nn

Bayangkan satu tempat di mana anda boleh akses lebih 900,000 model AI percuma — model untuk teks, imej, audio, video, kod, dan apa sahaja yang anda perlukan. Satu klik, model terus lari. Tiada perlu setup server, tiada perlu bayar AWS, tiada kepakaran DevOps diperlukan.

n

n

Pendedahan: Artikel ini mengandungi pautan affiliate. Jika anda mendaftar melalui pautan kami, kami mungkin menerima komisyen kecil — tanpa sebarang kos tambahan kepada anda. Ini membantu kami terus menghasilkan panduan percuma dalam Bahasa Melayu.

n

nnn

Itulah Hugging Face — platform yang sering disebut sebagai "GitHub untuk model AI".

n

📖 Baca juga: Cara Guna Hugging Face — Platform Model AI Open Source Terbesar (2026)

nnn

Artikel ini terangkan cara guna Hugging Face dari asas hingga lanjutan: dari melayari model, menggunakan Spaces, memanggil Inference API, hingga fine-tuning model anda sendiri. Sesuai untuk pembangun dan penyelidik AI Malaysia.

nnnnnn

Apa Itu Hugging Face?

nnHugging Face adalah platform komuniti untuk model AI, dataset, dan aplikasi demo yang boleh diakses secara percuma. Ia diasaskan pada 2016 sebagai syarikat chatbot, kemudian berevolusi menjadi hub terbesar untuk ekosistem AI open source.nn

Angka semasa (2026):

nn

n
• 900,000+ model tersedia untuk dimuat turun atau digunakan

n

• 200,000+ dataset untuk latih dan fine-tune model

n

• 500,000+ Spaces — aplikasi demo AI yang boleh dicuba terus dalam browser

n

• 50,000+ organisasi menggunakan platform ini

n

• Komuniti dari Meta AI, Google, Microsoft, dan beribu penyelidik individu

n

nn

Hugging Face menjadi tempat di mana penyelidik menerbitkan model baru mereka, pembangun mencari model untuk projek mereka, dan sesiapa sahaja boleh cuba teknologi AI terkini tanpa kepakaran teknikal mendalam.

nnnnnn

GitHub untuk AI — Analogi yang Tepat

nn

Ramai yang faham GitHub — tempat pembangun simpan, kongsi, dan kolaborasi kod. Hugging Face berfungsi sama, tetapi untuk model AI:

nn

| GitHub | Hugging Face |

n

|--------|--------------|

n

| Repositori kod | Model repository |

n

| README.md | Model card (dokumentasi model) |

n

| Issues & PRs | Discussions |

n

| GitHub Actions | Inference API / Spaces |

n

| npm registry | Model hub |

n

| Fork | Fork (download & modify model) |

nn

Bila penyelidik dari universiti atau syarikat teknologi latih model baru, mereka sering "publish" ke Hugging Face supaya orang lain boleh guna. Ini yang menjadikannya ekosistem yang hidup.

nnnn

Empat Komponen Utama Hugging Face

nn

1. Models Hub

nn

Repository untuk model AI. Anda boleh cari, muat turun, dan gunakan model untuk hampir sebarang tugas AI.

nn

2. Datasets

nn

Library dataset percuma untuk melatih dan menilai model AI. Dari dataset NLP Bahasa Malaysia hingga dataset imej perubatan.

nn

3. Spaces

nn

Aplikasi demo interaktif yang dihost percuma oleh Hugging Face. Anda boleh cuba model AI terus dalam browser tanpa sebarang setup.

nn

4. Inference API

nn

API percuma untuk jalankan inferens (gunakan model AI) tanpa perlu host sendiri. Hantar teks atau imej, terima output.

nnnn

Cara Daftar Akaun Hugging Face

nn

Langkah 1: Pergi ke huggingface.co

nn

Buka browser dan pergi ke huggingface.co.

nn

Langkah 2: Klik "Sign Up"

nn

Klik butang "Sign Up" di bahagian atas kanan. Isi nama pengguna, emel, dan kata laluan.

nn

Langkah 3: Verify Emel

nn

Semak emel anda dan klik link pengesahan. Proses selesai — anda kini mempunyai akaun Hugging Face percuma.

nn

Langkah 4: Lengkapkan Profil (Pilihan)

nn

Tambah foto profil, bio, dan pautan ke GitHub atau website anda. Ini penting jika anda merancang untuk menerbitkan model atau dataset sendiri.

nnnnnn

Cara Cari dan Gunakan Model

nn

Melayari Models Hub

nn

Pergi ke tab Models di navigation bar. Anda akan nampak senarai model terbaru dan paling popular.

nn

Gunakan filter di sebelah kiri untuk narrowkan pencarian:

nn

n
• Task — pilih apa yang anda mahu buat: text generation, image classification, translation, speech recognition, dll

n

• Language — saring model yang menyokong Bahasa Malaysia atau Bahasa Melayu

n

• Library — PyTorch, TensorFlow, JAX

n

• Dataset — model yang dilatih pada dataset tertentu

n

• License — penting untuk kegunaan komersial (cari MIT, Apache 2.0)

n

nn

Memahami Model Card

nn

Setiap model ada Model Card — dokumen yang terangkan:

nn

n
• Apa yang model ini buat

n

• Bagaimana ia dilatih

n

• Data apa yang digunakan

n

• Had dan bias model

n

• Cara untuk gunakannya (contoh kod)

n

nn

Sentiasa baca Model Card sebelum guna model dalam projek — ini pastikan model sesuai dengan keperluan anda.

nn

Cuba Model Terus dalam Browser

nn

Kebanyakan model mempunyai widget interaktif di bahagian atas halaman. Anda boleh taip teks, muat naik imej, atau beri input lain dan lihat output model tanpa sebarang kod.

nn

Ini cara terbaik untuk test model sebelum integrasikan ke dalam projek anda.

nnnn

Cara Guna Spaces — Demo AI dalam Browser

nnSpaces adalah ciri yang paling mudah digunakan di Hugging Face. Ia adalah aplikasi web mini yang dibina oleh komuniti, dihost percuma di Hugging Face.nn

Cari Spaces

nn

Pergi ke tab Spaces dan guna search bar untuk cari aplikasi yang anda mahu. Contoh yang boleh anda cuba sekarang:

nn

n
• Cari "stable diffusion" — ada berpuluh apps untuk jana imej

n

• Cari "text to speech" — ada apps untuk tukar teks ke audio

n

• Cari "language translation" — termasuk model yang sokong Bahasa Melayu

n

• Cari "code generation" — model AI untuk tulis kod

n

nn

Guna Space

nn

Klik mana-mana Space, dan anda terus boleh guna app tersebut dalam browser. Tiada perlu daftar, tiada perlu bayar, tiada setup.

nn

Kebanyakan Spaces:

nn

n
• Ada antaramuka yang mesra pengguna (dibina dengan Gradio atau Streamlit)

n

• Percuma untuk kegunaan biasa

n

• Mungkin ada giliran tunggu jika ramai pengguna serentak

n

nn

Contoh Praktikal: Jana Imej dengan Stable Diffusion

nn

n
1. Pergi ke Spaces dan cari "stable diffusion"

n

2. Pilih Space popular macam "stabilityai/stable-diffusion" atau "AUTOMATIC1111/stable-diffusion-webui"

n

3. Taip prompt anda dalam English — contoh: "A Malaysian street food stall at night, digital art"

n

4. Klik "Generate" dan tunggu beberapa saat

n

5. Imej anda siap

n

nn

Baca lebih lanjut: Cara Guna Stable Diffusion Jana Gambar

nnnn

Cara Guna Inference API

nnInference API membolehkan anda memanggil model Hugging Face dari kod anda melalui HTTP request. Ini cara terbaik untuk integrasikan model AI ke dalam aplikasi.nn

Dapatkan API Token

nn

n
1. Log masuk ke Hugging Face

n

2. Klik gambar profil anda → Settings

n

3. Pilih Access Tokens di menu kiri

n

4. Klik New token, namakan ia, pilih scope "read"

n

5. Copy token yang dihasilkan (simpan dengan selamat)

n

nn

Contoh: Text Generation dengan Python

nn

n

import requests

nn

API_URL = "https://api-inference.huggingface.co/models/mistralai/Mistral-7B-Instruct-v0.2"

n

headers = {"Authorization": "Bearer hf_YOUR_TOKEN_HERE"}

nn

def query(payload):

n

response = requests.post(API_URL, headers=headers, json=payload)

n

return response.json()

nn

output = query({

n

"inputs": "Terangkan apa itu kecerdasan buatan dalam 3 ayat ringkas.",

n

})

n

print(output[0]['generated_text'])

n

nn

Contoh: Image Classification

nn

n

import requests

nn

API_URL = "https://api-inference.huggingface.co/models/google/vit-base-patch16-224"

n

headers = {"Authorization": "Bearer hf_YOUR_TOKEN_HERE"}

nn

with open("gambar.jpg", "rb") as f:

n

data = f.read()

nn

response = requests.post(API_URL, headers=headers, data=data)

n

print(response.json())

n

Output: [{"label": "cat", "score": 0.95}, ...]

n

nn

Had Inference API Percuma

nn

Tier percuma ada had:

nn

n
• Rate limit — beberapa ratus request sehari

n

• Model size — model besar mungkin tidak tersedia dalam tier percuma

n

• Queue time — model popular mungkin ada giliran tunggu

n

nn

Untuk kegunaan produksi, Hugging Face menawarkan Inference Endpoints berbayar yang lebih pantas dan boleh dipercayai.

nnnn

Model Popular di Hugging Face untuk Pembangun Malaysia

nn

Untuk Pemprosesan Teks (NLP)

nnMistral-7B-Instruct — model bahasa arahan yang sangat berkebolehan, percuma untuk kegunaan komersial.nnLlama 3 (Meta) — model open source terbaru dari Meta, sangat bagus untuk pelbagai tugas.nnPhi-3 (Microsoft) — model kecil tapi berkuasa dari Microsoft, sesuai untuk deployment pada peranti terhad.nnmGPT / mT5 — model berbilang bahasa yang menyokong Bahasa Melayu.nn

Untuk Jana Imej

nnStable Diffusion XL — model jana imej paling popular, percuma untuk kegunaan komersial.nnFLUX.1 — model imej terbaru generasi 2025-2026, kualiti sangat tinggi. Lihat: Cara Guna FLUX AI Image Generatornn

Untuk Audio

nnWhisper (OpenAI) — model speech-to-text yang sangat tepat, menyokong Bahasa Melayu.nnMMS (Meta) — model speech-to-text berbilang bahasa, termasuk Bahasa Melayu.nnBark — model text-to-speech dengan suara yang natural.nn

Untuk Kod

nnCodeLlama — model khusus untuk tugas pengaturcaraan.nnDeepSeek Coder — model kod open source yang kompetitif.nnStarCoder2 — model kod dari BigCode project.nnnn

Cara Muat Turun dan Jalankan Model Secara Lokal

nn

Untuk projek serius, anda mungkin mahu jalankan model dalam server anda sendiri. Hugging Face `transformers` library membuat ini mudah.

nn

Pasang Library

nn

n

pip install transformers torch

n

nn

Muat Turun dan Jalankan Model

nn

n

from transformers import pipeline

nn

Muat turun model (akan muat turun ke cache tempatan)

n

generator = pipeline('text-generation', model='mistralai/Mistral-7B-Instruct-v0.2')

nn

Jana teks

n

result = generator(

n

"Explain machine learning in simple terms:",

n

max_new_tokens=200

n

)

n

print(result[0]['generated_text'])

n

nn

Model akan dimuat turun ke direktori cache (`~/.cache/huggingface/hub`) pada kali pertama. Selepas itu ia lari sepenuhnya secara lokal.

nn

Gunakan GPU jika Ada

nn

n

generator = pipeline('text-generation',

n

model='mistralai/Mistral-7B-Instruct-v0.2',

n

device=0) # device=0 untuk GPU pertama

n

nn

Tanpa GPU, model besar (7B parameter ke atas) akan sangat perlahan. Untuk ujian cepat, gunakan model kecil macam `gpt2` atau `distilgpt2`.

nnnn

Datasets — Cari Data untuk Latih Model

nn

Selain model, Hugging Face mempunyai library dataset yang sangat besar.

nn

Cara Guna Datasets

nn

n

from datasets import load_dataset

nn

Muat turun dataset Wikipedia Bahasa Melayu

n

dataset = load_dataset("wikipedia", "20220301.ms")

n

print(dataset['train'][0]) # Lihat entri pertama

n

nn

Dataset Bahasa Melayu di Hugging Face

nn

Terdapat beberapa dataset BM yang boleh berguna untuk pembangun Malaysia:

nn

n
• Wikipedia Bahasa Melayu — teks ensiklopedia

n

• CC-100 (ms) — corpus teks Melayu dari web

n

• OSCAR (ms) — dataset multilingual termasuk BM

n

• mc4 (ms) — cleaned Common Crawl untuk BM

n

nn

Ini berguna jika anda mahu fine-tune model untuk memahami konteks Malaysia dengan lebih baik.

nnnn

Fine-Tuning Model — Sesuaikan Model untuk Keperluan Anda

nnFine-tuning adalah proses melatih semula model sedia ada pada data anda sendiri untuk meningkatkan performansinya untuk tugas spesifik.nn

Contoh kes penggunaan:

nn

n
• Fine-tune model NLP untuk fahami terminologi perubatan Malaysia

n

• Fine-tune model kod untuk fahami konvensyen kod syarikat anda

n

• Fine-tune model teks untuk kekal dalam persona jenama anda

n

nn

Cara Mudah Fine-Tune dengan AutoTrain

nn

Hugging Face menawarkan AutoTrain — antara muka tanpa kod untuk fine-tune model:

nn

n
1. Pergi ke huggingface.co/autotrain

n

2. Upload dataset CSV anda

n

3. Pilih model asas dan task

n

4. Klik "Train"

n

5. Model siap dalam beberapa jam

n

nn

Fine-Tune dengan Kod Python

nn

Untuk kawalan lebih, gunakan library `transformers` dengan `Trainer` API:

nn

n

from transformers import AutoModelForSequenceClassification, TrainingArguments, Trainer

nn

model = AutoModelForSequenceClassification.from_pretrained("bert-base-multilingual-cased")

nn

training_args = TrainingArguments(

n

output_dir="./results",

n

num_train_epochs=3,

n

per_device_train_batch_size=16,

n

)

nn

trainer = Trainer(

n

model=model,

n

args=training_args,

n

train_dataset=train_dataset,

n

eval_dataset=eval_dataset,

n

)

nn

trainer.train()

n

nnnn

Hugging Face untuk Penyelidik Malaysia

nn

Jika anda pensyarah, pelajar PhD, atau penyelidik AI di Malaysia, Hugging Face ada beberapa program menarik:

nn

Research Grants

nn

Hugging Face menawarkan compute credits percuma untuk penyelidik akademik. Ini membolehkan anda melatih model tanpa perlu beli GPU sendiri.

nn

Publish Model

nn

Selepas menyelesaikan penyelidikan, anda boleh publish model ke Hugging Face supaya komuniti global boleh guna. Ini meningkatkan impak dan visibiliti penyelidikan anda.

nn

Hub for Malaysian AI

nn

Beberapa penyelidik tempatan sudah mula publish model dan dataset Bahasa Melayu di Hugging Face. Cari "ms" atau "malay" dalam filter bahasa untuk jumpa mereka.

nnnn

Kos dan Pelan Berbayar

nn

Percuma (Free Tier)

nn

n
• Akses penuh ke semua model awam

n

• Inference API dengan had rate

n

• Spaces hosting percuma (compute terhad)

n

• Repository percuma untuk model anda sendiri

n

nn

PRO (USD 9/bulan)

nn

n
• ZeroGPU credits untuk Spaces yang memerlukan GPU

n

• Faster Inference API

n

• Akses model Pro tertentu

n

• Priority support

n

nn

Enterprise (Custom pricing)

nn

n
• Private model repositories

n

• On-premise deployment

n

• SLA guarantee

n

• Dedicated support

n

nn

Untuk kebanyakan pembangun dan pelajar Malaysia, tier percuma lebih dari mencukupi untuk belajar dan eksperimen.

nnnn

Cara Menerbitkan Model Anda Sendiri

nn

Jika anda telah melatih model dan ingin kongsi dengan komuniti:

nn

Langkah 1: Buat Repository

nn

Pergi ke profil anda → "New Model" → masukkan nama dan pilih visibility (public/private).

nn

Langkah 2: Upload dengan Git

nn

n

Clone repository kosong

n

git clone https://huggingface.co/username/nama-model

nn

Masuk ke folder dan tambah fail model

n

cd nama-model

n

copy model files here

nn

Push ke Hugging Face

n

git add .

n

git commit -m "Add model files"

n

git push

n

nn

Langkah 3: Tulis Model Card

nn

Buat fail `README.md` dalam repository dengan maklumat model: apa ia buat, cara guna, had, dan lesen.

nn

Model card yang baik membuat orang lain lebih mudah nak guna model anda dan meningkatkan kepercayaan komuniti.

nnnn

Kelebihan dan Kekurangan Hugging Face

nn

Kelebihan

nn

n
• Ekosistem terbesar — 900,000+ model, tiada platform lain boleh tandingi

n

• Percuma untuk banyak kes guna — inference, demo, download

n

• Komuniti aktif — sokongan dan dokumentasi yang baik

n

• Alat lengkap — dari model hingga dataset hingga deployment

n

• Vendor-neutral — tidak terikat pada satu syarikat cloud

n

nn

Kekurangan

nn

n
• Kurva pembelajaran — ramai pilihan boleh overwhelming untuk pemula

n

• Model besar memerlukan GPU untuk inferens yang pantas

n

• Rate limit pada tier percuma boleh menjadi sekatan untuk produksi

n

• Kualiti model berbeza-beza — tidak semua model yang diterbitkan berkualiti tinggi

n

nnnn

Soalan Lazim (FAQ)

nnAdakah semua model di Hugging Face percuma?nn

Kebanyakannya ya, tapi semak lesen setiap model. Sesetengah model ada lesen yang melarang kegunaan komersial.

nnBoleh guna Hugging Face untuk projek komersial?nn

Boleh, asalkan anda guna model dengan lesen yang membenarkan kegunaan komersial (MIT, Apache 2.0, dll).

nnBerapa lama untuk muat turun model?nn

Bergantung pada saiz model dan kelajuan internet. Model kecil (100MB-1GB): beberapa minit. Model besar (10-70GB): boleh ambil masa berjam-jam.

nnAdakah ada model Bahasa Melayu yang bagus?nn

Ada beberapa, tapi kualiti masih tidak setara dengan model Inggeris. Cari model yang fine-tuned pada data Melayu untuk hasil yang lebih baik.

nnBoleh host Spaces sendiri?nn

Ya, Hugging Face Spaces boleh di-clone dan dijalankan secara lokal menggunakan Gradio atau Streamlit.

nnnn

Kesimpulan

nn

Hugging Face telah mengubah cara kita akses dan guna model AI. Dari penyelidik universiti hingga pembangun startup, platform ini menyamakan padang main — semua orang ada akses kepada teknologi AI terkini.

nn

Untuk pembangun dan penyelidik Malaysia, Hugging Face membuka peluang yang besar:

nn

n
• Bina aplikasi AI tanpa perlu latih model dari awal

n

• Akses model terbaru dari penyelidik terkemuka dunia

n

• Kongsi model dan dataset dengan komuniti global

n

• Belajar dari kod dan dokumentasi ribuan projek AI

n

nn

Mulakan dengan melayari Spaces — cuba beberapa aplikasi demo yang menarik minat anda. Kemudian explore Models hub, cari model yang berkaitan dengan bidang anda, dan cuba integrasikan ke dalam projek kecil menggunakan Inference API.

nn

Perjalanan dalam AI bermula dengan satu langkah — dan Hugging Face adalah tempat yang baik untuk melangkah.

nnnn

n

n

Artikel Berkaitan

n

• Cara Guna ChatGPT — Panduan Lengkap Malaysia
• Cara Guna Claude AI di Malaysia
• Cara Guna Google Gemini — Panduan Terkini
• Cara Guna Gemini AI Malaysia 2026 — Panduan Lengkap

n

Rujukan

n

n
• MDEC — Ekonomi Digital Malaysia

n

• BERNAMA — Berita Teknologi & AI Malaysia

n

• SME Corp Malaysia — Panduan Digitalisasi PKS

n

n

Artikel Berkaitan

nn

n
• Cara Guna Stable Diffusion Jana Gambar AI

n

• Cara Guna FLUX AI Image Generator — Model Imej Terbaik

n

• Cara Guna Claude AI Anthropic Malaysia

n

• Cara Guna ChatGPT Bahasa Melayu Panduan 2026

n

• Cara Guna Codeium AI — Pembantu Kod Percuma

n

• Cara Guna Tabnine AI — Pembantu Kod Privasi Pertama

n

• Prompt Engineering: Panduan Lengkap Cara Bercakap Dengan AI

n

• Cara Guna Cursor AI — IDE AI Paling Canggih 2026

n