Bahasa keempat terbanyak di dunia, nol aturan
Menulis aturan tata bahasa dari nol itu pekerjaan bertahun-tahun. Jadi sebelum mulai, kami bertanya hal yang wajar: apa yang sudah dikerjakan orang lain, dan berapa banyak yang bisa dipinjam?
LanguageTool adalah pemeriksa tata bahasa sumber terbuka terbesar yang ada. Ia punya modul untuk 35 bahasa: dari Arab, Belanda, sampai Jepang dan Tionghoa.
Kerabat tipologis terdekat yang punya modul adalah Tagalog, sesama rumpun Austronesia, dan modulnya hanya berisi 44 aturan. Modul bahasa Inggris yang kami tambang berisi ribuan.
Bahasa dengan penutur terbanyak keempat di dunia tidak punya satu pun aturan di pemeriksa tata bahasa sumber terbuka terbesar.
Bukan berarti aturannya tidak bisa dipinjam sama sekali
Ketiadaan modul bahasa Indonesia bukan pernyataan tentang mutu LanguageTool, dan sama sekali bukan bukti bahwa bahasa Indonesia sulit diperiksa mesin. Ia mencerminkan siapa yang selama ini menyumbang ke proyek itu, tidak lebih.
Kami tambang seluruh basis aturannya untuk melihat apa yang masih bisa dipakai walau bukan dibuat untuk bahasa kita.
Sepertiga aturannya memang mustahil dipakai, bukan karena mutunya buruk, tapi karena mengurus hal yang tidak ada dalam bahasa Indonesia: artikel a/an/the, kala kata kerja, kesesuaian subjek-verba bahasa Inggris. Tidak ada padanannya untuk diperiksa, jadi tidak ada yang bisa dipinjam.
Dua pertiga sisanya bisa diadaptasi, tapi bukan berarti tinggal disalin. Sebagian aturan justru harus dibalik, bukan ditiru. Pemisah desimal dan ribuan, format tanggal, penulisan mata uang: konvensi Indonesia berlawanan dengan Inggris. Mengadopsinya mentah-mentah justru akan menandai teks yang sudah benar sebagai salah, kegagalan yang lebih buruk daripada tidak punya aturan sama sekali.
Kami sempat menambang di tempat yang salah
Cerita kecil di balik angka-angka di atas: awalnya kami hanya menambang berkas XML, karena di situlah kebanyakan aturan LanguageTool disimpan. Kesimpulan sementaranya terasa aneh, seolah LanguageTool nyaris tidak punya aturan yang bebas dari satu bahasa tertentu sama sekali.
Ternyata kami salah tempat. Aturan tipografi universal yang justru paling kami butuhkan, seperti spasi ganda, tanda baca ganda, kurung tak berpasangan, dan kata berulang, ditulis sebagai kode inti program, bukan sebagai berkas aturan biasa. Begitu sumber keduanya ikut ditambang, angkanya baru masuk akal.
Pengingat yang murah tapi menyakitkan: kalau hasil menambang terasa aneh, kemungkinan besar yang salah adalah tempat menambangnya, bukan datanya.
Cara lengkap kami memilah tiap aturan, dan seluruh data mentahnya, ada di versi teknis artikel ini.
Di balik temuan ini
Versi teknisnya memuat angka mentah, susunan pengujian, dan hal-hal yang justru tidak bisa disimpulkan darinya.