Apa Itu Fine-Tuning? Cara Melatih AI Menggunakan Data Khusus Pada 2026
Oleh Nobodynaga • Dikemaskini Julai 2026
📌 Kandungan Artikel
- Apa Itu Fine-Tuning?
- Bagaimana Fine-Tuning Berfungsi?
- Fine-Tuning vs Prompt Engineering
- Fine-Tuning vs RAG
- Bilakah Fine-Tuning Diperlukan?
- Kelebihan Dan Kekurangan Fine-Tuning
🧩 AI Infrastructure Series
- ✅ Prompt Engineering
- ✅ AI Agent
- ✅ Model Context Protocol (MCP)
- ✅ Retrieval-Augmented Generation (RAG)
- ✅ Vector Database
- ✅ Embeddings
- ✅ Large Language Model (LLM)
- ✅ Token
- ✅ Context Window
- 📖 Fine-Tuning (Artikel Semasa)
- ⏳ AI Memory
- ⏳ AI Inference
- ⏳ Multimodal AI
- ⏳ AI Reasoning
🎯 Apa Itu Fine-Tuning?
Selepas memahami bagaimana Large Language Model (LLM) berfungsi, ramai yang bertanya:
"Bolehkah saya melatih AI supaya memahami data syarikat saya sendiri?"
Jawapannya ialah ya, dan salah satu caranya ialah melalui proses yang dikenali sebagai Fine-Tuning.
Fine-Tuning ialah proses melatih semula model AI yang telah sedia ada menggunakan data khusus supaya model tersebut menjadi lebih mahir dalam tugasan, gaya penulisan atau domain tertentu.
Daripada membina model AI dari awal, Fine-Tuning menggunakan model asas (foundation model) yang telah dilatih dan menambahkan latihan menggunakan dataset yang lebih spesifik.
Fine-Tuning ialah proses menyesuaikan Large Language Model menggunakan data khusus supaya prestasinya menjadi lebih baik bagi tugasan atau bidang tertentu.
🧠 Mengapa Fine-Tuning Diperlukan?
Model AI seperti GPT, Gemini atau Claude telah dilatih menggunakan sejumlah besar data umum.
Walaupun model ini sangat berkuasa, terdapat situasi di mana organisasi memerlukan AI yang memahami istilah, gaya bahasa atau proses kerja yang sangat khusus.
Contohnya, sebuah hospital mungkin mahu AI memahami istilah perubatan dalaman, manakala sebuah firma guaman pula memerlukan AI yang lebih mahir dengan bahasa undang-undang.
Dalam keadaan tertentu, Fine-Tuning boleh membantu meningkatkan prestasi model bagi tugasan tersebut.
Bayangkan seorang doktor yang telah menamatkan pengajian perubatan am. Jika doktor itu mengikuti latihan pakar dalam bidang jantung, pengetahuannya menjadi lebih mendalam dalam bidang tersebut. Begitu juga Fine-Tuning — model AI yang sudah pintar diberikan latihan tambahan supaya menjadi lebih mahir dalam bidang tertentu.
⚙️ Bagaimana Fine-Tuning Berfungsi?
Fine-Tuning bermula dengan sebuah Foundation Model atau Large Language Model (LLM) yang telah dilatih menggunakan sejumlah besar data umum.
Daripada melatih model AI dari kosong, Developer AI hanya memberikan dataset tambahan yang berkaitan dengan tugasan tertentu.
Melalui latihan tambahan ini, model akan mempelajari corak baharu, istilah khusus dan gaya penulisan yang diperlukan tanpa kehilangan kebanyakan pengetahuan asalnya.
- 🧠 Mulakan dengan Foundation Model.
- 📂 Sediakan dataset khusus.
- ⚙️ Jalankan proses Fine-Tuning.
- 📈 Model mempelajari corak baharu.
- 🤖 Model digunakan untuk tugasan tertentu.
📚 Apakah Data Yang Digunakan Untuk Fine-Tuning?
Kualiti sesuatu Fine-Tuning bergantung kepada dataset yang digunakan.
Jika data yang digunakan tepat, bersih dan relevan, model AI berpotensi memberikan prestasi yang lebih baik dalam domain tersebut.
Sebaliknya, dataset yang berkualiti rendah boleh menyebabkan model menghasilkan jawapan yang kurang tepat atau mempunyai bias.
- 📄 Polisi dan prosedur syarikat.
- ⚖️ Dokumen undang-undang.
- 🏥 Rekod serta garis panduan perubatan.
- 📞 Transkrip khidmat pelanggan.
- 📚 Manual teknikal.
- 🛒 Data produk dan sokongan pelanggan.
🏢 Contoh Fine-Tuning Dalam Dunia Sebenar
Bayangkan sebuah hospital ingin membina pembantu AI untuk membantu doktor mencari maklumat dengan lebih pantas.
Model AI umum mungkin sudah memahami istilah perubatan asas, tetapi ia belum mengetahui prosedur dalaman hospital tersebut.
Hospital boleh melakukan Fine-Tuning menggunakan garis panduan klinikal, protokol rawatan dan dokumen dalaman supaya model lebih memahami istilah dan gaya dokumentasi yang digunakan.
- 🏥 Hospital – Prosedur klinikal.
- 🏦 Bank – Polisi dalaman dan pematuhan.
- ⚖️ Firma guaman – Dokumen perundangan.
- 🛒 E-dagang – Katalog produk dan sokongan pelanggan.
- 🎓 Universiti – Kandungan pembelajaran.
❌ Adakah Semua Organisasi Memerlukan Fine-Tuning?
Jawapannya ialah tidak.
Ini merupakan salah satu salah faham yang paling biasa dalam dunia AI.
Ramai menganggap Fine-Tuning ialah langkah pertama apabila ingin membina chatbot atau AI Assistant. Sebenarnya, dalam banyak kes penggunaan moden, Fine-Tuning bukanlah pilihan terbaik.
"Saya perlu Fine-Tuning untuk membina chatbot syarikat."
Hakikatnya, kebanyakan chatbot moden menggunakan Retrieval-Augmented Generation (RAG) bersama Vector Database tanpa melakukan Fine-Tuning pada model AI.
🔍 Fine-Tuning Tidak Menambah Pengetahuan Baharu
Ramai juga beranggapan bahawa Fine-Tuning digunakan untuk "mengajar" AI fakta baharu.
Dalam kebanyakan situasi, Fine-Tuning lebih sesuai untuk mengubah tingkah laku model, gaya penulisan atau prestasi dalam tugasan tertentu.
Jika organisasi anda ingin menggunakan AI untuk jabatan yang mempunyai dokumen yang sentiasa berubah seperti polisi syarikat, laporan atau pangkalan ilmu, pendekatan menggunakan RAG biasanya lebih praktikal kerana maklumat boleh dikemas kini tanpa melatih semula model.
- Fine-Tuning → Menyesuaikan tingkah laku atau kepakaran model.
- RAG → Memberikan maklumat terkini kepada model.
- Prompt Engineering → Memberikan arahan yang lebih baik kepada model.
Dalam bahagian seterusnya, kita akan membandingkan Fine-Tuning, Prompt Engineering dan Retrieval-Augmented Generation (RAG) supaya anda dapat menentukan pendekatan yang paling sesuai mengikut keperluan sebenar.
⚖️ Fine-Tuning Vs Prompt Engineering
Ramai pengguna AI menganggap Fine-Tuning ialah langkah pertama untuk meningkatkan prestasi model. Hakikatnya, kebanyakan masalah boleh diselesaikan hanya dengan menggunakan Prompt Engineering yang baik.
Prompt Engineering bermaksud memberikan arahan yang jelas dan tersusun kepada AI supaya model menghasilkan jawapan yang lebih tepat tanpa mengubah model itu sendiri.
Fine-Tuning pula melibatkan proses latihan tambahan menggunakan dataset tertentu bagi mengubah cara model memberikan respons.
- Prompt Engineering → Mengubah cara anda bertanya kepada AI.
- Fine-Tuning → Mengubah cara model AI bertindak balas.
📚 Fine-Tuning Vs Retrieval-Augmented Generation (RAG)
Satu lagi kekeliruan yang sering berlaku ialah menganggap Fine-Tuning dan RAG mempunyai fungsi yang sama.
Sebenarnya, kedua-dua teknologi ini menyelesaikan masalah yang berbeza.
Fine-Tuning digunakan untuk menyesuaikan tingkah laku model, manakala Retrieval-Augmented Generation (RAG) digunakan untuk membolehkan AI mengakses maklumat tambahan daripada sumber luar seperti dokumen, pangkalan data atau Knowledge Base.
- 🛠️ Fine-Tuning → Menjadikan model lebih mahir dalam tugas tertentu.
- 📚 RAG → Memberikan maklumat terkini kepada model tanpa melatihnya semula.
🎯 Bilakah Fine-Tuning Lebih Sesuai?
Fine-Tuning sesuai digunakan apabila organisasi ingin mengubah gaya respons atau meningkatkan prestasi model dalam tugasan yang sangat khusus.
Contohnya, sesebuah syarikat mungkin mahu AI sentiasa menjawab menggunakan gaya bahasa rasmi, mematuhi format tertentu atau memahami istilah dalaman yang digunakan secara konsisten.
- 🏥 AI perubatan dengan istilah klinikal khusus.
- ⚖️ AI guaman menggunakan format dokumen tertentu.
- 🏦 AI perbankan yang mematuhi polisi dalaman.
- 📝 AI yang menulis mengikut gaya penulisan syarikat.
- 🎓 AI pendidikan yang mengikut silibus tertentu.
📖 Bilakah RAG Lebih Sesuai?
Jika maklumat yang digunakan sentiasa berubah, Fine-Tuning biasanya bukan pilihan terbaik.
Sebaliknya, organisasi boleh menggunakan RAG supaya AI mendapatkan maklumat terus daripada dokumen atau pangkalan data yang sentiasa dikemas kini.
Pendekatan ini lebih fleksibel kerana dokumen boleh dikemas kini tanpa perlu melatih semula model AI.
- 📄 Polisi syarikat.
- 📚 Knowledge Base.
- 🛒 Maklumat produk.
- 📈 Laporan kewangan.
- 📑 Dokumentasi teknikal.
🚫 Salah Faham Tentang Fine-Tuning
Terdapat beberapa salah faham yang sering dikaitkan dengan Fine-Tuning. Memahami perkara ini dapat membantu organisasi memilih pendekatan yang lebih sesuai.
- ❌ Semua chatbot memerlukan Fine-Tuning.
✅ Kebanyakan chatbot moden menggunakan RAG. - ❌ Fine-Tuning menjadikan AI mengetahui semua maklumat baharu.
✅ Maklumat yang kerap berubah lebih sesuai diurus menggunakan RAG. - ❌ Fine-Tuning sentiasa lebih baik daripada Prompt Engineering.
✅ Banyak tugasan boleh diselesaikan dengan Prompt Engineering yang baik. - ❌ Fine-Tuning ialah langkah pertama membina AI Enterprise.
✅ Ramai organisasi bermula dengan Prompt Engineering dan RAG sebelum mempertimbangkan Fine-Tuning.
🏢 Strategi Yang Digunakan Oleh Organisasi Moden
Kebanyakan organisasi tidak memilih hanya satu pendekatan. Sebaliknya, mereka menggabungkan beberapa teknologi untuk mendapatkan prestasi yang terbaik.
- ✍️ Prompt Engineering → Memberikan arahan yang jelas.
- 📚 RAG → Membekalkan maklumat terkini.
- 🗄️ Vector Database → Menyimpan embeddings.
- 🧠 Embeddings → Memahami makna maklumat.
- ⚙️ Fine-Tuning → Menyesuaikan tingkah laku model jika benar-benar diperlukan.
- 🤖 Large Language Model → Menjana jawapan akhir.
Dalam bahagian seterusnya, kita akan melihat kelebihan dan kekurangan Fine-Tuning, kos yang terlibat serta bagaimana organisasi menentukan sama ada pelaburan dalam Fine-Tuning benar-benar berbaloi.
✅ Kelebihan Fine-Tuning
Apabila digunakan dalam situasi yang sesuai, Fine-Tuning mampu meningkatkan prestasi AI dengan ketara.
Model yang telah melalui proses Fine-Tuning boleh menghasilkan jawapan yang lebih konsisten, memahami istilah khusus sesuatu industri dan mengikuti gaya komunikasi yang dikehendaki oleh organisasi.
- 🎯 Jawapan lebih konsisten.
- 🏢 Memahami istilah khusus organisasi.
- 📝 Mengikut gaya penulisan tertentu.
- ⚡ Mengurangkan keperluan prompt yang panjang.
- 🤖 Prestasi lebih baik untuk tugasan yang berulang.
- 📈 Meningkatkan pengalaman pengguna.
⚠️ Kekurangan Fine-Tuning
Walaupun Fine-Tuning mempunyai banyak kelebihan, ia juga datang dengan beberapa cabaran yang perlu dipertimbangkan.
Proses ini memerlukan dataset yang berkualiti, masa latihan, kos pengkomputeran dan pemantauan berterusan bagi memastikan model terus memberikan jawapan yang tepat.
- 💰 Kos latihan boleh menjadi tinggi.
- 📂 Memerlukan dataset yang bersih dan berkualiti.
- ⏳ Proses latihan mengambil masa.
- 🔄 Perlu dilatih semula jika keperluan berubah.
- ⚠️ Risiko Overfitting jika dataset terlalu kecil.
- 🛠️ Memerlukan kepakaran teknikal.
🧩 Apakah Itu Overfitting?
Salah satu risiko utama Fine-Tuning ialah Overfitting.
Overfitting berlaku apabila model terlalu menyesuaikan diri dengan dataset latihan sehingga prestasinya menjadi kurang baik apabila berhadapan dengan data baharu.
Dalam keadaan ini, AI mungkin memberikan jawapan yang sangat baik untuk contoh yang pernah dipelajari tetapi gagal membuat generalisasi terhadap situasi sebenar.
Bayangkan seorang pelajar hanya menghafal jawapan peperiksaan tahun lepas.
Jika soalan peperiksaan berubah sedikit, pelajar tersebut mungkin sukar menjawab kerana hanya menghafal, bukan benar-benar memahami konsep.
Begitu juga dengan model AI yang mengalami Overfitting.
🎯 Bilakah Fine-Tuning Patut Digunakan?
Fine-Tuning tidak sepatutnya menjadi pilihan pertama bagi semua projek AI.
Dalam banyak keadaan, Prompt Engineering dan RAG sudah mencukupi untuk menghasilkan prestasi yang sangat baik.
Fine-Tuning lebih sesuai apabila organisasi mempunyai keperluan yang benar-benar khusus dan memerlukan tingkah laku model yang konsisten.
- 🏢 AI perlu menggunakan gaya komunikasi organisasi.
- 📄 AI perlu menghasilkan format dokumen yang konsisten.
- ⚙️ Model perlu dioptimumkan untuk tugasan khusus.
- 🎓 Dataset latihan stabil dan jarang berubah.
- 💼 Organisasi mempunyai sumber untuk mengurus model.
🚫 Bilakah Fine-Tuning Tidak Diperlukan?
Banyak organisasi sebenarnya tidak memerlukan Fine-Tuning.
Jika objektif utama ialah membolehkan AI menjawab berdasarkan dokumen yang sentiasa dikemas kini, penggunaan Retrieval-Augmented Generation (RAG) biasanya lebih mudah, lebih murah dan lebih fleksibel.
- 📚 Maklumat sentiasa berubah.
- 📄 Dokumen dikemas kini dengan kerap.
- 🛒 Produk atau polisi berubah secara berkala.
- ⚡ Mahu mengelakkan latihan semula model.
- 💰 Ingin mengurangkan kos pembangunan AI.
🏢 Bagaimana Organisasi Membuat Keputusan?
Organisasi moden biasanya tidak memilih Fine-Tuning secara automatik.
Sebaliknya, mereka akan menilai objektif projek, jenis data yang dimiliki, kos pembangunan dan keperluan penyelenggaraan sebelum menentukan pendekatan yang paling sesuai.
- ✍️ Mulakan dengan Prompt Engineering.
- 📚 Tambah RAG jika memerlukan data terkini.
- 🗄️ Gunakan Vector Database untuk dokumen yang besar.
- ⚙️ Pertimbangkan Fine-Tuning hanya jika benar-benar diperlukan.
- 📈 Pantau prestasi dan lakukan penambahbaikan secara berterusan.
Dalam bahagian seterusnya, kita akan melihat trend Fine-Tuning pada tahun 2026, menjawab soalan lazim (FAQ), merumuskan perkara penting yang telah dipelajari serta memahami mengapa ramai pakar AI kini lebih cenderung menggabungkan Prompt Engineering, RAG dan Fine-Tuning berbanding bergantung kepada satu pendekatan sahaja.
🚀 Masa Depan Fine-Tuning Pada Tahun 2026 Dan Seterusnya
Fine-Tuning terus memainkan peranan penting dalam pembangunan Artificial Intelligence, terutamanya bagi organisasi yang memerlukan model AI yang benar-benar memahami bidang, proses kerja atau gaya komunikasi tertentu.
Walau bagaimanapun, trend pembangunan AI moden menunjukkan bahawa Fine-Tuning kini sering digunakan bersama teknologi lain seperti Prompt Engineering, Retrieval-Augmented Generation (RAG), Vector Database dan AI Agent.
Pendekatan gabungan ini membolehkan organisasi membina sistem AI yang lebih fleksibel, mudah dikemas kini dan lebih menjimatkan kos berbanding bergantung kepada Fine-Tuning sahaja.
- Fine-Tuning menjadi lebih pantas dan lebih murah.
- Model AI semakin mudah disesuaikan mengikut industri.
- Gabungan RAG dan Fine-Tuning menjadi amalan biasa.
- AI Agent menggunakan model yang telah dioptimumkan.
- Model AI yang lebih kecil tetapi khusus semakin popular.
🏢 Bagaimana Organisasi Memilih Pendekatan Yang Sesuai?
Tidak semua projek AI memerlukan Fine-Tuning.
Sebaliknya, organisasi biasanya memilih pendekatan berdasarkan jenis masalah yang ingin diselesaikan.
- ✍️ Mahu jawapan lebih baik → Prompt Engineering.
- 📚 Mahu AI membaca dokumen terkini → RAG.
- 🗄️ Mahu mengurus jutaan dokumen → Vector Database.
- ⚙️ Mahu mengubah tingkah laku model → Fine-Tuning.
- 🤖 Mahu automasi pintar → AI Agent.
📌 Key Takeaways
- Fine-Tuning menyesuaikan Large Language Model menggunakan data khusus.
- Ia tidak sama dengan Prompt Engineering atau RAG.
- Fine-Tuning lebih sesuai untuk mengubah tingkah laku model berbanding menambah pengetahuan baharu.
- Kebanyakan chatbot moden boleh dibina menggunakan Prompt Engineering dan RAG tanpa Fine-Tuning.
- Pemilihan teknologi bergantung kepada objektif, data dan kos organisasi.
- Fine-Tuning hanyalah salah satu komponen dalam ekosistem AI moden.
❓ Soalan Lazim (FAQ)
1. Adakah Fine-Tuning sama seperti melatih AI dari awal?
Tidak. Fine-Tuning menggunakan model AI yang telah sedia ada dan memberikan latihan tambahan menggunakan dataset khusus. Ini jauh lebih pantas dan lebih menjimatkan berbanding membina model baharu dari kosong.
2. Adakah semua chatbot memerlukan Fine-Tuning?
Tidak. Kebanyakan chatbot moden menggunakan Prompt Engineering, RAG dan Vector Database tanpa melakukan Fine-Tuning pada model AI.
3. Bilakah Fine-Tuning benar-benar diperlukan?
Fine-Tuning sesuai apabila organisasi memerlukan AI yang menghasilkan respons dengan gaya tertentu, memahami istilah khusus atau melaksanakan tugasan yang sangat spesifik secara konsisten.
4. Adakah Fine-Tuning boleh menggantikan RAG?
Tidak. Fine-Tuning dan RAG mempunyai fungsi yang berbeza. Fine-Tuning menyesuaikan tingkah laku model, manakala RAG membolehkan AI mengakses maklumat yang sentiasa dikemas kini.
5. Adakah Fine-Tuning mahal?
Kos Fine-Tuning bergantung kepada saiz model, jumlah data latihan dan infrastruktur yang digunakan. Oleh itu, organisasi biasanya menilai sama ada manfaat yang diperoleh benar-benar berbaloi sebelum melaksanakannya.
🎯 Apa Yang Akan Anda Pelajari Seterusnya?
Kini anda telah memahami bagaimana model AI boleh disesuaikan melalui Fine-Tuning.
Langkah seterusnya ialah mempelajari AI Memory, iaitu bagaimana AI menyimpan dan menggunakan maklumat merentasi pelbagai perbualan atau tugasan.
Dalam artikel seterusnya, kita akan menerangkan Apa Itu AI Memory?, bagaimana AI mengingati maklumat pengguna, perbezaan antara AI Memory dan Context Window serta mengapa teknologi ini semakin penting dalam pembangunan AI Agent dan AI Assistant moden.
📝 Kesimpulan
Fine-Tuning merupakan salah satu teknik penting dalam pembangunan Artificial Intelligence, tetapi ia bukan penyelesaian untuk semua masalah AI.
Walaupun Fine-Tuning mampu meningkatkan prestasi model dalam bidang tertentu, kebanyakan organisasi moden masih bergantung kepada gabungan Prompt Engineering, Retrieval-Augmented Generation (RAG), Embeddings dan Vector Database untuk menghasilkan sistem AI yang lebih fleksibel dan mudah diselenggara.
Memahami bila Fine-Tuning diperlukan dan bila pendekatan lain lebih sesuai merupakan kemahiran penting bagi pembangun AI, pemilik perniagaan dan organisasi yang ingin memanfaatkan teknologi AI secara optimum.
Dengan memilih pendekatan yang betul, organisasi bukan sahaja dapat meningkatkan ketepatan AI, malah dapat mengurangkan kos pembangunan dan memudahkan proses penyelenggaraan pada masa hadapan.
🐉 Nobodynaga Insight
Salah satu salah faham terbesar dalam dunia AI ialah menganggap Fine-Tuning sebagai langkah pertama untuk membina chatbot atau AI Assistant.
Realitinya, ramai organisasi berjaya membangunkan sistem AI menggunakan Prompt Engineering yang baik, digabungkan dengan RAG dan Vector Database tanpa melakukan Fine-Tuning.
Fine-Tuning hanya menjadi pilihan apabila organisasi benar-benar memerlukan model yang mempunyai gaya komunikasi khusus, memahami istilah industri tertentu atau menghasilkan respons yang sangat konsisten.
Memilih teknologi yang tepat mengikut keperluan sebenar jauh lebih penting daripada menggunakan teknologi yang paling kompleks.
🛡️ Digital Safety Checklist
- ✅ Gunakan dataset yang sah dan berkualiti untuk Fine-Tuning.
- ✅ Pastikan data latihan tidak mengandungi maklumat sulit tanpa kebenaran.
- ✅ Uji model selepas Fine-Tuning sebelum digunakan dalam persekitaran sebenar.
- ✅ Pantau prestasi model secara berkala untuk mengesan bias atau ralat.
- ✅ Pertimbangkan Prompt Engineering atau RAG terlebih dahulu sebelum memilih Fine-Tuning.
📚 Teruskan Pembelajaran AI Infrastructure
📖 Artikel Seterusnya
Selepas memahami bagaimana model AI boleh disesuaikan melalui Fine-Tuning, langkah seterusnya ialah mempelajari AI Memory.
AI Memory membolehkan sistem AI mengingati maklumat penting merentasi pelbagai perbualan atau tugasan. Teknologi ini semakin penting dalam pembangunan AI Agent, AI Copilot dan Enterprise AI yang mampu memberikan pengalaman lebih diperibadikan kepada pengguna.
➡️ Apa Itu AI Memory? Bagaimana AI Mengingati Maklumat Pengguna Pada 2026
💬 Sertai Komuniti Nobodynaga
Adakah artikel ini membantu anda memahami bila Fine-Tuning benar-benar diperlukan dan bila pendekatan lain lebih sesuai?
Kongsikan artikel ini kepada rakan, pembangun AI atau pemilik perniagaan yang sedang merancang membina sistem AI mereka sendiri.
Terus ikuti Nobodynaga untuk siri lengkap AI Infrastructure, yang menerangkan konsep AI moden secara sistematik dalam Bahasa Melayu daripada asas sehingga ke peringkat Enterprise AI.
📌 Jangan lepaskan artikel seterusnya mengenai AI Memory, teknologi yang membolehkan AI mengingati maklumat merentasi pelbagai sesi dan menjadi asas kepada generasi baharu AI Assistant yang lebih pintar.
© 2026 Nobodynaga.
Artikel ini diterbitkan untuk tujuan pendidikan dan perkongsian ilmu mengenai Artificial Intelligence. Semua nama produk, model AI dan tanda dagangan yang disebut adalah hak milik pemilik masing-masing.