar platform pengumpulan data—ia dirancang sebagai pasar data yang adil. Dalam arsitektur ekonominya, terdapat tiga aktor utama yang bisa meraih manfaat: pemilik atau kontributor data, Mozilla sebagai pengelola platform, dan pembeli data yang umumnya adalah pengembang AI, startup teknologi, atau lembaga riset.
Model pendapatan yang ditawarkan MDC cukup radikal dibandingkan standar industri. Kontributor data—termasuk media massa—bisa mendapatkan hingga 100 persen dari nilai transaksi penjualan dataset mereka. Mozilla hanya memungut biaya administrasi sebesar sekitar lima persen dari sisi pembeli untuk membiayai operasional infrastruktur platform. Ini berarti jika sebuah dataset berita dijual seharga Rp10 juta, media yang menjualnya bisa menerima penuh Rp10 juta tersebut.
Lebih dari sekadar model bisnis, MDC juga menjawab masalah struktural yang sedang melanda industri AI global: krisis ketersediaan data berkualitas. Para peneliti dan insinyur AI kini menyebutnya sebagai ‘token crisis’—kondisi di mana model-model bahasa besar mulai kehabisan data pelatihan yang benar-benar bersih dan bermakna. Data yang dikurasi secara manual oleh manusia, seperti artikel jurnalistik, memiliki nilai jauh lebih tinggi dibandingkan teks hasil scraping acak dari internet yang penuh dengan spam, kesalahan ejaan, dan misinformasi.
Mengapa Media Massa Berada di Posisi Strategis
Dalam ekosistem MDC, lembaga media massa memiliki keunggulan komparatif yang sulit ditandingi oleh tipe kontributor data lain. Selama puluhan tahun beroperasi, redaksi telah menghasilkan tiga jenis aset data yang paling dicari oleh pengembang AI.
Arsip Teks Berkualitas Tinggi
Artikel berita yang ditulis oleh jurnalis profesional memiliki atribut yang sangat berharga untuk pelatihan model bahasa: tata bahasa yang baku, struktur narasi yang jelas, konteks faktual yang terverifikasi, dan keberagaman topik yang luas. Berbeda dengan teks dari media sosial yang penuh singkatan, hoaks, dan bahasa informal, arsip berita adalah ‘emas murni’ dalam dunia pelatihan AI.
Konten Bahasa Daerah yang Langka
Ini adalah peluang yang sering luput dari perhatian. Indonesia memiliki ratusan bahasa daerah, dan banyak media lokal yang telah memproduksi konten dalam bahasa Jawa, Sunda, Minang, Bugis, dan lain-lain selama bertahun-tahun. Data ini adalah aset yang sangat langka di tingkat global. Perusahaan seperti Google dan OpenAI kekurangan data bahasa daerah Indonesia yang berkualitas, sehingga media lokal yang memiliki arsip semacam ini dapat menjual dataset mereka dengan harga premium.
Pasangan Artikel-Ringkasan
Jurnalis secara rutin menulis ringkasan berita, abstrak, atau saripati laporan panjang. Pasangan antara artikel asli yang panjang dan ringkasan buatan jurnalis adalah format data yang paling dicari saat ini untuk melatih kemampuan peringkasan (summarization) model AI. Ini adalah jenis data yang tidak bisa dengan mudah diciptakan oleh mesin—ia membutuhkan intuisi editorial manusia.
Perbandingan Model Pengumpulan Data
Sebelum memutuskan untuk bergabung dengan MDC, penting bagi publisher untuk memahami bagaimana MDC berbeda dari praktik pengumpulan data konvensional.
| Aspek | Pengumpulan Data Tradisional | Mozilla Data Collective |
| Model Izin | Opt-out (tersembunyi di TOS) | Opt-in aktif (persetujuan eksplisit) |
| Tujuan Data | Iklan & profiling pengguna | Riset AI & dataset publik/komunitas |
| Kepemilikan | Milik perusahaan privat | Dikembalikan ke komunitas/publik |
| Kompensasi | Tidak ada bagi kontributor | Hingga 100% hasil penjualan |
| Transparansi | Minimal | Penuh—termasuk siapa pembeli data |
| Kontrol Lisensi | Tidak ada | Publisher menentukan syarat penggunaan |
Langkah Strategis Publisher untuk Memanfaatkan MDC
Bergabung dengan MDC bukan sekadar mendaftarkan akun dan mengunggah file. Agar dataset media massa benar-benar bernilai tinggi di pasar dan mampu menarik pembeli premium, diperlukan serangkaian persiapan teknis dan strategis yang terstruktur.
Pertama: Audit dan Inventarisasi Data
Langkah awal adalah memetakan apa yang dimiliki redaksi. Ini bukan hanya tentang menghitung jumlah artikel, tetapi tentang memahami kualitas dan struktur data yang tersimpan. Kategorisasi berdasarkan jenis konten (artikel berita, opini, transkrip wawancara, naskah podcast, konten bahasa daerah) menjadi sangat penting, karena berbeda jenis data akan menarik berbeda segmen pembeli. Tim IT perlu memeriksa apakah arsip lama masih dalam format yang konsisten atau sudah penuh dengan karakter rusak dan kode HTML yang perlu dibersihkan.
Kedua: Standarisasi dan Strukturisasi Data
Data yang berantakan harganya murah; data yang terstruktur rapi harganya mahal. Proses ini mencakup pemberian label (annotation) pada setiap konten—apakah ini artikel opini, laporan investigasi, berita olahraga, atau analisis ekonomi. Data yang sudah dilabeli secara manual oleh jurnalis memiliki nilai jauh lebih tinggi dibanding data tanpa label, karena pengembang AI tidak perlu melakukan proses klasifikasi tambahan. Selain itu, metadata seperti tanggal terbit, nama penulis, kategori, jumlah kata, dan lokasi geografis berita perlu ditambahkan secara konsisten ke setiap entri.
Ketiga: Pembersihan Data Sensitif
Meskipun konten berita bersifat publik, media harus memastikan bahwa informasi internal tidak ikut terseret ke dalam dataset. Catatan redaksi, instruksi editor antar jurnalis, atau data pribadi koresponden yang tersimpan di sistem CMS harus disingkirkan sebelum data diunggah. Hal lain yang krusial adalah verifikasi hak cipta pihak ketiga—memastikan bahwa dalam satu artikel tidak terdapat foto atau kutipan panjang dari kantor berita asing (seperti Reuters atau AFP) yang hak distribusinya bukan milik media tersebut.
Keempat: Strategi Pengemasan Dataset
Berpikirlah seperti produsen produk digital, bukan sekadar penjual arsip. Alih-alih menjual seluruh arsip dalam satu paket besar, strategi yang lebih cerdas adalah membuat paket-paket dataset yang spesifik dan bertema. Contohnya: ‘Dataset Bahasa Sunda Formal 2010–2025’ atau ‘Dataset Analisis Kebijakan Ekonomi Makro Indonesia’. Dataset yang memiliki identitas dan target pasar yang jelas jauh lebih menarik bagi peneliti dan startup AI yang bekerja di domain spesifik. Strategi pembaruan berkala (versioning) juga penting: dataset yang diperbarui setiap bulan dengan konten terbaru akan lebih laku dibanding dataset statis.
Kelima: Penyesuaian Aspek Hukum dan Lisensi
Ini adalah langkah paling krusial yang sering diabaikan. Sebelum menjual dataset, media harus memperbarui syarat dan ketentuan (terms of service) dengan para kontributor konten—termasuk jurnalis lepas—untuk memastikan mereka memahami bahwa karya mereka mungkin akan dimasukkan ke dalam dataset riset atau AI, disertai skema kompensasi yang jelas. MDC menyediakan beberapa pilihan model lisensi: open source untuk riset akademis, lisensi komersial untuk penggunaan produk berbayar, atau lisensi terbatas hanya untuk entitas tertentu.
Keenam: Membentuk Peran Data Librarian
Perusahaan media membutuhkan peran baru yang berada di persimpangan antara jurnalisme dan ilmu data. Seseorang—atau tim kecil—yang memahami cara kerja model AI sekaligus memahami standar editorial redaksi. Tugasnya adalah memastikan kualitas dan konsistensi dataset yang diunggah ke MDC, memantau permintaan pasar, dan memperbarui dataset secara berkala agar tetap relevan di mata pembeli.
Format JSONL: Standar Teknis yang Wajib Dikuasai
Pengembang AI di seluruh dunia kini hampir seragam dalam satu preferensi teknis: format JSONL (JSON Lines). Memahami format ini bukan sekadar urusan tim IT—redaksi yang serius memasuki ekonomi data harus memiliki pemahaman dasar tentang mengapa format ini menjadi standar dan bagaimana membuatnya seoptimal mungkin.
JSONL berbeda dari JSON biasa dalam satu hal fundamental: setiap baris adalah satu objek data yang mandiri dan lengkap. Tidak ada koma pemisah antar entri, tidak ada tanda kurung siku yang membungkus seluruh file. Keunggulan teknis ini memungkinkan sistem komputer membaca dan memproses file besar secara bertahap—baris per baris—tanpa perlu memuat seluruh isi file ke dalam memori. Untuk dataset berita yang ukurannya bisa mencapai puluhan gigabyte, ini adalah perbedaan yang sangat signifikan dalam hal efisiensi operasional.
Struktur JSONL untuk Dataset Berita
Untuk dataset berita yang ditujukan sebagai bahan pelatihan summarization AI—salah satu jenis yang paling laku di pasar saat ini—struktur JSONL yang ideal mencakup beberapa elemen kunci. Setiap entri harus memiliki teks artikel lengkap yang sudah bersih dari kode HTML, ringkasan buatan jurnalis atau editor (bukan ringkasan hasil mesin), kategori konten, metadata teknis seperti jumlah kata dan rasio kompresi, serta informasi lisensi yang jelas.
Rasio kompresi—perbandingan antara panjang artikel asli dan panjang ringkasan—adalah nilai tambah yang sering diabaikan tetapi sangat dihargai oleh pengembang AI. Data dengan rasio kompresi yang konsisten (misalnya 15:1 hingga 20:1) memungkinkan pengembang melatih model dengan ekspektasi output yang lebih terkontrol.
Tips Teknis untuk Tim IT
Beberapa praktik terbaik dalam membangun dataset JSONL berkualitas tinggi: gunakan encoding UTF-8 untuk memastikan karakter bahasa Indonesia dan bahasa daerah terbaca dengan benar; hindari struktur JSON yang terlalu bersarang atau berlapis karena semakin datar (flat) struktur datanya, semakin mudah diproses oleh berbagai framework AI; dan pastikan konsistensi penamaan field—jika baris pertama menggunakan ‘judul’, jangan gunakan ‘title’ di baris berikutnya.
Bagi media yang berbasis WordPress, proses ekstraksi data dapat dimulai dengan perintah WP-CLI untuk menarik ribuan artikel sekaligus dalam format JSON. Langkah berikutnya adalah pembersihan tag HTML menggunakan pustaka seperti BeautifulSoup (Python) atau fungsi strip_tags (PHP), sebelum akhirnya mengonversi format JSON array menjadi JSONL per baris.
Pilihan CMS dan Kemudahan Integrasi dengan MDC
MDC dirancang sebagai platform yang agnostik terhadap teknologi—tidak ada kewajiban menggunakan sistem manajemen konten (CMS) tertentu. Namun dalam praktiknya, pilihan CMS berdampak signifikan terhadap kemudahan dan biaya proses persiapan dataset.
| Jenis CMS | Kemudahan Ekspor | Kualitas Kebersihan Data | Rekomendasi |
| WordPress (self-hosted) | Sangat Mudah | Perlu pembersihan HTML | Ideal dengan langkah tambahan |
| Headless CMS (Strapi, Contentful) | Mudah via API | Sangat Bersih | Pilihan terbaik jangka panjang |
| Custom CMS | Tergantung Tim IT | Cukup Bersih | Potensial jika API tersedia |
| Wix / Squarespace | Sangat Sulit | Terbatas | Tidak direkomendasikan |
WordPress patut mendapat sorotan khusus karena popularitasnya di kalangan media Indonesia. Kekuatannya terletak pada ekosistem yang sangat terbuka: REST API bawaan yang matang, struktur database yang terprediksi, dan ratusan plugin ekspor yang memungkinkan konversi ribuan artikel menjadi file JSON hanya dengan beberapa langkah. Namun kelemahannya juga nyata: konten yang disimpan di WordPress—terutama yang menggunakan Gutenberg atau page builder—sering kali penuh dengan kode visual yang harus dibersihkan sebelum data siap digunakan untuk pelatihan AI.
Tantangan Nyata yang Tidak Boleh Diabaikan
Di balik potensi ekonomi yang menarik, ada beberapa tantangan substansial yang harus dihadapi secara jujur oleh lembaga media sebelum memutuskan untuk masuk ke ekosistem MDC.
Pertama, ada pertanyaan etis tentang narasumber. Apakah seseorang yang diwawancarai untuk sebuah artikel berita memberikan izin agar kutipannya digunakan sebagai data pelatihan AI komersial? Dalam banyak konteks, standar jurnalistik tradisional tidak mencakup skenario ini. Media perlu mengembangkan kebijakan editorial baru yang secara eksplisit mengatur hal ini, termasuk kemungkinan meminta persetujuan tambahan dari narasumber untuk penggunaan khusus tersebut.
Kedua, ada pertimbangan tentang eksklusivitas konten. Jika arsip berita dijual sebagai dataset publik, apakah hal itu akan mengurangi nilai kompetitif media tersebut? Ini adalah dilema nyata, terutama bagi media yang mengandalkan arsip eksklusif sebagai daya tarik langganan berbayar. Solusinya mungkin terletak pada diferensiasi: menjual arsip lama (misalnya konten yang berusia lebih dari tiga tahun) sebagai dataset, sementara konten terbaru tetap menjadi keunggulan eksklusif berlangganan.
Ketiga, ada kompleksitas hak cipta lintas pihak. Sebuah artikel berita bisa mengandung konten dari berbagai sumber: foto dari kantor berita asing, infografis dari lembaga riset, atau kutipan panjang dari laporan pemerintah. Memastikan bahwa dataset yang dijual hanya berisi konten yang sepenuhnya menjadi hak media tersebut membutuhkan proses verifikasi yang tidak sederhana.
Langkah Pertama: Uji Pasar Sebelum Komitmen Penuh
Sebelum mengonversi seluruh arsip yang mungkin mencapai ratusan ribu artikel, pendekatan yang paling bijak adalah melakukan uji pasar skala kecil. Pilih satu kategori konten yang memiliki identitas kuat dan tingkat kelangkaan data yang tinggi—misalnya, berita ekonomi daerah, atau konten dalam bahasa daerah tertentu.
Ambil sampel 500 hingga 1.000 artikel terbaik dalam kategori tersebut. Bersihkan secara teliti, beri label kategori dan metadata yang lengkap, dan format dalam struktur JSONL ringkasan seperti yang telah dijelaskan sebelumnya. Kemudian pelajari proses pendaftaran dan pengunggahan dataset di portal kontributor Mozilla Data Collective.
Proses ini akan memberikan gambaran yang jauh lebih akurat tentang dua hal: seberapa besar usaha teknis yang dibutuhkan, dan seberapa besar respons pasar terhadap jenis konten yang ditawarkan. Dari situ, media bisa membuat keputusan yang lebih terukur tentang skala investasi yang layak dilakukan.
Ringkasan Potensi Media di Ekosistem MDC
| Jenis Aset Data | Segmen Pembeli Potensial | Nilai Strategis bagi Media |
| Arsip berita 10–20 tahun | Pengembang LLM global | Pendapatan pasif dari aset yang selama ini ‘tidur’ |
| Konten bahasa daerah | Startup AI lokal & lembaga riset | Premium karena kelangkaan; mendukung pelestarian bahasa |
| Transkrip audio/video | Pengembang speech-to-text | Diversifikasi pemasukan di luar iklan display |
| Pasangan artikel-ringkasan | Pengembang model summarization | Nilai tertinggi karena membutuhkan kurasi editorial manusia |
Kesimpulan: Dari Penjual Iklan Menjadi Penjual Kecerdasan
Mozilla Data Collective bukan solusi instan yang akan menyelamatkan model bisnis media yang sedang tertekan. Ia adalah peluang—sebuah pintu yang terbuka bagi media yang bersedia berinvestasi dalam memahami ekonomi data dan mengambil posisi aktif di dalamnya.
Yang membuat MDC menarik bukan hanya potensi pendapatannya, tetapi filosofi yang mendasarinya: bahwa pemilik data berhak mendapatkan kompensasi dan kontrol atas aset mereka, bahwa kecerdasan buatan seharusnya dibangun di atas fondasi data yang diperoleh secara etis, dan bahwa media massa tidak harus menjadi korban pasif dari revolusi AI—mereka bisa menjadi pihak yang aktif membentuknya.
Lembaga media yang hari ini mulai membangun kapabilitas teknis, menyiapkan kerangka hukum, dan mengembangkan strategi pengemasan data—mereka yang tidak hanya menjual berita, tetapi juga menjual bahan baku kecerdasan—akan berada di posisi yang jauh lebih kuat dalam ekosistem media digital satu dekade ke depan.
Catatan : Artikel ini disusun berdasarkan dokumentasi Mozilla Data Collective dan analisis ekosistem ekonomi data AI. Beberapa detail teknis platform MDC dapat berubah seiring pembaruan kebijakan Mozilla. Redaksi disarankan untuk selalu merujuk pada dokumentasi resmi di portal kontributor MDC sebelum mengambil keputusan bisnis.
Penulis adalah dosen, mentor, dan praktisi media digital di Surabaya