Konversi Unicode

Titik kode adalah nomor yang diberikan Unicode untuk setiap karakter

Unicode adalah tabel yang memberi satu nomor untuk setiap karakter di dunia, dan nomor itu disebut titik kode. Huruf é adalah U+00E9 (desimal 233), huruf A adalah U+0041 (65), dan 😀 adalah U+1F600 (128512). Nilai setelah U+ berupa bilangan heksadesimal; kalau kurang dari empat digit, bagian depannya diisi 0. Nomor berjalan dari U+0000 sampai U+10FFFF, seluruhnya 1.114.112 nomor, dan Unicode 18.0 yang terbit pada 2026 sudah menetapkan 172.808 karakter.

Alat ini menaruh kolom karakter dan kolom kode berdampingan, dan mengubah salah satunya akan langsung menulis ulang kolom di seberangnya. Kode bisa ditulis dalam sembilan notasi: U+, \u00E9 untuk JavaScript dan JSON, \u{E9} untuk ES2015, \U0001F600 untuk Python, é dan é untuk HTML, \E9 untuk CSS, desimal, serta 0x. Nilai yang ditempel dalam notasi apa pun akan dikenali dan dikembalikan menjadi karakter. Kartu karakter di bawah menampilkan nama resmi, blok, kategori umum, dan versi penambahan karakter yang dipilih, sedangkan peta ruang kode memperlihatkan letaknya di antara 1.114.112 kotak.

Saat titik kode perlu diperiksa

Sehari-hari kita tidak perlu tahu nomor sebuah karakter. Namun saat karakter tampil rusak, tidak bisa diketik langsung di kode, atau tampilannya berbeda dari nilai yang tersimpan, penyebabnya baru ketahuan setelah nomornya dilihat.

• Membaca log dan respons API: teks seperti caf\u00E9 di log server atau respons JSON tidak langsung terbaca. Tempel ke kolom kode, dan hasilnya kembali menjadi “café”.
• Menulis simbol di halaman web: simbol yang sulit diketik ditulis dengan nomor, misalnya → (→) di HTML atau "\2192" pada nilai content CSS. Tiap tempat punya tata bahasa sendiri, sehingga satu karakter sering harus ditulis ulang dalam beberapa notasi.
• Batas karakter dan ukuran simpan: 👩‍💻 tampak sebagai satu karakter, tetapi isinya 3 titik kode, length JavaScript bernilai 5, dan ukuran UTF-8 11 byte. Tergantung satuan yang dipakai untuk menghitung batas kolom input atau ukuran kolom basis data, teks yang sama bisa lolos atau terpotong.
• Huruf bertanda yang terurai: HFS Plus di macOS menyimpan nama berkas dalam bentuk terurai sepenuhnya. Berkas “café.pdf” tersimpan sebagai e (U+0065) ditambah aksen gabung (U+0301), sehingga di lingkungan lain nama itu bisa tampak janggal atau tidak ketemu saat dicari dengan “é” biasa.
• Mencari karakter tak terlihat: spasi tanpa lebar (U+200B) yang ikut tersalin bersama nomor atau alamat dari web membuat perbandingan dan pencarian gagal meski tampak sama. BOM (U+FEFF) di awal berkas juga bisa menempel pada nama kolom pertama CSV sehingga terbaca sebagai nama lain.
• Karakter yang tampil sebagai kotak: kalau sebuah karakter muncul sebagai kotak (□) atau tanda tanya, perlu dibedakan apakah nomornya memang belum ditetapkan atau karakter itu baru ditambahkan sehingga belum ada di font perangkat. Nama dan “Ditambahkan di versi” pada kartu karakter menjadi petunjuknya.
• Mengolah teks Hangul: fitur seperti pencarian konsonan awal ditentukan dari aturan urutan suku kata Hangul yang dimulai dari “가” (U+AC00). Kartu karakter menampilkan nomor konsonan awal, vokal, konsonan akhir beserta rumusnya.

Cara memakai

1. Ketik atau tempel karakter di kolom karakter, maka titik kodenya muncul di kolom kode. Sebaliknya, isi kolom kode dengan U+00E9, \u00E9, é, atau notasi lain, maka karakternya muncul di kolom karakter. Pisahkan beberapa nilai dengan spasi atau koma.
2. Pilih salah satu notasi dengan tombol: U+, desimal, 0x, \u, \u{…}, Python, HTML heksadesimal, HTML desimal, atau CSS. Walaupun kolom kode berisi notasi lain, menekan tombol akan menulis ulang isinya dalam notasi yang dipilih, jadi bisa dipakai untuk mengubah antarnotasi.
3. Jika “ASCII tetap apa adanya” aktif, huruf, angka, dan simbol ASCII dibiarkan pada notasi escape, dan hanya karakter lain yang diubah menjadi nomor. Jika dimatikan, semua karakter ditulis sebagai nomor. Tombol AB dan ab mengatur huruf besar atau kecil pada digit heksadesimal.
4. Ketuk satu kotak di pita titik kode, maka kartu karakter menampilkan nama, blok, kategori, versi penambahan, dan sepuluh notasi. Tombol salin di ujung baris hanya menyalin satu notasi itu.
5. Ketuk nomor bidang atau kotak di peta ruang kode, atau tombol ‹ › pada kartu, untuk menjelajahi karakter di sekitarnya. Karakter yang ingin dipakai bisa ditambahkan ke kolom karakter dengan “Masukkan ke kolom karakter”.

Sembilan notasi untuk karakter yang sama

Titik kodenya satu, tetapi tata bahasa penulisannya berbeda di tiap tempat. Tabel berikut memuat nilai é (U+00E9) dan 😀 (U+1F600) dalam setiap notasi. 😀 yang melampaui U+FFFF ditulis sebagai satu bagian pada sebagian notasi dan terpecah menjadi dua pada notasi lain.

\u pada JSON dan Java hanya menerima tepat empat digit, sehingga karakter di atas U+FFFF ditulis sebagai pasangan surogat seperti dijelaskan di bagian berikut. Python membedakan \u empat digit dan \U delapan digit. CSS memakai 1–6 digit heksadesimal setelah garis miring terbalik, dan jika berikutnya ada digit heksadesimal atau spasi, perlu satu spasi sebagai penanda akhir. Referensi karakter HTML ditutup dengan titik koma. Alat ini mengenali semua aturan tersebut saat membaca teks yang ditempel, jadi escape dan referensi karakter boleh bercampur dalam satu teks. Nilai U+ dan 0x hanya dibaca sebagai daftar yang dipisah spasi atau koma; jika bercampur dengan escape, nilainya dibiarkan sebagai teks dan alat ini memberi tahu. Referensi numerik HTML € sampai Ÿ mengikuti standar HTML dan dibaca lewat tabel Windows-1252 (– menjadi –).

Mengapa 😀 ditulis sebagai dua unit, \uD83D\uDE00

UTF-16 menyimpan teks dalam unit 16 bit. Dengan 16 bit hanya bisa ditulis sampai U+FFFF, sehingga titik kode yang lebih besar ditulis sebagai dua nilai dari area khusus bernama surogat (U+D800–U+DFFF). Untuk 😀 (U+1F600), perhitungannya sebagai berikut.

1. Kurangi titik kode dengan 0x10000. Hasilnya 0x1F600 − 0x10000 = 0xF600.
2. Bagi 20 bit yang tersisa menjadi 10 bit depan dan 10 bit belakang. Untuk 0xF600, 10 bit depan adalah 0x3D dan 10 bit belakang adalah 0x200.
3. Tambahkan 0xD800 pada nilai depan dan 0xDC00 pada nilai belakang. Hasilnya 0xD800 + 0x3D = 0xD83D dan 0xDC00 + 0x200 = 0xDE00.

Karena itu '😀'.length di JavaScript bernilai 2, dan di JSON karakter ini ditulis \uD83D\uDE00. Setelah surogat atas (D800–DBFF) harus selalu ada surogat bawah (DC00–DFFF); satu surogat yang berdiri sendiri bukan karakter. Alat ini menandai nilai surogat seperti U+D800 maupun \uD83D tanpa pasangan sebagai kesalahan.

Empat cara menghitung jumlah karakter

“Jumlah karakter” bergantung pada apa yang dihitung. Satuan yang tampak sebagai satu karakter di layar adalah gugus grafem (grapheme cluster) menurut UAX #29, jumlah titik kode adalah banyaknya nomor Unicode, panjang UTF-16 adalah nilai length di JavaScript, dan byte UTF-8 adalah ukuran saat disimpan ke berkas. Keempat kotak di atas kolom karakter menampilkan nilai-nilai ini.

Karena itu, sebelum menetapkan batas “maksimal sekian karakter”, tentukan dulu apa yang dihitung. Jumlah karakter yang dirasakan orang mengikuti karakter terlihat, ruang penyimpanan mengikuti byte UTF-8, dan posisi slice atau substring pada kode JavaScript mengikuti unit UTF-16. Memotong emoji di tengah dengan unit UTF-16 menyisakan surogat tanpa pasangan dan menghasilkan karakter rusak (�).

Menghitung titik kode suku kata Hangul

Jika suku kata Hangul dimasukkan, kartu karakter menampilkan nomor konsonan awal, vokal, dan konsonan akhirnya. Ke-11.172 suku kata Hangul lengkap (U+AC00–U+D7A3) tersusun berurutan dari 19 konsonan awal × 21 vokal × 28 konsonan akhir (termasuk tanpa konsonan akhir), sehingga nomornya bisa dihitung. Rumus pada bagian 3.12 spesifikasi Unicode adalah sebagai berikut. Nomor dihitung mulai dari 0; sebaliknya, hasil bagi (titik kode − 0xAC00) dengan 588 (21 × 28) adalah nomor konsonan awal, hasil bagi sisanya dengan 28 adalah nomor vokal, dan sisanya adalah nomor konsonan akhir.

Titik kode = 0xAC00 + (nomor konsonan awal × 21 + nomor vokal) × 28 + nomor konsonan akhir

Peta ruang kode: 17 bidang

Seluruh 1.114.112 titik kode dibagi menjadi 17 bidang yang masing-masing berisi 65.536 (0x10000) titik kode. Digit di depan empat digit terakhir, seperti angka 1 pada U+1F600, adalah nomor bidang. Pada peta di alat ini, satu lempeng besar adalah satu bidang yang dibagi 256 kotak, dan satu kotak berisi 256 titik kode. Warna kotak menunjukkan kelompok blok yang paling banyak mengisinya.

Dua bagian terluas pada bidang 0 adalah ideograf CJK Terpadu (U+4E00–U+9FFF, 20.992 titik kode) dan suku kata Hangul (U+AC00–U+D7A3, 11.172 karakter). U+D800–U+DFFF yang menyusul khusus untuk surogat sehingga tidak berisi karakter, sedangkan U+E000–U+F8FF adalah area pemakaian pribadi yang sengaja dibiarkan tanpa nama. Semua titik kode di bidang 1–16 ditulis sebagai pasangan surogat di UTF-16.

Karakter yang tidak terlihat

Karakter yang tampak seperti spasi, atau yang sama sekali tidak tampak, tetap punya titik kode. Pita titik kode dan kartu karakter menampilkannya sebagai label dalam kotak bergaris putus-putus, sehingga isi tersembunyi dari teks yang ditempel langsung ketahuan.

Pemisah baris pun karakter. Notepad di Windows biasanya mengakhiri baris dengan dua karakter, CR (U+000D) dan LF (U+000A), sedangkan macOS dan Linux sering memakai satu LF. Namun kolom input di peramban mengubah CR LF yang ditempel menjadi satu LF, sehingga untuk memeriksa akhir baris sebuah berkas apa adanya diperlukan alat yang menampilkan byte, seperti konverter UTF-8 heksadesimal.

Normalisasi: NFC dan NFD

Di Unicode, ada karakter yang bisa ditulis dengan dua cara. “é” sebagai satu titik kode (U+00E9) dan sebagai e (U+0065) ditambah aksen gabung (U+0301) tampak sama di layar, dan Unicode menganggap keduanya karakter yang sama (kesetaraan kanonis). Bentuk yang menggabungkan disebut NFC, dan bentuk yang menguraikan disebut NFD (UAX #15).

Perbandingan string, pencarian, dan nama berkas sering memperlakukan dua bentuk normalisasi yang berbeda sebagai nilai yang berbeda. Jika kolom karakter berisi karakter terurai, alat ini memberi tahu, dan tombol “Gabung ke NFC” serta “Urai ke NFD” mengubah semuanya sekaligus. Normalisasi kompatibilitas (NFKC dan NFKD), yang menyamakan karakter berbeda bentuk seperti lebar penuh dan lebar setengah atau ① dan 1, tidak dilakukan alat ini.

Kesalahan yang sering terjadi

• Menulis nilai desimal setelah U+: 00E9 pada U+00E9 adalah heksadesimal. Kalau desimal 233 ditulis U+233, hasilnya titik kode lain sama sekali (U+0233, ȳ). Alat ini membaca angka tanpa awalan sebagai heksadesimal, dan menampilkan tombol untuk membacanya ulang sebagai desimal jika isinya hanya angka.
• Menyalin nilai surogat sebagai titik kode: kalau \uD83D\uDE00 disalin sebagai U+D83D U+DE00, hasilnya bukan karakter. Titik kodenya satu, yaitu U+1F600.
• Jumlah digit setelah \u: \u pada JavaScript dan JSON harus tepat empat digit, dan \U pada Python harus tepat delapan digit. \u1F600 terbaca sebagai U+1F60 (ὠ) yang diikuti angka 0.
• Angka setelah escape CSS: di CSS, "\E91" terbaca sebagai U+0E91. Untuk menulis angka 1 setelah “é”, tandai akhir escape dengan satu spasi seperti "\E9 1".
• Menghilangkan titik koma pada referensi HTML: jika titik koma dibuang seperti &#233, cara membacanya bisa berubah menurut karakter yang mengikuti, atau diperlakukan sebagai kesalahan. Tulis lengkap seperti é agar aman.
• Menganggap karakter sama hanya karena bentuknya mirip: A Latin (U+0041), Α Yunani (U+0391), dan А Sirilik (U+0410) berbentuk sama tetapi karakter yang berbeda. Jika tercampur dalam alamat atau ID, pencarian dan login gagal, jadi periksa dengan titik kodenya.

Batasan

• Nama karakter, blok, kategori umum, dan versi penambahan mengikuti data Unicode 18.0. Bentuk karakter digambar oleh font perangkat Anda, sehingga karakter yang ada di data pun bisa tampil sebagai kotak.
• Jumlah karakter terlihat dihitung dengan aturan gugus grafem peramban (Intl.Segmenter). Tergantung versi Unicode yang dikenal peramban, gabungan emoji terbaru bisa terhitung berbeda.
• Penulisan nama \N{nama} dari Python dan escape oktal tidak dibaca. \x dibaca sebagai titik kode (U+0000–U+00FF), bukan byte, sehingga untuk mengubah byte UTF-8 menjadi karakter gunakan konverter UTF-8 heksadesimal.
• CSS mengganti \0, surogat, dan nilai di atas U+10FFFF dengan U+FFFD saat membaca, tetapi alat ini melaporkan surogat dan nilai di luar rentang sebagai kesalahan.
• Normalisasi kompatibilitas (NFKC dan NFKD), pengubahan huruf besar dan kecil, serta pencarian berdasarkan nama karakter tidak tersedia.
• Kolom karakter mengonversi sampai 200.000 karakter, dan pita titik kode menggambar 400 titik kode pertama.
• Konversi hanya terjadi di peramban ini. Berkas data nama karakter diunduh satu kali, tetapi karakter atau kode yang Anda masukkan tidak dikirim ke server.

Acuan: notasi U+ serta aturan bidang, surogat, dan suku kata Hangul mengacu pada spesifikasi inti Unicode 18.0; nama karakter, blok, dan versi penambahan pada Unicode Character Database (UCD) 18.0; tata bahasa escape pada spesifikasi ECMAScript, Python, HTML, CSS, serta RFC 8259, dan semuanya diperiksa pada 22 Oktober 2026. Nilai di tabel dihitung ulang dengan inti konversi alat ini dan dicocokkan.

Sumber

• 01Unicode 18.0 Lampiran A: Notational ConventionsTitik kode ditulis U+ diikuti 4–6 digit heksadesimal; kalau kurang, depannya diisi 0
• 02Unicode 18.0 2.8.1: PlanesRuang kode 0–10FFFF (1.114.112 titik kode), BMP, SMP, SIP, TIP, SSP, dan bidang pemakaian pribadi
• 03Unicode 18.0 3.9.2: UTF-16Karakter di atas U+FFFF ditulis sebagai pasangan surogat, dua unit
• 04Unicode 18.0 3.12: Hangul Syllable DecompositionSBase AC00, konsonan awal 19, vokal 21, konsonan akhir 28, 11.172 suku kata
• 05Unicode 18.0 4.8.1: Unicode Name PropertyAturan pembentukan nama suku kata Hangul dan ideograf CJK (Tabel 4-8)
• 06Unicode 18.0.0Menambah 13.007 karakter sehingga totalnya 172.808
• 07Unicode Character Database 18.0Nama karakter (UnicodeData), blok (Blocks), versi penambahan (DerivedAge)
• 08UAX #29: Unicode Text SegmentationGugus grafem (grapheme cluster), yaitu satuan yang tampak sebagai satu karakter di layar
• 09UAX #15: Unicode Normalization FormsNFC, NFD, dan kesetaraan kanonis
• 10ECMA-262: String LiteralsEscape \uXXXX dan \u{…} pada JavaScript
• 11Referensi bahasa Python: Escape sequences\uxxxx (4 digit), \Uxxxxxxxx (8 digit), \N{name}
• 12HTML Standard: Character referencesReferensi numerik desimal dan heksadesimal serta referensi bernama
• 13CSS Syntax Level 3: Consume an escaped code pointSetelah garis miring terbalik ada 1–6 digit heksadesimal; satu spasi sesudahnya menandai akhir
• 14RFC 8259 bagian 7: StringsJSON menulis karakter di atas U+FFFF sebagai pasangan seperti \uD834\uDD1E
• 15MDN: String.lengthPanjang string JavaScript adalah jumlah unit kode UTF-16 (halaman berbahasa Inggris)
• 16Apple TN1150: HFS Plus Volume FormatHFS Plus menyimpan nama berkas dalam bentuk terurai sepenuhnya

Pertanyaan yang sering diajukan

Alat yang dipakai bersama