Rukabot response function

Rukabot.py

def LemNormalize(text):
       remove_punct_dict = dict((ord(punct), None) for punct in         string.punctuation)
       #fungsi ini meremove punct yang ada di dict dan menghilangkan huruf kapital
       return [token for token in nltk.word_tokenize(text.lower().translate(remove_punct_dict))]

def response(user_response): 
    ruka_response=''
    sent_tokens.append(user_response) #Ini ngeappend input user ke list yang dibuat dari chatbot.txt
    if 'apa itu fasilkom' in user_response or 'fasilkom adalah' in user_response or 'fasilkom' in user_response:
        ruka_response = ruka_response+sent_tokens[0]
        return ruka_response
    elif 'paralel untuk d3' in user_response or 'ekstensi' in user_response:
        ruka_response = ruka_response+sent_tokens[8]
        return ruka_response

    TfidfVec = TfidfVectorizer(tokenizer=LemNormalize)
    tfidf = TfidfVec.fit_transform(sent_tokens)
    #TF IDF ini gunanya buat bikn statistik numerikal suatu kata untuk memberi  
    #gambaran seberapaseringnya kemunculan/berat kata itu dalam dokumen.
    #menghitungnya menggunakan rumus khusus
    
    vals = cosine_similarity(tfidf[-1], tfidf) 
    # Ini buat mencocokan antara kata input dari user(yang baru dimasukin ke list
    # (biar 'kata'nya juga ada bobot(dalam vektor))) dengan isi list
    # nanti hasil perintah ini berupa list yang isinya kecocokan setiap item list terhadap 
    # input user dalam besaran sudut, semakin mendekati 1 maka semakin mirip katanya.
    idx=vals.argsort()[0][-2]
    flat = vals.flatten() #di flatten karena hasilnya list dalem list
    flat.sort()
    req_tfidf = flat[-2] #lalu diambil index -2 karena setelah di sort hasil yg paling mirip ada di index itu(mendekati 1)
    
    if(req_tfidf==0): #Jika gaada yg mirip maka responnya gini
        ruka_response=ruka_response+"{}".format(random.choice(Confused_responses))
        return ruka_response
    else:
        ruka_response = ruka_response+sent_tokens[idx]
return ruka_response