prpm-dbp 0.7.0 → 0.9.0

package/SKILL.md

@@ -28,7 +28,7 @@ npx prpm-dbp lookup murid sekolah
 # semak setiap perkataan Rumi dalam fail wujud dalam PRPM
 npx prpm-dbp audit nota.txt
 
-# semak ejaan Jawi lawan teks Rumi sejajar (token ke-N lawan token ke-N)
+# semak ejaan Jawi lawan teks Rumi sejajar
 npx prpm-dbp audit-jawi rph-jawi.txt rph-rumi.txt
 
 # panaskan cache dari senarai perkataan, bayar sekali guna selamanya
@@ -187,6 +187,28 @@ Peraturan yang dilaksanakan: §13.5-13.7 (awalan `di-`, `se-`, `ke-`), §13.10 (
 
 **Kodpoint setiap imbuhan disahkan empirik daripada dataset, bukan dibaca daripada peraturan.** Hamzah dalam akhiran ialah `ء` U+0621 berdiri sendiri, manakala dalam awalan ia `أ` U+0623 di atas alif. Peraturan bertulis tidak membezakan dua itu.
 
+## Apa yang sebenarnya tercicir
+
+Diuji terhadap satu pelajaran Pendidikan Islam Tingkatan 4 sebenar (406 perkataan):
+
+```
+disahkan DBP  223   |  dari dataset  38  |  kata sendi §14.1  3
+nama khas      15   |  belum disahkan 10
+```
+
+**Tiada satu pun kata Melayu biasa tercicir.** Yang tinggal terbahagi kepada dua kategori sahaja:
+
+| Kategori | Contoh | Selesaian |
+|---|---|---|
+| Istilah tajwid Arab | `Qasirah`, `Tawilah`, `Mukhaffaf`, `Muthaqqal`, `Sughra`, `Kubra`, `Waqaf`, `hijaiyah` | `nama` dengan `jenis: istilah`, sahkan sekali |
+| Akronim | `KPM`, `DBP`, `KSSM`, `PBD`, `KBAT` | dilaporkan berasingan, kekal Rumi |
+
+Inilah sebab transliterator pola suku kata (§7 hingga §9) **tidak dilaksanakan**. Ia tidak akan menyentuh satu pun perkataan di atas. Lebih buruk lagi, istilah tajwid itu kata serapan Arab, dan §11.1 menetapkan ejaan Jawinya ialah ejaan Arab asal — peraturan pola Melayu akan menghasilkan ejaan fonetik yang salah untuk setiap satu, iaitu tepat di tempat ia paling merosakkan.
+
+**`audit-jawi` menggunakan enjin penukaran yang sama dengan `jawi`.** Teks Rumi ditukar dahulu, kemudian dibandingkan. Ini penting kerana §14.1 dan §17.1 mengubah bilangan token: `Murid ke sekolah` ialah tiga perkataan Rumi tetapi dua perkataan Jawi. Perbandingan kedudukan yang naif akan melaporkan output alat ini sendiri sebagai salah.
+
+Dengan cara ini hanya ada **satu takrif "Jawi yang betul"** dalam pakej, bukan dua yang boleh menyimpang.
+
 ## Rantai kepercayaan
 
 Setiap ejaan Jawi yang dikeluarkan membawa asal-usulnya. Jangan runtuhkan lapisan ini.
@@ -226,7 +248,7 @@ Bila menulis teks BM atau Jawi yang akan dihantar kepada orang:
 |---|---|---|
 | `lulus` / `padan` | ada dalam PRPM, ejaan sepadan | tiada |
 | `belumDisahkan` | tiada entri dalam PRPM | semak ejaan, atau isytihar sebagai nama khas |
-| `salahEjaan` | Jawi ditulis tidak sama dengan PRPM | ganti dengan medan `sepatutnya` |
+| `salahEjaan` | Jawi ditulis tidak sama dengan hasil penukaran | ganti dengan medan `sepatutnya` |
 | `tiadaRujukan` | PRPM tiada ejaan Jawi untuk kata itu | kekalkan, tanda kepada pengguna |
 | `gagalSemak` | rangkaian gagal | cuba semula, jangan anggap salah |
 

package/bin/cli.js

@@ -4,7 +4,7 @@ import process from 'node:process'
 
 import { pasangSkill } from '../src/install.js'
 import { banding, cariKamus } from '../src/kamus.js'
-import { keJawi, keRumi } from '../src/tukar.js'
+import { keJawi, keRumi, semakJawi } from '../src/tukar.js'
 import { huraiTsv, muatDataset, simpanDataset } from '../src/dataset.js'
 import { NAMA_PATH, muatNama, tambahNama } from '../src/nama.js'
 import {
@@ -49,6 +49,7 @@ function huraiArgs(argv) {
     else if (a === '--link') pilihan.link = true
     else if (a === '--cepat') pilihan.cepat = true
     else if (a === '--pedoman') pilihan.pedoman = true
+    else if (a === '--jenis') pilihan.jenis = argv[++i]
     else if (a === '--had') pilihan.had = Number(argv[++i])
     else if (a === '--delay') pilihan.delay = Number(argv[++i])
     else if (a === '--buang') pilihan.buang = argv[++i]
@@ -102,11 +103,11 @@ async function main() {
     case 'audit-jawi': {
       const [failJawi, failRumi] = baki
       if (!failJawi || !failRumi) throw new Error('perlu dua fail: <jawi> <rumi>')
-      const laporan = await auditJawi(
+      const laporan = await semakJawi(
         await readFile(failJawi, 'utf8'),
         await readFile(failRumi, 'utf8'),
         cache,
-        opts,
+        { ...opts, cubaDasar: !pilihan.cepat, janaImbuhan: pilihan.pedoman },
       )
       await saveCache(cache)
       keluar(laporan)
@@ -175,6 +176,9 @@ async function main() {
             h.dijanaPedoman.map((x) => `${x.kata}=${x.jawi} [${x.rujukan}]`).join(', '),
         )
       }
+      if (h.akronim.length) {
+        console.error(`akronim, dikekalkan Rumi (${h.akronim.length}): ${h.akronim.join(', ')}`)
+      }
       if (h.namaKhas.length) {
         console.error(
           `nama khas belum disahkan (${h.namaKhas.length}): ${h.namaKhas.join(', ')}\n` +

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "prpm-dbp",
-  "version": "0.7.0",
+  "version": "0.9.0",
   "description": "Semak ejaan Bahasa Melayu dan Jawi terhadap PRPM Dewan Bahasa dan Pustaka. CLI dan skill untuk AI agent.",
   "keywords": [
     "bahasa-melayu",

package/src/nama.js

@@ -55,6 +55,23 @@ export async function cariNama(kata) {
   return { ...rec, dijumpai: true, disahkanDbp: false }
 }
 
+/**
+ * §19 — Akronim dan singkatan.
+ *
+ * Singkatan inisialisme (KPM, DBP, PDF, KSSM, PBD, KBAT) ialah kategori
+ * tersendiri, bukan salah eja dan bukan nama orang. Pedoman §19.3 dan §19.4
+ * menetapkan ia ditulis dengan huruf abjad Jawi berserta titik selepas
+ * setiap huruf, tetapi banyak dokumen pendidikan mengekalkannya dalam Rumi
+ * dengan sengaja. Alat ini tidak memutuskan bagi pihak anda: ia hanya
+ * mengasingkan akronim supaya keputusan itu dibuat sekali, bukan dianggap
+ * sebagai ejaan yang salah.
+ */
+export function mungkinAkronim(kata) {
+  const k = String(kata)
+  // Dua huruf besar atau lebih berturut-turut, tanpa huruf kecil.
+  return /^[A-Z][A-Z0-9]+$/.test(k) && k.length >= 2
+}
+
 /**
  * Teka sama ada perkataan itu nama khas.
  *

package/src/tukar.js

@@ -11,7 +11,7 @@
 import { lookup } from './prpm.js'
 import { normalisasiJawi } from './kamus.js'
 import { cariDataset, muatDataset } from './dataset.js'
-import { cariNama, mungkinNamaKhas } from './nama.js'
+import { cariNama, mungkinAkronim, mungkinNamaKhas } from './nama.js'
 import {
   imbuhAkhiranAn,
   imbuhAkhiranI,
@@ -194,6 +194,7 @@ export async function keJawi(teks, cache, opts = {}) {
   const namaKhas = []
   const kataUlang = []
   const dijanaPedoman = []
+  const akronim = []
   const bahagian = teks.split(PECAH_RUMI)
   const keluar = []
 
@@ -268,7 +269,11 @@ export async function keJawi(teks, cache, opts = {}) {
     // Nama khas yang belum disahkan bukan salah eja. Ia dilaporkan
     // berasingan supaya pengguna tahu apa yang perlu disahkan sekali, dan
     // bukan mengulang menyemak ejaan yang memang betul.
-    if (mungkinNamaKhas(cebis, bahagian[i - 1])) namaKhas.push(cebis)
+    // §19: akronim ialah kategori tersendiri. Ia bukan salah eja dan bukan
+    // nama orang, jadi mencampurkannya dengan dua-dua itu menyembunyikan
+    // apa yang benar-benar perlu disemak.
+    if (mungkinAkronim(cebis)) akronim.push(cebis)
+    else if (mungkinNamaKhas(cebis, bahagian[i - 1])) namaKhas.push(cebis)
     else belumDisahkan.push(cebis)
     keluar.push(penanda[0] + cebis + penanda[1])
   }
@@ -300,6 +305,7 @@ export async function keJawi(teks, cache, opts = {}) {
     kataUlang,
     dijanaPedoman,
     namaKhas: [...new Set(namaKhas)],
+    akronim: [...new Set(akronim)],
     adaEntriTanpaJawi: [...new Set(adaEntriTanpaJawi)],
     belumDisahkan: [...new Set(belumDisahkan)],
     terbitanSah,
@@ -401,3 +407,42 @@ export function keRumi(teksJawi, cache, { penanda = ['«', '»'], dataset = null
     lengkap: tidakDikenali.length === 0,
   }
 }
+
+/**
+ * Semak teks Jawi terhadap teks Rumi sejajar, menggunakan enjin penukaran
+ * yang SAMA dengan `keJawi`.
+ *
+ * Versi lama membandingkan token ke-N lawan token ke-N. Itu pecah sebaik
+ * sahaja Pedoman §14.1 (kata sendi bercantum) dan §17.1 (kata ulang) mula
+ * digunakan, kerana kedua-duanya mengubah bilangan token: `Murid ke sekolah`
+ * ialah tiga perkataan Rumi tetapi dua perkataan Jawi. Akibatnya alat ini
+ * melaporkan outputnya sendiri sebagai salah.
+ *
+ * Sekarang teks Rumi ditukar dahulu, kemudian dibandingkan token demi token
+ * terhadap hasil itu. Dengan cara ini hanya ada satu takrif "Jawi yang betul"
+ * dalam pakej.
+ */
+export async function semakJawi(jawiTeks, rumiTeks, cache, opts = {}) {
+  const jangkaan = await keJawi(rumiTeks, cache, opts)
+  const tokJangka = [...jangkaan.teks.matchAll(new RegExp(`[${JAWI_JULAT}\u0660-\u0669]+`, 'g'))].map((m) => m[0])
+  const tokAda = [...jawiTeks.matchAll(new RegExp(`[${JAWI_JULAT}\u0660-\u0669]+`, 'g'))].map((m) => m[0])
+
+  const salahEjaan = []
+  let padan = 0
+  for (const [i, jangka] of tokJangka.entries()) {
+    const ditulis = tokAda[i] ?? null
+    if (ditulis && normalisasiJawi(ditulis) === normalisasiJawi(jangka)) padan++
+    else salahEjaan.push({ kedudukan: i, ditulis, sepatutnya: jangka })
+  }
+
+  return {
+    tokenJawi: tokAda.length,
+    tokenDijangka: tokJangka.length,
+    kiraanTakSama: tokAda.length !== tokJangka.length,
+    padan,
+    salahEjaan,
+    belumDisahkan: jangkaan.belumDisahkan,
+    namaKhas: jangkaan.namaKhas,
+    akronim: jangkaan.akronim,
+  }
+}