def setUp(self):
self.dictionary = ArrayDictionary(
[
'hancur', 'benar', 'apa', 'siapa', 'jubah', 'baju', 'beli',
'celana', 'hantu', 'jual', 'buku', 'milik', 'kulit', 'sakit', 'kasih', 'buang', 'suap',
'nilai', 'beri', 'rambut', 'adu', 'suara', 'daerah', 'ajar', 'kerja', 'ternak',
'asing', 'raup', 'gerak', 'puruk', 'terbang', 'lipat', 'ringkas', 'warna', 'yakin',
'bangun', 'fitnah', 'vonis',
'baru', 'ajar',
'tangkap', 'kupas',
'minum', 'pukul', 'cinta', 'dua', 'jauh', 'ziarah', 'nuklir', 'gila', 'hajar', 'qasar', 'udara',
'populer', 'warna', 'yoga', 'adil', 'rumah', 'muka', 'labuh', 'tarung',
'tebar', 'indah', 'daya', 'untung', 'sepuluh', 'ekonomi', 'makmur', 'telah', 'serta',
'percaya', 'pengaruh', 'kritik', 'seko', 'sekolah', 'tahan', 'capa', 'capai',
'mula', 'mulai', 'petan', 'tani', 'aba', 'abai', 'balas', 'balik',
'peran', 'medan', 'syukur', 'syarat', 'bom', 'promosi', 'proteksi', 'prediksi', 'kaji',
'sembunyi', 'langgan', 'laku', 'baik', 'terang', 'iman', 'bisik', 'taat', 'puas', 'makan',
'nyala', 'nyanyi', 'nyata', 'nyawa', 'rata', 'lembut', 'ligas',
'budaya', 'karya', 'ideal', 'final',
'taat', 'tiru', 'sepak', 'kuasa', 'malaikat', 'nikmat', # sastrawi additional rules
'lewat', 'nganga', 'allah',
]
)
self.stemmer = Stemmer(self.dictionary)
return super(Test_StemmerTest, self).setUp()
def create_stemmer(self, isDev=False):
""" Returns Stemmer instance """
words = self.get_words(isDev)
dictionary = ArrayDictionary(words)
stemmer = Stemmer(dictionary)
resultCache = ArrayCache()
cachedStemmer = CachedStemmer(resultCache, stemmer)
return cachedStemmer
def create_stemmer(self, isDev=False):
""" Returns Stemmer instance """
if isDev:
words = self.get_words_from_file()
dictionary = ArrayDictionary(words)
else:
dictionary = self.get_prod_words_dictionary()
stemmer = Stemmer(dictionary)
return stemmer
class Test_StemmerTest(unittest.TestCase):
def setUp(self):
self.dictionary = ArrayDictionary(["beri"])
self.stemmer = Stemmer(self.dictionary)
def test_StemmerImplementsStemmerInterface(self):
self.assertIsInstance(self.stemmer, Stemmer)
def test_StemReturnImmediatelyOnShortWord(self):
"""Don't stem such a short word (three or fewer characters)"""
self.assertEquals("mei", self.stemmer.stem("mei"))
self.assertEquals("bui", self.stemmer.stem("bui"))
def test_StemReturnImmediatelyIfFoundOnDictionary(self):
"""To prevent overstemming : nilai could have been overstemmed to nila
if we don't lookup against the dictionary
"""
self.stemmer.get_dictionary().add("nila")
self.assertEquals("nila", self.stemmer.stem("nilai"))
self.stemmer.get_dictionary().add("nilai")
self.assertEquals("nilai", self.stemmer.stem("nilai"))
def setUp(self):
self.dictionary = ArrayDictionary([
'hancur',
'benar',
'apa',
'siapa',
'jubah',
'baju',
'beli',
'celana',
'hantu',
'jual',
'buku',
'milik',
'kulit',
'sakit',
'kasih',
'buang',
'suap',
'nilai',
'beri',
'rambut',
'adu',
'suara',
'daerah',
'ajar',
'kerja',
'ternak',
'asing',
'raup',
'gerak',
'puruk',
'terbang',
'lipat',
'ringkas',
'warna',
'yakin',
'bangun',
'fitnah',
'vonis',
'baru',
'ajar',
'tangkap',
'kupas',
'minum',
'pukul',
'cinta',
'dua',
'jauh',
'ziarah',
'nuklir',
'gila',
'hajar',
'qasar',
'udara',
'populer',
'warna',
'yoga',
'adil',
'rumah',
'muka',
'labuh',
'tarung',
'tebar',
'indah',
'daya',
'untung',
'sepuluh',
'ekonomi',
'makmur',
'telah',
'serta',
'percaya',
'pengaruh',
'kritik',
'seko',
'sekolah',
'tahan',
'capa',
'capai',
'mula',
'mulai',
'petan',
'tani',
'aba',
'abai',
'balas',
'balik',
'peran',
'medan',
'syukur',
'syarat',
'bom',
'promosi',
'proteksi',
'prediksi',
'kaji',
'sembunyi',
'langgan',
'laku',
'baik',
'terang',
'iman',
'bisik',
'taat',
'puas',
'makan',
'nyala',
'nyanyi',
'nyata',
'nyawa',
'rata',
'lembut',
'ligas',
'budaya',
'karya',
'ideal',
'final',
'taat',
'tiru',
'sepak',
'kuasa',
'malaikat',
'nikmat', # sastrawi additional rules
'lewat',
'nganga',
'allah',
])
self.stemmer = Stemmer(self.dictionary)
return super(Test_StemmerTest, self).setUp()
class Test_StemmerTest(unittest.TestCase):
def setUp(self):
self.dictionary = ArrayDictionary([
'hancur',
'benar',
'apa',
'siapa',
'jubah',
'baju',
'beli',
'celana',
'hantu',
'jual',
'buku',
'milik',
'kulit',
'sakit',
'kasih',
'buang',
'suap',
'nilai',
'beri',
'rambut',
'adu',
'suara',
'daerah',
'ajar',
'kerja',
'ternak',
'asing',
'raup',
'gerak',
'puruk',
'terbang',
'lipat',
'ringkas',
'warna',
'yakin',
'bangun',
'fitnah',
'vonis',
'baru',
'ajar',
'tangkap',
'kupas',
'minum',
'pukul',
'cinta',
'dua',
'jauh',
'ziarah',
'nuklir',
'gila',
'hajar',
'qasar',
'udara',
'populer',
'warna',
'yoga',
'adil',
'rumah',
'muka',
'labuh',
'tarung',
'tebar',
'indah',
'daya',
'untung',
'sepuluh',
'ekonomi',
'makmur',
'telah',
'serta',
'percaya',
'pengaruh',
'kritik',
'seko',
'sekolah',
'tahan',
'capa',
'capai',
'mula',
'mulai',
'petan',
'tani',
'aba',
'abai',
'balas',
'balik',
'peran',
'medan',
'syukur',
'syarat',
'bom',
'promosi',
'proteksi',
'prediksi',
'kaji',
'sembunyi',
'langgan',
'laku',
'baik',
'terang',
'iman',
'bisik',
'taat',
'puas',
'makan',
'nyala',
'nyanyi',
'nyata',
'nyawa',
'rata',
'lembut',
'ligas',
'budaya',
'karya',
'ideal',
'final',
'taat',
'tiru',
'sepak',
'kuasa',
'malaikat',
'nikmat', # sastrawi additional rules
'lewat',
'nganga',
'allah',
])
self.stemmer = Stemmer(self.dictionary)
return super(Test_StemmerTest, self).setUp()
def try_stem(self, word, stem):
self.assertEquals(stem, self.stemmer.stem(word))
def get_test_data(self):
data = []
# don't stem short words
data.append(['mei', 'mei'])
data.append(['bui', 'bui'])
# lookup up the dictionary, to prevent overstemming
# don't stem nilai to nila
data.append(['nilai', 'nilai'])
# lah|kah|tah|pun
data.append(['hancurlah', 'hancur'])
data.append(['benarkah', 'benar'])
data.append(['apatah', 'apa'])
data.append(['siapapun', 'siapa'])
# ku|mu|nya
data.append(['jubahku', 'jubah'])
data.append(['bajumu', 'baju'])
data.append(['celananya', 'celana'])
# i|kan|an
data.append(['hantui', 'hantu'])
data.append(['belikan', 'beli'])
data.append(['jualan', 'jual'])
# combination of suffixes
data.append(['bukumukah', 'buku'
]) #gagal karena -ku dianggap suffix dan dihilangkan
data.append(['miliknyalah', 'milik'])
data.append(['kulitkupun', 'kulit'
]) #gagal karena -ku dianggap suffix dan dihilangkan
data.append(['berikanku', 'beri'])
data.append(['sakitimu', 'sakit'])
data.append(['beriannya', 'beri'])
data.append(['kasihilah', 'kasih'])
# plain prefix
data.append(['dibuang', 'buang'])
data.append(['kesakitan', 'sakit'])
data.append(['sesuap', 'suap'])
#data.append(['teriakanmu', 'teriak' # wtf? kok jadi teria?])
# template formulas for derivation prefix rules (disambiguation) #
# rule 1a : berV -> ber-V
data.append(['beradu', 'adu'])
# rule 1b : berV -> be-rV
data.append(['berambut', 'rambut'])
# rule 2 : berCAP -> ber-CAP
data.append(['bersuara', 'suara'])
# rule 3 : berCAerV -> ber-CAerV where C != 'r'
data.append(['berdaerah', 'daerah'])
# rule 4 : belajar -> bel-ajar
data.append(['belajar', 'ajar'])
# rule 5 : beC1erC2 -> be-C1erC2 where C1 != {'r'|'l'}
data.append(['bekerja', 'kerja'])
data.append(['beternak', 'ternak'])
# rule 6a : terV -> ter-V
data.append(['terasing', 'asing'])
# rule 6b : terV -> te-rV
data.append(['teraup', 'raup'])
# rule 7 : terCerV -> ter-CerV where C != 'r'
data.append(['tergerak', 'gerak'])
# rule 8 : terCP -> ter-CP where C != 'r' and P != 'er'
data.append(['terpuruk', 'puruk'])
# rule 9 : teC1erC2 -> te-C1erC2 where C1 != 'r'
data.append(['teterbang', 'terbang'])
# rule 10 : me{l|r|w|y}V -> me-{l|r|w|y}V
data.append(['melipat', 'lipat'])
data.append(['meringkas', 'ringkas'])
data.append(['mewarnai', 'warna'])
data.append(['meyakinkan', 'yakin'])
# rule 11 : mem{b|f|v} -> mem-{b|f|v}
data.append(['membangun', 'bangun'])
data.append(['memfitnah', 'fitnah'])
data.append(['memvonis', 'vonis'])
# rule 12 : mempe{r|l} -> mem-pe
data.append(['memperbaru', 'baru'])
data.append(['mempelajar', 'ajar'])
# rule 13a : mem{rV|V} -> mem{rV|V}
data.append(['meminum', 'minum'])
# rule 13b : mem{rV|V} -> me-p{rV|V}
data.append(['memukul', 'pukul'])
# rule 14 : men{c|d|j|z} -> men-{c|d|j|z}
data.append(['mencinta', 'cinta'])
data.append(['mendua', 'dua'])
data.append(['menjauh', 'jauh'])
data.append(['menziarah', 'ziarah'])
# rule 15a : men{V} -> me-n{V}
data.append(['menuklir', 'nuklir'])
# rule 15b : men{V} -> me-t{V}
data.append(['menangkap', 'tangkap'])
# rule 16 : meng{g|h|q} -> meng-{g|h|q}
data.append(['menggila', 'gila'])
data.append(['menghajar', 'hajar'])
data.append(['mengqasar', 'qasar'])
# rule 17a : mengV -> meng-V
data.append(['mengudara', 'udara'])
# rule 17b : mengV -> meng-kV
data.append(['mengupas', 'kupas'])
# rule 18 : menyV -> meny-sV
data.append(['menyuarakan', 'suara'])
# rule 19 : mempV -> mem-pV where V != 'e'
data.append(['mempopulerkan', 'populer'])
# rule 20 : pe{w|y}V -> pe-{w|y}V
data.append(['pewarna', 'warna'])
data.append(['peyoga', 'yoga'])
# rule 21a : perV -> per-V
data.append(['peradilan', 'adil'])
# rule 21b : perV -> pe-rV
data.append(['perumahan', 'rumah'])
# rule 22 is missing in the document?
# rule 23 : perCAP -> per-CAP where C != 'r' and P != 'er'
data.append(['permuka', 'muka'])
# rule 24 : perCAerV -> per-CAerV where C != 'r'
data.append(['perdaerah', 'daerah'])
# rule 25 : pem{b|f|v} -> pem-{b|f|v}
data.append(['pembangun', 'bangun'])
data.append(['pemfitnah', 'fitnah'])
data.append(['pemvonis', 'vonis'])
# rule 26a : pem{rV|V} -> pe-m{rV|V}
data.append(['peminum', 'minum'])
# rule 26b : pem{rV|V} -> pe-p{rV|V}
data.append(['pemukul', 'pukul'])
# rule 27 : men{c|d|j|z} -> men-{c|d|j|z}
# TODO : should find more relevant examples
data.append(['pencinta', 'cinta'])
data.append(['pendua', 'dua'])
data.append(['penjauh', 'jauh'])
data.append(['penziarah', 'ziarah'])
# rule 28a : pen{V} -> pe-n{V}
data.append(['penuklir', 'nuklir'])
# rule 28b : pen{V} -> pe-t{V}
data.append(['penangkap', 'tangkap'])
# rule 29 : peng{g|h|q} -> peng-{g|h|q}
data.append(['penggila', 'gila'])
data.append(['penghajar', 'hajar'])
data.append(['pengqasar', 'qasar'])
# rule 30a : pengV -> peng-V
data.append(['pengudara', 'udara'])
# rule 30b : pengV -> peng-kV
data.append(['pengupas', 'kupas'])
# rule 31 : penyV -> peny-sV
data.append(['penyuara', 'suara'])
# rule 32 : pelV -> pe-lV except pelajar -> ajar
data.append(['pelajar', 'ajar'])
data.append(['pelabuh', 'labuh'])
# rule 33 : peCerV -> per-erV where C != {r|w|y|l|m|n}
# TODO : find the examples
# rule 34 : peCP -> pe-CP where C != {r|w|y|l|m|n} and P != 'er'
data.append(['petarung', 'tarung'])
# CS additional rules
# rule 35 : terC1erC2 -> ter-C1erC2 where C1 != 'r'
data.append(['terpercaya', 'percaya'])
# rule 36 : peC1erC2 -> pe-C1erC2 where C1 != {r|w|y|l|m|n}
data.append(['pekerja', 'kerja'])
data.append(['peserta', 'serta'])
# CS modify rule 12
data.append(['mempengaruhi', 'pengaruh'])
# CS modify rule 16
data.append(['mengkritik', 'kritik'])
# CS adjusting rule precedence
data.append(['bersekolah', 'sekolah']) #gagal sekolah -> seko why?
data.append(['bertahan', 'tahan'])
data.append(['mencapai', 'capai']) #gagal mencapai -> capa
data.append(['dimulai', 'mulai'])
data.append(['petani', 'tani']) #gagal petani -> petan
data.append(['terabai', 'abai']) #gagal terabai -> aba
# ECS
data.append(['mensyaratkan', 'syarat'])
data.append(['mensyukuri', 'syukur'])
data.append(['mengebom', 'bom'])
data.append(['mempromosikan', 'promosi'])
data.append(['memproteksi', 'proteksi'])
data.append(['memprediksi', 'prediksi'])
data.append(['pengkajian', 'kaji'])
data.append(['pengebom', 'bom'])
# ECS loop pengembalian akhiran
data.append(['bersembunyi', 'sembunyi'])
data.append(['bersembunyilah', 'sembunyi'])
data.append(['pelanggan', 'langgan'])
data.append(['pelaku', 'laku'])
data.append(['pelangganmukah', 'langgan'])
data.append(['pelakunyalah', 'laku'])
data.append(['perbaikan', 'baik'])
data.append(['kebaikannya', 'baik'])
data.append(['bisikan', 'bisik'])
data.append(['menerangi', 'terang'])
data.append(['berimanlah', 'iman'])
data.append(['memuaskan', 'puas'])
data.append(['berpelanggan', 'langgan'])
data.append(['bermakanan', 'makan'])
# CC (Modified ECS)
data.append(['menyala', 'nyala'])
data.append(['menyanyikan', 'nyanyi'])
data.append(['menyatakannya', 'nyata'])
data.append(['penyanyi', 'nyanyi'])
data.append(['penyawaan', 'nyawa'])
# CC infix
data.append(['rerata', 'rata'])
data.append(['lelembut', 'lembut'])
data.append(['lemigas', 'ligas'])
data.append(['kinerja', 'kerja'])
# plurals
data.append(['buku-buku', 'buku'])
data.append(['berbalas-balasan', 'balas'])
data.append(['bolak-balik', 'bolak-balik'])
# combination of prefix + suffix
data.append(['bertebaran', 'tebar'])
data.append(['terasingkan', 'asing'])
data.append(['membangunkan', 'bangun'])
data.append(['mencintai', 'cinta'])
data.append(['menduakan', 'dua'])
data.append(['menjauhi', 'jauh'])
data.append(['menggilai', 'gila'])
data.append(['pembangunan', 'bangun'])
# return the word if not found in the dictionary
data.append(['marwan', 'marwan'])
data.append(['subarkah', 'subarkah'])
# recursively remove prefix
data.append(['memberdayakan', 'daya'])
data.append(['persemakmuran', 'makmur'])
data.append(['keberuntunganmu', 'untung'])
data.append(['kesepersepuluhnya', 'sepuluh'])
# test stem sentence
data.append(
['siapakah memberdayakan pembangunan', 'siapa daya bangun'])
# issues
data.append(['Perekonomian', 'ekonomi'])
data.append(['menahan', 'tahan'])
# test stem multiple sentences
multipleSentence1 = 'Cinta telah bertebaran.Keduanya saling mencintai.'
multipleSentence2 = "(Cinta telah bertebaran)\n\n\n\nKeduanya saling mencintai."
data.append([multipleSentence1, 'cinta telah tebar dua saling cinta'])
data.append([multipleSentence2, 'cinta telah tebar dua saling cinta'])
# failed on other method / algorithm but we should succeed
data.append(['peranan', 'peran'])
data.append(['memberikan', 'beri'])
data.append(['medannya', 'medan'])
# TODO:
#data.append(['sebagai', 'bagai'])
#data.append(['bagian', 'bagian'])
#data.append(['berbadan', 'badan'])
#data.append(['abdullah', 'abdullah'])
# adopted foreign suffixes
#data.append(['budayawan', 'budaya'])
#data.append(['karyawati', 'karya'])
data.append(['idealis', 'ideal'])
data.append(['idealisme', 'ideal'])
data.append(['finalisasi', 'final'])
# sastrawi additional rules
data.append(['mentaati', 'taat'])
data.append(['meniru-nirukan', 'tiru'])
data.append(['menyepak-nyepak', 'sepak'])
data.append(['melewati', 'lewat'])
data.append(['menganga', 'nganga'])
data.append(['kupukul', 'pukul'])
data.append(['kauhajar', 'hajar'])
data.append(['kuasa-Mu', 'kuasa'])
data.append(['malaikat-malaikat-Nya', 'malaikat'])
data.append(['nikmat-Ku', 'nikmat'])
data.append(['allah-lah', 'allah'])
return data
def test_All(self):
data = self.get_test_data()
for d in data:
self.try_stem(d[0], d[1])
def setUp(self):
self.dictionary = ArrayDictionary(["beri"])
self.stemmer = Stemmer(self.dictionary)
class Test_StemmerTest(unittest.TestCase):
def setUp(self):
self.dictionary = ArrayDictionary(
[
'hancur', 'benar', 'apa', 'siapa', 'jubah', 'baju', 'beli',
'celana', 'hantu', 'jual', 'buku', 'milik', 'kulit', 'sakit', 'kasih', 'buang', 'suap',
'nilai', 'beri', 'rambut', 'adu', 'suara', 'daerah', 'ajar', 'kerja', 'ternak',
'asing', 'raup', 'gerak', 'puruk', 'terbang', 'lipat', 'ringkas', 'warna', 'yakin',
'bangun', 'fitnah', 'vonis',
'baru', 'ajar',
'tangkap', 'kupas',
'minum', 'pukul', 'cinta', 'dua', 'jauh', 'ziarah', 'nuklir', 'gila', 'hajar', 'qasar', 'udara',
'populer', 'warna', 'yoga', 'adil', 'rumah', 'muka', 'labuh', 'tarung',
'tebar', 'indah', 'daya', 'untung', 'sepuluh', 'ekonomi', 'makmur', 'telah', 'serta',
'percaya', 'pengaruh', 'kritik', 'seko', 'sekolah', 'tahan', 'capa', 'capai',
'mula', 'mulai', 'petan', 'tani', 'aba', 'abai', 'balas', 'balik',
'peran', 'medan', 'syukur', 'syarat', 'bom', 'promosi', 'proteksi', 'prediksi', 'kaji',
'sembunyi', 'langgan', 'laku', 'baik', 'terang', 'iman', 'bisik', 'taat', 'puas', 'makan',
'nyala', 'nyanyi', 'nyata', 'nyawa', 'rata', 'lembut', 'ligas',
'budaya', 'karya', 'ideal', 'final',
'taat', 'tiru', 'sepak', 'kuasa', 'malaikat', 'nikmat', # sastrawi additional rules
'lewat', 'nganga', 'allah',
]
)
self.stemmer = Stemmer(self.dictionary)
return super(Test_StemmerTest, self).setUp()
def try_stem(self, word, stem):
self.assertEquals(stem, self.stemmer.stem(word))
def get_test_data(self):
data = []
# don't stem short words
data.append(['mei', 'mei'])
data.append(['bui', 'bui'])
# lookup up the dictionary, to prevent overstemming
# don't stem nilai to nila
data.append(['nilai', 'nilai'])
# lah|kah|tah|pun
data.append(['hancurlah', 'hancur'])
data.append(['benarkah', 'benar'])
data.append(['apatah', 'apa'])
data.append(['siapapun', 'siapa'])
# ku|mu|nya
data.append(['jubahku', 'jubah'])
data.append(['bajumu', 'baju'])
data.append(['celananya', 'celana'])
# i|kan|an
data.append(['hantui', 'hantu'])
data.append(['belikan', 'beli'])
data.append(['jualan', 'jual'])
# combination of suffixes
data.append(['bukumukah', 'buku']) #gagal karena -ku dianggap suffix dan dihilangkan
data.append(['miliknyalah', 'milik'])
data.append(['kulitkupun', 'kulit']) #gagal karena -ku dianggap suffix dan dihilangkan
data.append(['berikanku', 'beri'])
data.append(['sakitimu', 'sakit'])
data.append(['beriannya', 'beri'])
data.append(['kasihilah', 'kasih'])
# plain prefix
data.append(['dibuang', 'buang'])
data.append(['kesakitan', 'sakit'])
data.append(['sesuap', 'suap'])
#data.append(['teriakanmu', 'teriak' # wtf? kok jadi teria?])
# template formulas for derivation prefix rules (disambiguation) #
# rule 1a : berV -> ber-V
data.append(['beradu', 'adu'])
# rule 1b : berV -> be-rV
data.append(['berambut', 'rambut'])
# rule 2 : berCAP -> ber-CAP
data.append(['bersuara', 'suara'])
# rule 3 : berCAerV -> ber-CAerV where C != 'r'
data.append(['berdaerah', 'daerah'])
# rule 4 : belajar -> bel-ajar
data.append(['belajar', 'ajar'])
# rule 5 : beC1erC2 -> be-C1erC2 where C1 != {'r'|'l'}
data.append(['bekerja', 'kerja'])
data.append(['beternak', 'ternak'])
# rule 6a : terV -> ter-V
data.append(['terasing', 'asing'])
# rule 6b : terV -> te-rV
data.append(['teraup', 'raup'])
# rule 7 : terCerV -> ter-CerV where C != 'r'
data.append(['tergerak', 'gerak'])
# rule 8 : terCP -> ter-CP where C != 'r' and P != 'er'
data.append(['terpuruk', 'puruk'])
# rule 9 : teC1erC2 -> te-C1erC2 where C1 != 'r'
data.append(['teterbang', 'terbang'])
# rule 10 : me{l|r|w|y}V -> me-{l|r|w|y}V
data.append(['melipat', 'lipat'])
data.append(['meringkas', 'ringkas'])
data.append(['mewarnai', 'warna'])
data.append(['meyakinkan', 'yakin'])
# rule 11 : mem{b|f|v} -> mem-{b|f|v}
data.append(['membangun', 'bangun'])
data.append(['memfitnah', 'fitnah'])
data.append(['memvonis', 'vonis'])
# rule 12 : mempe{r|l} -> mem-pe
data.append(['memperbaru', 'baru'])
data.append(['mempelajar', 'ajar'])
# rule 13a : mem{rV|V} -> mem{rV|V}
data.append(['meminum', 'minum'])
# rule 13b : mem{rV|V} -> me-p{rV|V}
data.append(['memukul', 'pukul'])
# rule 14 : men{c|d|j|z} -> men-{c|d|j|z}
data.append(['mencinta', 'cinta'])
data.append(['mendua', 'dua'])
data.append(['menjauh', 'jauh'])
data.append(['menziarah', 'ziarah'])
# rule 15a : men{V} -> me-n{V}
data.append(['menuklir', 'nuklir'])
# rule 15b : men{V} -> me-t{V}
data.append(['menangkap', 'tangkap'])
# rule 16 : meng{g|h|q} -> meng-{g|h|q}
data.append(['menggila', 'gila'])
data.append(['menghajar', 'hajar'])
data.append(['mengqasar', 'qasar'])
# rule 17a : mengV -> meng-V
data.append(['mengudara', 'udara'])
# rule 17b : mengV -> meng-kV
data.append(['mengupas', 'kupas'])
# rule 18 : menyV -> meny-sV
data.append(['menyuarakan', 'suara'])
# rule 19 : mempV -> mem-pV where V != 'e'
data.append(['mempopulerkan', 'populer'])
# rule 20 : pe{w|y}V -> pe-{w|y}V
data.append(['pewarna', 'warna'])
data.append(['peyoga', 'yoga'])
# rule 21a : perV -> per-V
data.append(['peradilan', 'adil'])
# rule 21b : perV -> pe-rV
data.append(['perumahan', 'rumah'])
# rule 22 is missing in the document?
# rule 23 : perCAP -> per-CAP where C != 'r' and P != 'er'
data.append(['permuka', 'muka'])
# rule 24 : perCAerV -> per-CAerV where C != 'r'
data.append(['perdaerah', 'daerah'])
# rule 25 : pem{b|f|v} -> pem-{b|f|v}
data.append(['pembangun', 'bangun'])
data.append(['pemfitnah', 'fitnah'])
data.append(['pemvonis', 'vonis'])
# rule 26a : pem{rV|V} -> pe-m{rV|V}
data.append(['peminum', 'minum'])
# rule 26b : pem{rV|V} -> pe-p{rV|V}
data.append(['pemukul', 'pukul'])
# rule 27 : men{c|d|j|z} -> men-{c|d|j|z}
# TODO : should find more relevant examples
data.append(['pencinta', 'cinta'])
data.append(['pendua', 'dua'])
data.append(['penjauh', 'jauh'])
data.append(['penziarah', 'ziarah'])
# rule 28a : pen{V} -> pe-n{V}
data.append(['penuklir', 'nuklir'])
# rule 28b : pen{V} -> pe-t{V}
data.append(['penangkap', 'tangkap'])
# rule 29 : peng{g|h|q} -> peng-{g|h|q}
data.append(['penggila', 'gila'])
data.append(['penghajar', 'hajar'])
data.append(['pengqasar', 'qasar'])
# rule 30a : pengV -> peng-V
data.append(['pengudara', 'udara'])
# rule 30b : pengV -> peng-kV
data.append(['pengupas', 'kupas'])
# rule 31 : penyV -> peny-sV
data.append(['penyuara', 'suara'])
# rule 32 : pelV -> pe-lV except pelajar -> ajar
data.append(['pelajar', 'ajar'])
data.append(['pelabuh', 'labuh'])
# rule 33 : peCerV -> per-erV where C != {r|w|y|l|m|n}
# TODO : find the examples
# rule 34 : peCP -> pe-CP where C != {r|w|y|l|m|n} and P != 'er'
data.append(['petarung', 'tarung'])
# CS additional rules
# rule 35 : terC1erC2 -> ter-C1erC2 where C1 != 'r'
data.append(['terpercaya', 'percaya'])
# rule 36 : peC1erC2 -> pe-C1erC2 where C1 != {r|w|y|l|m|n}
data.append(['pekerja', 'kerja'])
data.append(['peserta', 'serta'])
# CS modify rule 12
data.append(['mempengaruhi', 'pengaruh'])
# CS modify rule 16
data.append(['mengkritik', 'kritik'])
# CS adjusting rule precedence
data.append(['bersekolah', 'sekolah']) #gagal sekolah -> seko why?
data.append(['bertahan', 'tahan'])
data.append(['mencapai', 'capai']) #gagal mencapai -> capa
data.append(['dimulai', 'mulai'])
data.append(['petani', 'tani']) #gagal petani -> petan
data.append(['terabai', 'abai']) #gagal terabai -> aba
# ECS
data.append(['mensyaratkan', 'syarat'])
data.append(['mensyukuri', 'syukur'])
data.append(['mengebom', 'bom'])
data.append(['mempromosikan', 'promosi'])
data.append(['memproteksi', 'proteksi'])
data.append(['memprediksi', 'prediksi'])
data.append(['pengkajian', 'kaji'])
data.append(['pengebom', 'bom'])
# ECS loop pengembalian akhiran
data.append(['bersembunyi', 'sembunyi'])
data.append(['bersembunyilah', 'sembunyi'])
data.append(['pelanggan', 'langgan'])
data.append(['pelaku', 'laku'])
data.append(['pelangganmukah', 'langgan'])
data.append(['pelakunyalah', 'laku'])
data.append(['perbaikan', 'baik'])
data.append(['kebaikannya', 'baik'])
data.append(['bisikan', 'bisik'])
data.append(['menerangi', 'terang'])
data.append(['berimanlah', 'iman'])
data.append(['memuaskan', 'puas'])
data.append(['berpelanggan', 'langgan'])
data.append(['bermakanan', 'makan'])
# CC (Modified ECS)
data.append(['menyala', 'nyala'])
data.append(['menyanyikan', 'nyanyi'])
data.append(['menyatakannya', 'nyata'])
data.append(['penyanyi', 'nyanyi'])
data.append(['penyawaan', 'nyawa'])
# CC infix
data.append(['rerata', 'rata'])
data.append(['lelembut', 'lembut'])
data.append(['lemigas', 'ligas'])
data.append(['kinerja', 'kerja'])
# plurals
data.append(['buku-buku', 'buku'])
data.append(['berbalas-balasan', 'balas'])
data.append(['bolak-balik', 'bolak-balik'])
# combination of prefix + suffix
data.append(['bertebaran', 'tebar'])
data.append(['terasingkan', 'asing'])
data.append(['membangunkan', 'bangun'])
data.append(['mencintai', 'cinta'])
data.append(['menduakan', 'dua'])
data.append(['menjauhi', 'jauh'])
data.append(['menggilai', 'gila'])
data.append(['pembangunan', 'bangun'])
# return the word if not found in the dictionary
data.append(['marwan', 'marwan'])
data.append(['subarkah', 'subarkah'])
# recursively remove prefix
data.append(['memberdayakan', 'daya'])
data.append(['persemakmuran', 'makmur'])
data.append(['keberuntunganmu', 'untung'])
data.append(['kesepersepuluhnya', 'sepuluh'])
# test stem sentence
data.append(['siapakah memberdayakan pembangunan', 'siapa daya bangun'])
# issues
data.append(['Perekonomian', 'ekonomi'])
data.append(['menahan', 'tahan'])
# test stem multiple sentences
multipleSentence1 = 'Cinta telah bertebaran.Keduanya saling mencintai.';
multipleSentence2 = "(Cinta telah bertebaran)\n\n\n\nKeduanya saling mencintai.";
data.append([multipleSentence1, 'cinta telah tebar dua saling cinta'])
data.append([multipleSentence2, 'cinta telah tebar dua saling cinta'])
# failed on other method / algorithm but we should succeed
data.append(['peranan', 'peran'])
data.append(['memberikan', 'beri'])
data.append(['medannya', 'medan'])
# TODO:
#data.append(['sebagai', 'bagai'])
#data.append(['bagian', 'bagian'])
#data.append(['berbadan', 'badan'])
#data.append(['abdullah', 'abdullah'])
# adopted foreign suffixes
#data.append(['budayawan', 'budaya'])
#data.append(['karyawati', 'karya'])
data.append(['idealis', 'ideal'])
data.append(['idealisme', 'ideal'])
data.append(['finalisasi', 'final'])
# sastrawi additional rules
data.append(['mentaati', 'taat'])
data.append(['meniru-nirukan', 'tiru'])
data.append(['menyepak-nyepak', 'sepak'])
data.append(['melewati', 'lewat'])
data.append(['menganga', 'nganga'])
data.append(['kupukul', 'pukul'])
data.append(['kauhajar', 'hajar'])
data.append(['kuasa-Mu', 'kuasa'])
data.append(['malaikat-malaikat-Nya', 'malaikat'])
data.append(['nikmat-Ku', 'nikmat'])
data.append(['allah-lah', 'allah'])
return data
def test_All(self):
data = self.get_test_data()
for d in data:
self.try_stem(d[0], d[1])
