BAB 37: Charset dan Encoding
Character encoding di HTML dan mengapa UTF-8 adalah standar yang digunakan saat ini.
Sejak Bab 3, setiap file HTML yang kita buat selalu dimulai dengan baris ini di bagian <head>:
<meta charset="UTF-8">
Kita pakai tanpa banyak pertanyaan karena memang begitu caranya. Tapi di balik satu baris itu tersimpan sejarah panjang tentang bagaimana komputer belajar memahami teks dari berbagai bahasa di dunia, dan mengapa pilihan encoding yang salah bisa membuat seluruh halaman berubah menjadi deretan karakter aneh yang tidak bisa dibaca.
Dari Bit ke Karakter
Komputer hanya mengenal angka. Untuk menyimpan teks, setiap karakter harus dipetakan ke angka tertentu. Kumpulan pemetaan ini disebut character set atau charset, dan mekanisme untuk mengubah angka-angka tersebut menjadi urutan bit yang bisa disimpan disebut character encoding.
Dua istilah ini sering digunakan bergantian dalam konteks HTML, tapi secara teknis berbeda. Charset mendefinisikan karakter apa yang ada; encoding mendefinisikan bagaimana karakter itu direpresentasikan sebagai byte di file.
Evolusi Standar Encoding
Memahami kenapa UTF-8 menjadi standar modern memerlukan sedikit konteks historis.
ASCII adalah titik awal. Dikembangkan pada 1960-an, ASCII mendefinisikan 128 karakter: huruf Latin (a–z, A–Z), angka (0–9), tanda baca, dan beberapa karakter kontrol. Cukup untuk bahasa Inggris, tapi sama sekali tidak mencakup aksara lain di dunia.
ISO-8859-1 (disebut juga Latin-1) memperluas ASCII dengan menambahkan 128 karakter Eropa Barat: é, ñ, ü, dan sebagainya. Ini menjadi encoding default HTML 4. Tapi tetap saja tidak bisa menampilkan bahasa Arab, Jepang, Thailand, atau ratusan sistem tulisan lainnya.
Windows-1252 adalah versi Microsoft dari Latin-1 dengan beberapa tambahan di rentang 128–159. Karakter seperti " (curly quote) dan : (em dash) termasuk di sini. Banyak halaman web lama menggunakan encoding ini.
UTF-8 hadir sebagai solusi universal. Encoding ini mengimplementasikan standar Unicode yang dirancang untuk mencakup semua sistem tulisan di dunia, lebih dari 140.000 karakter dalam Unicode versi terbaru.
Mengapa UTF-8
UTF-8 memiliki beberapa keunggulan yang membuatnya cocok sebagai standar web:
Yang pertama adalah kompatibilitas mundur dengan ASCII. Setiap dokumen ASCII valid adalah dokumen UTF-8 yang valid. Karakter a–z, 0–9, dan tanda baca standar tetap disimpan dengan byte yang sama (0–127), sehingga konten berbahasa Inggris tidak berubah ukurannya.
Yang kedua adalah efisiensi. Karakter Latin dasar hanya butuh 1 byte. Karakter Eropa dan Timur Tengah butuh 2 byte. Karakter Asia Timur dan emoji butuh 3–4 byte. Sistem ini lebih efisien daripada encoding yang mewajibkan semua karakter menggunakan jumlah byte yang sama.
Yang ketiga adalah cakupan universal. Satu encoding untuk semua bahasa, tidak perlu lagi memilih encoding berbeda untuk konten multibahasa.
Mendeklarasikan Charset di HTML
Browser menentukan encoding halaman dari dua sumber: header HTTP yang dikirim server, atau deklarasi <meta> di dalam dokumen. Dalam pengembangan web modern, kita mengandalkan keduanya, tapi deklarasi di dokumen lebih portable karena bekerja bahkan saat file dibuka langsung dari disk.
Cara yang benar di HTML5:
<!-- portofolio.html -->
<!DOCTYPE html>
<html lang="id">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Portofolio Abd. Asis</title>
</head>
Tag <meta charset="UTF-8"> harus menjadi elemen pertama di dalam <head>, sebelum elemen apapun termasuk <title>. Browser mulai menginterpretasi karakter sebelum selesai membaca seluruh <head>, sehingga charset yang terlambat dideklarasikan bisa menyebabkan karakter di <title> ditampilkan salah.
Cara lama yang masih valid tapi tidak direkomendasikan (sintaks HTML 4):
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
Keduanya menghasilkan efek yang sama, tapi sintaks HTML5 jauh lebih ringkas. Tidak ada alasan untuk memakai sintaks lama di proyek baru.
Apa yang Terjadi Tanpa Deklarasi Charset
Ketika charset tidak dideklarasikan, browser menggunakan encoding default-nya sendiri, yang bisa berbeda antar browser dan sistem operasi. Di kebanyakan browser modern, defaultnya adalah UTF-8. Tapi ini bukan sesuatu yang bisa kita andalkan.
Tanpa deklarasi eksplisit, karakter di luar ASCII (termasuk huruf beraksara seperti é dan ü, simbol khusus, dan tentu saja emoji) bisa ditampilkan sebagai karakter pengganti (replacement character ?) atau deretan karakter acak yang tidak bermakna. Fenomena ini dikenal sebagai mojibake.
Jika kamu pernah membuka halaman web dan melihat teks seperti “quotes†alih-alih "quotes", itu adalah mojibake, file disimpan dalam satu encoding tapi dibaca sebagai encoding yang berbeda.
Charset dan File Teks Editor
Deklarasi charset di HTML hanya memberi tahu browser bagaimana cara membaca file. Tapi encoding yang sebenarnya ditentukan saat file disimpan oleh editor.
Jika file disimpan dalam encoding yang berbeda dari yang dideklarasikan, hasilnya tetap mojibake (bahkan dengan <meta charset="UTF-8"> sekalipun. Pastikan editor kamu menyimpan file sebagai UTF-8. Di VS Code, status encoding terlihat di pojok kanan bawah) klik untuk mengubahnya jika perlu.
Latihan
Cek dan perkuat penanganan encoding di portofolio.html Abd. Asis:
-
Buka file di editor, pastikan encoding yang digunakan adalah UTF-8 (periksa di status bar editor).
-
Pastikan
<meta charset="UTF-8">ada sebagai elemen pertama di dalam<head>, sebelum<title>. -
Coba sisipkan beberapa karakter non-ASCII langsung sebagai teks: huruf é, tanda © atau simbol ✓. Buka di browser dan pastikan semuanya ditampilkan dengan benar tanpa numeric entity.
Dengan charset yang tepat, semua karakter dalam teks HTML (baik yang diketik langsung maupun yang menggunakan entitas) dijamin ditampilkan konsisten di semua browser. Ada satu topik yang berkaitan erat dengan charset: URL encoding, cara browser mengkodekan karakter khusus di dalam URL sebelum mengirimkan request ke server.