LanguageTool punya aturan untuk 35 bahasa. Bahasa Indonesia bukan salah satunya.

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. Kami tambang seluruh basis aturannya. Jawabannya ternyata lebih rumit dari yang kami harapkan.

Dua pertiga bisa dipinjam, sepertiga mustahil

Dari repositori kami mengekstrak 6.277 aturan mentah. Setelah varian infleksi digabungkan, tersisa 2.909 entri untuk dianalisis.

Dari 2.909 itu:

• 954 entri (32,8%) mustahil dipakai untuk bahasa Indonesia
• 1.870 entri (64,3%) bisa diadaptasi

Yang 32,8% itu bukan soal mutu. Aturannya bagus, hanya saja mengurus kategori yang tidak ada dalam bahasa Indonesia: artikel a/an/the, kala kata kerja, kesesuaian subjek dengan verba, apostrof posesif, ejaan Britania versus Amerika. Tidak ada padanannya untuk diperiksa, jadi tidak ada yang bisa dipinjam.

Cara kami memilah, dan kenapa satu sumber saja tidak cukup

Kami mengklasifikasi tiap entri ke salah satu dari dua kelompok: bisa diadaptasi, atau tidak bisa. Dasarnya kategori gramatikal, bukan kata per kata.

Awalnya kami cuma menambang berkas XML, karena di situlah aturan LanguageTool disimpan. Kesimpulan sementaranya waktu itu aneh: seolah LanguageTool nyaris tidak punya aturan bebas-bahasa sama sekali.

Ternyata kami salah tempat. Aturan tipografi universal, yang justru paling kami butuhkan (spasi ganda, tanda baca ganda, kurung tak berpasangan, kata berulang, kapital awal kalimat), ditulis sebagai kelas Java di inti program, bukan sebagai XML. Kami harus menambang sumber kedua, yaitu 78 kelas Java, sebelum angkanya masuk akal.

Ini pengingat yang murah tapi menyakitkan: kalau hasil penambangan terasa aneh, kemungkinan besar yang salah adalah tempat menambangnya.

Kerabat terdekat kita punya 44 aturan

LanguageTool punya modul untuk 35 bahasa: ar, ast, be, br, ca, crh, da, de, el, en, eo, es, fa, fr, ga, gl, is, it, ja, km, lt, ml, nl, pl, pt, ro, ru, sk, sl, sr, sv, ta, tl, uk, zh.

Tidak ada id. Tidak ada ms.

Kerabat tipologis terdekat yang punya modul adalah Tagalog, sesama rumpun Austronesia, dan modulnya berisi 44 aturan. Modul 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.

Ada satu jebakan yang hampir kami masuki. Beberapa aturan harus dibalik, bukan disalin. Pemisah desimal dan ribuan, format tanggal, dan penulisan mata uang punya konvensi Indonesia yang berlawanan dengan Inggris. Mengadopsinya mentah-mentah justru akan menandai teks yang sudah benar sebagai salah, dan itu kegagalan yang lebih buruk daripada tidak punya aturan sama sekali.

Sisi terangnya: dari 2.831 entri XML Inggris, hanya 14 yang murni regex. Sisanya menempel pada kata dan kelas kata Inggris. Jadi nilai XML bagi kami bukan isinya, melainkan cetakan mekanismenya. Pasangan homofon, kata majemuk, pleonasme, kapitalisasi. Pola-pola itu bisa diisi ulang dengan data bahasa Indonesia.

Yang tidak bisa disimpulkan dari sini

Ketiadaan modul Indonesia bukan pernyataan tentang mutu LanguageTool, dan sama sekali bukan bukti bahwa bahasa Indonesia sulit diperiksa secara otomatis. Ia mencerminkan siapa yang selama ini menyumbang ke proyek itu, tidak lebih.

Kami juga tidak menguji akurasi LanguageTool pada bahasa mana pun. Yang kami ukur adalah bentuk basis aturannya: apa yang ada di sana, bukan seberapa baik ia bekerja.

Dan pemilahan "bisa diadaptasi" versus "mustahil" adalah penilaian kami, dilakukan sekali, tanpa penilai kedua. Orang lain dengan kriteria sedikit berbeda mungkin mendapat angka yang bergeser beberapa persen. Yang tidak akan bergeser adalah angka nol di kolom modul Indonesia.