Separuh dari 72.454 lema tidak muncul sama sekali dalam dua juta kalimat

Kami mengambil daftar lema yang kami pakai sebagai rujukan kata baku, lalu mencocokkannya satu per satu dengan dua juta kalimat bahasa Indonesia nyata. Hasilnya: 38.559 dari 72.454 lema, atau 53,2 persen, tidak muncul sama sekali.

Angka itu terdengar seperti tuduhan terhadap kamus. Ia bukan, dan bukan pula pernyataan tentang kamus mana pun selain daftar yang ada di tangan kami. Asal daftar itu disebutkan di blok data mentah di bawah, karena di situlah tempatnya, bukan di kesimpulan. Dan bagian paling berguna dari pekerjaan ini justru muncul ketika kami mencoba membalik pertanyaannya, lalu mendapati daftar yang kami susun sendiri ternyata cacat di beberapa tempat.

Apa yang sebenarnya diukur

Korpusnya dari Leipzig Corpora Collection, dua berkas yang digabung: satu juta kalimat campuran web, berita, dan wiki dari 2013, ditambah satu juta kalimat berita tahun 2020. Keduanya diambil pada 30 Juli 2026 dan berlisensi CC BY 4.0.

Pencocokan dilakukan pada bentuk dasar. Sebuah lema dianggap "muncul" kalau bentuk dasarnya ada dalam daftar frekuensi korpus, tanpa analisis morfologi penuh. Ini penyederhanaan yang perlu diingat: kata yang di korpus hanya pernah muncul dalam bentuk berimbuhan bisa saja terhitung absen padahal sebenarnya dipakai.

Dari 72.454 lema, 33.895 mendapat angka frekuensi nyata. Sisanya, 38.559, tidak. Itu bukan berarti kata-kata itu mati. Kamus memang seharusnya memuat kata yang jarang. Sebuah daftar yang isinya hanya kata-kata yang sering muncul di berita bukan kamus, melainkan ringkasan berita.

Yang menarik bukan besarnya angka, melainkan bahwa angka itu bisa dihitung sama sekali, lalu dipakai untuk sesuatu yang praktis. Mesin koreksi kami sebelumnya menebak kata mana yang lebih mungkin benar berdasarkan panjang kata. Dengan 33.895 lema yang punya frekuensi asli, tebakan itu bisa diganti bukti. Untuk 38.559 sisanya, tebakan lama tetap dipakai, dan catatan di berkas hasilnya menulis peringatan itu dengan huruf besar supaya tidak ada yang tergoda membuangnya.

Arah sebaliknya: kata yang dipakai tapi tak terdaftar

Pertanyaan yang lebih menarik adalah kebalikannya. Kata apa yang sering muncul di dua juta kalimat itu, tapi tidak ada dalam daftar lema?

Kami menyaring kata yang muncul minimal sepuluh kali dan tidak cocok dengan lema mana pun. Hasilnya 3.289 kata, dengan total 288.646 kemunculan.

test

4494

rapid

3241

website

2476

link

2138

live

2103

smartphone

1582

streaming

1579

Sepuluh teratasnya nyaris seluruhnya kosakata teknologi dan internet: test, website, link, live, smartphone, streaming, file, iphone, handphone. Ini bukan kejutan. Yang jadi kejutan adalah seberapa cepat daftar ini berhenti bisa dipercaya begitu diperiksa lebih dekat.

Di mana angka kami sendiri retak

Setiap kata dalam daftar itu membawa satu kolom tambahan, cap_ratio, yaitu berapa bagian dari kemunculannya yang diawali huruf besar. Kolom itu dimaksudkan sebagai sinyal kasar: kata yang hampir selalu berhuruf besar kemungkinan besar nama diri, bukan kata serapan yang benar-benar masuk ke bahasa sehari-hari.

Kolom itulah yang meruntuhkan daftar kami sendiri.

Dari 3.289 kandidat, 852 kata, atau 25,9 persen, punya cap_ratio di atas 0,5. Artinya lebih dari separuh kemunculannya berhuruf besar. Link (0,558), home (0,558), dan live (0,524) hampir pasti sebagian besar berasal dari nama merek, judul acara, dan nama tempat, bukan dari pemakaian sebagai kata biasa. Mall dengan 1.205 kemunculan dan cap_ratio 0,508 kemungkinan besar bagian dari nama gedung, bukan kata benda umum yang menunggu masuk kamus.

Yang tersisa sebagai kandidat meyakinkan jauh lebih sedikit. Hanya 899 kata, atau 27,3 persen, yang cap_ratio-nya di bawah 0,2. Di kelompok inilah kata seperti website (0,092), file (0,090), smartphone (0,131), dan handphone (0,115) berada, dan kelompok ini yang layak dianggap serius.

Kelompok itu juga lebih kecil daripada kesan yang diberikan jumlahnya. Seluruh 899 kata itu bersama-sama hanya menyumbang 84.937 kemunculan, atau 29,4 persen dari total. Dengan kata lain, hampir tiga perempat kemunculan dalam daftar "kata asing" kami berasal dari kata yang tidak lolos saringan paling dasar sekalipun.

Perlu ditegaskan bahwa cap_ratio sendiri bukan ukuran yang tervalidasi. Ia hanya menghitung huruf besar, dan huruf besar juga muncul di awal kalimat. Kata yang kebetulan sering mengawali kalimat akan terlihat lebih mirip nama diri daripada yang sebenarnya. Kami memakainya karena murah dan cukup untuk menyaring kasus terburuk, bukan karena ia benar.

Daftarnya juga jauh lebih pendek daripada kesan yang diberikan angka 3.289. Hanya 30 kata yang muncul seribu kali atau lebih, dan hanya 672 yang muncul seratus kali atau lebih. Sisanya, 2.617 kata, muncul antara sepuluh dan sembilan puluh sembilan kali dalam dua juta kalimat. Median seluruh daftar ada di 30 kemunculan.

Pada frekuensi serendah itu, satu artikel panjang yang mengulang istilah yang sama sudah cukup untuk memasukkan sebuah kata ke daftar. Tiga puluh kemunculan dalam dua juta kalimat berarti kira-kira satu kemunculan tiap enam puluh enam ribu kalimat. Menyebutnya "kata yang sering dipakai" jelas berlebihan.

Ketimpangannya terlihat lebih jelas dari sisi massa. Tiga puluh kata teratas saja menyumbang 48.493 kemunculan, atau 16,8 persen dari seluruh 288.646. Ekor yang panjang itu ramai jumlahnya tapi tipis bobotnya, dan justru bagian ramai-tapi-tipis inilah yang paling gampang membuat sebuah temuan terdengar lebih besar daripada isinya.

Korpusnya juga punya tanggal

Ada satu hal lagi yang baru terlihat setelah daftarnya diurutkan.

Kata paling sering di seluruh daftar adalah test dengan 4.494 kemunculan. Peringkat ketiga rapid dengan 3.241. Di posisi kesebelas ada lockdown dengan 1.057.

Ketiganya bukan kosakata teknologi. Ketiganya berasal dari satu peristiwa. Separuh korpus ini adalah berita tahun 2020, dan rapid bukan kata serapan yang sedang masuk ke bahasa Indonesia, melainkan potongan dari "rapid test". Ia berdiri di peringkat ketiga karena satu pandemi, bukan karena satu pergeseran bahasa.

Ini bukan cacat korpusnya. Korpus memang potret satu periode, dan Leipzig menyebutkan periodenya dengan jelas. Cacatnya ada pada cara kami membaca hasilnya: mengurutkan berdasarkan frekuensi lalu membaca sepuluh teratas sebagai "kata yang sedang masuk ke bahasa Indonesia" adalah kesimpulan yang tidak ditopang datanya. Yang sebenarnya ditunjukkan sepuluh teratas itu adalah tentang apa berita Indonesia menulis pada 2020.

Apa yang berubah karena hitungan ini

Sebagian besar pekerjaan ini berakhir bukan sebagai temuan, melainkan sebagai tabel yang dipakai mesin.

Mesin koreksi kami harus memilih, ketika sebuah kata salah eja punya beberapa kandidat perbaikan, mana yang paling mungkin dimaksud penulis. Sebelum ada data frekuensi, pilihannya jatuh pada aturan panjang kata, yang pada dasarnya tebakan berpakaian rapi. Untuk 33.895 lema yang kini punya angka frekuensi nyata, tebakan itu bisa diganti bukti.

Untuk 38.559 sisanya, tidak ada yang berubah. Aturan lama tetap berlaku, dan berkas hasilnya memuat peringatan bahwa aturan itu tidak boleh dibuang. Godaannya nyata: setelah punya data frekuensi yang bagus, mudah sekali menganggap kata tanpa frekuensi sebagai kata yang tidak penting. Padahal yang benar sebaliknya. Kata yang tidak muncul di korpus berita justru kata yang paling butuh penanganan hati-hati, karena tentang kata itulah kami paling sedikit tahu.

Yang boleh dan tidak boleh disimpulkan

Setelah tiga kali dipersempit, temuan yang tersisa jauh lebih kecil daripada judul yang bisa ditulis dari angka pertama. Itu memang yang seharusnya terjadi.

Yang bertahan: 899 kata, dua puluh tujuh persen dari kandidat, berperilaku seperti kata biasa dan bukan nama diri, dan mayoritasnya kosakata teknologi konsumen. Apakah kata-kata itu tren sesaat atau serapan yang menetap, data ini tidak bisa menjawab, karena kami hanya punya dua potret waktu dan bukan deret waktu. Yang bisa dikatakan hanya bahwa daftarnya cukup pendek dan cukup jelas untuk ditinjau manusia satu per satu, dan itulah gunanya.

Yang tidak bertahan: klaim bahwa 53,2 persen kamus mana pun "tidak terpakai". Yang diukur adalah salinan daftar lema yang kami pegang pada 30 Juli 2026, bukan kamus resmi edisi mana pun, dan keduanya bisa saja sudah berbeda. Ketiadaan sebuah kata dalam korpus berita dan web bukan bukti kata itu tidak dipakai orang. Korpus ini condong ke bahasa tulis formal. Bahasa lisan, ragam daerah, dan percakapan sehari-hari nyaris tidak terwakili, dan justru di sanalah banyak lema yang "hilang" itu kemungkinan besar hidup.

Yang juga tidak bertahan: klaim bahwa kami menemukan 3.289 kata yang perlu masuk kamus. Angka jujurnya lebih dekat ke 899, dan bahkan itu pun masih daftar kandidat, bukan daftar keputusan.

Data mentah di balik seluruh angka di halaman ini bisa kamu unduh dan hitung ulang sendiri. Kalau ada yang keliru, itu justru kabar yang kami tunggu.