ai-literacy-innovation-institute/fiqh_doa_RAFT_ds_v01

Dataset Card — RAFT Islamic QA (Bilingual: Indonesia - Arab)

Dataset Retrieval-Augmented Fine-Tuning (RAFT) berbahasa Indonesia dan Arab (bersumber dari kitab Minhaj ath-Thalibin karya Imam An-Nawawi untuk Fiqh Syafii, serta himpunan Doa Harian dan Ibadah Praktis) yang dikembangkan oleh AI Literacy Innovation Institute (ALII) UIN SYARIF HIDAYATULLAH JAKARTA. Dataset ini dirancang khusus untuk melatih Large Language Models (LLM) agar dapat menjawab pertanyaan seputar hukum Islam, tata cara ibadah, dan doa harian dengan metode Chain-of-Thought (CoT) yang dilandaskan pada referensi otentik.

Format Data

Dataset ini telah diformat dalam bentuk ChatML standar (percakapan system, user, dan assistant) agar siap digunakan secara langsung untuk fine-tuning LoRA menggunakan Apple mlx-lm maupun pustaka PyTorch lainnya (seperti Axolotl atau LLaMA-Factory).

Struktur JSONL (ChatML)

{
  "messages": [
    {
      "role": "system",
      "content": "Anda adalah AI Assistant Islami yang cerdas. Gunakan dokumen konteks yang diberikan untuk menjawab pertanyaan pengguna dengan memberikan langkah-langkah pemikiran (Chain of Thought) lalu diakhiri dengan kesimpulan. Jika informasi tidak ada di dalam dokumen, katakan 'Tidak ada informasi'."
    },
    {
      "role": "user",
      "content": "<dokumen>\nDokumen 1:\n[Teks Dokumen...]\n---\nDokumen 2:\n[Teks Dokumen...]\n</dokumen>\n\nPertanyaan: Apa syarat sah wudhu?"
    },
    {
      "role": "assistant",
      "content": "Langkah 1: Mengidentifikasi teks sumber...\nLangkah 2: Menemukan penjelasan...\nKesimpulan: Syarat sah wudhu adalah..."
    }
  ]
}

Komposisi RAFT Settings

Untuk memastikan LLM tidak hanya menghafal, tetapi juga tahu kapan harus menolak menjawab jika informasi tidak ada (mencegah halusinasi), dataset ini menggunakan distribusi pengaturan (setting) dokumen berikut:

Statistik Kualitas Dataset

• —Total Data: 603 QA Pasangan
• —Data Latih (Train): 542 baris (data/train.jsonl)
• —Data Validasi (Valid): 61 baris (data/valid.jsonl)

Distribusi Domain:

• —Keamanan (Anti-Leakage): Pembagian Train/Valid menggunakan logika parent-chunking untuk mencegah kebocoran dokumen yang sama antara split.

Provenance & Reproducibilitas

• —Metodologi: RAFT (Retrieval Augmented Fine Tuning)
• —Generator: NVIDIA Nemotron
• —Filter: Deep Validation Script membuang 85 data yang terdeteksi degenerate, repetitif, atau halusinasi berlebih. 32 pertanyaan melalui proses naturalisasi agar lebih human-like.
• —Bahasa: Pertanyaan dan CoT dalam Bahasa Indonesia. Referensi Fiqh Syafii mempertahankan teks Arab orisinal.

Citation

Jika Anda menggunakan dataset ini untuk penelitian, silakan sitasi sebagai berikut:

@dataset{raft_islamic_qa_2026,
  title = {RAFT Islamic QA: Doa, Ibadah, dan Fiqh Syafii (Bilingual)},
  version = {1.1.0},
  year = {2026},
  publisher = {HuggingFace},
  note = {Formatted for MLX ChatML Fine-Tuning}
}