-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.Rmd
776 lines (522 loc) · 37.1 KB
/
index.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
---
title: "R Notebook untuk *Linguistik Korpus Kuantitatif dan Kajian Semantik Leksikal Sinonim Emosi Bahasa Indonesia*"
author: 'Gede Primahadi Wijaya <span style = "font-variant:small-caps;">Rajeg</span> <a itemprop="sameAs" content="https://orcid.org/0000-0002-2047-8621" href="https://orcid.org/0000-0002-2047-8621" target="orcid.widget" rel="noopener noreferrer" style="vertical-align:top;"><img src="https://orcid.org/sites/default/files/images/orcid_16x16.png" style="width:1em;margin-right:.5em;" alt="ORCID iD icon"></a>'
date: "Dibuat 31 Maret, 2020; Pembaharuan terakhir `r format(Sys.time(), '%d %B, %Y')`"
output:
html_notebook:
number_sections: yes
toc: yes
toc_float: yes
fig_caption: yes
fig_width: 6
fig_retina: 2
word_document: default
bookdown::word_document2:
fig_caption: true
fig_width: 6
df_print: kable
bibliography: "daftarpustaka.bib"
csl: "apa-old-doi-prefix.csl"
link-citations: yes
---
[![CC BY-NC-SA 4.0][cc-by-nc-sa-button]][cc-by-nc-sa] [](https://doi.org/10.26499/li.v38i2.155) [](http://dx.doi.org/10.6084/m9.figshare.12073065)
[cc-by-nc-sa]: https://creativecommons.org/licenses/by-nc-sa/4.0/
[cc-by-nc-sa-button]: https://licensebuttons.net/l/by-nc-sa/4.0/88x31.png
[cc-by-nc-sa-shield]: https://img.shields.io/badge/lisensi-CC%20BY--NC--SA%204.0-informational.svg
### Cara menyitir/mengutip R Notebook, data dan makalah lengkapnya {-}
Kutipan untuk data dan R Notebook ini:
> Rajeg, Gede Primahadi Wijaya. 2020: Data dan R Notebook untuk *Linguistik Korpus Kuantitatif dan Kajian Semantik Leksikal Sinonim Emosi Bahasa Indonesia*. figshare. Dataset. https://doi.org/10.6084/m9.figshare.12073065.
Kutipan untuk makalah terbitnya:
> Rajeg, Gede Primahadi Wijaya. 2020. Linguistik korpus kuantitatif dan kajian semantik leksikal sinonim emosi bahasa Indonesia. _Linguistik Indonesia_ 38(2). 123–150. https://doi.org/10.26499/li.v38i2.155.
```{r, message = FALSE, warning = FALSE, eval = FALSE}
library(remotes) # if 'remotes' package is not available, install it by typing: install.packages("remotes")
remotes::install_github("gederajeg/happyr")
```
# Kode analisis MDCA
Nukilan kode berikut menunjukkan penghitungan *Multiple Distinctive Collexeme Analysis* menggunakan fungsi `mdca()` dan data kolokat dari modul R *happyr* [@happyr2019]. Perlu dicatat bahwa pengguna dan pembaca perlu juga menginstal modul *happyr* (lihat nukilan kode sebelumnya) dan modul *tidyverse* [@wickham_welcome_2019] untuk dapat menjalankan kode analisis berikut. Data lain untuk makalah ini beserta R Notebook-nya juga tersedia secara terbuka [@rajeg_data_2020].
```{r mdca-for-collocates, message = FALSE, warning = FALSE}
library(happyr)
library(tidyverse)
source("scripts/script_for-retrieving-ngrams.R")
knitr::opts_chunk$set(fig.width=6,
fig.asp=0.618,
dpi=300)
mdca_colloc <- mdca(df = colloc_input_data,
cxn_var = "synonyms",
coll_var = "collocates",
correct_holm = TRUE,
concise_output = FALSE,
already_count_table = FALSE,
assocstr_digits = 3L)
mdca_colloc_concise <- mdca(df = colloc_input_data,
cxn_var = "synonyms",
coll_var = "collocates",
correct_holm = TRUE,
concise_output = TRUE,
already_count_table = FALSE,
assocstr_digits = 3L)
```
## Penjelasan terkait "Analisis Koleksem Khas Berganda"
Bagian ini memaparkan landasan kuantitatif dari "Analisis Koleksem Khas Berganda" (*Multiple Distinctive Collexeme Analysis*), dan kode pemrograman R yang digunakan untuk data kuantitatif dalam pemaparan tersebut. Perhatikan Tabel [\@ref(tab:contoh-mdca)](#contoh-mdca).
```{r contoh-mdca, message = FALSE, warning = FALSE}
mdca_example <- subset(mdca_colloc_concise, collocates == "anak-anak")
mdca_example_long <- subset(mdca_colloc, collocates == "anak-anak")
colnames(mdca_example)[c(1:2, 8)] <- c("kolokat", "sinonim", "signif")
mdca_example$exp <- round(mdca_example$exp, 3)
knitr::kable(mdca_example, row.names = TRUE, caption = "Luaran MDCA untuk *anak-anak* sebagai kolokat khas.")
```
Frekuensi kemunculan riil *anak-anak* dalam lingkup empat kata di kiri dan kanan *keceriaan* di dalam korpus (lihat bagian DATA DAN METODOLOGI) adalah `r pull(mdca_example[mdca_example$sinonim=="keceriaan", "n"])` kali. Selain frekuensi riil, Uji Binomial juga memerlukan frekuensi yang diharapkan muncul atas dasar distribusi acak untuk *anak-anak* dengan *keceriaan*; frekuensi ini disebut **frekuensi harapan** (*expected frequency*) [@rajeg_pemahaman_2019, 21-22]. Untuk kasus kali ini, frekuensi harapan dihitung dengan cara (i) mengalikan frekuensi *keceriaan* di dalam data (yaitu `r pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "cxn_sum"])`) dengan total frekuensi kemunculan *anak-anak* dengan semua sinonim (yaitu `r pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "colloc_sum"])`), kemudian (ii) membagi hasil perkalian tersebut dengan total keseluruhan data kolokasi empat kata di kiri dan kanan kesepuluh sinonim (yaitu, `r unique(pull(mdca_example_long, dbase_token))`). Jadi, frekuensi harapan untuk kemunculan *anak-anak* dengan *keceriaan* adalah (`r pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "cxn_sum"])` * `r pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "colloc_sum"])`)/`r unique(pull(mdca_example_long, dbase_token))` = `r paste(round(pull(filter(mdca_example_long, synonyms == "keceriaan"), exp), 3))`.
Selisih antara frekuensi riil dan harapan digunakan untuk menentukan arah asosiasi antara suatu kolokat dengan sinonim yang dimaksud. Apabila selisihnya positif (yaitu frekuensi riil lebih tinggi dari frekuensi harapan), maka kolokat tersebut berasosiasi positif dengan, atau bersifat khas/distingtif untuk, sinonim yang dikaji; sebaliknya, selisih negatif mengindikasikan disosiasi antara kolokat dan sinonim [@herbst_collostructional_2014, 227; @hoffmann_collostructional_2013]. Perbandingan frekuensi riil dan harapan untuk *anak-anak* dan *keceriaan* (baris kelima pada Tabel 1) menunjukkan asosiasi positif, karena frekuensi riilnya (kolom **n**) lebih tinggi dari frekuensi harapannya (kolom **exp**):`r pull(filter(mdca_example_long, synonyms == "keceriaan"), n)` > `r round(pull(filter(mdca_example_long, synonyms == "keceriaan"), exp), 3)`. Asosiasi negatif, di antaranya, ditunjukkan oleh *anak-anak* dan *kebahagiaan* (baris keempat pada Tabel 1).
Selain frekuensi riil dan harapan, Uji Binomial juga memerlukan probabilitas *a priori* (probabilitas praanggapan), yang menunjukkan bahwa apabila *anak-anak* muncul sebagai kolokat dalam rentang empat kata di kiri dan kanan sinonim KEBAHAGIAAN, maka *anak-anak* akan muncul dengan *keceriaan* [@hilpert_distinctive_2006, 247]. Probabilitas ini dihitung dengan cara membagi (i) frekuensi harapan *anak-anak* dengan *keceriaan* (yaitu `r paste(round(pull(filter(mdca_example_long, synonyms == "keceriaan"), exp), 3))`) dengan (ii) total frekuensi kemunculan *anak-anak* dengan semua sinonim (yaitu `r pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "colloc_sum"])`); jadi, `r paste(round(pull(filter(mdca_example_long, synonyms == "keceriaan"), exp), 3))`/`r pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "colloc_sum"])` = `r round(pull(mdca_example_long[mdca_example_long$synonyms=="keceriaan", "exp_prob"]), 4)`.
Selanjutnya, Uji Binomial akan menentukan signifikansi statistik dari asosiasi antara kolokat dan sinonim: apakah secara signifikansi statistik suatu kolokat muncul lebih sering atau jarang dari yang diharapkan atas dasar suatu kebetulan (distribusi acak) [bdk. @hilpert_distinctive_2006, 247]. Nukilan kode pemrograman R berikut adalah cara menghitung *p-value* dari Uji Binomial apabila frekuensi riil suatu kolokasi lebih tinggi dari frekuensi harapan.
```{r dbinom-positif}
binom.test(x = 91, # frekuensi kemunculan riil "anak-anak" dengan "keceriaan"
n = 147, # total frekuensi "anak-anak" sebagai kolokat pada data
p = 0.1300868, # probabilitas *a priori*
alternative = "greater" # karena frek. riil > frek. harapan"
)$p.value # keluarkan hanya p-value dari Uji Binomial-nya.
# kode alternatif yang menghasilkan p-value sama adalah sebagai berikut:
sum(dbinom(91:147, 147, 0.1300868))
```
Nilai *p-value* menunjukkan probabilitas frekuensi riil *anak-anak* dengan *keceriaan* yang diamati, mengingat hipotesis kosong (*null hypothesis*) [lihat @rajeg_pemahaman_2019, 19-20] menyatakan bahwa seharusnya *keceriaan* dan sinonim yang lain memiliki distribusi yang setara untuk berkolokasi dengan *anak-anak* (dapat dilihat pada Tabel 1 adanya ketimpangan distribusi untuk *anak-anak* terhadap masing-masing sinonim). Semakin kecil *p-value* (biasanya di bawah 0.05), semakin kuat asosiasi/kekhasan atau disosiasi/ketidakhasan antara suatu kolokat dengan sinonim yang dikaji. Probabilitas yang dihasilkan dari Uji Binomial di atas sangatlah kecil (lihat kolom **p_binimial** pada Tabel 1)^[Representasi berbeda dari `r sum(dbinom(91:147, 147, 0.1300868))` adalah `r format(sum(dbinom(91:147, 147, 0.1300868)), scientific = FALSE)`]; mengingat frekuensi riil *anak-anak* dengan *keceriaan* lebih tinggi dari yang diharapkan, dan kecilnya probabilitas Uji Binomial mengindikasikan asosiasi positif dan khas yang signifikan (tidak bisa dianggap sebagai suatu kebetulan) antara *anak-anak* dan *keceriaan*.
Berikut adalah nukilan kode R untuk Uji Binomial apabila frekuensi riil lebih kecil dari frekuensi harapan, seperti halnya antara *anak-anak* dan *kebahagiaan*.
```{r dbinom-negatif}
binom.test(x = 16, # frekuensi kemunculan riil "anak-anak" dengan "kebahagiaan"
n = 147, # total frekuensi "anak-anak" sebagai kolokat pada data
p = 0.3847226, # probabilitas *a priori*
alternative = "less" # karena frek. riil < frek. harapan
)$p.value # keluarkan hanya p-value dari Uji Binomial-nya.
# kode alternatif yang menghasilkan p-value sama adalah sebagai berikut:
sum(dbinom(0:16, 147, 0.3847226))
```
Hasil di atas menunjukkan bahwa bukanlah suatu kebetulan bahwa *anak-anak* memiliki disosiasi dengan *kebahagiaan*. Dengan kata lain, *anak-anak* muncul secara signifikan lebih jarang dari yang diharapkan sebagai kolokat dari *kebahagiaan*.
Untuk kemudahan intuitif dalam memahami *p-value* sebagai derajat kekhasan suatu kolokat, CollAna menggunakan nilai logaritma10 dari *p-value* yang dihasilkan, dan menyebut gubahan nilai tesebut dengan daya asosiasi (*association strength*)/kekhasan (*distinctiveness*) (perhatikan kolom **assocstr** pada Tabel 1) [@stefanowitsch_covarying_2005, 7; @hilpert_distinctive_2006, 247]. Nukilan kode R berikut mencontohkan pengubahan *p-value* dalam bentuk nilai logaritma10.
```{r log-transformation-example}
# untuk p-value jika frek.riil > frek.harapan (data "anak-anak" dan "keceriaan")
-log10(x = 2.003129e-43)
# untuk p-value jika frek.riil < frek.harapan (data "anak-anak" dan "kebahagiaan")
log10(x = 6.476552e-14)
```
Dapat diperhatikan bahwa kekhasan akan ditunjukkan oleh nilai daya asosiasi yang positif (`r round(-log10(x = 2.003129e-43), 3)`), sedangkan ketidakkhasan akan ditunjukkan oleh nilai daya asosiasi yang negatif (`r round(log10(x = 6.476552e-14), 3)`). Semakin tinggi nilai daya asosiasi, semakin kuat asosiasi antara suatu kolokat dan sinonim. Sebaliknya, semakin rendahnya nilai daya asosiasi mengindikasikan lemahnya daya asosiasi antara suatu kolokat dan sinonim.
Penghitungan Uji Binomial untuk MDCA di atas dilakukan untuk semua tipe kolokat yang muncul dengan sinonim yang dikaji; dalam hal ini, terdapat `r mdca_colloc %>% pull(collocates) %>% unique() %>% length()` tipe kolokat pada basis data. Penghitungan manual satu per satu akan tidak efektif. Untuk itu, dirancang fungsi pemrograman R yang dapat secara otomatis melakukan MDCA untuk seluruh kolokat yang ada. Fungsi ini disebut `mdca()` dan tersedia secara terbuka bersama dengan keseluruhan data dalam modul R [@rcore2019] `happyr` [@happyr2019]. Selanjutnya, masing-masing kolokat dapat dirangking berdasarkan besaran daya asosiasi/kekhasannya terhadap masing-masing sinonim. Bagian HASIL DAN PEMBAHASAN akan menampilkan hasil MDCA untuk sinonim yang merupakan bentuk turunan dengan nominalisasi *ke- -an* (lihat catatan akhir 1).
# DATA DAN METODOLOGI
Berikut adalah ukuran Korpus Leipzig yang digunakan dalam penelitian ini.
```{r leipzig-size-print, message = FALSE, warning = FALSE, echo = TRUE}
corpussize <- readr::read_tsv("data/leipzig_size.tsv")
corpussize %>%
rename(`Nama berkas korpus`=Corpus,
`Ukuran (berdasarkan kata)`=Size_print) %>%
mutate(`Ukuran (berdasarkan kata)`=format(`Ukuran (berdasarkan kata)`, big.mark = ",")) %>%
knitr::kable(caption = "Berkas Korpus Leipzig Bahasa Indonesia yang digunakan pada makalah ini.", row.names = TRUE)
```
Ukuran kesepuluh berkas Korpus Leipzig tersebut berjumlah `r prettyNum(sum(corpussize$Size_print), big.mark = ",")` juta kata.
Berikut ini adalah kode untuk data frekuensi leksikon dalam Korpus Leipzig Bahasa Indonesia.
```{r lexicon-size-print, echo = TRUE, message = FALSE, warning = FALSE}
lexiconfreq <- readr::read_tsv("data/lexicon_freq.tsv")
lexiconfreq %>%
mutate(search.regex = str_replace_all(search.regex, "\\\\b", "`\\\\b`"),
search.regex = str_replace_all(search.regex, "^(`\\\\b`)", "\\1(?i)"),
forms = str_replace_all(forms, "nominalised", "nominalisasi"),
forms = str_replace_all(forms, "root", "akar"),
match = str_c("*", match, "*"),
n = prettyNum(n, big.mark = ",")) %>%
rename(`Pola pencarian`=search.regex, Leksikon=match, `Bentuk morfologis`=forms, N=n) %>%
knitr::kable(caption="Frekuensi kemunculan sinonim <span style='font-variant:small-caps;'>kebahagiaan</span> di Korpus Leipzig Bahasa Indonesia.", row.names = TRUE)
```
```{r full-sentence-data, message = FALSE, warning = FALSE}
full_sent_root <- readr::read_tsv("data/full_sentence_root.tsv")
full_sent_nominalised <- readr::read_tsv("data/full_sentence_nominalised.tsv")
```
```{r collocates-database, message = FALSE, warning = FALSE}
colldb_nominalised <- readr::read_tsv("data/colloc_database_nominalised.tsv")
colldb_root <- readr::read_tsv("data/colloc_database_root_nominal.tsv")
colldb_snippet <- readr::read_tsv("data/colldb_snippet.tsv")
# knitr::kable(dplyr::sample_n(colldb_snippet, 5), row.names = TRUE, caption = "Nukilan basis data kolokat")
sample_n(colldb_snippet, 5)
```
# HASIL DAN PEMBAHASAN
## Luaran MDCA untuk semua kolokat dan sinonim (nominalisasi dan akar kata)
```{r all-results-mdca}
mdca_colloc
```
## Kolokat khas untuk *kebahagiaan*
Tabel [\@ref(tab:kolokat-kebahagiaan)](#kolokat-kebahagiaan) berikut menampilkan 20 kolokat khas teratas yang kuat berasosiasi dengan *kebahagiaan*.
```{r kolokat-kebahagiaan, echo = TRUE}
happyr::mdca_attr(mdca_colloc_concise, cxn_type = "^kebahagiaan$") %>%
dplyr::top_n(n = 20, wt = assocstr) %>%
dplyr::select(-synonyms) %>%
dplyr::mutate(exp = round(exp, 3),
collocates = paste("*", collocates, "*", sep = "")) %>%
dplyr::rename(kolokat = collocates,
signif = dec) %>%
knitr::kable(caption="Daftar 20 kolokat khas teratas untuk *kebahagiaan* di Korpus Leipzig Bahasa Indonesia.", row.names = TRUE)
```
```{r ngrams-kebahagiaan}
kesejahteraan <- coll_cxn_ngram(full_sent_nominalised, "^kesejahteraan$", "^kebahagiaan$", COLLOCATES, WORDS)
dunia <- coll_cxn_ngram(full_sent_nominalised, "^dunia$", "^kebahagiaan$", COLLOCATES, WORDS)
tangga <- coll_cxn_ngram(full_sent_nominalised, "^tangga$", "^kebahagiaan$", COLLOCATES, WORDS)
umat <- coll_cxn_ngram(full_sent_nominalised, "^umat$", "^kebahagiaan$", COLLOCATES, WORDS)
manusia <- coll_cxn_ngram(full_sent_nominalised, "^manusia$", "^kebahagiaan$", COLLOCATES, WORDS)
orang <- coll_cxn_ngram(full_sent_nominalised, "^orang$", "^kebahagiaan$", COLLOCATES, WORDS)
sejati <- coll_cxn_ngram(full_sent_nominalised, "^sejati$", "^kebahagiaan$", COLLOCATES, WORDS)
akhirat <- coll_cxn_ngram(full_sent_nominalised, "^akhirat$", "^kebahagiaan$", COLLOCATES, WORDS)
abadi <- coll_cxn_ngram(full_sent_nominalised, "^abadi$", "^kebahagiaan$", COLLOCATES, WORDS)
hakiki <- coll_cxn_ngram(full_sent_nominalised, "^hakiki$", "^kebahagiaan$", COLLOCATES, WORDS)
```
```{r n-gram-abadi}
abadi$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-akhirat}
akhirat$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-hakiki}
hakiki$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-sejati}
sejati$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-tangga}
tangga$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-dunia}
dunia$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-umat}
umat$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-manusia}
manusia$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-orang}
orang$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
Below is the n-grams for the metaphorical collocates
```{r n-gram-mencapai}
coll_cxn_ngram(full_sent_nominalised, "^mencapai$", "^kebahagiaan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menemukan}
coll_cxn_ngram(full_sent_nominalised, "^menemukan$", "^kebahagiaan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menuju}
coll_cxn_ngram(full_sent_nominalised, "^menuju$", "^kebahagiaan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-meraih}
coll_cxn_ngram(full_sent_nominalised, "^meraih$", "^kebahagiaan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
## Kolokat khas untuk *kesenangan*
Tabel [\@ref(tab:kolokat-kesenangan)](#kolokat-kesenangan) berikut menampilkan 20 kolokat khas teratas yang kuat berasosiasi dengan *kesenangan*.
```{r kolokat-kesenangan, echo = TRUE}
happyr::mdca_attr(mdca_colloc_concise, cxn_type = "^kesenangan$") %>%
dplyr::top_n(n = 20, wt = assocstr) %>%
dplyr::select(-synonyms) %>%
dplyr::mutate(exp = round(exp, 3),
collocates = paste("*", collocates, "*", sep = "")) %>%
dplyr::rename(kolokat = collocates,
signif = dec) %>%
knitr::kable(caption="Daftar 20 kolokat khas teratas untuk *kesenangan* di Korpus Leipzig Bahasa Indonesia.", row.names = TRUE)
```
```{r n-gram-pribadi}
coll_cxn_ngram(full_sent_nominalised, "^pribadi$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-kenikmatan}
coll_cxn_ngram(full_sent_nominalised, "^kenikmatan$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-duniawi}
coll_cxn_ngram(full_sent_nominalised, "^duniawi$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-nafsu}
coll_cxn_ngram(full_sent_nominalised, "^nafsu$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-hawa}
coll_cxn_ngram(full_sent_nominalised, "^hawa$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-seksual}
coll_cxn_ngram(full_sent_nominalised, "^seksual$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-dosa}
coll_cxn_ngram(full_sent_nominalised, "^dosa$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-kebutuhan}
coll_cxn_ngram(full_sent_nominalised, "^kebutuhan$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-keuntungan}
coll_cxn_ngram(full_sent_nominalised, "^keuntungan$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-kepentingan}
coll_cxn_ngram(full_sent_nominalised, "^kepentingan$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-hobi}
coll_cxn_ngram(full_sent_nominalised, "^hobi$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-waktu}
coll_cxn_ngram(full_sent_nominalised, "^waktu$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
Berikut ini adalah pola kolokasi *kesenangan* dengan kolokat verbal, yang sebagian besar muncul dalam konstruksi metaforis.
```{r n-gram-mencari}
coll_cxn_ngram(full_sent_nominalised, "^mencari$", "^kesenangan$", COLLOCATES, WORDS)$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-mengejar}
mengejar <- coll_cxn_ngram(full_sent_nominalised, "^mengejar$", "^kesenangan$", COLLOCATES, WORDS)
mengejar$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-mendapat}
mendapat <- coll_cxn_ngram(full_sent_nominalised, "^mendapat$", "^kesenangan$", COLLOCATES, WORDS)
mendapat$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-berdasarkan}
berdasarkan <- coll_cxn_ngram(full_sent_nominalised, "^berdasarkan$", "^kesenangan$", COLLOCATES, WORDS)
berdasarkan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
## Kolokat khas untuk *kegembiraan*
Tabel [\@ref(tab:kolokat-kegembiraan)](#kolokat-kegembiraan) berikut menampilkan 20 kolokat khas teratas yang kuat berasosiasi dengan *kegembiraan*.
```{r kolokat-kegembiraan, echo = TRUE}
happyr::mdca_attr(mdca_colloc_concise, cxn_type = "^kegembiraan$") %>%
dplyr::top_n(n = 20, wt = assocstr) %>%
dplyr::select(-synonyms) %>%
dplyr::mutate(exp = round(exp, 3),
collocates = paste("*", collocates, "*", sep = "")) %>%
dplyr::rename(kolokat = collocates,
signif = dec) %>%
knitr::kable(caption="Daftar 20 kolokat khas teratas untuk *kegembiraan* di Korpus Leipzig Bahasa Indonesia.", row.names = TRUE)
```
```{r n-gram-luapan}
luapan <- coll_cxn_ngram(full_sent_nominalised, "^luapan$", "^kegembiraan$", COLLOCATES, WORDS)
luapan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-meluapkan}
meluapkan <- coll_cxn_ngram(full_sent_nominalised, "^meluapkan$", "^kegembiraan$", COLLOCATES, WORDS)
meluapkan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-dihati}
dihati <- coll_cxn_ngram(full_sent_nominalised, "^dihati$", "^kegembiraan$", COLLOCATES, WORDS)
dihati$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-larut}
larut <- coll_cxn_ngram(full_sent_nominalised, "^larut$", "^kegembiraan$", COLLOCATES, WORDS)
larut$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menyambut}
menyambut <- coll_cxn_ngram(full_sent_nominalised, "^menyambut$", "^kegembiraan$", COLLOCATES, WORDS)
menyambut$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menyatakan-menyaksikan}
menyatakan <- coll_cxn_ngram(full_sent_nominalised, "^(menyatakan|menyaksikan)$", "^kegembiraan$", COLLOCATES, WORDS)
menyatakan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-kubu}
kubu <- coll_cxn_ngram(full_sent_nominalised, "^kubu$", "^kegembiraan$", COLLOCATES, WORDS)
kubu$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r full-sent-kubu}
full_sent_nominalised %>% filter(COLLOCATES=="kubu", WORDS=="kegembiraan") %>% pull(MATCHED_SENTENCE)
```
```{r n-gram-pendukung}
pendukung <- coll_cxn_ngram(full_sent_nominalised, "^pendukung$", "^kegembiraan$", COLLOCATES, WORDS)
pendukung$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r full-sent-pendukung}
full_sent_nominalised %>% filter(COLLOCATES=="pendukung", WORDS=="kegembiraan") %>% pull(MATCHED_SENTENCE)
```
```{r n-gram-gol}
gol <- coll_cxn_ngram(full_sent_nominalised, "^gol$", "^kegembiraan$", COLLOCATES, WORDS)
gol$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-tim}
tim <- coll_cxn_ngram(full_sent_nominalised, "^tim$", "^kegembiraan$", COLLOCATES, WORDS)
tim$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-pemain}
pemain <- coll_cxn_ngram(full_sent_nominalised, "^pemain$", "^kegembiraan$", COLLOCATES, WORDS)
pemain$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-warga}
warga <- coll_cxn_ngram(full_sent_nominalised, "^warga$", "^kegembiraan$", COLLOCATES, WORDS)
warga$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-masyarakat}
masyarakat <- coll_cxn_ngram(full_sent_nominalised, "^masyarakat$", "^kegembiraan$", COLLOCATES, WORDS)
masyarakat$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-belanda}
belanda <- coll_cxn_ngram(full_sent_nominalised, "^belanda$", "^kegembiraan$", COLLOCATES, WORDS)
belanda$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menyaksikan}
menyaksikan <- coll_cxn_ngram(full_sent_nominalised, "^menyaksikan$", "^kegembiraan$", COLLOCATES, WORDS)
menyaksikan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menyatakan}
menyatakan <- coll_cxn_ngram(full_sent_nominalised, "^menyatakan$", "^kegembiraan$", COLLOCATES, WORDS)
menyatakan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-terlihat}
terlihat <- coll_cxn_ngram(full_sent_nominalised, "^terlihat$", "^kegembiraan$", COLLOCATES, WORDS)
terlihat$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-kesedihan}
kesedihan <- coll_cxn_ngram(full_sent_nominalised, "^kesedihan$", "^kegembiraan$", COLLOCATES, WORDS)
kesedihan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
## Kolokat khas untuk *keceriaan*
Tabel [\@ref(tab:kolokat-keceriaan)](#kolokat-keceriaan) berikut menampilkan 20 kolokat khas teratas yang kuat berasosiasi dengan *keceriaan*.
```{r kolokat-keceriaan, echo = TRUE}
happyr::mdca_attr(mdca_colloc_concise, cxn_type = "^keceriaan$") %>%
dplyr::top_n(n = 20, wt = assocstr) %>%
dplyr::select(-synonyms) %>%
dplyr::mutate(exp = round(exp, 3),
collocates = paste("*", collocates, "*", sep = "")) %>%
dplyr::rename(kolokat = collocates,
signif = dec) %>%
knitr::kable(caption="Daftar 20 kolokat khas teratas untuk *keceriaan* di Korpus Leipzig Bahasa Indonesia.", row.names = TRUE)
```
```{r n-gram-anak-anak}
anakanak <- coll_cxn_ngram(full_sent_nominalised, "^anak\\-anak$", "^keceriaan$", COLLOCATES, WORDS)
anakanak$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-anak}
anak <- coll_cxn_ngram(full_sent_nominalised, "^anak$", "^keceriaan$", COLLOCATES, WORDS)
anak$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-mengembalikan}
mengembalikan <- coll_cxn_ngram(full_sent_nominalised, "^mengembalikan$", "^keceriaan$", COLLOCATES, WORDS)
mengembalikan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-mengembalikan}
sent_mengembalikan <- full_sent_nominalised %>% filter(COLLOCATES=="mengembalikan", WORDS=="keceriaan") %>% pull(MATCHED_SENTENCE)
sent_mengembalikan
```
```{r n-gram-korban}
korban <- coll_cxn_ngram(full_sent_nominalised, "^korban$", "^keceriaan$", COLLOCATES, WORDS)
korban$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-korban}
sent_korban <- full_sent_nominalised %>% filter(COLLOCATES=="korban", WORDS=="keceriaan") %>% pull(MATCHED_SENTENCE)
sent_korban
```
```{r n-gram-penuh}
penuh <- coll_cxn_ngram(full_sent_nominalised, "^penuh$", "^keceriaan$", COLLOCATES, WORDS)
penuh$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menambah}
menambah <- coll_cxn_ngram(full_sent_nominalised, "^menambah$", "^keceriaan$", COLLOCATES, WORDS)
menambah$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-terpancar}
terpancar <- coll_cxn_ngram(full_sent_nominalised, "^terpancar$", "^keceriaan$", COLLOCATES, WORDS)
terpancar$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-menghiasi}
menghiasi <- coll_cxn_ngram(full_sent_nominalised, "^menghiasi$", "^keceriaan$", COLLOCATES, WORDS)
menghiasi$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-menghiasi}
sent_menghiasi <- full_sent_nominalised %>% filter(COLLOCATES=="menghiasi", WORDS=="keceriaan") %>% pull(MATCHED_SENTENCE)
sent_menghiasi
# percentage of "face" as DO for "menghiasi"
round(6/7*100, 2)
```
```{r n-gram-mewarnai}
mewarnai <- coll_cxn_ngram(full_sent_nominalised, "^mewarnai$", "^keceriaan$", COLLOCATES, WORDS)
mewarnai$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-mewarnai}
sent_mewarnai <- full_sent_nominalised %>% filter(COLLOCATES=="mewarnai", WORDS=="keceriaan") %>% pull(MATCHED_SENTENCE)
sent_mewarnai
```
```{r n-gram-warna}
warna <- coll_cxn_ngram(full_sent_nominalised, "^warna$", "^keceriaan$", COLLOCATES, WORDS)
warna$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
## Kolokat khas untuk *keriangan*
Tabel [\@ref(tab:kolokat-keriangan)](#kolokat-keriangan) berikut menampilkan 20 kolokat khas teratas yang kuat berasosiasi dengan *keriangan*.
```{r kolokat-keriangan, echo = TRUE}
happyr::mdca_attr(mdca_colloc_concise, cxn_type = "^keriangan$") %>%
dplyr::top_n(n = 20, wt = assocstr) %>%
dplyr::select(-synonyms) %>%
dplyr::mutate(exp = round(exp, 3),
collocates = paste("*", collocates, "*", sep = "")) %>%
dplyr::rename(kolokat = collocates,
signif = dec) %>%
knitr::kable(caption="Daftar 20 kolokat khas teratas untuk *keriangan* di Korpus Leipzig Bahasa Indonesia.", row.names = TRUE)
```
```{r n-gram-riang-penuh}
riang_penuh <- coll_cxn_ngram(full_sent_nominalised, "^penuh$", "^keriangan$", COLLOCATES, WORDS)
riang_penuh$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-riang-KANAK-BOCAH-ANAK-ANAK}
riang_ANAK <- coll_cxn_ngram(full_sent_nominalised, "^(kanak-kanak|anak-anak|bocah)$", "^keriangan$", COLLOCATES, WORDS)
riang_ANAK$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-riang-TULUS-KONYOL-SERONOK}
riang_TulusKonyolSeronok <- coll_cxn_ngram(full_sent_nominalised, "^(ketulusan|kekonyolan|keseronokan)$", "^keriangan$", COLLOCATES, WORDS)
riang_TulusKonyolSeronok$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-TULUS-KONYOL-SERONOK}
sent_TulusKonyolSeronok <- full_sent_nominalised %>% filter(COLLOCATES %in% c("ketulusan", "kekonyolan", "keseronokan"), WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
sent_TulusKonyolSeronok
```
```{r n-gram-memancarkan}
memancarkan <- coll_cxn_ngram(full_sent_nominalised, "^memancarkan$", "^keriangan$", COLLOCATES, WORDS)
memancarkan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-memancarkan}
full_sent_nominalised %>% filter(COLLOCATES %in% c("memancarkan"), WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
```
```{r n-gram-hilang}
hilang <- coll_cxn_ngram(full_sent_nominalised, "^hilang$", "^keriangan$", COLLOCATES, WORDS)
hilang$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r n-gram-politik}
politik <- coll_cxn_ngram(full_sent_nominalised, "^politik$", "^keriangan$", COLLOCATES, WORDS)
politik$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-imajinasi}
sent_imajinasi <- full_sent_nominalised %>% filter(COLLOCATES=="imajinasi", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
sent_imajinasi
```
```{r sent-politik}
sent_politik <- full_sent_nominalised %>% filter(COLLOCATES=="politik", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
sent_politik
```
```{r n-gram-menggambarkan}
menggambarkan <- coll_cxn_ngram(full_sent_nominalised, "^menggambarkan$", "^keriangan$", COLLOCATES, WORDS)
menggambarkan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-menggambarkan}
full_sent_nominalised %>% filter(COLLOCATES=="menggambarkan", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
```
```{r n-gram-menunjukkan}
menunjukkan <- coll_cxn_ngram(full_sent_nominalised, "^menunjukkan$", "^keriangan$", COLLOCATES, WORDS)
menunjukkan$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-menunjukkan}
full_sent_nominalised %>% filter(COLLOCATES=="menunjukkan", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
```
```{r n-gram-mendengar}
mendengar <- coll_cxn_ngram(full_sent_nominalised, "^mendengar$", "^keriangan$", COLLOCATES, WORDS)
mendengar$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-mendengar}
full_sent_nominalised %>% filter(COLLOCATES=="mendengar", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
```
```{r n-gram-berbalut}
berbalut <- coll_cxn_ngram(full_sent_nominalised, "^berbalut$", "^keriangan$", COLLOCATES, WORDS)
berbalut$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
```{r sent-berbalut}
sent_berbalut <- full_sent_nominalised %>% filter(COLLOCATES=="berbalut", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
sent_berbalut
```
```{r sent-kejayaan}
sent_kejayaan <- full_sent_nominalised %>% filter(COLLOCATES=="kejayaan", WORDS=="keriangan") %>% pull(MATCHED_SENTENCE)
sent_kejayaan
```
```{r n-gram-mengajar}
mengajar <- coll_cxn_ngram(full_sent_nominalised, "^mengajar$", "^keriangan$", COLLOCATES, WORDS)
mengajar$colloc_cxn_pattern %>% knitr::kable(row.names = TRUE)
```
# R session info
```{r r-session-info}
devtools::session_info()
```
# Daftar pustaka {-}