# Laporan Investigasi Sumber Data — Kamus Qur'an "Setiap Kata"

*Tanggal: 17 Juni 2026 · Tahap: investigasi sumber data (sebelum pembangunan)*

## Ringkasan eksekutif

Ide memperluas kamus agar memuat **setiap kata dalam Al-Qur'an beserta terjemahnya layak diwujudkan**, dan sebagian besar fondasinya sudah Anda miliki. Anda **tidak perlu membangun data token dari nol**: tabel per-kata (77.407 token) sudah ada, file morfologi penuh sudah ada, dan tersedia sumber publik terjemah kata-per-kata Indonesia berlisensi terbuka untuk menambal celah yang tersisa.

Celah nyata yang harus dikerjakan jauh lebih kecil dari kesan awal: sekitar **12.230 token belum punya arti** dan **~8.500 token masih perlu verifikasi** (perkiraan-akar + homograf). Sisanya (~57.000) sudah berarti, meski masih tingkat lemma, bukan kontekstual.

---

## 1. Apa yang sudah Anda miliki (sumber lokal)

### a. Tabel token penuh — `quran_vocab_linked.db`
Folder `Sumber Daya/Morfologi (hasil olahan)/`. Tabel `tokens` berisi **77.407 baris** = tiap kata di tiap ayat, dengan kolom: lokasi (surah:ayah:kata), bentuk, akar, lemma, POS, peringkat, **tahap (jenjang)**, arti, transliterasi, dan tingkat keyakinan arti.

Ini praktis adalah kerangka "setiap kata" yang Anda inginkan — sudah jadi.

**Kualitas arti per token saat ini:**

| Status arti | Jumlah | Keterangan |
|---|---|---|
| `tepat` (dari lemma) | 56.631 (73%) | Arti andal tingkat lemma |
| *kosong* | 12.230 (16%) | Belum ada arti — celah utama |
| `perkiraan-akar` | 5.444 (7%) | Ditebak dari akar, perlu cek |
| `tepat?(cek-homograf)` | 3.100 (4%) | Perlu pemastian makna |

Rincian 12.230 yang kosong: **9.436 partikel** (bi-, li-, al-, dll. — mudah ditambal dengan tabel kecil), **2.208 kata benda** dan **583 kata kerja** langka/gharib (perlu terjemahan sungguhan, frekuensi rendah).

**Catatan jujur yang penting:** arti yang ada sekarang bersifat **tingkat lemma, bukan kontekstual per-bentuk**. Contoh: يَجْزِيَ dan نَجْزِيَ sama-sama diberi "membalas; mengganjar", padahal bentuk pertama "(agar) ia membalas" dan kedua "(agar) Kami membalas". Untuk arti yang sadar waktu/pelaku/dhamir, butuh sumber kata-per-kata (lihat bagian 2).

### b. Morfologi penuh — `quran-morphology.txt`
Format **Quranic Arabic Corpus (QAC)**, 130.030 segmen morfologis dengan fitur lengkap: jenis kata, akar, lemma, jenis kelamin, jumlah, kasus (i'rab), bentuk verba, dan kala. Ini bahan untuk **menghasilkan label gramatikal otomatis** (mis. "verba, lampau, orang ke-3, tunggal") yang membedakan tiap bentuk.

### c. Indeks bentuk di dalam kamus (`stemdata`)
Kamus Anda sekarang sudah mengindeks **11.768 bentuk-permukaan unik** (mencakup ~95% kemunculan kata), tapi baru dipakai sebagai alias pencarian — belum diberi arti sendiri.

### d. Terjemahan tingkat ayat (pelengkap konteks)
`terjemahan-id-kemenag.txt` dan beberapa berkas di folder `Terjemah/` (Kemenag, Sabiq, Complex) — semuanya **tingkat ayat**, bukan kata. Berguna sebagai konteks/cek silang, bukan sebagai sumber arti per-kata.

---

## 2. Sumber publik untuk menambal celah

### ★ Rekomendasi utama: QUL — Quranic Universal Library (Tarteel)
`https://qul.tarteel.ai` · repo: `github.com/TarteelAI/quranic-universal-library`

- Menyediakan **4 terjemahan word-by-word Indonesia** yang bisa diunduh langsung sebagai **JSON dan SQLite**. Sumber utama: "Indonesian wbw translation" (resource #96).
- Cakupan: **setiap kata** Al-Qur'an, glos Indonesia ringkas dan bersih. Contoh nyata (QS 73:4): أَوْ→"atau", زِدْ→"lebih", عَلَيْهِ→"atasnya", وَرَتِّلِ→"dan bacalah", ٱلْقُرْءَانَ→"Al-Qur'an", تَرْتِيلًا→"perlahan-lahan".
- Indeks per-kata QUL (≈77.430) cocok dipasangkan dengan tabel token Anda (77.407) lewat kunci surah:ayah:kata.
- **Lisensi:** QUL secara eksplisit menyatakan sumbernya "dimaksudkan untuk diunduh dan dipaketkan ke dalam proyek Anda sendiri". Atribusi dilakukan via halaman Credits QUL; syarat penuh di tarteel.ai/terms. **Perlu dikonfirmasi final sebelum publikasi**, tetapi arah lisensinya terbuka.
- **Catatan kehati-hatian:** data wbw QUL bersifat hasil kurasi komunitas (ada editor daring untuk koreksi) — bagus, tapi bukan tanpa galat. Untuk produk yang menyangkut Kitab Suci, label "perlu tinjauan ahli" yang sudah Anda terapkan harus tetap dipertahankan.

### Quranic Arabic Corpus (QAC) — `corpus.quran.com`
Standar emas morfologi (sudah Anda punya berkasnya). Glos bawaannya bahasa Inggris. Lisensi GNU/CC BY-SA — wajib atribusi & berbagi-serupa. Peran: **lapisan gramatikal**, bukan arti Indonesia.

### Sumber sekunder (cadangan, lisensi kurang jelas)
- **QuranWBW.com** — punya wbw Indonesia, tapi kode/datanya belum sepenuhnya open-source; status lisensi belum jelas.
- **risan/quran-json**, **SadaqaWorks/Word-By-Word-Quran-Android**, **kirralabs** — terjemahan tingkat ayat atau turunan; berguna untuk cek silang, bukan sumber utama.

---

## 3. Rekomendasi strategi data

1. **Arti kontekstual per-kata:** ambil dari **QUL "Indonesian wbw translation"** (JSON/SQLite), dipetakan ke tabel token Anda lewat surah:ayah:kata. Ini menambal 12.230 yang kosong sekaligus memberi sense kontekstual untuk yang lain.
2. **Lapisan gramatikal:** gunakan **`quran-morphology.txt` (QAC)** yang sudah ada untuk melabeli kala/pelaku/kasus tiap bentuk.
3. **Jenjang/tahap:** pertahankan kolom `tahap` Anda — inilah ciri khas "berjenjang" yang membedakan kamus Anda dari wbw biasa.
4. **Cek silang & mutu:** bandingkan glos QUL dengan kamus lemma Anda (4.817) dan terjemahan ayat Kemenag; tandai selisih untuk tinjauan.
5. **Transparansi:** tiap arti diberi penanda sumber (lemma Anda / QUL / morfologi) dan status keyakinan; pertahankan disклaimer "terjemahan — perlu tinjauan ahli".

## 4. Risiko & hal yang harus dipastikan sebelum membangun

- **Lisensi QUL** — konfirmasi syarat & bentuk atribusi yang benar sebelum dipublikasikan/dibagikan.
- **Penyelarasan indeks kata** — pastikan penomoran kata QUL = penomoran tabel token Anda (keduanya tampak memakai standar per-kata Tanzil; perlu uji pada beberapa ayat sampel, terutama yang ada hamzah wasl/sambungan).
- **Mutu glos komunitas** — wbw QUL perlu disampling untuk kualitas; jangan dianggap final untuk teks suci.
- **Ukuran berkas** — versi token-penuh dengan glos bisa 10–20 MB (masih wajar offline; Reader Mushaf Anda sudah 25 MB).

## 5. Usulan langkah berikutnya

1. Unduh JSON QUL "Indonesian wbw translation" + verifikasi lisensi.
2. Uji-petakan ke tabel token pada 2–3 surah sampel (mis. Al-Fatihah, Al-Ikhlas, sebagian Al-Baqarah) → ukur tingkat kecocokan & mutu.
3. Bila lolos, susun prototipe kamus per-kata pada satu juz sebagai bukti konsep, lalu evaluasi sebelum penuh 30 juz.

---

*Sumber daya lokal: `Sumber Daya/Morfologi (hasil olahan)/`. Sumber publik dirujuk di bagian 2.*