Nusantara NLP 🇮🇩

Library NLP Bahasa Indonesia yang modern, cerdas, dan lebih akurat dari Sastrawi.

✨ Keunggulan vs Sastrawi

🚀 Instalasi

pip install nusantara-nlp

Atau dari source:

git clone https://github.com/yourname/nusantara-nlp
cd nusantara-nlp
pip install -e .

📖 Quickstart

from nusantara import NLP

nlp = NLP()

# Full pipeline processing
hasil = nlp.process("gw ga suka pelayanan di sini 😠 parah banget!!")
print(hasil["result"])
# → "suka layan sini marah parah"

# Lihat setiap tahap
print(hasil["normalized"])  # slang + emoji sudah dikonversi
print(hasil["tokens_clean"])  # setelah stopword removal
print(hasil["tokens_stem"])   # setelah stemming

🧩 Komponen

1. Pipeline Lengkap

from nusantara import NLP

# Mode stopword: "conservative", "standard" (default), "aggressive"
nlp = NLP(stopword_mode="conservative")

hasil = nlp.process("Teman-teman bilang makanannya tidak enak 😢")

2. Slang Normalizer

from nusantara.normalizer import SlangNormalizer

norm = SlangNormalizer()
print(norm.normalize("gw udh makan tp msh laper"))
# → "saya sudah makan tapi masih lapar"

print(norm.normalize("baguuuus banget! makan2 aja kerjanya"))
# → "baguss banget makan makan saja kerjanya"

3. Emoji Converter

from nusantara.normalizer import EmojiConverter

conv = EmojiConverter()
print(conv.convert("Pelayanannya bagus 👍 tapi mahal 😢"))
# → "Pelayanannya bagus bagus tapi mahal sedih"

4. Stopword Remover (Negation-Aware)

from nusantara.stopword import StopwordRemover

# Kata negasi SELALU dilindungi, tidak pernah dihapus!
remover = StopwordRemover(mode="standard")
tokens = ["saya", "tidak", "suka", "yang", "ini"]
print(remover.remove_tokens(tokens))
# → ["tidak", "suka"]   # "tidak" tetap ada!

# Custom stopwords
remover = StopwordRemover(extra_words=["mantap", "josss"])

5. Stemmer (Hybrid ECS)

from nusantara.stemmer import Stemmer

stemmer = Stemmer()
print(stemmer.stem("mempermasalahkan"))  # → "masalah"
print(stemmer.stem("pelajaran"))         # → "ajar"
print(stemmer.stem("ketidakhadiran"))    # → "hadir"
print(stemmer.stem("berlari-lari"))      # → "lari"

6. Tokenizer

from nusantara.tokenizer import Tokenizer

tok = Tokenizer()
print(tok.tokenize("teman-teman semua hadir"))
# → ["teman", "teman", "semua", "hadir"]

# Sentence tokenizer
print(tok.tokenize_sentences("Ini enak. Itu tidak. Bagaimana menurutmu?"))
# → ["Ini enak.", "Itu tidak.", "Bagaimana menurutmu?"]

🧪 Testing

# Install pytest jika belum ada
pip install pytest

# Jalankan semua test
pytest tests/ -v

📁 Struktur Project

nusantara-nlp/
├── nusantara/
│   ├── __init__.py          # Entry point, ekspor class NLP
│   ├── pipeline.py          # Pipeline utama (NLP class)
│   ├── stemmer/
│   │   ├── stemmer.py       # Hybrid ECS Stemmer
│   │   └── kamus/
│   │       └── kata_dasar.txt
│   ├── stopword/
│   │   ├── remover.py       # Context-Aware Stopword Remover
│   │   └── data/
│   │       └── stopwords_id.txt
│   ├── normalizer/
│   │   ├── slang.py         # Slang Normalizer
│   │   ├── emoji_conv.py    # Emoji Converter
│   │   └── data/
│   │       ├── slang_dict.json
│   │       └── emoji_dict.json
│   └── tokenizer/
│       └── tokenizer.py     # Smart Tokenizer
├── tests/
│   └── test_all.py          # Pytest test suite
├── demo.py                  # Demo script
├── pyproject.toml           # PyPI config
└── README.md

🗺️ Roadmap

• v0.1.0 — Core modules (stemmer, stopword, normalizer, tokenizer)
• v0.2.0 — Named Entity Recognition (NER) sederhana
• v0.3.0 — Sentiment lexicon berbahasa Indonesia
• v0.4.0 — CLI tool (nusantara process "teks input")
• v1.0.0 — Publish ke PyPI

🤝 Kontribusi

Kontribusi sangat disambut! Terutama untuk:

• Menambah kata dasar di kamus/kata_dasar.txt
• Menambah slang baru di data/slang_dict.json
• Menambah emoji di data/emoji_dict.json
• Menulis test case baru

📄 Lisensi

MIT License — bebas digunakan untuk proyek komersial maupun open source.