Kenapa konversi biner ke teks menghasilkan karakter yang salah

Deretan angka 1 dan 0 terlihat tidak ambigu — namanya juga biner, tidak ada yang perlu ditafsirkan. Kenyataannya, konversi biner ke teks gagal dengan pola yang persis sama seperti konversi hex ke teks, dengan alasan dasar yang sama: sederet bit belum menjadi teks sampai Anda membuat beberapa asumsi tentang cara mengelompokkan dan menafsirkannya, dan salah satu asumsi yang keliru akan menghasilkan output yang salah dengan cara yang spesifik dan bisa didiagnosis.

Penyebab 1: pengelompokan bit yang salah (7-bit vs. 8-bit)

ASCII standar hanya membutuhkan 7 bit per karakter; kebanyakan alat biner-ke-teks menggunakan default 8-bit byte karena begitulah cara teks disimpan pada sistem nyata. Jika sebuah string biner dibuat dengan asumsi pengelompokan 7-bit (beberapa contoh buku teks dan sistem lama masih melakukan ini) lalu Anda mendekodenya sebagai byte 8-bit, setiap karakter akan bergeser — batas pengelompokan sudah salah sejak bit pertama, sehingga kerusakannya merata di seluruh output, bukan mulai bersih lalu memburuk di tengah jalan.

Tandanya: jika benar-benar semua karakter dalam output salah, bukan cuma sebagian, periksa dulu asumsi pengelompokan bit sebelum yang lain.

Penyebab 2: bit yang berlebih atau hilang menggeser semua yang setelahnya

Ini adalah versi biner dari digit hex yang ganjil — satu 0 atau 1 yang nyasar (karakter tambahan dari copy-paste, digit yang terlewat, spasi yang ikut terbaca sebagai data) akan menggeser batas byte untuk semua kelompok setelah titik itu. Berbeda dengan penyebab 1, ini menghasilkan teks yang benar sampai titik tertentu lalu berantakan setelahnya — sinyal kuat bahwa jumlah bit itu sendiri yang bermasalah di suatu titik dalam string, bukan skema encoding-nya yang salah dari awal.

Hitung dulu total bit-nya: panjang string seharusnya kelipatan bersih dari 8 (atau 7, jika Anda sudah memastikan itu pengelompokan yang dipakai). Jika tidak, bit yang berlebih atau hilang itulah bug-nya, bukan decoder-nya.

Penyebab 3: encoding karakter, sama seperti pada hex

Setelah bit dikelompokkan dengan benar menjadi byte, Anda masih harus menentukan apa arti nilai-nilai byte itu sebagai karakter — UTF-8, ASCII, Latin-1. Ini identik dengan kasus hex-ke-teks: karakter UTF-8 multi-byte (huruf beraksen, simbol, aksara non-Latin) yang didekode satu byte sekaligus seolah tiap byte adalah karakter tersendiri akan menghasilkan dua atau tiga simbol berantakan menggantikan satu karakter yang benar. Jika pengelompokan bit sudah dipastikan benar (penyebab 1 dan 2 sudah disingkirkan) dan output masih salah khususnya di sekitar karakter non-ASCII, hampir pasti ini penyebabnya.

Penyebab 4: endianness, untuk biner yang merepresentasikan angka bukan teks

Jika string biner mengkodekan nilai numerik alih-alih data karakter — prefiks panjang, checksum, ID yang disisipkan bersama teks — urutan bit/byte jadi penting dan tidak ada default universal. 00000001 sebagai satu byte tunggal tidak ambigu, tapi nilai numerik multi-byte bisa disimpan dengan byte paling signifikan di depan atau di belakang tergantung sistem yang menghasilkannya, dan membacanya dengan asumsi yang salah akan diam-diam menghasilkan angka lain yang salah namun terlihat masuk akal, bukan error yang jelas.

Cara mendiagnosis secara berurutan

1. Periksa apakah total jumlah bit adalah kelipatan bersih dari pengelompokan yang Anda asumsikan (biasanya 8) — jumlah yang ganjil berarti penyebab 2, perbaiki inputnya.
2. Jika semua karakter salah secara merata sejak awal, curigai ukuran pengelompokan itu sendiri (penyebab 1) sebelum menyentuh encoding.
3. Jika output bersih di awal lalu memburuk di tengah, itu menunjukkan bit yang nyasar/hilang di titik tersebut (penyebab 2), bukan masalah encoding.
4. Jika pengelompokan dan jumlah bit sudah sesuai dan hanya karakter non-ASCII yang terlihat salah, itu masalah encoding karakter (penyebab 3).
5. Jika data merepresentasikan angka bukan teks dan nilainya terlihat masuk akal tapi salah, periksa urutan byte (penyebab 4) sebelum mengira logika konversinya yang rusak.

Sama seperti hex, langkah konversinya sendiri sepele — bug sesungguhnya hampir selalu ada di salah satu dari empat asumsi ini, bukan di kode yang melakukan konversi.