nahiarhdNLP 1.2.0

Advanced Indonesian Natural Language Processing Library

nahiarhdNLP - Advanced Indonesian Natural Language Processing Library

Advanced Indonesian Natural Language Processing Library dengan fitur preprocessing teks, normalisasi slang, konversi emoji, koreksi ejaan, dan banyak lagi.

🚀 Instalasi

pip install nahiarhdNLP

📦 Import Library

# Import module preprocessing
from nahiarhdNLP import preprocessing

# Import fungsi spesifik
from nahiarhdNLP.preprocessing import (
    # Fungsi pembersihan dasar
    remove_html, remove_url, remove_mentions, remove_hashtags,
    remove_numbers, remove_punctuation, remove_extra_spaces,
    remove_special_chars, remove_whitespace, to_lowercase,
    # Fungsi normalisasi dan koreksi
    replace_slang, replace_word_elongation, correct_spelling,
    # Fungsi emoji
    emoji_to_words, words_to_emoji,
    # Fungsi linguistic
    remove_stopwords, stem_text, tokenize,
    # Fungsi all-in-one
    clean_text,
    # Fungsi pipeline
    pipeline, preprocess
)

# Import kelas untuk penggunaan advanced
from nahiarhdNLP.preprocessing import (
    TextCleaner, SpellCorrector, StopwordRemover,
    Stemmer, EmojiConverter, Tokenizer, Pipeline
)

# Import dataset loader (dua cara)
from nahiarhdNLP.datasets import DatasetLoader
# atau
from nahiarhdNLP.datasets.loaders import DatasetLoader

📋 Contoh Penggunaan

1. 🧹 TextCleaner - Membersihkan Teks

from nahiarhdNLP.preprocessing import TextCleaner

cleaner = TextCleaner()

# Membersihkan URL
url_text = "kunjungi https://google.com sekarang!"
clean_result = cleaner.clean_urls(url_text)
print(clean_result)
# Output: "kunjungi  sekarang!"

# Membersihkan mentions
mention_text = "Halo @user123 apa kabar?"
clean_result = cleaner.clean_mentions(mention_text)
print(clean_result)
# Output: "Halo  apa kabar?"

# Membersihkan teks secara menyeluruh
messy_text = "Halooo!!! @user #trending https://example.com 😀"
clean_result = cleaner.clean(messy_text)
print(clean_result)
# Output: teks yang sudah dibersihkan

2. ✏️ SpellCorrector - Koreksi Ejaan & Normalisasi Slang

from nahiarhdNLP.preprocessing import SpellCorrector

spell = SpellCorrector()

# Koreksi kata salah eja
word = "mencri"
corrected = spell.correct_word(word)
print(corrected)
# Output: "mencuri"

# Koreksi kalimat lengkap (termasuk normalisasi slang)
sentence = "gw lg mencri informsi"
corrected = spell.correct_sentence(sentence)
print(corrected)
# Output: "saya lagi mencuri informasi"

3. 🚫 StopwordRemover - Menghapus Stopwords

from nahiarhdNLP.preprocessing import StopwordRemover

stopword = StopwordRemover()
stopword._load_data()  # Load dataset stopwords

# Menghapus stopwords
text = "saya suka makan nasi goreng"
result = stopword.remove_stopwords(text)
print(result)
# Output: "suka makan nasi goreng"

# Menambah custom stopwords
stopword.add_custom_stopwords(["adalah", "akan"])

4. 😀 EmojiConverter - Konversi Emoji

from nahiarhdNLP.preprocessing import EmojiConverter

emoji = EmojiConverter()
emoji._load_data()  # Load dataset emoji

# Emoji ke teks
emoji_text = "😀 😂 😍"
text_result = emoji.emoji_to_text_convert(emoji_text)
print(text_result)
# Output: "wajah_gembira wajah_tertawa wajah_bercinta"

# Teks ke emoji
text = "wajah_gembira"
emoji_result = emoji.text_to_emoji_convert(text)
print(emoji_result)
# Output: "😀"

5. 🔪 Tokenizer - Tokenisasi

from nahiarhdNLP.preprocessing import Tokenizer

tokenizer = Tokenizer()

# Tokenisasi teks
text = "ini contoh tokenisasi"
tokens = tokenizer.tokenize(text)
print(tokens)
# Output: ['ini', 'contoh', 'tokenisasi']

6. 🌿 Stemmer - Stemming (Memerlukan Sastrawi)

from nahiarhdNLP.preprocessing import Stemmer

try:
    stemmer = Stemmer()
    text = "bermain-main dengan senang"
    result = stemmer.stem(text)
    print(result)
    # Output: "main main dengan senang"
except ImportError:
    print("Install Sastrawi dengan: pip install Sastrawi")

7. 🛠️ Fungsi Individual

from nahiarhdNLP.preprocessing import (
    # Fungsi pembersihan dasar
    remove_html, remove_url, remove_mentions, remove_hashtags,
    remove_numbers, remove_punctuation, remove_extra_spaces,
    remove_special_chars, remove_whitespace, to_lowercase,
    # Fungsi normalisasi dan koreksi
    replace_slang, replace_word_elongation, correct_spelling,
    # Fungsi emoji
    emoji_to_words, words_to_emoji,
    # Fungsi linguistic
    remove_stopwords, stem_text, tokenize,
    # Fungsi all-in-one
    clean_text
)

# 🧹 FUNGSI PEMBERSIHAN DASAR

# Menghapus HTML tags
html_text = "website <a href='https://google.com'>google</a>"
clean_result = remove_html(html_text)
print(clean_result)
# Output: "website google"

# Menghapus URL
url_text = "kunjungi https://google.com sekarang!"
clean_result = remove_url(url_text)
print(clean_result)
# Output: "kunjungi sekarang!"

# Menghapus mentions (@username)
mention_text = "Halo @user123 dan @admin apa kabar?"
clean_result = remove_mentions(mention_text)
print(clean_result)
# Output: "Halo dan apa kabar?"

# Menghapus hashtags (#tag)
hashtag_text = "Hari ini #senin #libur #weekend"
clean_result = remove_hashtags(hashtag_text)
print(clean_result)
# Output: "Hari ini"

# Menghapus angka
number_text = "Saya berumur 25 tahun dan punya 3 anak"
clean_result = remove_numbers(number_text)
print(clean_result)
# Output: "Saya berumur tahun dan punya anak"

# Menghapus tanda baca
punct_text = "Halo, apa kabar?! Semoga sehat selalu..."
clean_result = remove_punctuation(punct_text)
print(clean_result)
# Output: "Halo apa kabar Semoga sehat selalu"

# Menghapus spasi berlebih
space_text = "Halo    dunia   yang    indah"
clean_result = remove_extra_spaces(space_text)
print(clean_result)
# Output: "Halo dunia yang indah"

# Menghapus karakter khusus
special_text = "Halo @#$%^&*() dunia!!!"
clean_result = remove_special_chars(special_text)
print(clean_result)
# Output: "Halo dunia!!!"

# Membersihkan karakter whitespace (tab, newline, dll)
whitespace_text = "Halo\n\tdunia\r\nyang indah"
clean_result = remove_whitespace(whitespace_text)
print(clean_result)
# Output: "Halo dunia yang indah"

# Konversi ke huruf kecil
upper_text = "HALO Dunia Yang INDAH"
clean_result = to_lowercase(upper_text)
print(clean_result)
# Output: "halo dunia yang indah"

# ✨ FUNGSI NORMALISASI DAN KOREKSI

# Normalisasi slang (menggunakan SpellCorrector)
slang_text = "emg siapa yg nanya?"
normal_text = replace_slang(slang_text)
print(normal_text)
# Output: "memang siapa yang bertanya?"

# Mengatasi perpanjangan kata (word elongation)
elongation_text = "kenapaaa bangettt???"
clean_result = replace_word_elongation(elongation_text)
print(clean_result)
# Output: "kenapa banget??"

# Koreksi ejaan
spell_text = "saya mencri informsi pnting"
corrected = correct_spelling(spell_text)
print(corrected)
# Output: "saya mencuri informasi penting"

# 😀 FUNGSI EMOJI

# Konversi emoji ke kata
emoji_text = "😀 😂 😍"
text_result = emoji_to_words(emoji_text)
print(text_result)
# Output: "wajah_gembira wajah_tertawa wajah_bercinta"

# Konversi kata ke emoji
text_to_emoji = "wajah_gembira wajah_sedih"
emoji_result = words_to_emoji(text_to_emoji)
print(emoji_result)
# Output: "😀 😢"

# 🔬 FUNGSI LINGUISTIC

# Menghapus stopwords
stopword_text = "saya sangat suka sekali makan nasi goreng"
clean_result = remove_stopwords(stopword_text)
print(clean_result)
# Output: "suka makan nasi goreng"

# Stemming teks (memerlukan Sastrawi)
try:
    stem_text_input = "bermain-main dengan gembira"
    stemmed = stem_text(stem_text_input)
    print(stemmed)
    # Output: "main main dengan gembira"
except ImportError:
    print("Install Sastrawi: pip install Sastrawi")

# Tokenisasi teks
tokenize_text = "Saya suka makan nasi goreng"
tokens = tokenize(tokenize_text)
print(tokens)
# Output: ['Saya', 'suka', 'makan', 'nasi', 'goreng']

# 🎯 FUNGSI ALL-IN-ONE

# Cleaning menyeluruh (gabungan semua fungsi cleaning)
messy_text = "Halooo!!! @user #trending https://example.com 😀 123"
cleaned = clean_text(messy_text)
print(cleaned)
# Output: "haloo" (teks yang sudah dibersihkan menyeluruh)

8. 🔀 Pipeline - Preprocessing Sekaligus

Pipeline memungkinkan Anda menjalankan beberapa fungsi preprocessing sekaligus dengan konfigurasi yang fleksibel.

from nahiarhdNLP.preprocessing import Pipeline, pipeline, preprocess

# 🏗️ MENGGUNAKAN KELAS PIPELINE

# Buat pipeline dengan konfigurasi default
pipe = Pipeline()
result = pipe.process("Halooo @user https://example.com gw lg nyari info 😀")
print(result)
# Output: "halo saya lagi mencari informasi"

# Buat pipeline dengan konfigurasi custom
config = {
    'remove_html': True,
    'remove_url': True,
    'remove_mentions': True,
    'remove_hashtags': True,
    'normalize_slang': True,
    'correct_spelling': True,
    'remove_stopwords': True,
    'stem_text': False,
    'to_lowercase': True,
    'tokenize': False
}

pipe = Pipeline(config)
messy_text = "gw lg mencri informsi pnting @user #trending https://example.com"
result = pipe.process(messy_text)
print(result)
# Output: "saya mencari informasi penting"

# Update konfigurasi pipeline
pipe.update_config({'tokenize': True, 'remove_stopwords': False})
tokens = pipe.process("Saya suka makan nasi goreng")
print(tokens)
# Output: ['saya', 'suka', 'makan', 'nasi', 'goreng']

# Lihat konfigurasi aktif
print("Konfigurasi:", pipe.get_config())
print("Steps aktif:", pipe.get_enabled_steps())

# Reset ke konfigurasi default
pipe.reset_config()

# 🚀 FUNGSI PIPELINE (SIMPLE)

# Gunakan konfigurasi default
result = pipeline("Halooo @user https://example.com gw lg nyari info 😀")
print(result)
# Output: "halo saya lagi mencari informasi"

# Gunakan konfigurasi custom
config = {
    'remove_url': True,
    'normalize_slang': True,
    'to_lowercase': True,
    'remove_mentions': True
}
result = pipeline("Gw lg browsing https://google.com @admin", config)
print(result)
# Output: "saya lagi browsing"

# Dengan tokenisasi
config = {'normalize_slang': True, 'tokenize': True}
tokens = pipeline("gw suka makan nasi", config)
print(tokens)
# Output: ['saya', 'suka', 'makan', 'nasi']

# ⚙️ FUNGSI PREPROCESS (DETAIL CONTROL)

# Preprocess dengan parameter eksplisit
result = preprocess(
    "Halooo @user123 #trending https://example.com gw lg nyari info 😀!!!",
    remove_url=True,
    remove_mentions=True,
    remove_hashtags=True,
    remove_punctuation=True,
    normalize_slang=True,
    correct_spelling=True,
    to_lowercase=True,
    remove_stopwords=True
)
print(result)
# Output: "halo saya mencari informasi"

# Preprocess dengan tokenisasi
tokens = preprocess(
    "Saya suka makan nasi goreng pedas",
    remove_stopwords=True,
    tokenize=True
)
print(tokens)
# Output: ['suka', 'makan', 'nasi', 'goreng', 'pedas']

# Preprocess minimal (hanya cleaning dasar)
result = preprocess(
    "Halooo @user!!! 123",
    remove_mentions=True,
    remove_numbers=True,
    remove_punctuation=True,
    replace_word_elongation=True,
    to_lowercase=True,
    # Nonaktifkan normalisasi advanced
    normalize_slang=False,
    correct_spelling=False,
    remove_stopwords=False
)
print(result)
# Output: "halo"

📋 Konfigurasi Pipeline Available

# Semua opsi konfigurasi yang tersedia
available_options = {
    # Basic cleaning
    'remove_html': True,           # Hapus HTML tags
    'remove_url': True,            # Hapus URL
    'remove_mentions': True,       # Hapus @mentions
    'remove_hashtags': True,       # Hapus #hashtags
    'remove_numbers': False,       # Hapus angka
    'remove_punctuation': False,   # Hapus tanda baca
    'remove_special_chars': True,  # Hapus karakter khusus
    'remove_whitespace': True,     # Hapus whitespace berlebih
    'remove_extra_spaces': True,   # Hapus spasi berlebih

    # Text normalization
    'to_lowercase': True,          # Ubah ke huruf kecil
    'replace_word_elongation': True, # Normalisasi kata berulang (halooo -> halo)
    'normalize_slang': True,       # Normalisasi slang (gw -> saya)
    'correct_spelling': True,      # Koreksi ejaan

    # Emoji handling
    'emoji_to_words': False,       # Ubah emoji ke kata
    'words_to_emoji': False,       # Ubah kata ke emoji

    # Linguistic processing
    'remove_stopwords': False,     # Hapus stopwords
    'stem_text': False,           # Lakukan stemming

    # Tokenization
    'tokenize': False,            # Tokenisasi (return list)
}

9. 📊 Dataset Loader

from nahiarhdNLP.datasets import DatasetLoader

loader = DatasetLoader()

# Load stopwords dari CSV lokal
stopwords = loader.load_stopwords_dataset()
print(f"Jumlah stopwords: {len(stopwords)}")

# Load slang dictionary dari CSV lokal
slang_dict = loader.load_slang_dataset()
print(f"Jumlah slang: {len(slang_dict)}")

# Load emoji dictionary dari CSV lokal
emoji_dict = loader.load_emoji_dataset()
print(f"Jumlah emoji: {len(emoji_dict)}")

# Load wordlist dari JSON lokal
wordlist = loader.load_wordlist_dataset()
print(f"Jumlah kata: {len(wordlist)}")

Catatan: Semua dataset (stopword, slang, emoji, wordlist) di-load langsung dari file CSV/JSON di folder nahiarhdNLP/datasets/. Tidak ada proses cache atau download dari HuggingFace.

🚨 Error Handling

try:
    from nahiarhdNLP.preprocessing import SpellCorrector
    spell = SpellCorrector()
    result = spell.correct_sentence("test")
except ImportError:
    print("Package nahiarhdNLP belum terinstall")
    print("Install dengan: pip install nahiarhdNLP")
except Exception as e:
    print(f"Error: {e}")

💡 Tips Penggunaan

1. Untuk preprocessing sekaligus: Gunakan Pipeline, pipeline(), atau preprocess()
2. Untuk cleaning dasar: Gunakan clean_text() atau kelas TextCleaner
3. Untuk kontrol penuh: Gunakan kelas individual (TextCleaner, SpellCorrector, dll)
4. Untuk spell correction + slang: Gunakan SpellCorrector yang menggabungkan kedua fitur
5. Untuk stemming: Install Sastrawi terlebih dahulu: pip install Sastrawi
6. Untuk load dataset: Gunakan DatasetLoader dari nahiarhdNLP.datasets
7. Untuk inisialisasi kelas: Jangan lupa panggil _load_data() untuk kelas yang memerlukan dataset
8. Untuk kustomisasi pipeline: Gunakan kelas Pipeline dengan konfigurasi dictionary
9. Untuk penggunaan sederhana: Gunakan fungsi pipeline() atau preprocess()

⚡ Performance & Dataset

Mulai versi terbaru, nahiarhdNLP menggunakan dataset lokal yang sudah disediakan:

• Stopwords: File stop_word.csv
• Slang Dictionary: File slang.csv
• Emoji Mapping: File emoji.csv
• Wordlist: File wordlist.json
• KBBI Dictionary: File kata_dasar_kbbi.csv

Semua dataset tersimpan di folder nahiarhdNLP/datasets/ dan diakses melalui DatasetLoader.

📦 Dependencies

Package ini membutuhkan:

• pandas - untuk load dan proses dataset CSV/JSON
• sastrawi - untuk stemming (opsional)
• rich - untuk output formatting (opsional)

🔧 Struktur Modul

nahiarhdNLP/
├── datasets/
│   ├── loaders.py          # DatasetLoader class
│   ├── emoji.csv           # Dataset emoji
│   ├── slang.csv           # Dataset slang
│   ├── stop_word.csv       # Dataset stopwords
│   ├── wordlist.json       # Dataset wordlist
│   └── kata_dasar_kbbi.csv # Dataset KBBI
├── preprocessing/
│   ├── cleaning/
│   │   └── text_cleaner.py # TextCleaner class
│   ├── linguistic/
│   │   ├── stemmer.py      # Stemmer class
│   │   └── stopwords.py    # StopwordRemover class
│   ├── normalization/
│   │   ├── emoji.py        # EmojiConverter class
│   │   └── spell_corrector.py # SpellCorrector class
│   ├── tokenization/
│   │   └── tokenizer.py    # Tokenizer class
│   └── utils.py            # Fungsi utility individual
└── demo.py                 # File demo penggunaan

🆕 Perubahan Versi 1.1.1

• ✅ [BARU] Penambahan fitur Pipeline untuk preprocessing sekaligus
• ✅ [BARU] Kelas Pipeline dengan konfigurasi fleksibel
• ✅ [BARU] Fungsi pipeline() untuk penggunaan sederhana
• ✅ [BARU] Fungsi preprocess() dengan parameter eksplisit
• ✅ Menggabungkan spell correction dan slang normalization dalam SpellCorrector
• ✅ Semua dataset menggunakan file lokal (CSV/JSON)
• ✅ Struktur yang lebih terorganisir dengan pemisahan kelas dan fungsi
• ✅ Penambahan DatasetLoader untuk manajemen dataset terpusat
• ❌ Menghapus dependency HuggingFace untuk dataset

🐛 Troubleshooting

Error saat import dataset:

# Pastikan memanggil _load_data() untuk kelas yang memerlukan dataset
stopword = StopwordRemover()
stopword._load_data()  # Penting!

Error Sastrawi tidak ditemukan:

pip install Sastrawi

Error pandas tidak ditemukan:

pip install pandas