""" preprocessing_page.py ===================== Halaman Bersihkan Data — NLP Pipeline 5 Tahap. PIPELINE 5 TAHAP: 1. Case Folding — ubah semua huruf jadi lowercase 2. Cleaning — hapus URL, mention, hashtag, angka, emoji, tanda baca 3. Normalisasi — singkatan/slang → kata baku (DARI FILE normalisasi) 4. Stopword Removal — hapus kata umum (DARI FILE stopword); JAGA kata sentimen 5. Stemming — bentuk dasar kata via Sastrawi ECS PERUBAHAN DARI VERSI SEBELUMNYA: - Normalisasi kini dimuat dari 'indonesian-normalisasi-slangword-complete.txt' (1.700+ entri), menggantikan dict hardcoded yang hanya ~60 entri. - Stopword kini murni dari 'indonesian-stopwords-complete.txt', ditambah noise Twitter yang spesifik — tidak ada penghapusan manual acak. - KATA_SENTIMEN_PENTING diperluas dengan kata domain e-commerce/ongkir. - Semua fungsi preprocessing menerima parameter eksplisit (tidak pakai global). CATATAN PENTING: Pipeline ini HARUS IDENTIK dengan sentiment_service.py agar token yang dihasilkan di sini konsisten dengan token saat training model. """ import streamlit as st import pandas as pd import os import re import string from collections import Counter import plotly.graph_objects as go from datetime import datetime, timedelta from database import engine, get_tweet_count, get_latest_crawl_time from page_modules.table_utils import render_standard_table from timezone_utils import ( parse_dt_with_tz, parse_dt_with_source_tz, get_timezone_label, get_timezone_name, ) # ═══════════════════════════════════════════════════════════ # TIMEZONE HELPERS # ═══════════════════════════════════════════════════════════ def parse_dt(series): return parse_dt_with_tz( series, st.session_state.get("user_timezone", "WIB (UTC+7)") ) def parse_crawled_dt(series): return parse_dt_with_source_tz( series, st.session_state.get("user_timezone", "WIB (UTC+7)"), os.getenv("APP_TIMEZONE", "Asia/Jakarta") ) def format_dt(value): if value is None or pd.isna(value): return "Belum ada" try: tz_label = get_timezone_label( st.session_state.get("user_timezone", "WIB (UTC+7)") ) return f"{value.strftime('%d/%m/%Y %H:%M')} {tz_label}" except Exception: return "Belum ada" def user_today(): timezone_choice = st.session_state.get("user_timezone", "WIB (UTC+7)") return pd.Timestamp.now(tz=get_timezone_name(timezone_choice)).date() def _sync_dynamic_period(): mode = st.session_state.get("analysis_mode") today = user_today() configs = { "realtime": (today - timedelta(days=6), today, "Tweet Terkini — 7 Hari Terakhir"), "30days": (today - timedelta(days=29), today, "30 Hari Terakhir"), "captured": (today, today, "Tweet Hari Ini"), } if mode not in configs: return start_day, end_day, mode_display = configs[mode] dt_start = datetime.combine(start_day, datetime.min.time()) dt_end = datetime.combine(end_day, datetime.max.time().replace(microsecond=0)) st.session_state.filter_start_date = dt_start st.session_state.filter_end_date = dt_end st.session_state.filter_label = f"{dt_start.strftime('%d/%m/%Y')} s/d {dt_end.strftime('%d/%m/%Y')}" st.session_state.mode_display = mode_display st.session_state.filter_date_column = "created_at" # ═══════════════════════════════════════════════════════════ # PREPROCESSING PIPELINE — 5 TAHAP # # ┌─────────────────────────────────────────────────────┐ # │ PENTING: Pipeline ini HARUS identik dengan │ # │ sentiment_service.py agar token konsisten! │ # │ │ # │ URUTAN WAJIB: │ # │ 1. Case Folding → lowercase dulu │ # │ 2. Cleaning → hapus noise setelah lowercase │ # │ 3. Normalisasi → slang→baku setelah bersih │ # │ 4. Stopword → buang kata umum, jaga sentimen │ # │ 5. Stemming → bentuk dasar via Sastrawi ECS │ # └─────────────────────────────────────────────────────┘ # ═══════════════════════════════════════════════════════════ # ─────────────────────────────────────────────────────────── # KATA SENTIMEN PENTING # Kata-kata ini WAJIB DIJAGA dan tidak boleh dihapus saat # stopword removal, meskipun ada di file stopword. # # Kenapa perlu? Karena file stopword mengandung kata seperti # "tidak", "belum", "sangat" yang justru krusial untuk # menentukan sentimen positif/negatif suatu kalimat. # ─────────────────────────────────────────────────────────── KATA_SENTIMEN_PENTING = { # ── Negasi (pembalik makna kalimat) ────────────────── # "tidak bagus" ≠ "bagus" → "tidak" wajib ada "tidak", "bukan", "jangan", "kurang", "belum", "tanpa", # ── Intensitas (penguat/pelemah sentimen) ───────────── # "sangat bagus" lebih positif dari "bagus" saja "sangat", "banget", "sekali", "paling", "amat", "luar", "biasa", # ← "luar biasa" = dua token, keduanya dijaga # ── Positif umum ────────────────────────────────────── "keren", "bagus", "mantap", "setuju", "dukung", "mendukung", "andal", "handal", "gercep", "bangga", "senang", "suka", "baik", "benar", "tepat", "oke", "puas", "sejahtera", "berkembang", "maju", "inovatif", "tegas", "sigap", "tanggap", "adil", "bijak", "bermanfaat", "untung", "berhasil", "sukses", "solusi", "manfaat", "berguna", "membantu", "bantu", "pro", "lanjut", # ── Positif domain e-commerce / ongkir ──────────────── "gratis", "murah", "hemat", "terjangkau", "cepat", "aman", "mudah", "praktis", "terpercaya", # ── Negatif umum ────────────────────────────────────── "kecewa", "buruk", "jelek", "parah", "gagal", "hancur", "rusak", "bohong", "tipu", "korupsi", # ── Negatif domain e-commerce / ongkir ──────────────── "mahal", "lambat", "lelet", "ribet", "susah", "repot", "rugi", "boros", # ── Emosi ───────────────────────────────────────────── "marah", "sedih", "khawatir", "kecewa", } # ─────────────────────────────────────────────────────────── # LOAD NORMALIZATION DARI FILE # File: indonesian-normalisasi-slangword-complete.txt # Format per baris: slang,kata_baku # Contoh: gk,tidak | ongkir,ongkos kirim | free,gratis # ─────────────────────────────────────────────────────────── def _load_normalization() -> dict: """ Muat kamus normalisasi dari file eksternal. KENAPA DARI FILE? File berisi 1.700+ pasang slang→baku yang jauh lebih lengkap dibanding dict hardcoded. Dengan ini, kata seperti: gk/ga/gak/kagak/ngga → semua jadi "tidak" bgt/bngt/bget → semua jadi "sangat" ongkir/ongkr → jadi "ongkos kirim" ...dan ribuan kasus lainnya tertangani otomatis. Setelah file dimuat, override dengan entri khusus domain (nama platform, singkatan kebijakan) yang mungkin belum ada di file generik. """ norm_file = "indonesian-normalisasi-slangword-complete.txt" norm_dict: dict = {} try: with open(norm_file, "r", encoding="utf-8") as f: for line in f: line = line.strip() if not line: continue # Split hanya pada koma pertama — nilai bisa mengandung koma # Contoh: "on the way, sedang di jalan,dijalan" → split jadi 2 bagian parts = line.split(",", 1) if len(parts) != 2: continue # Bersihkan tanda kutip liar di awal/akhir (ada di beberapa baris file) slang = parts[0].strip().strip("'\"").lower() normal = parts[1].strip().lower() if slang and normal: norm_dict[slang] = normal except FileNotFoundError: # Jika file tidak ditemukan, lanjut dengan dict kosong. # Entri domain di bawah tetap akan ditambahkan. st.warning( "⚠️ File normalisasi tidak ditemukan: " f"'{norm_file}'. Hanya entri domain yang aktif." ) # ── Override khusus domain ─────────────────────────── # Entri ini menimpa file generik karena domain spesifik # membutuhkan perlakuan khusus (nama platform tidak diubah, # singkatan kebijakan punya padanan resmi, dll.) DOMAIN_OVERRIDES: dict = { # Nama platform — pertahankan apa adanya "shopee": "shopee", "tokopedia": "tokopedia", "lazada": "lazada", "tiktok": "tiktok", "bukalapak": "bukalapak", "blibli": "blibli", # Logistik — pertahankan apa adanya "sicepat": "sicepat", "jne": "jne", "jnt": "jnt", "anteraja": "anteraja", "ninja": "ninja", # Ongkir & belanja "freeongkir": "gratis ongkos kirim", "gratisongkir": "gratis ongkos kirim", "ongkir": "ongkos kirim", "ongkr": "ongkos kirim", "bykrm": "biaya kirim", "biayakirim": "biaya pengiriman", # Kebijakan & lembaga "komdigi": "komdigi", "kemendag": "kementerian perdagangan", "kominfo": "kementerian komunikasi", # E-commerce umum "ecommerce": "e commerce", "marketplace": "marketplace", "seller": "penjual", "buyer": "pembeli", "online": "online", } norm_dict.update(DOMAIN_OVERRIDES) return norm_dict # ─────────────────────────────────────────────────────────── # LOAD STOPWORDS DARI FILE # File: indonesian-stopwords-complete.txt # Format: satu kata per baris # ─────────────────────────────────────────────────────────── def _load_stopwords() -> set: """ Muat daftar stopword dari file eksternal. PROSES SETELAH MUAT FILE: 1. Hapus KATA_SENTIMEN_PENTING dari daftar → Agar "tidak", "belum", "sangat", dll. tidak ikut dibuang 2. Tambahkan noise Twitter/sosmed yang memang harus dibuang → "rt", "amp", sisa URL, suara tawa, partikel informal KENAPA DARI FILE? File berisi 700+ stopword Indonesia yang lebih lengkap dan terstandar dibanding daftar manual. Kita tidak perlu menambah/ mengurangi secara manual kecuali untuk dua kategori di atas. """ stopword_file = "indonesian-stopwords-complete.txt" base: set = set() try: with open(stopword_file, "r", encoding="utf-8") as f: for line in f: word = line.strip().lower() if word: base.add(word) except FileNotFoundError: # Fallback minimal — cukup untuk tetap jalan st.warning( "⚠️ File stopword tidak ditemukan: " f"'{stopword_file}'. Menggunakan daftar minimal." ) base = { "yang", "dan", "di", "ke", "dari", "ini", "itu", "dengan", "untuk", "pada", "adalah", "oleh", "ada", "ya", "akan", "atau", "juga", "sama", "karena", "jika", "sudah", "telah", "jadi", "bisa", } # ── Langkah 1: Lindungi kata sentimen ──────────────── # Beberapa kata sentimen penting ADA di file stopword # (misal: "tidak", "belum", "sangat", "paling", "kurang"). # Kita HAPUS dari stopword agar tidak ikut dibuang. for kata in KATA_SENTIMEN_PENTING: base.discard(kata) # ── Langkah 2: Tambah noise Twitter/sosmed ──────────── # Ini bukan stopword bahasa Indonesia biasa, tapi noise # yang sangat sering muncul di tweet dan tidak bermakna. TWITTER_NOISE: set = { # Artefak Twitter "rt", "amp", # Sisa URL setelah cleaning (kadang lolos) "https", "http", "co", "pic", # Suara tawa (tidak bermakna untuk sentimen) "wkwk", "wkwkwk", "wkwkwkwk", "haha", "hahaha", "hehe", "hihi", "huhu", "xixi", # Partikel informal yang tidak bermakna "nih", "sih", "dong", "deh", "loh", "lah", "tuh", "kak", "gan", "bro", "sob", "min", } base.update(TWITTER_NOISE) return base # ─────────────────────────────────────────────────────────── # LOAD STEMMER # ─────────────────────────────────────────────────────────── def _load_stemmer(): """Muat stemmer Sastrawi. Return None jika tidak tersedia.""" try: from Sastrawi.Stemmer.StemmerFactory import StemmerFactory return StemmerFactory().create_stemmer() except Exception: return None # ═══════════════════════════════════════════════════════════ # FUNGSI 5 TAHAP PREPROCESSING # Setiap fungsi bertanggung jawab SATU tahap saja. # Input & output setiap tahap dijelaskan di docstring. # ═══════════════════════════════════════════════════════════ def step1_case_folding(text: str) -> str: """ TAHAP 1 — CASE FOLDING Input : teks asli (campuran huruf besar/kecil) Output: semua huruf jadi lowercase Kenapa pertama? Agar tahap berikutnya (cleaning, normalisasi) bekerja secara konsisten — regex dan dict lookup case-sensitive. Contoh: "Gratis" → "gratis", "ONGKIR" → "ongkir" """ return str(text).lower() def step2_cleaning(text: str) -> str: """ TAHAP 2 — CLEANING Input : teks lowercase Output: teks bersih dari semua elemen noise Urutan pembersihan PENTING: 1. URL dulu (sebelum @ dan # agar tidak salah potong) 2. Mention (@username) 3. Hashtag (#topik) 4. Angka 5. Emoji & simbol unicode 6. Tanda baca 7. Karakter non-latin (huruf Arab, Cina, dll.) 8. Spasi berlebih """ # 1. Hapus URL (http, https, www) text = re.sub(r"http\S+|www\S+|https\S+", "", text) # 2. Hapus mention Twitter (@username) text = re.sub(r"@\w+", "", text) # 3. Hapus hashtag (#topik) text = re.sub(r"#\w+", "", text) # 4. Hapus angka dan digit text = re.sub(r"\d+", "", text) # 5. Hapus emoji & simbol unicode (berbagai range) text = re.sub( r"[" r"\U00010000-\U0010ffff" # Suplemen karakter unicode r"\U0001F600-\U0001F64F" # Emotikon wajah r"\U0001F300-\U0001F5FF" # Simbol & piktogram r"\U0001F680-\U0001F6FF" # Transport & peta r"\U0001F1E0-\U0001F1FF" # Bendera negara r"\u2600-\u26FF" # Simbol campuran r"\u2700-\u27BF" # Dingbats r"]+", "", text, flags=re.UNICODE ) # 6. Hapus tanda baca (.,!?;: dll.) text = text.translate(str.maketrans("", "", string.punctuation)) # 7. Hapus karakter non-latin (hanya sisakan huruf a-z dan spasi) text = re.sub(r"[^a-zA-Z\s]", "", text) # 8. Normalisasi spasi berlebih → satu spasi, lalu strip text = re.sub(r"\s+", " ", text).strip() return text def step3_normalization(text: str, norm_dict: dict) -> str: """ TAHAP 3 — NORMALISASI Input : teks bersih (sudah case fold + cleaning) norm_dict : kamus {slang: kata_baku} dari file Output: teks dengan slang/singkatan sudah diganti kata baku Cara kerja: token per token (word by word). Setiap token dicari di norm_dict. Jika ada → ganti. Jika tidak ada → biarkan. Contoh: "gk bs ongkir" → "tidak bisa ongkos kirim" "mantep bgt" → "mantap sangat" Kenapa setelah Cleaning? Karena slang di file ditulis dalam bentuk sudah lowercase dan sudah tanpa tanda baca. Jika normalisasi dilakukan sebelum cleaning, banyak entri tidak cocok. """ tokens = text.split() normalized = [norm_dict.get(token, token) for token in tokens] return " ".join(normalized) def step4_stopword_removal(tokens: list, stopwords: set) -> list: """ TAHAP 4 — STOPWORD REMOVAL Input : list token (hasil split dari teks ternormalisasi) stopwords : set kata yang harus dibuang (dari file) Output: list token bersih ATURAN PENYARINGAN (prioritas urutan): 1. JAGA token yang ada di KATA_SENTIMEN_PENTING → meskipun juga ada di stopwords, tetap disimpan 2. BUANG token yang ada di stopwords 3. BUANG token dengan panjang ≤ 2 karakter → menghilangkan sisa noise seperti "rt", "yg", "di" → PENGECUALIAN: token di KATA_SENTIMEN_PENTING tetap disimpan walau ≤ 2 karakter (contoh: "ok" jika masuk sentimen) Kenapa setelah Normalisasi? Agar "gak" yang sudah dinormalisasi jadi "tidak" tidak ikut dibuang — "tidak" dilindungi di KATA_SENTIMEN_PENTING. """ result = [] for token in tokens: # Prioritas 1: selalu simpan jika kata sentimen penting if token in KATA_SENTIMEN_PENTING: result.append(token) continue # Prioritas 2: buang jika stopword if token in stopwords: continue # Prioritas 3: buang jika terlalu pendek (noise) if len(token) <= 2: continue # Lolos semua filter → simpan result.append(token) return result def step5_stemming(tokens: list, stemmer) -> list: """ TAHAP 5 — STEMMING Input : list token setelah stopword removal stemmer : objek Sastrawi (atau None) Output: list token dalam bentuk kata dasar Algoritma: Enhanced Confix Stripping (ECS) via Sastrawi Contoh: "pengiriman" → "kirim" "pembatasan" → "batas" "berlari" → "lari" "makanan" → "makan" Jika stemmer None (Sastrawi tidak terinstal), token dikembalikan apa adanya tanpa error. """ if stemmer is None: return tokens return [stemmer.stem(token) for token in tokens] # ─────────────────────────────────────────────────────────── # FUNGSI UTAMA — JALANKAN SEMUA 5 TAHAP # ─────────────────────────────────────────────────────────── def full_preprocessing( text: str, stopwords: set, stemmer, norm_dict: dict, ) -> dict: """ Jalankan 5 tahap preprocessing secara berurutan dan kembalikan hasil setiap tahap sebagai dict (untuk ditampilkan di tabel). Parameter: text : teks tweet asli stopwords : set stopword (dari _load_stopwords) stemmer : objek Sastrawi (dari _load_stemmer) norm_dict : kamus normalisasi (dari _load_normalization) Return dict berisi: setelah_casefolding : hasil Tahap 1 setelah_cleaning : hasil Tahap 2 setelah_normalisasi : hasil Tahap 3 setelah_stopword : hasil Tahap 4 (joined string) clean_text : hasil akhir Tahap 5 (joined string) _tokens_clean : hasil Tahap 5 sebagai list (untuk analisis) """ # Tahap 1 — Case Folding s1_fold = step1_case_folding(text) # Tahap 2 — Cleaning s2_clean = step2_cleaning(s1_fold) # Tahap 3 — Normalisasi (perlu norm_dict) s3_norm = step3_normalization(s2_clean, norm_dict) # Tahap 4 — Stopword Removal (split → filter → simpan sebagai list) s4_tokens = s3_norm.split() s4_filtered = step4_stopword_removal(s4_tokens, stopwords) # Tahap 5 — Stemming s5_stemmed = step5_stemming(s4_filtered, stemmer) return { "setelah_casefolding": s1_fold, "setelah_cleaning": s2_clean, "setelah_normalisasi": s3_norm, "setelah_stopword": " ".join(s4_filtered), "clean_text": " ".join(s5_stemmed), "_tokens_clean": s5_stemmed, # list, untuk Counter frekuensi kata } # ═══════════════════════════════════════════════════════════ # UI HELPERS # ═══════════════════════════════════════════════════════════ def _section_header(title, subtitle=""): sub_html = ( f'
Preprocessing teks 5 tahap otomatis: Case Folding → Cleaning → Normalisasi → Stopword Removal → Stemming