Korpus teks

Korpus teks adalah sumber daya bahasa yang terdiri dari kumpulan teks yang besar. Pada linguistik, korpus teks juga dikenal dengan sebutan jamak korpora yang saat ini biasanya disimpan dan diproses secara elektronik. Korpus teks digunakan untuk melakukan analisis statistik serta pengujian hipotesis, memeriksa kejadian atau memvalidasi aturan lingustik dalam wilayah bahasa tertentu.

Definisi lainnya dari korpus teks adalah kumpulan teks alami, baik bahasa lisan maupun bahasa tulis, yang disusun secara sistematis.

Sejarah korpus

Linguistik korpus yang merupakan pembahasan ilmiah muncul sekitar tahun 1960-an yang pada era tersebut, dua buku dari Noam Chomsky berjudul Syntactic Structures terbit pada tahun 1957 dan Aspects of Theory of Syntax terbit pada tahun 1965 memberikan dampak besar bahkan memicu revisi standar paradigma dalam linguistik teoretis.

Setelah itu, muncul proyek-proyek mengenai korpus. Proyek korpus pertama, dimulai di akhir tahun 1950-an, Randolph Quirk melakukan pengumpulan data bahasa untuk penelitian tata bahasa secara empiris. Saat itu, data yang dikumpulkannya belum terkomputerisasi dan baru pada pertengahan tahun 1980-an proses komputerisasi tersebut dilakukan oleh Randolph Quirk bersama Sydney Greenbaum. Itulah proyek korpus pertama yang dikenal dengan International Corpus of English yang didalam data tersebut terdiri atas 1 juta kata yang meliputi 500 ribu kata data lisan dan 500 ribu kata data tulis.

Proyek korpus kedua bernama Brown Corpus disusun oleh Nelson Francis pada tahun 1960-an yang terdiri dari 1 juta kata.

Proyek ketiga dari korpus bernama English Lexical Studies dimulai pada tahun 1963 di Edinburgh dan diselesaikan di Birmingham dipimpin oleh John Sinclair. Proyek ini berbasis sampel teks elektronik bahasa lisan dan tulis yang sangat kecil.

Pada proyek korpus berikutnya, yaitu Collins Cobuild English Language Dictionary yang disusun pertengahan 1970-an dan kamus tersebut diterbitkan pada tahun 1987 dibawah panduan John Sinclair. Pada kamus itu, korpus tersebut terdiri atas 18,3 juta kata.

Aplikasi korpus teks

Pengaplikasian dari korpus teks ini terdapat pada beberapa area meliputi :

• Aplikasi korpus teks dalam dalam teknologi bahasa, pemrosesan bahasa alami dan linguistik komputansi

Analisis dan pemrosesan berbagai jenis korpora merupakan subjek beragam pekerjaan dalam linguistik komputasi, pengenalan suara, dan terjemahan mesin, hal tersebut sering digunakan untuk membuat model Markov tersembunyi yang digunakan untuk penandaan bagian ucapan dan tujuan lainnya.

Turunan dari daftar korpora serta frekuensi, berguna dalam pengajaran bahasa. Korpora bisa dianggap sebagai bentuk dari jenis bantuan menulis dan memahami bahasa asing, karena dari tata bahasa kontekstualnya, pengguna mampu memperoleh bahasa non asli melalui paparan teks yang otentik di korpora sehingga memungkinkan pengguna yang mempelajarinya mampu untuk memahami cara dari pembentukan kalimat dalam bahasa tujuan dan memungkinkan penulisan yang efektif.

• Mesin penerjemah

Dalam mesin penerjemah, algoritma terjemahan mesin untuk menerjemahkan antara dua bahasa, sering dilatih menggunakan fragmen paralel yang terdiri atas korpus bahasa pertama serta korpus bahasa kedua, yang merupakan hasil terjemahan dari elemen per elemen dari bahasa pertama.

Dalam korpus terjemahan, teks-teks dalam satu bahasa merupakan terjemahan dari teks-teks dalam bahasa lain. Dalam korpus yang sebanding, teks-teks tersebut memiliki jenis yang sama serta mencakup konten yang sama, tetapi mereka bukan merupakan terjemahan satu sama lain. Untuk mengeksploitasi teks paralel, beberapa jenis perataan teks yang mengidentifikasi segmen teks yang setara (frasa atau kalimat) merupakan bagian prasyarat untuk analisis bahasa.

• Filologi

Korpora teks juga digunakan dalam studi dokumen sejarah, seperti dalam upaya untuk menerjemahkan naskah-naskah kuno, atau digunakan dalam studi pada Alkitab. Beberapa korpora arkeologi dapat memiliki durasi yang begitu singkat sehingga mereka memberikan gambaran pada waktunya. Salah satu korpora terpendek dalam waktu terdapat pada teks surat Amarna 15–30 tahun (1350 SM).

Referensi

1. Budiwiyanto, Adi (2022-01-22). "Korpus Dalam Penyusunan Kamus". Badan Pengembangan dan Pembinaan Bahasa. Diakses tanggal 14 Oktober 2022. 
2. Verfasser, Chomsky, Noam (1957). Syntactic Structures. Mouton. hlm. 11. ISBN 978-3-11-231600-9. OCLC 1156931389.  Parameter |url-status= yang tidak diketahui akan diabaikan (bantuan)
3. "The International Corpus of English". University College London. 18 November 2021. Diakses tanggal 15 Oktober 2022. 
4. "Brown Corpus Manual". icame.uib.no. Diakses tanggal 19 Oktober 2022. 
5. McHardy., Sinclair, John (1970). English lexical studies : report to OSTI on project C/LP/08. Department of English, University of Birmingham. OCLC 1120811855. 
6. Standop, Ewald (1988-01). "Collins COBUILD English language dictionary". System. 16 (3): 384–388. doi:10.1016/0346-251x(88)90082-6. ISSN 0346-251X.  Periksa nilai tanggal di: |date= (bantuan)
7. Yoon, Hyunsook; Hirvela, Alan (2004-12). "ESL student attitudes toward corpus use in L2 writing". Journal of Second Language Writing. 13 (4): 257–283. doi:10.1016/j.jslw.2004.06.002. ISSN 1060-3743.  Periksa nilai tanggal di: |date= (bantuan)
8. Wołk, Krzysztof; Marasek, Krzysztof (2014). Rocha, Álvaro; Correia, Ana Maria; Tan, Felix . B; Stroetmann, Karl . A, ed. Real-Time Statistical Speech Translation (dalam bahasa Inggris). 275. Cham: Springer International Publishing. hlm. 107–113. doi:10.1007/978-3-319-05951-8_11. ISBN 978-3-319-05950-1. 

Lihat pula

• Linguistik korpus