Menghitung karakter dan kata terdengar sederhana, tapi bahasa Indonesia punya dua kebiasaan sendiri — reduplikasi dan imbuhan — yang membuat batas antara "satu kata" tidak selalu jelas.
Reduplikasi: kata ulang dengan tanda hubung
Bahasa Indonesia sering mengulang kata untuk membentuk makna jamak atau makna baru, dan ditulis dengan tanda hubung: "kupu-kupu", "orang-orang", "berjalan-jalan". Penghitung kata berbasis spasi akan melihat "orang-orang" sebagai satu kata karena tidak ada spasi, meskipun secara makna itu adalah pengulangan penuh dari kata dasar "orang".
Imbuhan menempel tanpa spasi
Awalan dan akhiran (imbuhan) seperti "me-", "di-", "-kan", "-nya" selalu menempel langsung pada kata dasar tanpa spasi: "dipertanggungjawabkan" adalah satu kata yang dalam bahasa lain mungkin memerlukan beberapa kata terpisah untuk arti yang sama. Ini membuat perbandingan jumlah kata antara teks Indonesia dan terjemahannya ke bahasa lain kurang bisa diandalkan sebagai ukuran panjang teks.
Singkatan dan akronim memperumit hitungan
Teks Indonesia sehari-hari penuh singkatan seperti "yg", "krn", "utk", atau akronim resmi seperti "SIM" dan "KTP". Penghitung kata sederhana menghitung ini sebagai kata utuh, sehingga teks informal dengan banyak singkatan bisa punya jumlah kata yang sama dengan versi formalnya yang lebih panjang, meskipun jumlah karakternya jelas lebih sedikit.
Untuk apa ini dibutuhkan
- Memeriksa teks terhadap batas karakter (tweet, SMS, kolom formulir).
- Memperkirakan waktu baca sebuah artikel dari jumlah katanya.
- Membandingkan jumlah karakter versi formal dan versi santai (singkatan) dari teks yang sama.
Penghitungan kata dalam bahasa tanpa spasi
Dalam bahasa Mandarin, Jepang, atau Thailand, kata secara tradisional tidak dipisahkan dengan spasi — batas antar kata ditentukan oleh tata bahasa dan konteks, bukan pemisah. Karena itu, "penghitungan kata" untuk bahasa-bahasa ini sebenarnya memerlukan algoritma segmentasi teks tersendiri, dan penghitungan sederhana berdasarkan spasi akan menghasilkan satu "kata" untuk seluruh teks, atau sama sekali kehilangan makna.