BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada abad ke-17 John Selden, seorang ahli hukum berkebangsaan Inggris, menyatakan: "Syllables govern the world" Selden (1819). Pada zaman itu, pernyataan tersebut barangkali tidak masuk akal bagi banyak orang: bagaimana mungkin silabel mampu memerintah dunia? Namun, pada abad ke-21 sekarang ini, di mana data teks, suara, dan video begitu melimpah di internet dan berbagai media lain, banyak ahli linguistik komputasional mulai menaruh perhatian pada pernyataan tersebut. Pada tahun 2010-an sejumlah peneliti menunjukkan bahwa sistem Pengenalan Ucapan Kontinu Kosakata Besar (PUKKB) berbasis silabel memberikan performansi lebih tinggi dibanding yang berbasis fonem (yang telah dikembangkan oleh banyak peneliti selama 50 tahun terakhir). Dua keunggulan PUKKB berbasis silabel adalah: lebih tahan terhadap derau dan lebih mampu mengadaptasi berbagai variasi dialek Janakiraman dkk. (2010). Satu hal yang menarik adalah silabel suatu bahasa dapat digunakan untuk mengadaptasi silabel bahasa-bahasa lain. Jika teknologi PUKKB berbasis silabel mampu mentranskripsikan miliaran data suara maupun video ke dalam teks dalam waktu singkat, maka teknologi transliterasi otomatis dan data mining yang sudah maju saat ini dapat mengolah data teks tersebut menjadi informasi, pengetahuan, bahkan rekomendasi dan kebijakan yang berdampak besar dan luas bagi umat manusia. Dengan teknologi PUKKB berbasis silabel, transliterasi otomatis, dan data mining yang berperformansi tinggi, suatu negara dapat dengan mudah melakukan spionase terhadap data kemiliteran, ekonomi, dan segala rahasia negara-negara lain melalui pentranskripsian rekaman penyadapan komunikasi para pejabat tinggi. Pada dasarnya, (PUKKB) dapat dibangun menggunakan pendekatan berbasis: kata, morfem, silabel, atau fonem. Pendekatan berbasis kata biasanya digunakan untuk kegunaan tertentu dengan kosakata terbatas karena setiap kata harus dimodelkan sebagai satu pola akustik yang utuh, tidak dipecah menjadi unit-unit yang lebih kecil (Sakti dkk., 2004). Untuk pengenalan ucapan dengan kosakata yang lebih besar dalam domain yang lebih umum, PUKKB dibangun menggunakan pendekatan berbasis silabel (Janakiraman dkk., 2010) dan fonem (Sakti dkk., 2007). Untuk bahasa Inggris, pendekatan berbasis silabel memberikan performansi lebih tinggi dibanding 1

2 2 yang berbasis fonem (Janakiraman dkk., 2010). Salah satu modul penting dalam sistem PUKKB berbasis silabel adalah silabifikasi fonemis, yang berfungsi untuk menemukan barisan fonem beserta titik-titik silabis dari sebuah kata. Silabifikasi fonemis dapat digunakan secara terintegrasi untuk menangani pengenalan kata-kata di luar kosakata (out of vocabulary words) atau secara terpisah sebagai kakas bantu untuk membangun kamus silabel fonemis (yang berisi kata dan barisan silabel fonemisnya), misalnya kata bunga harus disimbolkan /bu.na/ yang mengandung dua silabel: /bu/ dan /Na/. Oleh karena itu, model silabifikasi fonemis terdiri atas dua bagian, yaitu: 1) model fonemisasi, untuk mengkonversi barisan grafem (simbol tulisan) menjadi barisan fonem (simbol ucapan); dan 2) model silabifikasi, untuk menemukan titik-titik silabis pada barisan fonem (keluaran model fonemisasi). Untuk bahasa Inggris, Belanda, Jerman, dan sejumlah bahasa lain di Eropa, model silabifikasi umumnya diaplikasikan pada barisan fonem (Bartlett dkk., 2009) dan memberikan performansi tinggi. Untuk bahasa Indonesia, sebuah model silabifikasi bernama Silabel yang dibangun oleh Lanin (2015) diaplikasikan pada barisan grafem sehingga memberikan performansi relatf rendah. Pada penelitian ini, pengujian terhadap 50 ribu kata yang dikumpulkan dari Kamus Besar Bahasa Indonesia (KBBI) Luar Jaringan edisi ketiga (Bahasa, 2008), menunjukkan bahwa performansi Silabel sangat rendah, dengan syllable error rate (SER) mencapai 21,28%, karena ambiguitas fonem tidak diperhatikan. Sebagai contoh, kata astringen disilabifikasi menjadi as.tri.ngen, yang benar seharusnya as.trin.gen. Hal ini karena dua grafem <n> dan <g> pada kata astringen adalah barisan dua fonem, /n/ dan /g/, bukan sebuah fonem tunggal /N/ seperti pada kata bunga. Kata bodhi disilabifikasi menjadi bod.hi, yang benar seharusnya bo.dhi. Hal ini disebabkan dua grafem <d> dan <h> pada kata bodhi adalah sebuah fonem /d/, bukan barisan dua fonem /d/ dan /h/ seperti pada kata adha. Sementara itu, observasi terhadap 50 ribu kata dari KBBI menunjukkan bahwa 57% (15 dari 26) grafem disimbolkan sebagai fonem yang pasti (dipetakan satu-kesatu) sedangkan grafem lainnya dikonversi menjadi dua hingga lima fonem berbeda. Jika masalah fonemisasi ini diselesaikan menggunakan cara yang sangat sederhana, dengan mengkonversi setiap grafem menjadi fonem yang frekuensinya paling tinggi, maka dihasilkan PER sebesar 9,87%. Hal ini menunjukkan bahwa masalah fonemisasi jauh lebih sederhana dibanding silabifikasi. Fakta ini dapat menjadi justifikasi yang kuat bahwa silabifikasi bahasa Indonesia sebaiknya dilakukan pada barisan fo-

3 3 Tabel 1.1: Struktur silabel bahasa Indonesia beserta frekuensi dan persentasenya dalam 50 ribu kata, K adalah konsonan dan V menyatakan vokal Nomor Struktur silabel Contoh Frekuensi Persentase 1 V a.nak ,08% 2 KV ba.ta ,63% 3 KKV pra.ha.ra ,89% 4 KKKV stra.ta 44 0,03% 5 VK an.da ,91% 6 KVK ban.tu ,15% 7 VKK eks.tra 116 0,07% 8 KVKK teks.tur 252 0,16% 9 KVKKK korps 6 0,00% 10 KKVK trak.tir ,01% 11 KKVKK kom.pleks 72 0,04% 12 KKKVK struk.tur 56 0,03% nem (keluaran dari fonemisasi), bukan pada barisan grafem. Berdasarkan metode pengklasifikasian bahasa yang diusulkan Dauer (1983), bahasa Indonesia tergolong sederhana karena sebagian besar silabelnya berstruktur KV dan lebih banyak yang terbuka (berakhiran V) dibandingkan dengan yang tertutup (berakhiran K). Observasi terhadap 50 ribu kata dari KBBI menunjukkan bahwa bahasa Indonesia memiliki 50,63% silabel berstruktur KV dan 56,63% silabel terbuka, seperti tertera pada Tabel 1.1. Sementara itu, bahasa Inggris yang termasuk bahasa kompleks memiliki 35% silabel KV serta mempunyai silabel terbuka dan tertutup yang lebih bervariasi (Dauer, 1983). Bagaimanapun, bahasa Indonesia sangat kaya secara silabel. Observasi terhadap 50 ribu kata dari KBBI menunjukkan bahwa bahasa Indonesia memiliki ratarata 3,20 silabel dan 7,64 fonem per kata, di mana distribusinya diilustrasikan pada Gambar 1.1 dan Gambar 1.2. Pada Gambar 1.1 dapat dilihat bahwa hanya 862 kata (1,70%) yang monosilabis (hanya berisi satu silabel) sedangkan 98,30% lainnya polisilabis (berisi lebih dari satu silabel). Mengingat adanya imbuhan dan pengulangan, bahasa Indonesia memiliki lebih dari seribu kata yang panjangnya enam silabel atau lebih, seperti bermewah-mewahan, merestrukturisasi, semaksimalmaksimalnya, pertelekomunikasian, dan sebagainya. Hal ini berbeda sekali dengan bahasa Inggris yang memiliki 80% kata monosilabis dan 20% kata polisilabis berdasarkan data Switchboard Corpus (Wu dkk., 1997). Sebagai contoh, semua kata dalam kalimat bahasa Inggris Please come to my home adalah monosilabis. Penerjemahan

4 4 kalimat tersebut ke dalam bahasa Indonesia menghasilkan Silakan datang ke rumahku, di mana hanya kata ke yang monosilabis sedangkan lainnya polisilabis. d deede d ddeed d d d ddeed ddde d eed dee ee dd d d d d d e e e e Gambar 1.1: Distribusi panjang kata (dalam silabel) pada 50 ribu kosakata KBBI d e ddd ede dede edde eedd eded eede ddde dded eed dde dde ddd dd dd e d d d d d d d d d e e e e dd dd dd dd dd dd de de de de dd dd dd dd Gambar 1.2: Distribusi panjang kata (dalam fonem) pada 50 ribu kosakata KBBI Selain itu, dalam bahasa Indonesia juga terdapat banyak pengecualian dan ambiguitas. Sebuah contoh pengecualian adalah: pada kata empat, tempat, berempat, bertempat, dan tempatnya, grafem <a> dan <t> berada dalam satu silabel

5 5 pat. Tetapi, jika grafem <t> diikuti vokal seperti pada kata empati, maka grafem <a> dan <t> harus dipisah karena kata empati disilabifikasi menjadi em.pa.ti. Contoh ambiguitas adalah: kata beragam ( be.ra.gam ) dan beragama ( ber.a.ga.ma ) akan menjadi ambigu jika grafem fokusnya adalah <e> dan lebar konteks grafemisnya 8 (yaitu 4 grafem di kiri dan 4 grafem di kanan). Meski demikian, bahasa Indonesia memiliki kaidah fonotaktik (kaidah yang mengatur penjejeran fonem dalam satu morfem (Alwi dkk., 1998)) yang berlaku umum tanpa pengecualian. Misalnya, grafem <m> dan <p> tidak mungkin berada dalam satu silabel sehingga pada kata empat, tempat, empati, dan sebagainya kedua grafem tersebut selalu dipisahkan ke dalam dua silabel berbeda. Fakta-fakta di atas mengindikasikan bahwa silabifikasi untuk bahasa Indonesia lebih rumit dibanding bahasa Inggris. Jika silabifikasi bahasa Inggris dibangun menggunakan metode berbasis aturan yang sangat sederhana, dengan menganggap setiap kata adalah monosilabis (tidak perlu disilabifikasi), maka didapatkan WER sebesar 20%. Jika dibangun menggunakan metode berbasis statistik yang bekerja secara global, silabifikasi bahasa Inggris memberikan WER 8,92% Marchand dkk. (2007). Sementara itu, silabifikasi untuk bahasa Indonesia yang memiliki 98,30% kata polisilabis, tentu saja sulit diselesaikan menggunakan metode berbasis aturan saja. Silabifikasi bahasa Indonesia juga sulit diselesaikan menggunakan metode berbasis statistik yang bekerja secara global mengingat banyaknya pengecualian dan ambiguitas yang ada. Metode yang diduga lebih sesuai untuk silabifikasi bahasa Indonesia adalah gabungan metode berbasis statistik yang bekerja secara lokal dan metode berbasis aturan (menggunakan kaidah fonotatik). 1.2 Rumusan Masalah Sebagai bahasa yang kompleks secara silabel, dengan banyak pengecualian dan ambiguitas, silabifikasi bahasa Indonesia sulit diaplikasikan pada barisan grafem dengan menggunakan metode berbasis aturan maupun metode berbasis statistik yang bekerja secara global. 1.3 Batasan Masalah Agar lebih fokus dan objektif dalam melakukan pengukuran performansi serta analisis, penelitian ini dibatasi pada dua hal, yaitu:

6 6 1. Model silabifikasi fonemis hanya diaplikasikan pada kata-kata yang terdapat di KBBI (bukan nama orang maupun nama tempat) dengan simbol-simbol fonem standar, tidak sampai ke tingkat alofon atau variasi fonem karena model ini akan diintegrasikan ke dalam sistem PUKKB (bukan sistem konversi teks ke suara); dan 2. Model silabifikasi fonemis hanya menangani satu kata yang dikonversi ke dalam satu barisan fonem, bukan sekumpulan kata (kalimat) yang dapat dikonversi ke dalam beberapa variasi barisan fonem. 1.4 Tujuan Penelitian Tujuan penelitian ini adalah mengembangkan model silabifikasi fonemis menggunakan gabungan metode berbasis statistik yang bekerja secara lokal dan metode berbasis aturan (kaidah fonotatik) yang mampu menangani banyak pengecualian dan ambiguitas dalam bahasa Indonesia. 1.5 Manfaat Penelitian Model fonemisasi dan silabifikasi dapat digunakan untuk membangun kamus silabel pada sistem PUKKB bahasa Indonesia berbasis fonem dan silabel. Kedua model tersebut juga dapat digunakan menangani pengenalan suara untuk kata-kata di luar kosakata (out of vocabulary words) yang membuat PUKKB mampu mengenali lebih banyak kata sehingga layak digunakan pada beragam aplikasi, seperti pusat panggilan, pentranskripsian pidato atau wawancara, pencarian data berbasis suara, dan sebagainya. 1.6 Keaslian Disertasi Untuk bahasa Inggris dan sejumlah bahasa asing di dunia, model fonemisasi maupun silabifikasi yang ada saat ini umumnya menggunakan metode klasifikasi berbasis statistik yang bekerja secara global dengan memperhitungkan semua sampel data. Sementara itu, model fonemisasi dan silabifikasi yang dikembangkan pada penelitian ini menggunakan metode klasifikasi lokal, yang hanya memperhitungkan sebagian sampel data, sehingga lebih mampu menangani banyak pengecualian dan ambiguitas yang terdapat dalam bahasa Indonesia.