Separuh kamus, nol kemunculan
Kami cocokkan seluruh 72.454 lema kamus kami, satu per satu, dengan dua juta kalimat bahasa Indonesia sungguhan.
Kedengarannya seperti tuduhan: lebih dari separuh kamus kami tidak terpakai. Bukan begitu. Kamus memang seharusnya memuat kata langka, dan daftar yang cuma berisi kata yang sering muncul di berita bukan kamus, itu ringkasan berita.
Pertanyaan yang lebih menarik justru dibalik
Yang lebih berguna diketahui adalah arah sebaliknya: kata apa yang justru sering muncul di dua juta kalimat itu, tapi tidak ada satu pun di kamus kami?
Kami saring kata yang muncul minimal sepuluh kali dan tidak cocok lema mana pun. Hasilnya 3.289 kata kandidat. Sepuluh teratasnya nyaris seluruhnya kosakata teknologi: test, website, link, live, smartphone, streaming. Kelihatannya seperti daftar kata serapan yang siap masuk kamus.
Daftar itulah yang lalu meruntuhkan dirinya sendiri saat kami periksa lebih dekat.
Saringan pertama: berapa sering sebuah kata diawali huruf besar. Kata yang hampir selalu berhuruf besar biasanya nama merek atau nama tempat, bukan kata biasa. Mall, misalnya, kemungkinan besar bagian dari nama gedung. Lebih dari seperempat kandidat gugur di sini. Saringan kedua: seberapa sering kata itu benar-benar muncul. Ternyata hanya 30 kata yang muncul seribu kali atau lebih; sisanya rata-rata cuma muncul sekali tiap puluhan ribu kalimat, kemunculan yang terlalu jarang untuk disebut "sering dipakai".
Yang tersisa setelah keduanya cuma 899 kata, dua puluh tujuh persen dari kandidat awal.
Korpusnya juga punya tanggal
Ada satu jebakan lagi. Kata paling sering di seluruh daftar itu ternyata test, disusul rapid di posisi ketiga. Keduanya bukan kosakata teknologi yang sedang masuk ke bahasa Indonesia. Separuh korpus kami adalah berita tahun 2020, dan rapid adalah potongan dari "rapid test". Ia berdiri tinggi karena satu pandemi, bukan karena satu pergeseran bahasa.
Ini bukan cacat korpusnya. Korpus memang potret satu periode. Cacatnya ada di cara membaca hasilnya: mengurutkan berdasarkan frekuensi lalu langsung membaca sepuluh teratas sebagai "kata yang sedang masuk bahasa Indonesia" adalah kesimpulan yang tidak ditopang datanya sendiri.
Yang boleh dan tidak boleh disimpulkan
Yang bertahan: 899 kata yang berperilaku seperti kata biasa, bukan nama diri, dan cukup pendek untuk ditinjau manusia satu per satu.
Yang tidak bertahan: klaim bahwa 53,2 persen kamus mana pun "tidak terpakai". Ketiadaan sebuah kata di korpus berita dan web bukan bukti kata itu tidak dipakai orang. Korpusnya condong ke bahasa tulis formal, dan bahasa lisan serta ragam daerah nyaris tak terwakili di dalamnya.
Angka 38.559 di atas kami pakai untuk memutuskan mana kata yang butuh penanganan lebih hati-hati di mesin koreksi kami, bukan untuk memvonis kata mana yang layak dibuang. Justru kata tanpa data frekuensi itulah yang paling sedikit kami ketahui, dan karena itu paling butuh perhatian.
Seluruh data mentahnya bisa diunduh dan dihitung ulang sendiri. Kalau ada yang keliru, itu justru kabar yang kami tunggu.
Di balik temuan ini
Versi teknisnya memuat angka mentah, susunan pengujian, dan hal-hal yang justru tidak bisa disimpulkan darinya.