SISTEM QUR AN RETRIEVAL TERJEMAHAN BAHASA INDONESIA BERBASIS WEB DENGAN REORGANISASI KORPUS

SISTEM QUR’AN RETRIEVAL TERJEMAHAN BAHASA INDONESIA BERBASIS WEB DENGAN REORGANISASI KORPUS 1,2

Surya Agustian1, Imelda Sukma Wulandari2 Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau 1,2 Jl. HR. Soeberantas km 11.5 Simpang Baru Panam, Pekanbaru 1 [email protected], 1 [email protected]

Abstrak Al-Qur’an sebagai kitab suci dan sumber hukum wajib diimani oleh lebih dari satu miliar umat Islam di dunia. Namun karena berbentuk dokumen yang panjang dan diturunkan dalam bahasa Arab, menyebabkan orang awam yang tidak memahami bahasa Arab semakin sulit untuk menemukan topik tertentu untuk mempelajari isi kandungan Al-Qur’an. Penelitian ini bertujuan mengembangkan sistem pencarian ayat Al-Qur’an berbasis web berdasarkan terjemahan Bahasa Indonesia, dengan melakukan reorganisasi korpus berdasarkan tema dan sub tema, sehingga dapat memenuhi preferensi pengguna dalam menemukan topik yang diinginkan. Metode yang digunakan adalah sistem information retrieval dengan model ruang vektor yang telah dinyatakan efisien dan produktif dalam menemukan dokumen relevan. Hasil pengujian menunjukkan bahwa sistem telah memberikan performa yang baik dalam menemukan dokumen-dokumen relevan di urutan teratas. Pembuktian dengan menghitung nilai precision dan recall serta menggambarkan grafik profil performa sistem juga menunjukkan hasil yang memuaskan. Sistem ini menjadi solusi masa depan bagi umat dalam menemukan referensi ayat AlQur’an tentang suatu masalah kehidupan beragama, bermasyarakat, berbangsa dan bernegara. Kata kunci : information retrieval, precision, recall, korpus, model ruang vektor

1.

Pendahuluan

Al-Qur’an merupakan suatu sumber hukum yang menjadi panduan umat Islam dalam menjalani kehidupan beragama, bermasyarakat dan bernegara. Namun, sebagai dokumen yang sangat panjang, terdiri atas 30 juz, 114 surat, dan 6236 ayat, dan berbahasa Arab pula, menjadi hambatan besar bagi kebanyakan umat Islam di Indonesia untuk memahaminya. Bagi sivitas dan akademisi di madrasah atau perguruan tinggi agama pun, jika harus merujuk dan membuat sitasi dari literatur Al-Qur’an untuk masalah tertentu, sering membutuhkan waktu lama untuk menemukan ayat yang sesuai, bila kurang memahami bahasa Arab sebagai bahasa Al-Qur’an. Para pengembang perangkat lunak di dunia telah mencoba mendigitalkan dokumen Al-Qur’an, membuat transliterasi dan terjemahannya ke dalam berbagai bahasa. Beberapa perangkat lunak buatan Indonesia, seperti Lidwa1 juga sudah menyertakan fitur pencarian terhadap ayat Al-Qur’an sesuai dengan masalah yang akan didalami. Namun teknik pencarian masih terbatas pada pencarian kata (exact match), sehingga untuk kueri berupa frase atau beberapa kata, sering tidak mendapatkan hasil. 1

http://id.lidwa.com/app/

F. Ataa Allah [1] mengusulkan sistem information retrieval (IR) bahasa Arab dari korpus surat kabar berbahasa Arab, dengan mempelajari dan membentuk indeks dari frase kata benda. Zainab [2] mengukur efektivitas penggunaan thesaur dan stemming (pemotongan imbuhan) pada sistem IR terjemahan Al-Qur’an berbahasa Malaysia. Metode yang digunakan adalah conflation, yang mencari berdasarkan inputan kueri bahasa natural manusia dari inverse document frequency yang disusun menurut inverted file structure. Noordin [3] mengusulkan desain sistem information retrieval mengenai Al-Qur’an dengan mengevaluasi 125 situs web sebagai korpusnya. Sebelumnya, Surra Binti Ahmad Sufyan [4] meneliti pencarian ayat Al-Qur’an dari terjemahan berbahasa Malaysia berdasarkan thesaur dan relevance feedback. Sistem perankingan hasil pencarian dilakukan berdasarkan feedback dari pengguna yang dihitung secara probabilistik. Kinerja sistem sangat bergantung kepada umpan balik dari pengguna, sehingga apabila pengguna salah memberikan umpan balik, relevansi hasil pencarian selanjutnya bisa keliru. Yunus [5] mengemukakan rancangan sistem information retrieval untuk Al-Qur’an pada bahasa Malaysia dengan metode pencarian berdasarkan

word matching (pencocokan kata) tanpa menghitung term frequency (frekuensi kata), dengan memperluas kata yang dicari berdasarkan semantik kata (menggunakan thesaur). Hal ini dapat meningkatkan jumlah hasil pencarian, namun mengurangi relevansi dokumen hasil pencarian. Peneliti dari Indonesia, Nuk Ghurroh Setyoningrum [6] mengusulkan purwarupa sistem penerjemah bahasa Arab ke bahasa Indonesia berdasarkan masukan dari admin ke sistem secara manual, untuk pengaturan dokumen (ayat Al-Qur’an) dan memilih proses konversi karakter bahasa Arab, pengaturan terjemahan dan seterusnya. Sehingga purwarupa yang dibangun hanya baru dapat diujicoba sampai Surat Al-Baqarah ayat 46. Ahmad Al-Taani [7] mengemukakan konsep pencarian Qur’an dengan kueri berbahasa Arab, juga menggunakan metode pattern matching pada indeks yang dibangun dengan proses stemming dan stopword removal (penghilangan kata hubung dan kata-kata yang tidak memiliki arti/tidak penting dalam pencarian). Penelitian ini bertujuan untuk menghasilkan suatu sistem pencarian ayat Al-Qur’an berdasarkan terjemahan bahasa Indonesia yang lengkap (30 juz) versi Departemen Agama [8], yang selalu dipakai sebagai buku terjemahan Al-Qur’an hadiah jamaah Haji dari Raja Arab Saudi. Sistem ini juga mengatasi kekurangan atau kelemahan penelitian-penelitian sebelumnya, yang hanya menguji terhadap beberapa surat panjang saja sebagai dokumen, tetapi tidak dapat mengatasi surat-surat pendek dengan ayat-ayat yang juga pendek.

2.

Sistem Qur’an Retrieval

Bagi masyarakat muslim di Indonesia yang tidak memahami bahasa Arab, dibutuhkan suatu sistem Qur’an Retrieval (QR), yang dapat menemukan ayat Al-Qur’an yang ingin dicari, dengan menggunakan kueri bahasa Indonesia. Sistem QR tersebut dibangun berdasarkan metode IR (information retrieval), yang dapat memberikan hasil pencarian lebih baik dari segi relevansi, dan lebih banyak dokumen dari segi jumlah hasil pencarian.

Tahap pertama dalam penelitian ini adalah mengorganisasikan kembali korpus Al-Qur’an dengan memadukan beberapa sumber dokumen, yaitu mengambil struktur terjemahan dalam bentuk teks latin, dan ayat (tulisan Arab) dalam bentuk gambar untuk penampilan. Kebanyakan peneliti [4-6, 12], menggunakan satu ayat sebagai satu dokumen. Mereka hanya menguji beberapa surat panjang (misalnya Al-Baqarah sampai An-Nisa’) sebagai dokumen pada koleksi (korpus), tapi tidak memperhitungkan ayat-ayat pendek karena di luar kajian penelitiannya. Faktanya, banyak ayat pendek justru tidak selesai kalimatnya, atau tidak mengandung suatu makna yang jelas, sehingga tidak cocok dijadikan dokumen. Di samping itu, hal ini hanya akan menyebabkan besarnya indeks menjadi membengkak, sehingga waktu pemrosesannya menjadi sangat lama. Untuk mengatasi hal ini, korpus terjemahan disusun kembali dengan memisahkan tema atau subsub tema menjadi satuan dokumen terkecil. Sebagai contoh, merujuk Terjemahan Al-Qur’an [8] pada Surat Al-Baqarah, di halaman 8-11, ayat 1 sampai dengan 20 dijadikan 3 dokumen, yaitu berdasarkan sub tema Golongan Mu’min (ayat 1-5), Golongan Kafir (ayat 6-7) dan Golongan Munafik (ayat 8-20). Hal ini akan lebih baik dibandingkan membentuk 20 dokumen, 1 dokumen 1 ayat. Seterusnya, proses penyusunan korpus dengan cara ini dilakukan sampai ayat terakhir dari Al-Qur’an. Tercatat 800 dokumen pada korpus yang baru, masing-masingnya mengandung jumlah ayat yang bervariasi, namun tetap merupakan satu kesatuan cerita yang utuh dari suatu tema atau sub tema pada Al-Qur’an. 2.2 Proses Indexing Arsitektur sistem IR secara umum dapat digambarkan sepert Gambar 1 berikut [13].

2.1 Korpus Al-Qur’an dan Terjemahan Sumber korpus Al-Qur’an dan terjemahannya ke dalam berbagai bahasa, telah dipelihara dan disebarluaskan oleh berbagai yayasan, foundation, dan lembaga studi Al-Qur’an di dunia melalui internet [9-11]. Beberapa sumber sudah memisahkan dokumen Al-Qur’an antara surat, ayat, dan terjemahan, yang disusun menurut hirarki direktori surat dan file-file ayat, satu ayat satu file. Sumber lainnya, sudah menyusun surat dan ayat ke dalam bentuk database. Di samping itu, sumber yang masih menyediakan file tunggal maupun berbentuk gambar juga masih banyak ditemukan.

Gambar 1. Arsitektur sistem IR [13] Proses yang terjadi di dalam sistem IR terdiri dari 2 bagian utama, yaitu subsistem indexing dan subsistem searching/retrieving (matching system) [13 , 14].

Mengacu kepada literatur IR [14, 15], proses indexing yang telah dilakukan untuk membentuk Sistem Qur’an Retrieval ini adalah: 1. Penyusunan kembali dokumen (reorganisasi korpus). 2. Pembersihan dokumen dari tanda baca, format maupun markup tag bila ada. 3. Tokenisasi, memecah dokumen menjadi kata per kata (term) dan dikonversi ke dalam huruf kecil semuanya. 4. Filtrasi, dalam hal ini dilakukan penghilangan stop word (kata-kata yang tidak memiliki makna dalam IR), seperti kata hubung atau kata yang paling sering muncul. 5. Preproses linguistik, melakukan stemming atau pemotongan imbuhan dan mengembalikan term ke bentuk kata dasar. Dalam hal ini digunakan algoritma stemming dari Nazief dan Adriani [16] yang merupakan pengembangan dari Porter Stemmer. 6. Pemberian bobot terhadap term menggunakan tf-idf (term frequency - inverse document frequency). Langkah keenam ini merupakan suatu kustomisasi yang berbeda antara satu model IR dengan model lainnya. Perhitungan tf dan idf sangat cocok digunakan untuk memprediksi kemiripan antara dokumen dengan kueri berdasarkan vektor yang dibentuk dari term-term penyusunnya. Term frequency (tf) adalah jumlah kemunculan sebuah term pada sebuah dokumen. Hipotesanya, semakin sering suatu term disebutkan dalam suatu dokumen, semakin penting term tersebut. Inverse Document Frequency (idf) adalah jumlah dokumen yang mengandung term yang dicari dari kumpulan dokumen yang ada. Semakin sedikit dokumen yang mengandung term, semakin khusus dokumen tersebut.

=

kueri dengan dokumen [14, 15]. Kata-kata pada kueri dan dokumen direpresentasikan dalam bentuk vektor bobot yang dinormalisasi terhadap panjang dokumen, dengan persamaan berikut,

=

(3)

dengan i adalah term ke-i dan j mewakili dokumen ke-j atau kueri. Di dalam ruang berdimensi n, dengan n adalah jumlah term pada kueri, maka vektor bobot w dapat digambarkan pada arah tertentu, sehingga dokumen yang paling mirip dengan kueri adalah dokumen yang vektor bobotnya paling dekat arahnya dengan vektor bobot kueri. Ilustrasi Gambar 2 di bawah ini untuk jumlah term=3. Dari ilustrasi tersebut, maka dokumen yang paling mirip dengan kueri adalah dokumen D2.

t3

q1

D1 q2 t2

Q

D2

Gambar 2. Ilustrasi arah vektor bobot antara kueri dan dokumen D1 dan D2 Kemiripan antara kueri dan dokumen dapat dihitung dengan mengukur sudut θ terkecil. Sudut 0o menyatakan bahwa kueri sama dengan dokumen. Sehingga berdasarkan persamaan kosinus, similarity atau kemiripan antara dokumen dan kueri dapat dihitung sebagai berikut, (4)

(1)

dengan N adalah jumlah seluruh dokumen pada koleksi, dan Df(i) adalah jumlah dokumen yang mengandung term ke-i. Bobot Term wij untuk sebuah term i pada dokumen j didapatkan dari hasil perkalian antara tf dan idf. (2)

2.3 Proses Retrieving Model yang digunakan pada proses retrieving berkaitan erat dengan pembobotan term yang dipakai pada proses indexing. Dalam penelitian ini, model yang digunakan adalah Vector Space Model (model ruang vektor), yang cukup sederhana dan sangat produktif untuk menemukan kemiripan antara

t1

Dokumen yang paling mirip dengan kueri, adalah yang nilai cosine similarity-nya mendekati 1 (atau sudut antara vektor kueri dan dokumen mendekati 0o). 2.4 Kualitas Hasil Pencarian Untuk mengukur kualitas hasil pencarian, dokumen yang ditemukan akan dinilai relevansinya terhadap keinginan pengguna. Dalam hal ini, kebanyakan penilaian adalah bersifat subjektif, sesuai dengan preferensi pengguna. Untuk itu, ukuran penilaian yang dapat digunakan adalah berapa jumlah dokumen relevan yang dapat dihasilkan (ketepatan atau precision) dari seluruh hasil pencarian, dan berapa banyak dokumen relevan

yang dapat dihasilkan dari sejumlah dokumen relevan di dalam koleksi yang ada (recall).

Pengujian dilakukan dengan memberikan beberapa kueri, maka sistem memberikan hasil seperti ditunjukkan pada Gambar 5 dan 6 berikut ini.

(5)

R

=

(6)

Precision dan recall sebagaimana persamaan (5) dan (6) kemudian dievaluasi, misalnya untuk 10 atau 20 dokumen pertama hasil pencarian, karena tidak memungkinkan untuk membaca seluruh isi koleksi untuk mengetahui dokumen mana saja yang dapat ditemukan, dan mana yang tidak. Kemudian, hasil ini digambarkan dalam grafik Precision-Recall terhadap 11 titik interpolasi (0 sampai 1). Penilaian unjuk kerja yang terbaik adalah sejauh mana dokumen relevan dapat ditemukan sebelum sistem memberikah hasil dokumen yang tidak relevan.

3.

Gambar 5. Hasil pencarian untuk kueri “kisah musa”

Implementasi dan Pengujian

Sistem Qur’an Retrieval ini dibangun berbasis web, dengan PHP sebagai skrip pemrograman dan MySQL sebagai databasenya. Beberapa flat file juga diakses sebagai sumber korpus untuk kebutuhan penampilan. Sebagaimana search engine (mesin pencari) pada umumnya, sistem ini hanya akan memberikan kotak pencarian untuk user, dan meminimalisasi hal-hal yang tidak diperlukan untuk mempercepat waktu akses. Namun demikian, untuk kebutuhan penelitian, beberapa utilitas masih ditampilkan untuk memudahkan evaluasi, seperti terlihat pada Gambar 3 dan 4 berikut ini. Gambar 6. Ketika dokumen dengan nomor urut 1 dipilih/diklik.

3.1 Hasil Pengujian

Gambar 3. Halaman awal sistem Qur’an Retrieval

Pengujian dilakukan terhadap 3 kueri berikut: Q1: Kisah musa Q2: Menunaikan zakat Q3: Berpuasa di bulan Ramadhan Dari ketiga kueri tersebut, kemudian dilakukan penilaian hasil pencarian secara subjektif menurut peneliti, apakah dokumen yang dihasilkan benarbenar sesuai dengan yang diinginkan atau tidak. Hasilnya kemudian di-plot dalam grafik PrecisionRecall 11 titik. Hasil pengujian untuk masing-masing kueri menemukan dokumen-dokumen seperti pada Tabel 1 di bawah ini.

Gambar 4. Halaman administrasi untuk evaluasi

Tabel 1. Jumlah Dokumen Ditemukan Kueri Jml dokumen relevan Jml dokumen ditemukan ditemukan Q1 67 90 Q2 31 39 Q3 1 42 Pada kueri ketiga, kelihatannya hasil pencarian kurang memuaskan karena hanya 1 dokumen yang dianggap relevan. Namun tidaklah demikian, karena hal ini disebabkan bahwa ayat-ayat tentang puasa di bulan Ramadhan memang hanya berada pada 1 topik di dalam Al-Qur’an, dan juga merupakan satusatunya nama bulan yang disebutkan di dalam AlQur’an di antara ke-12 bulan Hijriyah yang ada. Sehingga topik yang sangat relevan dengan kueri hanya satu. Tetapi ayat-ayat yang berhubungan dengan puasa secara umum dapat ditemukan pada 42 dokumen di antara total 800 dokumen di dalam koleksi. Sedangkan untuk dua kueri yang lain, simulasi menunjukkan hasil yang sangat memuaskan, yang menempatkan dokumen-dokumen relevan di peringkat teratas atau halaman awal hasil pencarian.

Tabel 4. Analisa Precision-Recall untuk kueri Q2 Rank

Relevan?

1 2 3 4 5 6 7 8 … 41 42

Ya tidak tidak tidak tidak tidak tidak tidak … tidak tidak

Precision (P) 1/1 = 1/2 = 1/3 = 1/4 = 1/5 = 1/6 = 1/7 = 1/8 = … 1/41= 1/42=

1,0000 0,5000 0,3333 0,2500 0,2000 0,1667 0,1429 0,1250 0,0244 0,0238

Recall (R) 1/1 = 1/1 = 1/1 = 1/1 = 1/1 = 1/1 = 1/1 = 1/1 = … 1/1 = 1/1 =

1 1 1 1 1 1 1 1 1 1

Untuk mengetahui unjuk kerja sistem IR yang dibangun, profil hubungan Precision-Recall dibuat dalam bentuk grafik berdasarkan Tabel 2-4, seperti ditunjukkan pada Gambar 7-9 di bawah ini. Gambar 7 dan 8 menunjukkan bahwa dokumendokumen yang dihasilkan pada urutan teratas adalah dokumen relevan (direpresentasikan oleh grafik yang mendatar/horizontal). Beberapa penurunan precision menggambarkan adanya dokumen tidak relevan yang terselip di antara dokumen relevan yang dihasilkan mesin pencari.

3.2 Analisa Lebih mendalam, dokumen hasil pencarian diperiksa satu persatu apakah relevan atau tidak, kemudian dihitung nilai precision terhadap recallnya, seperti dituliskan (sebagian) di dalam Tabel 2-4 berikut ini. Tabel 2. Analisa Precision-Recall untuk kueri Q1 Rank

Relevan?

1 2 3 4 5 6 7 8 … 89 90

ya ya ya ya ya ya ya Ya … tidak tidak

Precision (P) 1/1 = 2/2 = 3/3 = 4/4 = 5/5 = 6/6 = 7/7 = 8/8 = … 67/89= 67/90=

1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,7528 0,7444

Recall (R) 1/67 = 2/67 = 3/67 = 4/67 = 5/67 = 6/67 = 7/67 = 8/67 = … 67/67= 67/67=

0,0149 0,0299 0,0448 0,0597 0,0746 0,0896 0,1045 0,1194 1,0000 1,0000

Gambar 7. Grafik Precision-Recall untuk Q1 Untuk Q1, yaitu “kisah musa”, sistem telah memberikan banyak dokumen relevan di urutanurutan teratas atau halaman awal hasil pencarian, ditandai dengan landainya grafik P-R yang dihasilkan.

Tabel 3. Analisa Precision-Recall untuk kueri Q2 Rank

Relevan?

1 2 3 4 5 6 7 8 … 38 39

Ya Ya Ya Ya Ya Ya Ya Ya … Ya tidak

Precision (P) 1/1 = 2/2 = 3/3 = 4/4 = 5/5 = 6/6 = 7/7 = 8/8 = … 31/38= 31/39=

1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,8158 0,7949

Recall (R) 1/31 = 2/31 = 3/31 = 4/31 = 5/31 = 6/31 = 7/31 = 8/31 = … 31/31= 31/31

0,0323 0,0645 0,0968 0,1290 0,1613 0,1935 0,2258 0,2581

Gambar 8. Grafik Precision-Recall untuk Q2

1,0000 1,0000

Sedangkan untuk Q2, yaitu “menunaikan zakat”, sistem juga telah memberikan hasil yang sangat

baik, yang ditunjukkan dengan landainya grafik P-R sampai titik terakhir (titik Recall = 1). Kisaran precision terhadap recall adalah dari 0.8 sampai 1, menandakan bahwa performa sistem sudah baik.

index yang lebih efisien dibandingkan menggunakan database relasional.

Daftar Pustaka:

Gambar 9. Grafik Precision-Recall untuk Q3 Seperti telah disampaikan sebelumnya, khusus untuk pencarian terhadap Q3, yaitu “berpuasa di bulan ramadhan”, dapat dikatakan dari segi presisi, sistem telah memberikan hasil yang relevan pada urutan pertama, yaitu dokumen dengan sub tema “puasa” (lihat kembali [8]), yang menampilkan ayat 183-188, dan tidak ada lagi topik mengenai puasa Ramadhan di ayat-ayat yang lainnya. Namun, bahasan tentang puasa secara umum banyak ditemukan, tetapi bukan puasa ramadhan. Dalam hal ini, recall yang dihasilkan sistem juga baik, karena dapat mengembalikan hasil pencarian tentang puasa yang cukup banyak jumlahnya, yaitu 41 dokumen.

4.

Kesimpulan dan Saran

Secara umum, sistem Qur’an retrieval yang dibangun dengan menggunakan model ruang vektor, telah memberikan hasil yang sangat memuaskan untuk beberapa kueri yang diuji, yang terlihat dari profil grafik Precision-Recall yang landai sampai titik Recall=1. Namun pengujian lebih mendalam perlu dilakukan oleh pihak-pihak yang lebih mengetahui secara seksama mengenai isi kandungan AlQur’an, agar hasil pengujian lebih objektif. Sistem yang dibuat sudah dapat diimplementasikan secara live di internet, namun masih terdapat kekurangan dalam hal waktu akses atau waktu pencarian, belum dapat secepat Google atau Yahoo. Hal ini disebabkan karena proses perhitungan kemiripan (nilai similarity) yang meng-update database cukup menyita waktu. Untuk operasional sistem secara live nantinya, proses update database dan penampilan nilai similarity tersebut tidak diperlukan lagi. Saran untuk tahap penelitian selanjutnya, agar menyempurnakan proses indexing dan retrieving agar lebih cepat dan efisien. Antara lain dengan menggunakan bahasa pemrograman perl yang sangat efisien untuk pemrosesan teks dan pengolahan file

[1] F. Ataa Allah dan S. Boulaknadel, Arabic Information Retrieval System Based on Noun Phrases, IEEE, 2006. [2] Nurazzah Abd Rahman, Zainab A. Bakar, Tengku M.T. Sembok, Query Expansion using Thesaurus in Improving Malay Hadith Retrieval System. IEEE, 2010 [3] Noordin, M. Fauzan and Othman, Roslina. An Information Retrieval System for Quranic Texts: A Proposed System Design. Information & Communication System Design, IEEE, 2006. [4] Surra binti Ahmad Sufyan, Retrieving Malay Translated of Al-Quran using Thesaurus Technique with User Relevance Feedback, Tesis Universiti Teknologi Mara, Malaysia, 2004 [5] Yunus, M.A., Zainuddin, R and N. Abdullah Semantic Query for Quran Document Results. IEEE, 2010. [6] Nuk Ghurroh Setyoningrum, Prototipe Sistem Penerjemahan Bahasa Arab Ke Bahasa Indonesia (Studi Kasus Al-Qur’an), Tesis UGM, 2010 [7] Ahmad T. Al-Taani and Alaa M. Al-Gharaibeh, Searching Concepts and Keywords in the Holy Quran, ACIT, 2011 [8] Al-Qur’an dan Terjemahan Departemen Agama RI, Yayasan Penyelenggara Penterjemah/ Pentafsir Al_Qur’an, Lembaga Pencetakan AlQur’an Raja Fahd, Arab Saudi. [9] ________, http://www.qurandownload.com/ [10] ________, http://www.2muslims.com/cgibin/hadith/quran/quran.cgi [11] ________, http://www.myquran.org [12] Darmawan, Heru Adi, Akh Masturi, Rancang Bangun Aplikasi Search Engine Tafsir AlQur’an Menggunakan Teknik Text Mining Dengan Algoritma VSM (Vector Space Model). Program Studi Sistem Informasi, STIKOM Surabaya, 2011. [13] Cios, Krzyztof J. Etc. Data Mining A Knowledge Discovery Approach. Spinger, 2007. [14] Ricardo Baeza-Yates, Berthier Ribeiro-Neto Modern Information Retrieval, ACM Press, New York: 1999. [15] Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Introduction to Information Retrieval, Cambridge University Press, 2008 [16] Bobby A.A. Nazief dan Mirna Adriani, Confix Stripping: Approach to Stemming Algorithm for Bahasa Indonesia, Faculty of Computer Science, University of Indonesia, 1996.