Linguistik Interdisipliner: Kajian Bahasa untuk Lebih Memahami Manusia Totok Suhardijanto Universitas Indonesia
Apa itu linguistik? • Linguistik adalah ilmu yang relatif baru, atau, paling tidak, baru 1 abad dalam bentuknya sekarang. • Linguistik merupakan studi ilmiah tentang bahasa. • Tujuannya adalah memerikan variasi bahasa dan menjelaskan pengetahuan yang dimiliki oleh semua penutur tentang bahasanya.
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
2
Bahasa sebagai Kajian (1/2) LINGUISTIK
Bentuk
BAHASA
Makna
Kategori
Fungsi
Variasi
Struktur
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
3
Fonologi
Morfologi
Sintaksis
Semantik
Pragmatik
LINGUISTIK
BAHASA
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
4
Bahasa sebagai Kajian (2/2)
Sosiologi
Ilmu Komputer
Linguistik
Hukum
Neurologi
Antropo logi
Psikologi
BAHASA
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
5
Kajian Linguistik
Linguistik Interdisipliner
Disiplin Lain
Linguistik Linguistik Terapan Lebih ditekankan untuk memecahkan persoalan praktis 20/10/2015
Disiplin Lain
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
Disiplin Lain Disiplin Lain
6
Program Linguistik Program Linguistik di Dunia (N= 1260)
30% Linguistik
52%
Linguistik Terapan Linguistik Interdisipliner
18%
Data dari LINGUIST List 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
7
Kajian Interdisipliner 1) Linguistik Edukasional 2) Linguistik Forensik 3) Psikolinguistik 4) Antropolinguistik 5) Biolinguistik/Ekolinguistik 6) Analisis Wacana Kritis 7) Pengajaran Bahasa 8) Neurolinguistik 9) Linguistik Komputasional 10) dst 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
8
Kajian Interdisipliner • Bahasa dilihat sebagai a) proses b) sistem informasi c) budaya d) fungsionalitas e) pembawa informasi genetik f) sistem probabilitas g) dst 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
9
Bahasa sebagai Ciri Unik Manusia
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
10
1. Mengapa bahasa (dalam tingkatan lanjut) merupakan ciri unik manusia? 2. Bagaimana bahasa dapat digunakan oleh manusia? 3. Apa saja yang terlibat dalam semua hal tersebut?
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
11
Mengapa kita bicara? • Pada manusia terdapat FOXP2 (Forkhead box protein P2) yang berpengaruh dalam kemampuan berkomunikasi dengan bahasa. • FOXP2 terletak pada kromosom 7 (7q31), homolognya terdapat pada semua mamalia dan beberapa unggas.
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
12
Organ Wicara (1/2) • Organ wicara dan otot pendukung di sekitar wajah dan mulut memungkinkan kita menghasilkan tuturan.
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
13
Organ Wicara (2/2) • Stimulus akustik ditangkap dan diarahkan oleh daun telinga agar menyentuh gendang timpani. • Kemudian, stimulus akustik diubah dalam bentuk sinyal sensoris dan dibawa ke Koklea. Di sana dikodekan dalam bentuk gelombang elektromagnetik untuk dibawa ke saraf pusat.
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
14
Hemisfer Otak Kiri
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
15
Area Bahasa • Area Broca berfungsi mengelola rancangan motor dalam proses bertutur • Area Wernicke berperan dalam pendekodean stimulus yang diterima • Girus Angularis berfungsi dalam pendekodean sinyal grafis • Girus supramarginal berperan dalam pemahaman 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
16
Hemisfer Otak Manusia (Mid‐Sagittal) • Korpus kalosum berperan dalam mengelola koordinasi di antara kedua hemisfer
Corpus Callosum
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
17
Proses Berbahasa dalam Otak
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
18
Bahasa >< Otak Manusia
NEUROLINGUISTIK
BAHASA
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
19
Studi Neurolinguistik (1/2) • Neurolinguistik Æ kajian interdisipliner yang berfokus pada hubungan di antara proses berbahasa dan struktur otak yang melatarbelakanginya. • Banyak disiplin: neurologi, neuropsikologi, linguistik, ilmu komputer, dan studi gangguan komunikasi. • Istilah neurolinguistik digunakan pertama kali oleh Alajouanine, Durant, dan Ombredane (1939), dan dipopulerkan oleh Harry Whitaker (1971).
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
20
Studi Neurolinguistik (2/2) 1
2
3 20/10/2015
• Pengamatan perilaku berbahasa para penderita gangguan berbahasa atau wicara
• Pengamatan proses berbahasa menggunakan teknologi pencitraan
• Pemodelan proses bahasa dengan bantuan komputer dan perbandingannya dengan proses alami
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
21
Gangguan Berbahasa • Gangguan berbahasa Æ ketimpangan dalam pemrosesan bahasa yang mencakup kemampuan bertutur, memahami tuturan, membaca, dan menulis akibat kerusakan/keterlambatan perkembangan saraf pusaf. • Gangguan muncul karena (i) serangan stroke, (ii) tumor, (iii) kecelakaan, (iv) keterlambatan perkembangan pada area bahasa. • Jenis gangguan: afasia, disfasia, disleksia
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
22
Gangguan Wicara • Gangguan wicara Æ penurunan kualitas tuturan sebagai akibat masalah pada sistem saraf pendukung wicara atau alat ucap. • Gangguan muncul karena (i) serangan stroke, (ii) keterlambatan perkembangan. • Jenis gangguan: apraksia, dispraksia, disfagia, sengau akibat celah palatal
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
23
Manfaat Studi Neurolinguistik • Secara praktis, hasil studi neurolinguistik 1) menyempurnakan tes diagnosis dan terapi bagi penderita gangguan berbahasa 2) menyempurnakan kurikulum pengajaran bahasa dan pendidikan pada umumnya • Secara teoretis, 1) mendukung atau mengonfirmasi teori bahasa 2) memberi informasi mengenai proses mental yang dilakukan oleh otak manusia 3) menyempurnakan pemodelan intelejensi buatan 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
24
Dari Studi Neurolinguistik • Ada beberapa hasil yang masih perlu dikaji lebih lanjut dengan tambahan data 1) Jika terjadi gangguan gramatikal pada kemahiran berbahasa penderita stroke, umumnya terjadi pada verba: • air … hhh .. kr kerraan kek ke ke bawah. (`air keran jatuh ke bawah’) (Sastra 2010)
2) Unsur leksikal bahasa Indonesia disimpan di otak dalam bentuk terikat, khususnya yang berakhiran (Suhardiyanto 2003). 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
25
Bahasa sebagai Ciri Inheren Manusia
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
26
1. Bahasa yang tidak bisa dilepaskan (inheren) pada manusia dapat digunakan sebagai informasi genealogis ‐‐> seperti genetika 2. Bahasa dapat digunakan untuk menelusuri dan mengelompokkan kekerabatan manusia; 3. Bahasa yang bervariasi dapat digunakan untuk menunjukkan kesamaan dan kebedaan di antara kelompok manusia
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
27
Teori Kesamaan • Derajat kesamaan (similarity) di antara dua obyek dapat dinyatakan dengan 2 hal: 1. Jarak di antara keduanya (distance‐based) 2. Banyak sedikitnya unsur yang dimiliki secara bersama atau common‐shared (feature‐based) • Apakah kedua pendekatan ini bisa diterapkan untuk menelusuri kekerabatan manusia berdasarkan bahasanya?
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
28
Feature‐Based • Pendekatan feature‐based jelas dapat diterapkan dalam linguistik (lihat Componential Analysis, Distinctive Features)
20/10/2015
A
B
feature/komponen 1
+
+
feature/komponen 2
‐
+
feature/komponen 3
+
+
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
29
Feature‐Based
Makin banyak dua individu/kelompok berbagi unsur yang sama, makin dekat dan mirip hubungannya?
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
30
Distance‐Based • Bagaimana dengan pendekatan jarak? • Aitchison (1994, 2012) mengatakan bahwa dalam sistem leksikon mental, salah satu sistem penyimpanan kata dalam otak manusia adalah berdasarkan kedekatan makna dan asosiasi makna. • Gendafors (2014) bahwa minda mengelola informasi dalam format yang dapat dimodelkan dengan ruang konseptual.
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
31
Distance‐Based
Jarak menyiratkan kedekatan makna atau asosiasi makna?
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
32
Distance‐Based
Asosiasi makna dalam leksikon mental yang menunjukkan kedekatan makna dari segi jarak (distance) (Collins & Lotus 1975) 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
33
Apakah kedua pendekatan dapatkah diterapkan secara bersama‐sama pada studi kekerabatan bahasa?
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
34
Ide Dasar Dalam linguistik historis, perbandingan bahasa pada dasarnya bertujuan untuk mengenali perubahan topofonis reguler (regular topophonic change) (Dyen 1992)
Metode Komparatif
Metode Ini
Penentuan kognat melalui korespondensi bunyi
Feature‐Matching Mechanism
Pengelompokan Bahasa
Vector Space Model
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
35
Pengembangan Ide Dasar • Regular sound change is the heart of the comparative method (Dyen 1992: 16), Language
Cebuano Malay
Bikol
Buton
“lake”
lanaw
rano
sano
danau
l – d – r – s
aw – au – o
Sound variations between l, d, r, and s, as well as between aw, au, and o should be significant features to group a set of related languages 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
36
Pengembangan Ide Dasar • kata1
kata1 =
a1 a2 a3 ...
kata2
kata2 =
a1 a2 a3 ...
kata3
kata3 =
a1 a2 a3 ...
fitur 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
37
Pengembangan Ide Dasar Diproyeksikan ke dalam ruang vektor
vektor feature f1 f2 f3 f4 f5 f6 f7 f8 f9 f10 f11 f12 f13 …
kata
20/10/2015
f10 7
W1
0
1
0
1
1
1
1
1
0
1
1
1
0
1
1
W2
1
1
0
1
1
1
1
1
1
0
1
0
1
1
0
W3
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
W4
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
…
1
0
1
1
0
1
1
1
0
1
1
1
0
1
1
wn
1
1
0
1
0
0
1
1
1
0
1
1
1
1
1
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
f 1
w1
ws
w 2 f
w3
f 2
n
38
Feature Matching Mechanism Word A
1 0 1 0 0 0 1 1 1 0 1
0
Word B
1 0 0 1 0 1 1 0 1 0 1
0
feature 1 feature 2 feature 3
… … … … …
feature 25
The similarity correlation of a set of words is measured:
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
39
Distance Measurement to create clusters by comparing all representative words, the dimension similarity approach is implemented f1
word A
word B f2 fn
word C
Distances between word A, B, and C represent similarity between word A, B, and C respectively 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
40
Jarak + Kesamaan Fitur • Bagaimana menggunakan dua pendekatan kesamaan (distance‐based, feature‐based) dalam mengukur kesamaan di antara dua kata, atau bahasa? • Dalam aspek intrinsik, basis kesamaan fitur dapat digunakan.
20/10/2015
jinjing
bimbit
komponen makna1
komponen makna1
komponen makna2
komponen makna2
komponen maknap
komponen maknap
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
41
Jarak + Kesamaan Fitur (2) • Dalam perbandingan secara holistis, pendekatan jarak sangat bermanfaat. f1
sentuh jinjing
bimbit f2 fn
20/10/2015
genggam
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
42
Key Information for Cross‐Language Analysis Cultural Heterogeneity
Common Shared Properties
Unique Properties Basic Features
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
43
System Architecture 1
Data Visualization 0
Language Network
Similarity Result
Automatic Cognacy Judgment Processing & Language Grouping
Feature‐ Matching Similarity Estimation
Sound‐based Distance Computation
Multilanguage Databases 20/10/2015
L1
Linguistic Genetic Computation (F2)
Distance Map Syllabic Structures Information
Sound Feature‐based Metadata Extraction Sound Feature Generator
Language Map
NeighborNet and Agglomerative Hierarchical Algorithm
Distance Measurement
Sound Features
Metadata Generation
Language Tree
Lexical Composition Information
(SFM) Lexical Composition Metadata Generator
Syllabic Metadata Generator
L2
Ln
Language databases containing basic words of languages L1, L2, L3
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
44
Struktur Data • Data Structure is created in the following ways: (i) Based on 107 basic concept* that includes categories of Plants, Animals, Family/Kinship, References, Body Parts, Actions, Nature, States, Colors, and Numbers; (ii) Extracted according to basic features of sound: sound features, syllabic structures, and lexical composition.
* Adopted from Morris Swadesh List of Basic Concepts (1971) 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
45
Phonological Features • Three basic elements of sounds: sound features, syllabic structures, and lexical composition (i) Sound Features voŋa (Ngadha)
(ii) Syllabic Structures
[vo]‐[bu] buŋa (Malay) “flower” buŋaʔ = CV.CVC buŋa = CV.CV
buŋaʔ (Kenyah)
habuŋ ‐ buŋa
20/10/2015
An addition or omission of syllabic elements conveys a significant information
buŋa (Malay) “flower”
(iii) Lexical Composition
habuŋ (Kallahan)
Variations in terms of sounds as far as can still linguistically explained are the basic elements to measure language correlation
buŋa (Malay) “flower”
A difference in linear arrangement is also a significant information for language correlation analysis
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
46
Feature Metadata Extraction (1) Sound Metadata Matrix s1
f1
s2
f2
Sound Metadata Matrix f1 f2 f3 … f25
L1
w1 s3
w1 w2 w3 . . wn
f1 f2 f3 … f25 s1 s2 s3 . . sj
f3
sp
sf1 sf2 sf3 … sf25
w200 w3 w2 w1
fq
107 (concepts) Matrices
L1
Syllabic Metadata Matrix
(2) Syllabic Metadata Matrix L2
f1 f2 f3 … fm f1 f2 f3 … fm ss1 ssf1 ssf2 ssf3 … ssfm ss2 ss3 . . ssn
L3
w200 w3 w2 w1
107 (concepts) Matrices
(3) Lexical Metadata Matrix
w1 w2 w3 . . wn
L1
Lexical Metadata Matrix f1 f2 f3 … fp
f1 f2 f3 … fq l1 l2 l3 . . lp
L32
Step 2
Step 1 Language DB
20/10/2015
Each word is separated into parts of word sound
Features are extracted from each part of word
lf1 lf2 lf3 … lfq
w200 w3 w2 w1
Step 3 Features of a word are mapped in a concept‐ matrix
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
107 (concepts) Matrices
w1 w2 w3 . . wq
L1
Step 4 Each word feature of individual language matrix is integrated into a language‐ matrix
47
Feature Metadata Analysis f1 f2 f3 … w1 fm w2 w3 . . wn
Feature Metadata
w1 w2 w3 … wm
w1 w2 w3 . . wn
Agglomerative Hierarchical Algorithm
NeighborNet Algorithm Net under consideration
C1
C2
C3
C4
Cq N
Matriks Jarak/ Matriks Identitas
1
Feature‐Matching Mechanism
Neighbor Nets
Vector Space Model Dendrogram
20/10/2015
Circular Network
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
48
System Overview Cognacy Judgment Algorithm
Feature Extraction
Distance Computation
Language Datasets
ALBANIAN ENGLISH
1 0,13636 4
20/10/2015
Dendrogram
Circular Network
ITALIAN
GERMAN
PORTUGUESE
FRENCH
SPANISH
0,13636 0,13636 0,13636 0,07692 0,13043 0,17391 0,13043 0,13636 0,33333 0,20833 4 4 4 3 5 3 5 4 3 3 1
0,13636 0,33333 MACEDONIAN 4 3
Chart
SANSKRIT
Geographical Map
DUTCH
Circular Network
ARMENIAN
Dendrogram
ENGLISH
Chart
MACEDONIAN
Distance Map
ALBANIAN
Multiple Language Distance Matrix
0,33333 0,16666 0,10714 0,11538 0,30434 0,31818 0,33333 3 7 3 5 8 2 3 1
0,27272 0,19230 0,42857 7 8 0,26087 1
DUTCH
0,13636 0,16666 0,27272 4 7 7
0,10714 0,31818 0,30434 1 3 2 8
ARMENIAN
0,07692 0,10714 0,19230 0,10714 3 3 8 3
1
0,28
SANSKRIT
0,13043 0,11538 0,31818 5 5 0,26087 2
0,28
1
FRENCH
0,17391 0,30434 0,42857 0,30434 0,13793 3 8 1 8 1
0,24
SPANISH
0,13043 0,31818 5 2
0,25 0,47619
PORTUGUESE
0,13636 0,33333 0,47368 0,47368 0,14814 0,20833 4 3 4 4 8 3
ITALIAN
0,33333 3
GERMAN
0,20833 0,10344 0,10344 0,39130 8 4 3 8
0,24
0,45
0,24
0,45
0,14285 7
0,10714 0,25925 3 9
0,45
0,47368 4
0,24
0,10344 8
0,24
0,10344 8
0,47368 0,10714 0,39130 0,45 4 3 4
0,13793 0,14285 0,14814 0,25925 1 7 8 9 0,25
0,20833 3
1 0,47619
0,5
0,24
0,5
1 0,93333 3
0,28
0,25 0,43478 3
0,43478 0,25925 3 9
0,93333 0,23076 0,17857 3 9 1 1
0,43478 0,23076 0,19230 3 9 8
0,19230 0,18518 8 5 1
0,34615 4
0,43478 0,25925 0,17857 0,18518 0,34615 0,25 3 9 1 5 4
1
0,28
Distance Matrix
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
49
Experiment (Dataset) 71 Austronesian language data 14 Indo‐European language data
20/10/2015
8 Niger‐Congo language data
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
50
Experiment #1 (Distance Map) Context‐based Comparative Language Analysis Distance Map for the Context of DOG (Animals) in 71 Austronesian languages There are at least three different cognate word clusters of DOG in the Austronesian languages. Languages of West Indonesia and Malay Peninsula Languages of East Indonesia and the Philippines
Languages of the Pacific
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
51
Experiment #2 (Dendrogram) Category‐Based Phylogenetic Tree Genetic Relationships among Austronesian languages: Result for the Categories of Plants
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
52
Experiment #3a (Spherical Network) Category‐Based Spherical Network Genetic Relationships among 14 Indo‐European languages: Result for the Categories of Animals and Plants
The Genetic Network of 14 Indo‐European Languages 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
53
Experiment #3b (Spherical Network) Category‐Based Circular Network Genetic Relationships among 8 Niger‐ Congo languages: Result for the Categories of Animals and Plants
The Genetic Network of 8 Niger‐Congo Languages The Genetic Network of 8 Indo‐European Languages 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
54
Experiment #3c (Spherical Network) Categoryt‐Based Spherical Network Genetic Relationships among 71 Austronesian languages: Result for the Categories of Animals and Plants
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
55
Experiment #a (GIS Basis) Context‐Based Geographical Map The Clusters among 63 Austronesian Languages: Result for Similarity Estimation on Cognate Words in Plants Category
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
56
Experiment #4b (GIS Basis) Context‐Based Geographical Map The Accumulated Clusters among 63 Austronesian Languages: Result for Similarity Estimation on All Categories Formosan Clusters
Philippine Cluster
Polynesian Oceanic Cluster Western Malay Polynesian Cluster Central Malay Polynesian Cluster 20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
57
Experiment #6 (Family Language Basis) • Language‐based Phylogenetic Tree Genetic Relationships among Selected Indo‐European and Austronesian languages: Result for Similarity Correlation in the Category of Plants and Animals
Indo‐European Languages
Austronesian Languages
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
58
Akhir Kata • Pendekatan pada penelitian ini dalam upaya merekonstruksi bahasa mempunyai beberapa kelebihan: 1. Konsep penentuan kognasi otomatis yang lebih cepat dan robust; 2. Mampu mengolah data dalam jumlah sangat besar; 3. Dapat dikembangkan dengan berbagai fitur atau variabel tambahan; 4. Hasil yang diperoleh yang berupa matriks jarak (distance matrix) dapat divisualisasi dengan berbagai macam;
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
59
• Namun, terdapat pula kekurangannya: 1. Perlu adanya intervensi terkait dengan kata pinjaman (loan word); 2. Model ruang vektor mengasumsikan semua data bersifat independen dan relasi antardata bersifat sama (equal); namun, hal ini bisa diatasi dengan perangkat penghitungan tambahan atau pangkalan data leksikal yang difungsikan sebagai pengetahuan (knowledge).
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
60
Akhir Kata • Linguistik merupakan ilmu pengetahuan yang dapat berkontribusi untuk memberikan pemahaman lebih lengkap mengenai manusia sebagai penuturnya. • Bahasa berkembang sejalan dengan manusia yang menjadi penuturnya. • Dengan demikian, karena obyeknya terus berkembang, linguistik merupakan salah satu ilmu pengetahuan yang dinamis.
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
61
Selesai
20/10/2015
Seminar PESAT Universitas Gunadarma ‐ Totok Suhardijanto
62