Linguistik korpus

Linguistik korpus adalah sebuah bidang yang fokus pada prosedur atau metode untuk mempelajari atau meneliti bahasa. Metode linguistik ini menggunakan data dari bahan-bahan bahasa yang terkumpul dalam suatu sumber yang disebut korpus (jamak: korpora) yang berasal dari penggunaan bahasa dalam berbagai genre, ragam, dan bahan lisan maupun tertulis yang menjamin keragaman yang seluas-luasnya dan menghindari penggunaan bahasa yang sangat sempit seperti idiolek. Data-data tersebut disusun secara sistematis dan mudah diakses secara elektronis melalui komputer.

Metode ini digunakan dalam linguistik deskriptif maupun linguistik terapan, seperti penyusunan kamus, untuk menjamin bahwa data yang digunakan benar-benar berasal dari penggunaan yang luas dan terhindar dari penggunaan subjektif. Selain itu, korpus dapat membantu menyediakan, mengumpulkan, dan mengatur data linguistik untuk tujuan penelitian dan akademis lainnya, termasuk pedagogi.

Sejarah dan perkembangan

Dalam sejarah kajian linguistik, istilah korpus sudah ada sebelum tahun 1950-an. Pada awal kemunculannya, korpus digunakan oleh beberapa ahli bahasa dalam metodologi penelitian linguistik dengan mengumpulkan data bahasa sebanyak-banyaknya untuk mendukung teori-teori mereka. Meski dalam perkembangannya, korpus kembali memiliki daya tarik setelah penggunaan komputer modern dalam pengelolaannya sejak tahun 1980-an.

Istilah korpus dalam linguistik korpus modern selalu dikaitkan dengan korpus berbasis komputer yang memberikan keleluasaan pada peneliti untuk mencari kata atau ekspresi kebahasaan tertentu, menyusun korpus berdasarkan urutan tertentu, menemukan kata dalam konteks tertentu, dan menghitung frekuensi kemunculan kata tertentu dalam korpus secara cepat, akurat, dan dalam skala besar. Oleh karena itu, korpus di era modern lebih ditekankan pada bentuknya yang elektronis dan unsur keterbacaannya pada mesin.

Selain itu, penggunaan komputer modern juga meningkatkan jumlah dan memperluas jangkauan korpus. Jika sebelumnya jumlah korpus terbatas oleh keterbatasan manusia dalam mengoleksi dan mengelola korpus, maka dengan adanya komputer memungkinkan korpus tersedia dalam jumlah yang sangat besar dan dapat diakses dengan mudah.

Metode

Tognini (2001) menyatakan dua pendekatan linguistik korpus, yaitu berbasis korpus (corpus-based) dan dikendalikan korpus (corpus-driven). Keduanya memiliki perbedaan dalam memandang korpus sebagai bukti yang dapat mendukung teori. Pendekatan yang berbasis korpus bersifat deduktif, sedangkan pendekatan yang dikendalikan korpus bersifat induktif, yakni menganggap korpus sebagai bukti yang harus menjadi acuan teori.

Cara menganalisis data korpus dapat dimulai dari metadata, penanda teks, dan anotasi.

• Metadata, yaitu memberi informasi tentang siapa yang memproduksi teks, kapan, dan penggunaan bahasa dalam teks.
• Penanda teks atau textual markup, meliputi tanda yang digunakan dalam penulisan teks, seperti tipologi (misalnya cetak miring).
• Anotasi, yaitu memberi informasi mengenai fitur linguistik data bahasa tersebut, seperti penambahan kelas kata. Misalnya verba, nomina, adjektiva, atau adverbia.

Hal penting lain dalam linguistik korpus adalah tersedianya alat yang memungkinkan untuk mencari korpus dalam format baris secara vertikal atau biasa disebut korkodansi. Alat berupa perangkat lunak komputer yang digunakan untuk melakukan korkodansi berkembang dari generasi ke generasi hingga generasi keempat yang kini berbasis web.

Perhitungan statistik yang dapat digunakan untuk mengolah data linguistik korpus meliputi statistik deskriptif dan tes signifikansi untuk menguji seberapa mungkin hasil tertentu merupakan sebuah kebetulan, misalnya dalam menghitung kata kunci dan kolokasi.