perbandingan distribusi frekuensi kata bahasa indonesia di kompas, wikipedia, twitter, dan kaskus
DESCRIPTION
Dalam bahasa yang sama, kata yang paling sering digunakan, jumlah huruf per kata, serta berbagai statistik lain yang terkait dengan distribusi frekuensi sangat bergantung kepada ragam yang digunakan. Makalah ini menelaah perbandingan distribusi frekuensi kata antara empat ragam bahasa Indonesia yang populer di internet, yaitu Kompas (media massa), Wikipedia bahasa Indonesia (ensiklopedia), Twitter (mikroblog), dan Kaskus (forum). Kajian dilakukan dengan menggunakan korpus yang diambil dari data yang tersedia secara publik di internet serta diproses dengan menggunakan bahasa pemrograman Python serta beberapa pustaka pemrograman yang bersumber terbuka. Hasil kajian menunjukkan adanya perbedaan distribusi yang cukup tajam di antara keempat ragam bahasa Indonesia ini. Kompas banyak menggunakan kata akan karena sifat beritanya; Wikipedia banyak menggunakan kata adalah karena sifat deskriptifnya; Twitter banyak menggunakan kata aku karena sifat subjektifnya; Kaskus banyak menggunakan kata gan yang merupakan kata khas komunitas ini. Kajian ini juga memberikan beberapa hal yang harus diperhatikan dalam kajian serupa seperti penyiapan dan pembersihan data korpus dan leksikon. Kajian ini diharapkan dapat memberikan dasar penelitian lebih lanjut dalam bidang distribusi frekuensi dan analisis korpus bahasa Indonesia.TRANSCRIPT
Perbandingan distribusi frekuensi kata bahasa Indonesia di Kompas,
Wikipedia, Twitter, dan Kaskus
Ivan Lanin, Jim Geovedi, Wicak Soegijoko
Ardwort, http://ardwort.com
Latar belakang
• Apa kata yang paling sering dipakai dalam bahasa Indonesia?
• Berapa jumlah huruf per kata yang paling sering dipakai dalam bahasa Indonesia?
• Apakah ragam bahasa menentukan pemilihan kata?
• Bagaimana pola distribusi frekuensi penggunaan kata?
2
Sumber data
Korpus Sumber data Jumlah kata unik
Jumlah kata total
Kompas (media massa)
Diambil pada bulan Januari tahun 2013 untuk artikel berita berbahasa Indonesia daring tahun 2012
343.532 32.724.503
Wikipedia (ensiklopedia)
Diambil dari salinan Wikipedia bahasa Indonesia bulan Januari tahun 2013
936.288 43.545.242
Twitter (mikroblog)
Diambil pada bulan Januari tahun 2013 untuk percakapan bulan Oktober-Desember 2012 oleh pengguna Twitter yang berlokasi di Indonesia
798.078 34.769.573
Kaskus (forum)
Diambil pada bulan Januari tahun 2013 dan dari 1000 utas (thread) terakhir sub-forum The Lounge
761.795 109.292.156
3
Metodologi
Scraping (Kompas, Kaskus)
Ekstrasi XML (Wikipedia)
Kueri API (Twitter)
Pengambilan Kode HTML
URL
Pola acu
Tanda baca
Pembersihan Python
NLTK
NumPy
SciPy
Ramisch (2012): f = Cw(•) / N
Zipf (1932): f = k/r
Pengolahan
4
Peringkat frekuensi kemunculan *
# Kompas Wikipedia Twitter Kaskus
1 yang yang di gan
2 di dan yg ane
3 dan di ya di
4 ini pada aku yang
5 itu dari yang yg
6 dengan dengan ini ya
7 untuk ini itu ada
8 dari adalah ada itu
9 dalam dalam d tuh
10 akan untuk aja aja
# Kompas Wikipedia Twitter Kaskus
11 pada kategori ga bisa
12 tidak tahun dan juga
13 juga sebagai gak kalo
14 ke oleh i keren
15 tersebut indonesia mau ga
16 ada ke ke banget
17 bisa the udah nya
18 saat ia lagi wah
19 jakarta tidak kalo nih
20 tahun menjadi the jadi
5
* Data lengkap: https://github.com/ardwort/freq-dist-id
Analisis frekuensi kemunculan
Kompas Wikipedia Twitter Kaskus
• akan (#10): hal-hal di masa depan
• Jakarta (#19): tempat
• tahun (#20): waktu
• adalah (#8): deskriptif
• the (#17): nama diri • kategori (#11):
kategorisasi artikel
• aku (#4); mau (#15): subjektif
• yg (#2); d (#9); ga (#11): pemendekan
• aja (#10); gak (#13); udah (#17); kalo (#19): percakapan
• i (#14): campur kode atau alih kode
• gan (#1); ane (#2): pronomina persona khas komunitas
• yg (#5); ga (#15): pemendekan
• kalo (#13); banget (#16): percakapan
• tuh (#9); wah (#18); nih (#19), keren (#14): ekspresif
• nya (#17): partikel
6
Distribusi frekuensi kemunculan
Hukum Zipf: f = k/r
7
Perbandingan frekuensi kemunculan
• Perbandingan: Tala (2003)
• yang dan di: empat korpus
• ada, dan, ini, itu, dan ke: tiga korpus
8
Distribusi jumlah huruf per kata
• Distribusi Gauss condong ke kiri (kata pendek)
• Kompas: 5 huruf • Wikipedia: 4 huruf • Twitter: 4 huruf • Kaskus: 3 huruf • Dorongan meminimalkan
waktu & upaya (Piantadosi, 2011)
9
Kesimpulan dan pengembangan
• Kesimpulan: – Kata yang tersering dipakai umumnya merupakan partikel – Jumlah huruf per kata yang paling sering dipakai antara 3–5 – Ragam bahasa menentukan pemilihan kata – Pola distribusi frekuensi penggunaan kata bahasa Indonesia mengikuti
hukum Zipf
• Penyempurnaan – Pengenalan nama diri (named-entity recognition) – Penandaan kata hentian (stopwords)
• Pengembangan: – Kamus kata bahasa Indonesia sederhana berdasarkan kata yang paling
sering muncul dalam berbagai korpus – Kamus variasi ejaan (atau salah eja) kata – Penerjemahan otomatis antarragam bahasa (mis. SMS ke formal)
10