-
Notifications
You must be signed in to change notification settings - Fork 0
/
DatabaseSystem.py
472 lines (394 loc) · 18.8 KB
/
DatabaseSystem.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
import sqlite3
import os.path
from math import log10, sqrt
from nltk.tokenize import RegexpTokenizer
from Sastrawi.Stemmer.StemmerFactory import StemmerFactory
from Sastrawi.StopWordRemover.StopWordRemoverFactory import StopWordRemoverFactory
class Database:
my_db = my_cursor = None
def __init__(self):
global my_db, my_cursor
file_path = os.path.join(os.path.dirname(__file__)
)+"/db_dokumen/dokumen.db"
my_db = sqlite3.connect(os.path.realpath(file_path))
my_cursor = my_db.cursor()
class Text_Search(Database):
def show_id(self, mode='ASC'):
sql = 'SELECT id_teks FROM teks ORDER BY id_teks {}'.format(mode)
try:
my_cursor.execute(sql)
result = my_cursor.fetchall()
except Exception as e:
return e
return result
def show_content(self, mode='ASC'):
'''
Method untuk menampilkan seluruh isi dokumen dari database, yang diurutkan secara ascending berdasarkan id_teks
'''
sql = 'SELECT isi FROM teks ORDER BY id_teks {}'.format(mode)
try:
my_cursor.execute(sql)
result = my_cursor.fetchall()
except Exception as e:
return e
return result
def show_title(self, mode='ASC'):
'''
Method untuk menampilkan seluruh judul dokumen dari database, yang diurutkan secara ascending berdasarkan id_teks.
'''
sql = 'SELECT judul FROM teks ORDER BY id_teks {}'.format(mode)
try:
my_cursor.execute(sql)
result_title = my_cursor.fetchall()
except Exception as e:
return e
return result_title
def show_single_content(self, judul):
sql = 'SELECT isi FROM teks WHERE judul = "{}"'.format(str(judul))
try:
my_cursor.execute(sql)
result = my_cursor.fetchall()
except Exception as e:
return e
return result
def sql_to_list(self, data):
'''
Method untuk mengubah list of tuple [(),(),()] menjadi list of string ['', '', '']
'''
# Pertama, bentuk list of tuple diubah menjadi list 2D [[], [], []]
list_2d = [list(x) for x in data]
# Kedua, setiap elemen list 2D diubah menjadi list 1D ['', '', '']
list_1d = [s for S in list_2d for s in S]
# Cara lain list_1d = list_1d = [_ for i in range(len(list_a)) for _ in list_a[i]]
return list_1d
def tokenizing(self, doc):
'''
Method untuk proses tokenisasi.
'''
tokenizer = RegexpTokenizer(r'\w+')
tokenizing_doc = []
# Untuk setiap dokumen di dalam list,
# dikenakan str.lower() untuk mengubah semua huruf menjadi huruf kecil,
# kemudian, menggunakan fungsi word_tokenize() untuk melakukan tokenisasi
for x in doc:
lowerdoc = x.lower()
proses_token = tokenizer.tokenize(lowerdoc)
tokenizing_doc.append(proses_token)
# Setelah dilakukan tokenisasi, hasilnya akan dimasukkan ke dalam tokenizing_doc
# Hasil akhir dari tokenisasi adalah list 2D, tokenizing_doc = [[], [], []]
return tokenizing_doc
def stopword_removal(self, doc):
'''
Method untuk menghapus kata umum yang sering muncul dan dianggap tidak bermakna.
'''
# Inisialisasi StopWordRemoverFactory dari SasTrawi
stopwords_factory = StopWordRemoverFactory()
# Mendapatkan daftar kata umum yang tidak bermakna, disimpan dalam variabel stopwords dalam bentuk list []
stopwords = stopwords_factory.get_stop_words()
sw_doc = []
# mengubah bentuk list [] menjadi tuple () agar dapat diproses
tuple_stopword = tuple(stopwords)
i = 0
# Untuk setiap a (list [], []) di dalam doc (list [[], []])
for a in doc:
# Dimasukkan [] ke dalam list sw_doc sebanyak panjang a
sw_doc.append([])
# Untuk setiap b (kata 'a','b') di dalam a (list ['a','b'])
for b in a:
# Jika b tidak ada di dalam list stopword, maka b dimasukkan ke dalam list sw_doc
if b not in tuple_stopword:
sw_doc[i].append(b)
i += 1
# Hasil akhir dari proses stopword removal adalah list 2D, sw_doc = [[], [], []]
return sw_doc
def case_folding(self, doc):
'''
Method untuk menghapus karaktek selain huruf A-Z dan a-z.
'''
case_folding_doc = []
i = 0
# Untuk setiap a (list [], []) di dalam doc (list [[], []])
for a in doc:
# Dimasukkan [] ke dalam list case_folding_doc sebanyak panjang a
case_folding_doc.append([])
# Untuk setiap b (kata 'a','b') di dalam a (list ['a','b'])
for b in a:
# Jika b (kata 'a','b') yang dikenakan str.isalpha() = True, maka b dimasukkan ke dalam list case_folding_doc
if b.isalpha():
case_folding_doc[i].append(b)
i += 1
# Hasil akhir dari proses case folding adalah list 2D, case_folding_doc = [[], [], []]
return case_folding_doc
def stemming(self, doc):
'''
Method untuk proses stemming.
'''
# Inisialisasi StemmerFactory dari SasTrawi
factory = StemmerFactory()
stemmer = factory.create_stemmer()
stemmed_doc = []
i = 0
# Untuk setiap a (list [], []) di dalam doc (list [[], []])
for a in doc:
# Dimasukkan [] ke dalam list stemmed_doc sebanyak panjang a
stemmed_doc.append([])
# Untuk setiap b (kata 'a','b') di dalam a (list ['a','b'])
for b in a:
# Dilakukan proses stemming terhadap b (kata), lalu dimasukkan ke dalam list stemmed_doc
stemmed_doc[i].append(stemmer.stem(b))
i += 1
# Hasil akhir dari proses stemming adalah list 2D, stemmed_doc = [[], [], []]
return stemmed_doc
def clean_doc(self, doc):
'''
Method untuk menggabungkan list 2D [['',''], ['','']] menjadi list 1D ['', '']
'''
readydoc = []
i = 0
# Untuk setiap x (list [], []) di dalam doc (list [[], []])
for x in doc:
# Kata dalam list 1D akan digabungkan menjadi 1 kalimat denngan pemisah spasi menggunakan method ' '.join()
# Setelah itu akan di masukkan ke dalam list readydoc
readydoc.append((' '.join(map(str, doc[i]))))
i += 1
# Hasil akhir dari proses clean doc adalah list 1D, readydoc = ['', '']
return readydoc
def get_list_word(self, readydoc):
'''
Method untuk mendapatkan semua kata yang muncul dalam dokumen.
'''
list_word = []
# Untuk setiap kalimat ('', '') di dalam readydoc (list ['', ''])
for sentence in readydoc:
# Untuk setiap kata di dalam kalimat, akan dipisah menjadi list ['', '']
for word in sentence.split(" "):
# Jika kata belum/tidak ada di dalam list_word, maka kata akan dimasukkan ke dalam list_word
if word not in list_word:
list_word.append(word)
# Dilakukan pengurutan kata dari abjad terkecil ke terbesar (a-z)
sorted_word = sorted(list_word)
# Hasil akhir dari get_list_word adalah list 1D, list_word = ['', '']
return sorted_word
def get_content(self, doc):
'''
Method untuk mendapatkan kalimat dokumen dari list gabungan query dan dokumen.
'''
# Ekstrak indeks ke-1 sampai terakhir dari list karena dokumen berada pada indeks ke-1 sampai terkahir
return doc[1:]
def combine_query_content(self, query, content):
'''
Method untuk menggabungkan query dan dokumen menjadi list.
Query diletakkan pada indeks ke-0
'''
# Membuat salinan dari list dokumen
combined_list = content.copy()
# Menambahkan query pada indeks ke-0 ke dalam salinan list dokumen
combined_list.insert(0, query)
# Hasil akhir dari combine_query_content adalah list 1D
return combined_list
def get_tf(self, clean_list_querycontent, list_word_content):
'''
Method untuk mendapatkan frekuensi kemunculan kata dalam query dan dokumen.
'''
# Mendapatkan panjang list querycontent
length_list_querycontent = len(clean_list_querycontent)
tf = []
# tf =[{'kata1' : 0,
# 'kata2' : 0},
# {'kata1' : 0
# 'kata2' : 0}]
# Membuat template tf dengan value awal = 0
# Untuk setiap x dari panjang list querycontent
for x in range(length_list_querycontent):
# tf merupakan list of dictionary dengan key yang berupa kata dalam list_word_content
tf.append(dict(zip(list_word_content, [0 for x in range(len(list_word_content))])))
# tf =[{'kata1' : 1,
# 'kata2' : 0},
# {'kata1' : 0
# 'kata2' : 1}]
# Perulangan untuk mengisi value tf dengan frekuensi kata yang muncul dalam query dan dokumen
# Untuk setiap indeks dan kalimat dalam list clean_list_querycontent
for index, sentence in enumerate(clean_list_querycontent):
# Untuk setiap kata di dalam kalimat, akan dipisah menjadi list ['', '']
for word in sentence.split(" "):
# Jika kata ada dalam template tf,
# maka value pada template tf dari kata tersebut akan ditambah 1
if word in tf[index]:
tf[index][word] += 1
return tf
def get_idf(self, tf, list_word_content):
'''
Method untuk menghitung nilai IDF
'''
# Mendapatkan panjang list content
length_list_content = len(tf) - 1
# Membuat template df dengan value awal = 0
df = dict(zip(list_word_content, [0 for x in range(len(list_word_content))]))
# df = {'kata1' : 0,
# 'kata2' : 0}
# Perulangan untuk mengisi value df dengan frekuensi kata dalam dokumen
# Untuk setiap indeks [{}, {}] dan document (dict) {}, {} dalam tf
for index, document in enumerate(tf):
# Jika indeks > 0, (indeks = 0 adalah query)
if index > 0 :
# Untuk setiap key dan value dalam document (dict) {'kata1' : 0, 'kata2' : 0}
for key, value in document.items():
# Jika value ada, maka value pada df dari key tersebut akan ditambah 1
if value:
df[key] += 1
# d_df menampung nilai dari d/df
d_df = {}
# d_df = {'kata1' : d/df,
# 'kata2' : d/df}
# Perulangan untuk mengisi value d_df dengan nilai d/df
# Untuk setiap key dan value dalam df {'kata1' : 1, 'kata2' : 1}
for key, value in df.items():
# Value dari d_df dari key dalam df adalah d (length_list_content)/df dari key df
d_df[key] = length_list_content / value
# idf menampung nilai dari idf
idf = {}
# idf = {'kata1' : log(d/df),
# 'kata2' : log(d/df)}
# Perulangan untuk mengisi value idf dengan nilai idf (log(d/df))
# Untuk setiap key dan value dalam d_df {'kata1' : d/df, 'kata2' : d/df}
for key, value in d_df.items():
# Value dari idf dari key dalam d_df adalah log(d_df) dari key d_df
# Dilakukan pembulatan 3 angka di belakang koma
idf[key] = log10(value)
# Hasil akhir dari get_idf adalah dictionary {'kata1' : idf, 'kata2' : idf}
return idf
def get_wqt(self, tf, idf):
'''
Method untuk menghitung nilai TF-IDF atau bobot kata (Wqt)
'''
wqt = []
# Untuk setiap indeks [{}, {}] dan document (dict) {}, {} dalam tf
for index, document in enumerate(tf):
# Dimasukkan {} ke dalam list wqt sebanyak panjang tf
wqt.append({})
# Untuk setiap key dan value dalam document (dict) {'kata1' : 1, 'kata2' : 1}
for key, value in document.items():
# Value dari wqt dari indeks dan key dalam document adalah tf x idf dari key idf
wqt[index][key] = value * idf[key]
# Hasil akhir dari get_wqt adalah list of dictionary [{'kata1' : wqt, 'kata2' : wqt}, {'kata1' : wqt, 'kata2' : wqt}]
return wqt
# Method untuk menghitung nilai Cosine Similarity
def get_vsm(self, tf, wqt):
length_list_content = len(tf) - 1
# ww = Wqt^2
ww = []
## ww = [{'kata1' : wqt^2,
# 'kata2' : wqt^2},
# {'kata1' : wqt^2,
# 'kata2' : wqt^2}]
wq = {}
total_ww_doc = {}
# tf_ww = TF x Wq^2
wq_wd = []
# tf_ww = [{'kata1' : value},
# {'kata2' : value}]
# sum_tf_ww = Penjumlahan semua value dari tf_ww masing-masing dokumen
sum_wq_wd = {}
# sum_tf_ww = {'Bobot dokumen 1' : value, 'Bobot dokumen 2' : value}
# result = Cosine Similarity = sum(Wq^2 x TF) dokumen(i) / (sum(sqrt(Wq^2)) x sum(sqrt(Wt^2 dokumen(i))))
result = []
#Coba
try:
# Untuk setiap indeks [{}, {}] dan document (dict) {}, {} dalam wqt
for index, document in enumerate(wqt):
# Dimasukkan {} ke dalam ww sebanyak panjang wqt
ww.append({})
# Membuat key-value baru
total = 0
# Untuk setiap key dan value dalam document (dict) {'kata1': 1, 'kata2': 1}
for key, value in document.items():
# Value dari ww dari indeks dan key dalam document adalah value dari key dalam document yang dipangkat 2
# Dilakukan pembulatan 3 angka di belakang koma
ww[index][key] = value ** 2
# Value dari total adalah penjumlahan value dari key dalam document yang dipangkat 2
total += ww[index][key]
# Value dari total diakarkan, dengan pembulatan 3 angka di belakang koma
ww[index]['total'] = sqrt(total)
a = wqt[0]
for key, value in a.items():
if value > 0:
wq[key] = value
# Untuk setiap indeks [{}, {}] dan document (dict) {}, {} dalam ww
for index, document in enumerate(ww):
# Untuk setiap key dan value dalam document (dict) {'kata1' : wqt^2, 'kata2' : wqt^2}
for key, value in document.items():
# jika key = 'total'
if key == 'total':
# Jika indeks = 0
if index == 0:
# Value dari total_ww_doc dengan key=Bobot pencarian adalah value dari document dalam ww
total_ww_doc['Bobot pencarian'] = value
# Jika indeks bukan = 0
else:
# Value dari total_ww_doc dengan key=Bobot dokumen {index} adalah value dari document dalam ww
total_ww_doc[f'Bobot dokumen {index}'] = value
# Perulangan untuk mendapatkan nilai Wq^2 x TF
# Untuk setiap indeks [{}, {}] dan document (dict) {}, {} dalam tf
for index, document in enumerate(wqt):
# Jika indeks > 0
if index > 0:
# Dimasukkan {} ke dalam tf_ww sebanyak panjang tf (index > 0)
wq_wd.append({})
# Untuk setiap key dan value dalam document (dict) {'kata1' : value, 'kata2' : value}
for key, value in document.items():
# Jika key ada dalam ww_query
if key in wq:
# Value dari tf_ww dari indeks-1 dan key dalam document adalah
# value dari key dalam document yang dikali dengan value dari ww_query dengan key yang sama
wq_wd[index-1][key] = value * wq[key]
# Perulangan untuk mendapatkan nilai penjumalahan semua value dari tf_ww masing-masing dokumen
# Untuk setiap indeks [{}, {}] dan document (dict) {}, {} dalam tf_ww
for index, document in enumerate(wq_wd):
# Inisialisasi total = 0
total = 0
# Untuk setiap value dalam document (dict) {'kata1' : value, 'kata2' : value}
for _, value in document.items():
# total = total + value
total += value
# Value dari sum_tf_ww dengan key=Bobot dokumen {index+1} adalah total
sum_wq_wd[f'Bobot dokumen {index+1}'] = total
# Perulangan untuk mendapatkan nilai Cosine Similarity
# Untuk x dalam range length_list_content
for x in range(length_list_content):
# Cosine Similarity = sum_tf_ww(doc(i)) / (total_ww_query * total_ww_doc(i))
cos = (sum_wq_wd['Bobot dokumen ' + str(x+1)] /
(total_ww_doc['Bobot pencarian'] *
total_ww_doc['Bobot dokumen ' + str(x+1)]))
# Hasil perhitungan Cosine Similarity ditambahkan ke dalam list result
result.append(cos)
# Jika terjadi ZeroDivisionError,
# maka akan pass atau tidak ada perubahan pada result atau kosong []
except ZeroDivisionError:
pass
return result
def get_result_order(self, vsm, idteks):
'''Method untuk menampilkan hasil pencarian'''
order = sorted(range(len(vsm)), key=lambda order: vsm[order], reverse = True)
list_id_hasil = []
if vsm == []:
pass
else:
for d in order:
if vsm[d] > 0:
list_id_hasil.append(idteks[d])
int_to_str_inlist = [str(integer) for integer in list_id_hasil]
full_str = ','.join(int_to_str_inlist)
return list_id_hasil, full_str
def show_result(self, result_list, result_string):
listsyntax_from_resultlist = []
for x in result_list:
listsyntax_from_resultlist.append(
'id_teks = {} DESC'.format(x))
stringsyntax = ','.join(listsyntax_from_resultlist)
sql = 'SELECT judul FROM teks WHERE id_teks in ({}) ORDER BY {}'.format(result_string, stringsyntax)
try:
my_cursor.execute(sql)
result_final = my_cursor.fetchall()
except Exception as e:
return e
return result_final