saka-nlp 0.2.0

Saka: Pilar Pemrosesan Bahasa Nusantara

Saka: The Foundation of Indonesian NLP 🇮🇩

Secara filosofis, Saka (dalam bahasa Jawa/Sunda) berarti "tiang penyangga" atau "pilar". Saka-NLP dibangun untuk menjadi sebuah architectural framework modern yang solid bagi pemrosesan teks bahasa Indonesia dan daerah.

Saka-NLP mendukung asynchronous processing, memiliki komponen yang dijaga terpisah secara modular (plug-and-play), serta menggunakan fungsi heuristik dan integrasi banyak sumber data terpercaya (seperti leksikon bahasa gaul, integrasi stopword, hingga ekstraksi KBBI resmi secara langsung).

---

🌐 Links

• Website Resmi: saka-nlp.netlify.app
• Google Colab Playground: Coba Sekarang di Colab
• PyPI Package: saka-nlp on PyPI

---

✨ Fitur Unggulan

• Asynchronous Processing: Dilengkapi method pendamping async_* (contoh: async_tokenize) menggunakan asyncio untuk pemrosesan dataset besar secara efisien tanpa blocking.
• Plug-and-Play Components: Fleksibel dalam memilih mesin stemming, tokenisasi, atau mengintegrasikan plugin pihak ketiga.
• Heuristic Morphology Analyzer: Mendeteksi susunan pola awalan dan akhiran menggunakan aturan tata bahasa Indonesia yang dibekali dengan Early Stopping Validation ke dalam leksikon bahasa daerah dan pemulihan leburan huruf (Morphophonemic).
• Live KBBI Scraper: Ekstraksi arti kata langsung mendompleng ke Kamus Besar Bahasa Indonesia Daring dari Kemendikbudristekdikti.
• Agnostic Script Support: Termasuk dukungan untuk skrip bahasa daerah seperti Transliterasi Aksara Sunda, Aksara Jawa, dan Aksara Bali (Hanacaraka).

---

🚀 Panduan Instalasi

Library saka-nlp menggunakan pyproject.toml dengan bundler setuptools terbaru sehingga proses distribusinya sangat mudah.

Pastikan versi Python Anda adalah Python 3.8 atau lebih baru.

Opsi 1: Instalasi Via PyPI (Direkomendasikan)

Untuk menggunakan rilis stabil Saka-NLP, instal langsung melalui PyPI:

pip install saka-nlp

Opsi 2: Instalasi dari Source Code (Versi Deployment/Development)

Gunakan langkah ini jika Anda ingin turut berkontribusi, memodifikasi script mesin Saka-NLP, ataupun menggunakan snapshot git yang belum dirilis:

# 1. Clone repository
git clone https://github.com/Muhammad-Ikhwan-Fathulloh/Saka-NLP.git
cd Saka-NLP

# 2. Instal library beserta seluruh dependency-nya
pip install -e .

---

📖 Panduan Penggunaan Modul Inti

Saka-NLP didesain agar kode Python Anda menjadi bersih. Cukup lakukan satu baris import saka untuk mengeluarkan beragam utilitas tanpa membuang namespace.

0. Cek Versi

import saka

print(saka.__version__)
# Output: 0.2.0

1. Tokenisasi Cerdas

import saka

text = "Belajar sambil beramal di era konektivitas."
tokens = saka.tokenize(text)
print(tokens)
# Output: ['Belajar', 'sambil', 'beramal', 'di', 'era', 'konektivitas']

2. Normalisasi Bahasa Gaul (Slang)

Menggunakan slang lexicon yang kuat dan lengkap dari data sosial media.

import saka

normalized = saka.normalize("klo gimana gw")
print(normalized)
# Output: 'kalau bagaimana saya'

3. Analisis Morfologi Teks

Saka dilengkapi dengan Heuristic Morphology Analyzer mutakhir. Modul ini bukan hanya sekedar memotong imbuhan secara serakah layaknya Stemming pada umumnya. Saka mampu merekonstruksi peleburan huruf (Morphophonemic Restructuring) dari imbuhan, menyelesaikan akar bentuk Kata Majemuk Serangkai, bahkan tervalidasi secara hibrida dengan pangkalan data daerah.

import saka

# Menangani kata majemuk & afiks luluh
print(saka.analyze("menyebarluaskan"))
# Output: {'root': 'sebar luas', 'prefixes': ['meny'], 'suffixes': ['kan'], 'type': 'unknown', 'regional_matches': []}

# Memanfaatkan validasi kamus daerah (*Early Stopping*)
print(saka.analyze("dipikanyaah"))
# Output: {'root': 'nyaah', 'prefixes': ['dipika'], 'suffixes': [], 'type': 'regional', 'regional_matches': ['sunda']}

4. Live Integrasi Pencarian KBBI

Saka menggunakan library pendukung (requests & bs4) untuk mengurai jawaban dari situs kbbi.web.id. Ini wajib menggunakan akses jaringan internet.

import saka

kbbi_result = saka.query_kbbi("belajar")

if kbbi_result["status"] == "found":
    for arti in kbbi_result["definitions"]:
        print(f"Arti: {arti}")
else:
    print("Kata tidak terdaftar di KBBI Daring.")

# Output:
# Arti: petunjuk yang diberikan kepada orang supaya diketahui (diturut)
# Arti: ilmu yang dituntut secara tidak sempurna, tidak akan berfaedah
# Arti: berusaha memperoleh kepandaian atau ilmu:
# Arti: berlatih:
# Arti: berubah tingkah laku atau tanggapan yang disebabkan oleh pengalaman

5. Koleksi Stopwords Nusantara & Internasional (Hybrid)

Kumpulan Stopwords yang langsung dirender ke dalam object Set Python agar latensinya O(1) untuk kebutuhan ML. Mendukung corpus Indonesia (Tala), daerah (Sunda, Jawa, Bali), hingga bahasa Internasional (English) dan Slang (Jaksel).

import saka

# 1. Mengambil semua stopword (gabungan semua bahasa)
all_stops = saka.get_stopwords(lang="all") # "all" adalah parameter default
print(f"Total Stopwords Gabungan: {len(all_stops)}") # Output: 900+

# 2. Mengambil stopword khusus bahasa Sunda
sunda_stops = saka.get_stopwords(lang="sunda")
print(f"Apakah 'saha' stopword Sunda? {'saha' in sunda_stops}") # Output: True

# 3. Mengambil stopword khusus Jawa ('jawa') atau Bali ('bali')
jawa_stops = saka.get_stopwords(lang="jawa")
bali_stops = saka.get_stopwords(lang="bali")

# 4. Bahasa Inggris ('en') dan Gaul Jakarta Selatan ('jaksel')
en_stops = saka.get_stopwords(lang="en")
jaksel_stops = saka.get_stopwords(lang="jaksel")
print(f"Jaksel slang: {'literally' in jaksel_stops}") # Output: True

6. Prompt Builder LLM (Optimasi Prompt)

Saka-NLP menyediakan alat untuk merakit struktur prompt LLM yang ideal (berdasarkan Anatomi Prompt) sekaligus melakukan optimasi token dan normalisasi bahasa gaul sebelum dikirim ke LLM.

import saka

prompt = saka.build_prompt(
    instruction="Klasifikasikan sentimen dari ulasan berikut.",
    context="Anda adalah asisten AI yang ahli dalam menganalisis sentimen restoran.",
    input_data="Makanannya enak bgt tpi pelayanannya lama parah...",
    output_indicator="JSON",
    optimize_text=True, # Otomatis mengubah "bgt tpi" -> "banget tapi" dll.
    max_tokens=50       # Memotong teks jika melebihi 50 token
)

print(prompt)
# Output:
# [Instruksi]:
# Klasifikasikan sentimen dari ulasan berikut.
# 
# [Konteks]:
# Anda adalah asisten AI yang ahli dalam menganalisis sentimen restoran.
# 
# [Data Input]:
# Makanannya enak banget tapi pelayanannya lama parah...
# 
# [Indikator Output]:
# JSON
# (Keluarkan output HANYA dalam format JSON tanpa pengantar maupun penjelasan tambahan)

Selain itu, Anda dapat mem-parsing (mengurai) hasil teks dari LLM menjadi objek native Python dengan mudah.

import saka

llm_response = """
Tentu, berikut adalah hasilnya:
```json
{"sentimen": "negatif", "alasan": "pelayanan lambat"}

"""

Otomatis mengekstrak markdown json block

hasil_dict = saka.parse_llm_output(llm_response, format_type="json") print(hasil_dict["sentimen"])

Output: negatif

#### 1. Ekosistem Sunda
Dukungan penuh untuk kamus digital SundaDigi dan transliterasi Aksara Sunda.

```python
import saka

# Kamus Sunda
res = saka.query_sundadigi("wilujeng")
print(res["definitions"]["arti"]) # Output: selamat

# Aksara Sunda
print(saka.latin_to_aksara_sunda("saka")) # Output: ᮞᮊ

2. Ekosistem Jawa

Integrasi Leksikon Sastra.org dan mesin transliterasi Hanacaraka (Nglegena).

import saka

# Kamus Jawa
res = saka.query_sastra("sugeng")
print(res["definitions"][0]["arti"]) # Output: selamat

# Aksara Jawa
print(saka.latin_to_aksara_jawa("hanacaraka")) # Output: ꦲꦤꦕꦫꦏ

3. Ekosistem Bali

Pemanfaatan BASAbali Wiki dan dukungan penuh Aksara Bali (Wreastra).

import saka

# Kamus Bali
res = saka.query_basabali("rahajeng")
print(res["definitions"][0]["arti"]) # Output: selamat

# Aksara Bali
print(saka.latin_to_aksara_bali("bali 2026.")) 
# Output: ᬩᬮᬶ ᭒᭐᭒᭖᭟

---

🏛️ Detail Aksara Nusantara

Saka-NLP menggunakan pemetaan standar untuk transliterasi dasar bahasa daerah.

1. Aksara Sunda (Ngalagena)

Latin	Aksara	Latin	Aksara
ha	ᮠ	na	ᮔ
ca	ᮎ	ra	ᮛ
ka	ᮊ	da	ᮓ
ta	ᮒ	sa	ᮞ
wa	ᮝ	la	ᮜ
pa	ᮕ	ja	ᮏ
ya	ᮚ	nya	ᮑ
ma	ᮙ	ga	ᮌ
ba	ᮘ	nga	ᮍ

2. Aksara Jawa (Nglegena)

Latin	Aksara	Latin	Aksara
ha	ꦲ	na	ꦤ
ca	ꦕ	ra	ꦫ
ka	ꦏ	da	ꦢ
ta	ꦠ	sa	ꦱ
wa	ꦮ	la	ꦭ
pa	ꦥ	dha	ꦝ
ja	ꦗ	ya	ꦪ
nya	ꦚ	ma	ꦩ
ga	ꦒ	ba	ꦧ
tha	ꦛ	nga	ꦔ

3. Aksara Bali (Wreastra)

Konsonan (Wreastra)

Latin	Aksara	Latin	Aksara
ha	ᬳ	da	ᬤ
na	ᬦ	ta	ᬢ
ca	ᬘ	sa	ᬲ
ra	ᬭ	wa	ᬯ
ka	ᬓ	la	ᬮ
ma	ᬫ	pa	ᬧ
ga	ᬕ	ja	ᬚ
ba	ᬩ	ya	ᬬ
nga	ᬗ	nya	ᬜ

Angka Bali

Angka	Aksara	Angka	Aksara
0	᭐	5	᭕
1	᭑	6	᭖
2	᭒	7	᭗
3	᭓	8	᭘
4	᭔	9	᭙

Pangangge Suara (Sandhangan Bali)

Bunyi	Aksara	Nama
-i	ᬶ	Ulu
-u	ᬸ	Suku
-é	ᬾ	Taling
-o	ᭀ	Taling Detia
-e / -ě	ᬺ	Pepet

---

🛠️ Penggunaan Melalui Command Line (CLI)

Saka-NLP menyertakan perintah langsung alias di dalam instalasinya. Anda dapat mengakses ini langsung di terminal!

# Melihat bantuan list CLI
saka --help

# Membedah morfologi kata secara cepat di Shell/CMD Anda
saka --stem "dimakan"

# Melakukan Normalisasi
saka --normalize "ngapain ke kampus klo libur"

---

📚 Sitasi (Citation)

Jika Anda menggunakan Saka-NLP dalam penelitian atau proyek Anda, mohon sitasi repositori ini menggunakan salah satu format berikut:

APA

Fathulloh, M. I. (2026). Saka-NLP: Indonesian NLP Toolkit for Tokenization and Slang Normalization (Version 0.2.0) [Computer software]. Zenodo. https://doi.org/10.5281/zenodo.20092641

BibTeX

@software{Fathulloh_Saka-NLP_2026,
  author = {Fathulloh, Muhammad Ikhwan},
  title = {{Saka-NLP: Indonesian NLP Toolkit for Tokenization and Slang Normalization}},
  month = {5},
  year = {2026},
  publisher = {Zenodo},
  version = {0.2.0},
  doi = {10.5281/zenodo.20092641},
  url = {https://github.com/Muhammad-Ikhwan-Fathulloh/Saka-NLP}
}

Untuk format lainnya, Anda dapat mengecek file CITATION.cff di repositori ini.

---

🗄️ Referensi & Sumber Data

• KBBI (Kamus Besar Bahasa Indonesia): Data yang dijaring bersumber dari KBBI Online (kbbi.web.id).
• Slang Words: Memanfaatkan corpus dari Twitter COVID-19 Sentiment Lexicon.
• Ekosistem Sunda: Menggunakan kamus digital SundaDigi untuk terjemahan serta Panduan Aksara Sunda untuk sistem transliterasi dan Wiktionary Appendix.
• Ekosistem Jawa: Menyadur secara komprehensif repositori dari sastra.org baik leksikon kosa kata Jawa maupun sistem validasi Aksara Jawa.
• Ekosistem Bali: Integrasi dengan BASAbali Wiki untuk kamus multi-bahasa dan pemetaan Aksara Bali (Hanacaraka).
• Stopwords: Mengadopsi corpus legendaris Tala Stopwords Dataset.

❤️ Credits

• Framework Architect: Muhammad Ikhwan Fathulloh
• Lisensi Terbuka di bawah MIT License.