Linguistik Interdisipliner: Kajian Bahasa untuk Lebih Memahami Manusia. Totok Suhardijanto Universitas Indonesia

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


3

Fonologi

Morfologi

Sintaksis

Semantik

Pragmatik

LINGUISTIK

BAHASA

20/10/2015


4

Bahasa sebagai Kajian (2/2)

Sosiologi

Ilmu Komputer

Linguistik

Hukum

Neurologi

Antropo logi

Psikologi

BAHASA

20/10/2015


5

Kajian Linguistik

Linguistik Interdisipliner

Disiplin Lain

Linguistik Linguistik Terapan Lebih ditekankan untuk memecahkan persoalan praktis 20/10/2015

Disiplin Lain


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


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


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


9

Bahasa sebagai Ciri Unik Manusia

20/10/2015


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


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


12

Organ Wicara (1/2) • Organ wicara dan otot pendukung di sekitar wajah dan mulut memungkinkan kita menghasilkan tuturan.

20/10/2015


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


14

Hemisfer Otak Kiri

20/10/2015


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


16

Hemisfer Otak Manusia (Mid‐Sagittal) • Korpus kalosum berperan dalam mengelola koordinasi di antara kedua hemisfer

Corpus Callosum

20/10/2015


17

Proses Berbahasa dalam Otak

20/10/2015


18

Bahasa >< Otak Manusia

NEUROLINGUISTIK

BAHASA

20/10/2015


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


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


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


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


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


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


25

Bahasa sebagai Ciri Inheren Manusia

20/10/2015


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


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


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

+

+


29

Feature‐Based

Makin banyak dua individu/kelompok berbagi unsur yang sama, makin dekat dan mirip hubungannya?

20/10/2015


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


31

Distance‐Based

Jarak menyiratkan kedekatan makna atau asosiasi makna?

20/10/2015


32

Distance‐Based

Asosiasi makna dalam leksikon mental yang menunjukkan kedekatan makna dari segi jarak (distance) (Collins & Lotus 1975) 20/10/2015


33

Apakah kedua pendekatan dapatkah diterapkan secara bersama‐sama pada studi kekerabatan bahasa?

20/10/2015


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


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


36

Pengembangan Ide Dasar • kata1

kata1 =

a1 a2 a3 ...

kata2

kata2 =

a1 a2 a3 ...

kata3

kata3 =

a1 a2 a3 ...

fitur 20/10/2015


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


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


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


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


41

Jarak + Kesamaan Fitur (2) • Dalam perbandingan secara holistis, pendekatan jarak sangat bermanfaat. f1

sentuh jinjing

bimbit f2 fn

20/10/2015

genggam


42

Key Information for Cross‐Language Analysis Cultural Heterogeneity

Common Shared Properties

Unique Properties Basic Features

20/10/2015


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


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


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


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


(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



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


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


49

Experiment (Dataset) 71 Austronesian language data 14 Indo‐European language data

20/10/2015

8 Niger‐Congo language data


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


51

Experiment #2 (Dendrogram) Category‐Based Phylogenetic Tree Genetic Relationships among Austronesian languages: Result for the Categories of Plants

20/10/2015


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


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


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


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


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


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


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


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


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


61

Selesai

20/10/2015


62

Linguistik Interdisipliner: Kajian Bahasa untuk Lebih Memahami Manusia. Totok Suhardijanto Universitas Indonesia

Recommend Documents