# Laporan Kelayakan: Paket Kurikulum Hadis Berjenjang

**Tanggal:** 10 Juni 2026 · **Status: LAYAK dikerjakan**, dengan desain "kurikulum delta" dan beberapa mitigasi.

## Kesimpulan utama

Pilot pada **seluruh Shahih al-Bukhari** (7.008 hadis, 518.842 token, edisi berharakat) menunjukkan: pelajar yang menamatkan kurikulum Qur'an v7 **sudah mengenal mayoritas bahasa hadis**.

| Bekal | Cakupan token Bukhari |
|---|---|
| Tahap 1 (100 kata Qur'an) | 44,8% |
| Tahap 2 (300 kata) | 59,5% |
| Tahap 4 (1.000 kata) | 71,0% |
| Tahap 6 (2.000 kata inti) | **76,3%** |
| Tahap 7 (4.817 lemma) | 82,9% |

Angka ini **batas bawah** — pencocokan cepat saya belum melepas prefiks verba (يقرأ tidak terhubung ke قرأ), sehingga cakupan sebenarnya lebih tinggi.

Sisa 17,1% yang tak tercakup hampir seluruhnya bukan "kosakata baru yang harus dihafal":

1. **Nama perawi & nasab** (≈ mayoritas): عائشة، هريرة، الزهري، قتيبة… plus بن (16.977×). Ini bukan kosakata — bisa difilter.
2. **Formula periwayatan** (frekuensi sangat tinggi, layak jadi Pelajaran 1): حدثنا (14.339×)، حدثني، أخبرنا. Menarik: verba حَدَّثَ memang nyaris tak ada di Al-Qur'an — bukti nyata kebutuhan kurikulum delta.
3. **Kosakata delta sejati** (target kurikulum): istilah ibadah & keseharian yang jarang/absen di Qur'an — ركعة، منبر، توضأ، يعني، كذا…

**Implikasi desain:** jangan bangun kurikulum hadis dari nol. Bangun **kurikulum delta**: "tamat 2.000 kata Qur'an + beberapa ratus kata tambahan = membaca hadis." Delta sejati diperkirakan hanya ratusan lemma — cukup kecil untuk **ditinjau manual**, yang sekaligus menetralkan kelemahan lemmatisasi otomatis.

## Sumber data: tersedia dan layak

**Open Hadith Data** (github.com/mhashim6/Open-Hadith-Data): 9 kitab hadis (Kutub at-Tis'ah), CSV bersih, dan — penemuan penting — tersedia **versi berharakat penuh** (mushakkala) yang sangat mengurangi ambiguitas. Lisensi **ODbL** (terbuka; wajib atribusi & share-alike — lebih longgar dari GPL).

## Alat: bisa, dengan strategi berlapis

- **qalsadi** (lemmatizer otomatis): berfungsi, tapi lemah — hanya menyelamatkan 1,9% token tambahan, dan kadang salah arah (نَوَى "berniat" → نواة "biji"). **Tidak bisa diandalkan sendirian.**
- **Strategi yang terbukti di pilot ini**: (1) cocokkan permukaan kata hadis ke indeks permukaan seluruh Qur'an yang sudah kita punya; (2) lepas klitik prefiks/sufiks lalu cocokkan ke peta lemma kurikulum; (3) lemmatizer otomatis hanya untuk sisa; (4) **tinjauan manual untuk daftar delta final** (layak karena kecil).
- CAMeL Tools (lebih akurat) belum diuji — opsi peningkatan.

## Risiko & mitigasi

| Risiko | Mitigasi |
|---|---|
| Lemmatisasi otomatis kurang akurat | Delta kecil → tinjau manual; pakai edisi berharakat |
| Frekuensi dibanjiri isnad/nama | Pisahkan formula periwayatan (jadi pelajaran tersendiri) + filter daftar nama perawi |
| Korpus tidak tunggal | Mulai satu kitab (Bukhari); nyatakan edisi sumber secara eksplisit |
| Terjemahan otomatis lebih sensitif (fikih/akidah) | Sama seperti proyek Qur'an: tandai jelas "hasil AI, perlu tinjauan ahli"; jangan terbitkan tanpa tinjauan |

## Peta jalan yang disarankan

1. **Pilot produk** — "Jembatan Qur'an → Hadis" berbasis Bukhari: pelajaran 0 (formula periwayatan, ±20 kata), lalu tahap delta H1–H3 (kata non-Qur'ani tersering, hasil tinjauan manual atas kandidat otomatis).
2. Validasi dengan Arba'in Nawawi / Riyadhus Shalihin (teks yang benar-benar dibaca pemula).
3. Jika sehat: perluas ke kitab lain, buat deck Anki delta + perluas kamus HTML (sumber hadis tinggal ditambahkan ke pipeline yang ada).

## Kejujuran metodologi pilot

Diukur per-token (bukan per-lemma unik) pada 7.008 hadis edisi mushakkala; pencocokan = permukaan-Qur'an + pelepasan klitik + qalsadi; angka cakupan adalah batas bawah; pemisahan isnad/matan belum dilakukan (cakupan matan murni dipastikan lebih tinggi dari angka di atas).