Name : Dimas Agung Suwardi

Class : TBI-1

Reg.Number : 0304163192

Subject : Translation English-Indonesia

ENGLISH INDONESIA
( CHAPTER II ) ( BAB II )

A. Computer Assisted Translation Tools A. Alat Terjemahan Berbantuan

Komputer
Computer-Assisted Translation is a term
Terjemahan Berbantuan Komputer adalah
used to describe computer techniques to
istilah yang digunakan untuk
facilitate the process of translation. The
mendeskripsikan teknik komputer untuk
system relies on automatic translation which
memfasilitasi proses penerjemahan.
is corrected by human translators in the
Sistem ini mengandalkan terjemahan
process of post editing. The system is based
otomatis yang dikoreksi oleh penerjemah
on a direct word to word transfer. Currently,
manusia dalam proses pengeditan posting.
there are three basic types of CAT
Sistem ini didasarkan pada transfer kata ke
(Computer Assisted Translation) tools to
kata langsung. Saat ini, ada tiga jenis alat
assist human translation work;
CAT (Computer Assisted Translation)
1) Machine Translation
untuk membantu pekerjaan penerjemahan
Machine Translation (MT) is an action of
manusia;
fully automatic text translation. The
1) Mesin penerjemah
translation is carried out entirely by the
Terjemahan Mesin (MT) adalah tindakan
computer with no help of human translators.
terjemahan teks otomatis sepenuhnya.
Even though MT is not a proper part of
Terjemahan dilakukan sepenuhnya oleh
CAT, the systems are sometime used in
komputer tanpa bantuan penerjemah
CAT to provide rough suggestions of
manusia. Meskipun MT bukan bagian
translation. Human translator is then
yang tepat dari CAT, sistem terkadang
responsible for carrying out the post-editing.
digunakan dalam CAT untuk memberikan
 It simply writes a text into a program,
saran terjemahan yang kasar. Penerjemah
selects a target language, and clicks
manusia kemudian bertanggung jawab
“Translate”. MT tools are computer
untuk melakukan pengeditan pasca.
programs linked to databases full of
Ini hanya menulis teks ke dalam program,
translations created by human translators.
memilih bahasa target, dan mengklik
Generally, contemporary machine
"Terjemahkan". Alat MT adalah program
translation alone can supply 90% accuracy
komputer yang ditautkan ke database yang
at best unless used in the context of tightly
penuh dengan terjemahan yang dibuat oleh
controlled language applications such as
penerjemah manusia. Umumnya,
material safety data sheets. The greater the
terjemahan mesin kontemporer saja dapat
breadth of the vocabulary and the
memberikan akurasi terbaik hingga 90%
complexity of style and grammar, the less
kecuali digunakan dalam konteks aplikasi
suitable MT becomes. In this case of most
bahasa yang dikontrol dengan ketat seperti
business contexts, machine translation is not
lembar data keamanan material. Semakin
suitable unless followed by careful human
luas kosa kata dan kompleksitas gaya dan
editing.
tata bahasa, MT menjadi kurang cocok.
2) Terminology Management
Dalam kasus sebagian besar konteks bisnis
It refers to databases that hold preferred terms ini, terjemahan mesin tidak cocok kecuali
specific to an enterprise. Essentially, a terminology diikuti dengan pengeditan manusia yang
database is an intel-ligent glossary of a company’s cermat.
preferred translations of specified terms in multiple 2) Manajemen Terminologi
languages. Typically, such a database can be used
Ini mengacu pada database yang
both in authoring original texts in one or more
menyimpan istilah pilihan khusus untuk
languages, and in customizing translation memory
suatu perusahaan. Pada dasarnya, database
and machine translation implementations
terminologi adalah glosarium yang cerdas
3) Translation Memory dari terjemahan istilah tertentu yang
Translation Memory (TM) is a database of disukai perusahaan dalam berbagai
previously carried out translations. TM bahasa. Biasanya, database seperti itu
contains only high-quality translations dapat digunakan baik dalam penulisan teks
which can be reused in future. The reuse of asli dalam satu atau lebih bahasa, dan
translations by means of Translation dalam menyesuaikan memori terjemahan
Memory is the most widely recognized and
appreciated feature of CAT. It reflects the
natural work process of a translator before
the era of computerization, when instead of
using databases, translators took notes of
phrases and sentences to use them later in
their work. Apart from cost saving (once
translated sentence does not need to be
translated again), Translation Memories
grant the consistency of translation, which
in some cases is essential.
It is perhaps the most utilized of all CAT
tools at present. It is also referred to as
machine-assisted human translation
(MAHT) because, in all its various forms, it
is a desktop tool used by professional
translators. As the name implies, these
applications “memorize” previously
translated material, such that in subsequent
translations they “suggest” translations of
dan implementasi terjemahan mesin.
3) Memori Terjemahan
Memori Terjemahan (TM) adalah database
terjemahan yang dilakukan sebelumnya.
TM hanya berisi terjemahan berkualitas
tinggi yang dapat digunakan kembali di
masa mendatang. Penggunaan kembali
terjemahan melalui Memori Terjemahan
adalah fitur CAT yang paling dikenal dan
dihargai secara luas. Ini mencerminkan
proses kerja alami penerjemah sebelum
era komputerisasi, ketika alih-alih
menggunakan basis data, penerjemah
membuat catatan frasa dan kalimat untuk
digunakan nanti dalam pekerjaan mereka.
Selain penghematan biaya (kalimat yang
sudah diterjemahkan tidak perlu
diterjemahkan lagi), Memori Terjemahan
memberikan konsistensi terjemahan, yang
dalam beberapa kasus sangat penting.
Ini mungkin yang paling banyak
digunakan dari semua alat CAT saat ini.
Ini juga disebut sebagai terjemahan
manusia dengan bantuan mesin (MAHT)
karena, dalam berbagai bentuknya, ini
adalah alat desktop yang digunakan oleh
penerjemah profesional. Sesuai dengan
namanya, aplikasi ini “menghafal” materi
yang diterjemahkan sebelumnya, sehingga
text strings (phrases, sentences, or even dalam terjemahan berikutnya mereka
entire paragraphs) in the target language to “menyarankan” terjemahan string teks
the translator. Translation memory when (frasa, kalimat, atau bahkan seluruh
used appropriately supplies several benefits. paragraf) dalam bahasa target kepada
It increases speed, accuracy and consistency penerjemah. Memori terjemahan bila
among multiple linguists, streamlines the digunakan dengan tepat memberikan
efforts of a translation team, and best of all, beberapa manfaat. Ini meningkatkan
it saves money. kecepatan, keakuratan, dan konsistensi di
CAT software is essentially a set of tools antara banyak ahli bahasa,
used to manipulate a database of language menyederhanakan upaya tim penerjemah,
information. It is the input of information in dan yang terbaik dari semuanya, ini
the form of translated words, phrases, menghemat uang.
sentences and even complete paragraphs in Perangkat lunak CAT pada dasarnya
the source and target languages that adalah seperangkat alat yang digunakan
constitutes this database. Potential benefits untuk memanipulasi database informasi
include: bahasa. Input informasi berupa kata, frasa,
1) Repetitive or similar texts need be kalimat yang diterjemahkan, bahkan
translated only once
paragraf lengkap dalam bahasa sumber
2) Once glossaries have been entered in dan targetlah yang membentuk database
the system, future translations will ini. Manfaat potensial meliputi:
always be consistent. 1) Teks berulang atau serupa hanya
perlu diterjemahkan satu kali
3) Greater speed of draft translation,
2) Setelah glosarium dimasukkan ke
thereby allowing more time for
dalam sistem, terjemahan di masa
quality control.
mendatang akan selalu konsisten.
4) A computer can work on draft
3) Kecepatan terjemahan draf yang
translation at any time of the day, thus
lebih tinggi, sehingga
a 10,000 word translation that would
memungkinkan lebih banyak
take a human translator a week to
waktu untuk kontrol kualitas.
produce could be done overnight ready
for editing the next morning. (Speeds of
4) Sebuah komputer dapat mengerjakan
 up to 10,000 words per hour have been terjemahan draf kapan saja sepanjang
claimed. hari, sehingga terjemahan 10.000
5) Better quality control since text kata yang membutuhkan penerjemah
already entered in the software will manusia seminggu untuk
not need to be re-checked. membuatnya dapat selesai
semalaman siap untuk diedit
keesokan harinya. (Kecepatan hingga
10.000 kata per jam telah diklaim).
5) Kontrol kualitas yang lebih baik
karena teks yang sudah dimasukkan
ke dalam perangkat lunak tidak
perlu diperiksa ulang.

CAT software is now available from a Perangkat lunak CAT sekarang tersedia
number of manufactures including IBM, PC dari sejumlah produsen termasuk IBM, PC
Translator, Power Translator Professional Translator, Power Translator Professional
and the Language Assistant series. CAT dan seri Language Assistant. Perangkat
software is still expensive and requires a lunak CAT masih mahal dan
fairly powerful computer if it is to work membutuhkan komputer yang cukup kuat
satisfactorily. It is not something that you agar dapat bekerja dengan memuaskan. Ini
can use from day 1 since it needs a bukan sesuatu yang dapat Anda gunakan
considerable amount of data input before it sejak hari pertama karena memerlukan
will start to produce anything like a usable input data yang cukup banyak sebelum
translation. Try it when you first install it mulai menghasilkan sesuatu seperti
and you will get some hilarious results. terjemahan yang dapat digunakan.
However, the more information you can add Cobalah ketika Anda pertama kali
the faster and better it works. menginstalnya dan Anda akan
However, machine translation is becoming mendapatkan hasil yang lucu. Namun,
commonplace. For example, Google semakin banyak informasi yang dapat
Translate is often used to try to get the gist Anda tambahkan, semakin cepat dan lebih
of a paragraph of text in a language baik kerjanya.
someone cannot read. How does this work?
Google Translate, like other “statistical” Namun, terjemahan mesin menjadi hal
machine translation (SMT) system is biasa. Misalnya, Google Terjemahan
essentially a tool for massive sophisticated sering digunakan untuk mencoba
plagiarism. SMT systems do not understand mendapatkan inti dari paragraf teks dalam
what they are translating. They simply look bahasa yang tidak dapat dibaca seseorang.
up words in a huge database of sentences Bagaimana cara kerjanya? Google
and their human translations. That database Translate, seperti sistem terjemahan mesin
has been previously processed to guess at “statistik” (SMT) lainnya pada dasarnya
how humans have typically translated adalah alat untuk plagiarisme canggih
various words and how that translation yang masif. Sistem SMT tidak memahami
depends on the immediate co-text, that is, a apa yang mereka terjemahkan. Mereka
word or two on either side of the word in hanya mencari kata-kata dalam database
question. Then the guesses as to the kalimat yang besar dan terjemahan
translations of various words in the manusianya. Database tersebut
sentences are put together in the hope the sebelumnya telah diproses untuk menebak
resulting sequence of words will make sense bagaimana manusia biasanya
to a human, even though the computer menerjemahkan berbagai kata dan
understands neither the source language nor bagaimana terjemahan itu bergantung pada
the target language. The only human teks bersama langsung, yaitu, satu atau
translators that might be replaced by dua kata di kedua sisi kata yang dimaksud.
computers are those who translate Kemudian tebakan untuk terjemahan
mechanically without trying to fully berbagai kata dalam kalimat disatukan
understand what they are translating or who dengan harapan urutan kata yang
lack a full command of the target language. dihasilkan akan masuk akal bagi manusia,
meskipun komputer tidak memahami
bahasa sumber maupun bahasa target.
Satu-satunya penerjemah manusia yang
mungkin digantikan oleh komputer adalah
mereka yang menerjemahkan secara
mekanis tanpa mencoba untuk memahami

B. Machine Translation and Its Types
Machine translation (MT) is automated
translation or “translation carried out by a
computer”. It is a process, sometimes
referred to as Natural Language Processing
which uses a bilingual data set and other
language assets to build language and
phrase models used to translate text. As
computational activities become more
mainstream and the internet opens up a
wider multilingual and global community,
research and development in Machine
Translation continues to grow at a rapid
rate.
In any translation, whether human or
automated, the meaning of a text in the
source (original) language must be fully
transferred to its equivalent meaning in the
target language’s translation. While on the
surface this seems straightforward, it is
often far more complex. Translation is never
a mere word-for-word substitution.
A human translator must interpret and
analyze all of the elements within the text
and understand how each word may
influence the context of the text. This
requires extensive expertise in grammar,
sepenuhnya apa yang mereka terjemahkan
atau yang tidak memiliki perintah penuh
dari bahasa target.
C. Mesin Terjemahan dan Jenisnya
Terjemahan mesin (MT) adalah
terjemahan otomatis atau "terjemahan
yang dilakukan oleh komputer". Ini adalah
proses, kadang-kadang disebut sebagai
Pemrosesan Bahasa Alami yang
menggunakan kumpulan data dwibahasa
dan aset bahasa lain untuk membangun
model bahasa dan frase digunakan untuk
menerjemahkan teks. Ketika aktivitas
komputasi menjadi lebih utama dan
internet membuka komunitas multibahasa
dan global yang lebih luas, penelitian dan
pengembangan dalam Terjemahan Mesin
terus tumbuh dengan kecepatan tinggi.
Dalam terjemahan apa pun, baik manusia
atau otomatis, makna teks dalam bahasa
sumber (asli) harus sepenuhnya ditransfer
ke makna yang setara dalam terjemahan
bahasa target. Meskipun di permukaan hal
ini tampak mudah, seringkali jauh lebih
kompleks. Terjemahan tidak pernah
sekadar substitusi kata demi kata.
Seorang penerjemah manusia harus
menafsirkan dan menganalisis semua
elemen di dalam teks dan memahami
bagaimana setiap kata dapat memengaruhi
 konteks teks. Ini membutuhkan keahlian
syntax (sentence structure), semantics
ekstensif dalam tata bahasa, sintaksis
(meanings), etc. in the source and target
(struktur kalimat), semantik (makna), dll.
languages, as well as expertise in the
Dalam bahasa sumber dan target, serta
domain.
keahlian dalam domain tersebut.
Human and Machine Translation each have
Penerjemahan Manusia dan Mesin
their share of challenges. For example, no
masing-masing memiliki tantangan yang
two individual translators will produce
sama. Misalnya, tidak ada dua penerjemah
identical translations of the same text in the
individu yang akan menghasilkan
same language pair, and it may take several
terjemahan yang identik dari teks yang
rounds of revisions to meet the client’s
sama dalam pasangan bahasa yang sama,
requirements. Automated translations find
dan mungkin perlu beberapa putaran revisi
difficulties in interpreting contextual and
untuk memenuhi persyaratan klien.
cultural elements of a text and quality is
Terjemahan otomatis menemukan
dependent on the type of system and how it
kesulitan dalam menafsirkan elemen
is trained, however it is extremely effective
kontekstual dan budaya dari sebuah teks
for particular content types and use cases, dan kualitasnya bergantung pada jenis
e.g. automotive, mechanical, User sistem dan bagaimana sistem dilatih,
Generated Content (USG), repetitive texts, namun ini sangat efektif untuk jenis
structured language and many more. konten dan kasus penggunaan tertentu,
While Machine Translation faces some misalnya otomotif, mekanik, Konten
challenges, if implemented correctly MT Buatan Pengguna ( USG), teks berulang,
users can achieve benefits from economies bahasa terstruktur, dan banyak lagi.
of scale when translating in domains suited Meskipun Terjemahan Mesin menghadapi
to Machine Translation. beberapa tantangan, jika diterapkan
A few different types of Machine dengan benar, pengguna MT dapat
Translation are available in the market memperoleh manfaat dari skala ekonomi
today, the most widely use being Statistical saat menerjemahkan dalam domain yang
Machine Translation (SMT), Rule-Based sesuai dengan Terjemahan Mesin.
Machine Translation (RBMT), and Hybrid Beberapa jenis Terjemahan Mesin tersedia
Systems, which combine RBMT and SMT.
 di pasaran saat ini, yang paling banyak
digunakan adalah Terjemahan Mesin
Statistik (SMT), Terjemahan Mesin
Berbasis Aturan (RBMT), dan Sistem
Hibrid, yang menggabungkan RBMT dan
SMT.

1) Rule-Based Machine Translation (RBMT) 1) Teknologi Terjemahan Mesin Berbasis

Technology Aturan (RBMT)

RBMT relies on countless built-in linguistic RBMT mengandalkan aturan linguistik

rules and millions of bilingual dictionaries bawaan yang tak terhitung jumlahnya dan
for each language pair. The RBMT system jutaan kamus dwibahasa untuk setiap
parses text and creates a transitional pasangan bahasa. Sistem RBMT mem-
representation from which the text in the parsing teks dan membuat representasi
target language is generated. This process transisi dari mana teks dalam bahasa target
requires extensive lexicons with dihasilkan. Proses ini membutuhkan
morphological, syntactic, and semantic leksikon ekstensif dengan informasi
information, and large sets of rules. The morfologis, sintaksis, dan semantik, dan
software uses these complex rule sets and seperangkat aturan yang besar. Perangkat
then transfers the grammatical structure of lunak menggunakan kumpulan aturan
the source language into the target language. kompleks ini dan kemudian mentransfer
struktur tata bahasa dari bahasa sumber ke
Rule-based Machine Translation systems
bahasa target.
are built on gigantic dictionaries and
sophisticated linguistic rules. Users can Sistem Terjemahan Mesin berbasis aturan
improve translation quality by adding dibangun di atas kamus raksasa dan aturan
terminology into the translation process by linguistik yang canggih. Pengguna dapat
creating user-defined dictionaries, which meningkatkan kualitas terjemahan dengan
override the system's default settings. menambahkan terminologi ke dalam
proses terjemahan dengan membuat kamus
In most cases, there are two steps: an initial
yang ditentukan pengguna, yang
investment that significantly increases the
menggantikan pengaturan default system.
 Dalam kebanyakan kasus, ada dua
quality at a limited cost, and an ongoing
langkah: investasi awal yang secara
investment to increase quality
signifikan meningkatkan kualitas dengan
incrementally. While rule-based MT may
biaya terbatas, dan investasi berkelanjutan
bring a company to a reasonable quality
untuk meningkatkan kualitas secara
threshold, the quality improvement process
bertahap. Meskipun MT berbasis aturan
is generally long, expensive and needs to be
dapat membawa perusahaan ke ambang
carried out by trained experts. This has been
kualitas yang wajar, proses peningkatan
a contributing factor to the slow adoption
kualitas umumnya berlangsung lama,
and usage of MT in the localization
mahal dan perlu dilakukan oleh tenaga
industry.
ahli yang terlatih. Ini telah menjadi faktor
2) Statistical Machine Translation (SMT)
Technology penyebab lambatnya adopsi dan

Statistical Machine Translation utilizes penggunaan MT di industri lokalisasi.

statistical translation models generated from 2) Teknologi Terjemahan Mesin Statistik

(TPS)
the analysis of monolingual and bilingual
Terjemahan Mesin Statistik menggunakan
training data. Essentially, this approach uses
model terjemahan statistik yang dihasilkan
computing power to build sophisticated data
dari analisis data pelatihan satu bahasa dan
models to translate one source language into
dua bahasa. Pada dasarnya, pendekatan ini
another. The translation is selected from the
menggunakan daya komputasi untuk
training data using algorithms to select the
membangun model data yang canggih
most frequently occurring words or phrases.
untuk menerjemahkan satu bahasa sumber
Building SMT models is a relatively quick
ke bahasa lain. Terjemahan dipilih dari
and simple process which involves
data pelatihan menggunakan algoritme
uploading files to train the engine for a
untuk memilih kata atau frasa yang paling
specific language pair and domain. A
sering muncul.
minimum of two million words is required
to train an engine for a specific domain, Membangun model SMT adalah proses

however it is possible to reach an acceptable yang relatif cepat dan sederhana yang

quality threshold with much less. SMT melibatkan pengunggahan file untuk

technology relies on bilingual corpora such melatih mesin untuk pasangan bahasa dan

as translation memories and glossaries to domain tertentu. Diperlukan minimal dua

train it to learn language pattern, and is juta kata untuk melatih mesin untuk
uses monolingual data to improve its domain tertentu, namun dimungkinkan
fluency. SMT engines will prove to have a untuk mencapai ambang kualitas yang
higher output quality if trained using dapat diterima dengan lebih sedikit.
domain specific training data such as; Teknologi SMT mengandalkan korpora
medical, financial or technical domains. bilingual seperti memori terjemahan dan
SMT technology is CPU intensive and glosarium untuk melatihnya belajar pola
requires an extensive hardware bahasa, dan menggunakan data satu
configuration to run translation models at bahasa untuk meningkatkan kefasihannya.
acceptable performance levels. Because of Mesin SMT akan terbukti memiliki
this, cloud-base systems are preferred, kualitas keluaran yang lebih tinggi jika
whereby they can scale to meet the demands dilatih menggunakan data pelatihan
of its users without the users having to khusus domain seperti; domain medis,
invest heavily in hardware and software keuangan atau teknis.
costs
Teknologi SMT membutuhkan banyak
CPU dan membutuhkan konfigurasi
perangkat keras yang ekstensif untuk
menjalankan model terjemahan pada
tingkat kinerja yang dapat diterima.
Karena itu, sistem berbasis cloud lebih
disukai, di mana mereka dapat
menyesuaikan skala untuk memenuhi
permintaan penggunanya tanpa pengguna
harus berinvestasi besar dalam biaya
perangkat keras dan perangkat lunak.

Note: RBMT vs. SMT Catatan: RBMT vs. SMT

RBMT can achieve good results but the RBMT dapat mencapai hasil yang baik
training and development costs are very tetapi biaya pelatihan dan pengembangan
high for a good quality system. In terms of sangat tinggi untuk sistem kualitas yang
investment, the customization cycle needed baik. Dalam hal investasi, siklus
to reach the quality threshold can be long penyesuaian yang diperlukan untuk
and costly. mencapai ambang batas kualitas bisa jadi
 RBMT systems are built with much panjang dan mahal.
less data than SMT systems, instead  Sistem RBMT dibangun dengan
using dictionaries and language data yang jauh lebih sedikit
rules to translate. This sometimes daripada sistem SMT, alih-alih
results in a lack of fluency. menggunakan kamus dan aturan
bahasa untuk menerjemahkan. Ini
 Language is constantly changing,
terkadang menyebabkan
which means rules must be
kurangnya kefasihan.
managed and updated where
necessary in RBMT systems.  Bahasa terus berubah, yang
berarti aturan harus dikelola dan
 SMT systems can be built in much
diperbarui jika diperlukan dalam
less time and do not require
sistem RBMT.
linguistic experts to apply language
rules to the system.  Sistem TPS dapat dibangun dalam
waktu yang lebih singkat dan tidak
 SMT models require state-of the-art
memerlukan ahli bahasa untuk
computer processing power and
menerapkan aturan bahasa ke
storage capacity to build and
sistem.
manage large translation models.
 Model SMT membutuhkan daya
 SMT systems can mimic the style of
pemrosesan dan kapasitas
the training data to generate output
penyimpanan komputer yang
based on the frequency of patterns
canggih untuk membangun dan
allowing them to produce more
mengelola model terjemahan yang
 fluent output. besar.

 Sistem SMT dapat meniru gaya

data pelatihan untuk menghasilkan
keluaran berdasarkan frekuensi
pola yang memungkinkan mereka
menghasilkan keluaran yang lebih
lancar.

C. Online Translation Machines C. Mesin Penerjemah Online

Modern machine translation services such Layanan terjemahan mesin modern seperti
as Google Translate and Microsoft’s Bing Google Translate dan Microsoft Bing
Translator have made significant strides Translator telah membuat langkah signifikan
toward allowing users to read content in untuk memungkinkan pengguna membaca
other languages. These systems, built on konten dalam bahasa lain. Sistem ini, yang
decades of contributions from academic and dibangun berdasarkan kontribusi puluhan
commercial research, focus largely on this tahun dari penelitian akademis dan komersial,
use case, aiming to maximize human sebagian besar berfokus pada kasus
understandability of MT output. For penggunaan ini, yang bertujuan untuk
example, if an English speaking user wants memaksimalkan pemahaman manusia tentang
to read an article posted on a Chinese keluaran MT. Misalnya, jika pengguna
language news site, a machine translation berbahasa Inggris ingin membaca artikel yang
may contain the following lines: diposting di situs berita berbahasa Mandarin,
UK GMT at 10:11 on March 20, a rare terjemahan mesin mungkin berisi baris
solar eclipse spectacle will come to berikut:
Europe. This is the 1954 total solar eclipse GMT Inggris pada pukul 10:11 pada
once again usher in mainland Norway. tanggal 20 Maret, tontonan gerhana
The next solar eclipse occurs recent times and matahari yang langka akan datang ke
the country was March 9, 2016 Sumatra;
Eropa. Ini adalah gerhana matahari total
tahun 1954 yang sekali lagi terjadi di
This translation is quite useful for casual daratan utama Norwegia.
readers, allowing them to glean key Gerhana matahari berikutnya terjadi baru-
information from the article such as the baru ini dan negara itu 9 Maret 2016
event (a solar eclipse), location (mainland Sumatera;
Norway), and time (10:11 on March 20).
Terjemahan ini sangat berguna bagi
However, the grammatical errors and likely
pembaca biasa, memungkinkan mereka
mistranslations throughout the text would
untuk mendapatkan informasi penting dari
prevent this article from being published as-
artikel seperti peristiwa (gerhana
is in English; readers would be unable to
matahari), lokasi (daratan Norwegia), dan
trust the information as they would be
waktu (10:11 pada 20 Maret). Namun,
relying on their ability to guess what
kesalahan tata bahasa dan kemungkinan
information is missing or mistranslated. If
salah terjemahan di seluruh teks akan
this article were to be published in English,
mencegah artikel ini diterbitkan
it would require professional human
sebagaimana adanya dalam bahasa
translation. In fact, the ever-increasing need
Inggris; pembaca tidak akan dapat
for highly accurate translations of complex
mempercayai informasi karena mereka
content has led to the development of a
akan mengandalkan kemampuan mereka
vibrant professional translation industry.
untuk menebak informasi apa yang hilang
Global businesses, government
atau salah diterjemahkan. Jika artikel ini
organizations, and other projects employing
akan diterbitkan dalam bahasa Inggris,
translators spent an estimated
maka diperlukan terjemahan manusia yang
$37.19 billion worldwide on translation
services in 2014 (DePalma et al., 2014). profesional. Faktanya, kebutuhan yang
terus meningkat akan terjemahan konten
As the demand for human quality translation kompleks yang sangat akurat telah
increases, the idea of leveraging machine mendorong perkembangan industri
translation to improve the speed of human penerjemahan profesional yang dinamis.
translation grows increasingly attractive. Bisnis global, organisasi pemerintah, dan
While MT is unable to directly produce proyek lain yang mempekerjakan
publishable translations, recent work in penerjemah menghabiskan perkiraan
academia and industry has shown significant $37,19 miliar di seluruh dunia untuk
success with the task of post-editing, having layanan terjemahan pada tahun 2014
bilingual translators correct MT output rather (DePalma et al., 2014).
than translate from scratch. When used with Seiring dengan meningkatnya permintaan
human post-editing, machine translation plays akan terjemahan berkualitas manusia,
a fundamentally different role than in the gagasan untuk memanfaatkan terjemahan
traditional assimiliation use case. As human mesin untuk meningkatkan kecepatan
translators must edit MT output to produce terjemahan manusia menjadi semakin
human quality translations, the quality of MT menarik. Meskipun MT tidak dapat secara
is directly tied to editing difficulty rather than langsung menghasilkan terjemahan yang
understandability. Minor disfluencies must be dapat diterbitkan, pekerjaan terbaru di
corrected even if they would not impair akademisi dan industri telah menunjukkan
comprehension, while mistranslations can be keberhasilan yang signifikan dengan tugas
resolved by retranslating words in the source pengeditan pasca, meminta penerjemah
sentence. dwibahasa mengoreksi keluaran MT
daripada menerjemahkan dari awal. Saat
Referring to the lexical problems of automatic
digunakan dengan pasca-pengeditan
translation, these are, indeed, very
manusia, terjemahan mesin memainkan
considerable in extent if not in complexity.
peran yang secara fundamental berbeda
Taking into account variations in the meaning
dari pada kasus penggunaan asimilasi
of words, the rapid evolution of scientific and
tradisional. Karena penerjemah manusia
technical vocabulary, slang and local speech,
harus mengedit keluaran MT untuk
the number of words per language may be so
menghasilkan terjemahan berkualitas
high as to challenge the skill of electronic
manusia, kualitas MT secara langsung
memory constructors.
terkait dengan kesulitan pengeditan
In recent concise dictionaries the vocabulary daripada kemudahan pemahaman.
of the English language comprises some Disfluensi minor harus diperbaiki
60,000 word entries: this number may run meskipun tidak akan mengganggu
four times as high if each meaning of each pemahaman Mengacu pada masalah
polysemantic word is entered separately. So leksikal terjemahan otomatis, ini memang
that a dictionary in which every form of sangat penting dalam hal luas jika tidak
every word would constitute a separate entry dalam kompleksitas. Mempertimbangkan
might well number over half a million variasi dalam arti kata-kata, evolusi cepat
words in a modern inflected language. We kosa kata ilmiah dan teknis, bahasa gaul
are thus faced immediately with the problem dan bahasa lokal, jumlah kata per bahasa
of lexical content. This is closely followed mungkin sangat tinggi sehingga dapat
by questions of classification (should there menantang keterampilan konstruktor
be one dictionary only, or several, according memori elektronik.
to subject?), and of order of classification Dalam kamus ringkas baru-baru ini,
(alphabetical, logical, conceptual, or kosakata bahasa Inggris terdiri dari sekitar
numerical according to the increasing or 60.000 entri kata: angka ini dapat berjalan
decreasing number of characters in a word, empat kali lebih tinggi jika setiap arti dari
etc.?). Finally come the specific problems of setiap kata polisemantik dimasukkan
translation—multiple meaning, idiom; and secara terpisah. Sehingga sebuah kamus di
—sooner or later—the problem of style, or mana setiap bentuk dari setiap kata akan
styles, of the choice of words for reasons menjadi entri terpisah mungkin berjumlah
peculiar to the author. lebih dari setengah juta kata dalam bahasa
A solution to any one of these problems infleksi modern. Dengan demikian kita
involves a choice, or a series of choices, langsung dihadapkan pada masalah konten
inevitably limiting possibilities in other leksikal. Ini diikuti oleh pertanyaan
directions ; all the more so, in that lexical klasifikasi (haruskah ada satu kamus saja,
problems, even more than those of atau beberapa, menurut subjek?), Dan
morphology, are closely bound up with the urutan klasifikasi (menurut abjad, logika,
technological aspects of computer konseptual, atau numerik sesuai dengan
construction. Memory capacity, rapidity of bertambah atau berkurangnya jumlah
access, these are important considerations in karakter dalam a kata, dll.?). Akhirnya
the choice of solutions. muncul masalah khusus dalam

Even if we set aside for the moment, for penerjemahan — banyak arti, idiom; dan

practical reasons, the objections of those — cepat atau lambat — masalah gaya.

who maintain that the choice of the right Solusi untuk salah satu dari masalah ini

word by the translator is a matter of taste, of melibatkan pilihan, atau serangkaian

personal judgment, and that the machine pilihan, yang pasti membatasi

will never be able to exercise such kemungkinan ke arah lain; terlebih lagi,

judgment, we can still not affirm at the dalam masalah leksikal, bahkan lebih dari

present time that an ideal solution has so far masalah morfologi, terkait erat dengan
been found to the lexical problems of aspek teknologi konstruksi komputer.

mechanical translation. But the empirical Kapasitas memori, kecepatan akses, ini

method of partial solutions has been applied adalah pertimbangan penting dalam

with increasing success. It has enabled pemilihan solusi.

research to continue while technicians Sekalipun kita mengesampingkan sejenak,

pursue the study of recording processes, untuk alasan praktis, keberatan dari
thanks to which it will eventually be mereka yang berpendapat bahwa
possible, where required, both to store a pemilihan kata yang tepat oleh penerjemah
very great number of words and to have adalah masalah selera, penilaian pribadi,
very rapid access to them. The first question dan bahwa mesin tidak akan pernah dapat
to be raised was how to classify words in an melakukan seperti itu. penilaian, kami
electronic dictionary in such a way as to masih tidak dapat menegaskan pada saat
ensure as rapid a look-up as possible. Words ini bahwa solusi yang ideal sejauh ini telah
being represented by a binary numerical ditemukan untuk masalah leksikal
code, several alternative methods of terjemahan mekanis. Tetapi metode
classification have been tried: arrangement empiris dari solusi parsial telah diterapkan
in order of decreasing frequency, dengan kesuksesan yang meningkat. Ini
alphabetically by sections, etc. telah memungkinkan penelitian untuk
dilanjutkan sementara teknisi mengejar
studi tentang proses perekaman, berkat itu
pada akhirnya akan mungkin, jika
diperlukan, baik untuk menyimpan
sejumlah besar kata dan untuk memiliki
akses yang sangat cepat ke sana.
Pertanyaan pertama yang muncul adalah
bagaimana mengklasifikasikan kata-kata
dalam kamus elektronik sedemikian rupa
untuk memastikan pencarian secepat
mungkin. Kata-kata diwakili oleh kode
numerik biner, beberapa metode
klasifikasi alternatif telah dicoba:
 pengaturan dalam urutan frekuensi yang
menurun, menurut abjad berdasarkan
bagian, dll.
In order to find out which one was best, we Untuk mengetahui mana yang terbaik,
compared the features, price and performance kami membandingkan fitur, harga, dan
of each. The API’s chosen were; Bing, Google, performa masing-masing. API yang
SDL and Yandex. dipilih adalah; Bing, Google, SDL dan
Features Comparison Yandex.
API Number Number Total Perbandingan Fitur
of source of target
number of API Jumlah Jumlah Total
languages
languages sumber bahasa
from translation target jumlah dari
pair bahasa
English
dari pasangan
Bing 45 44 2025
bahasa terjemahan
Google 64 90 2016 Inggris
Bing 45 44 2025
SDL 43 42 48
Google 64 90 2016
Yande 44 43 1892
x SDL 43 42 48
Yandex 44 43 1892
To test the performance of each tool we
created a paragraph of text that would be
Untuk menguji performa setiap alat, kami
deliberately difficult to translate. The
membuat paragraf teks yang sengaja sulit
paragraph included several compound
diterjemahkan. Paragraf tersebut mencakup
words, the idiom ‘once in a blue moon’, a
beberapa kata majemuk, idiom 'sekali dalam
word with no exact equivalent in the target
bulan biru', kata yang tidak memiliki padanan
language (fundraising) and a word that has
persis dalam bahasa target (penggalangan
multiple meanings (rose). For this test we
dana) dan kata yang memiliki banyak arti
asked the tools to translate from English
(mawar). Untuk tes ini kami meminta alat
into Spanish. We then investigated how
untuk menerjemahkan dari bahasa Inggris ke
each API performed.
bahasa Spanyol. Kami kemudian menyelidiki
bagaimana kinerja setiap API.
The test paragraph:
Paragraf pengujian:
Our ‘Help The Children’ fundraising run
will take take place this Saturday afternoon Penggalangan dana 'Help The Children'
at 3 p.m. Thanks to our celebrity runner, we kami akan berlangsung Sabtu sore ini jam
have a once in a blue moon opportunity to 3 sore. Terima kasih kepada pelari
really raise awareness for the charity. If selebriti kami, kami memiliki kesempatan
you would like to take part, the deadline for sekali di bulan biru untuk benar-benar
signup is 5 p.m today. Thanks to everyone meningkatkan kesadaran akan amal. Jika
who rose to the challenge of organising this Anda ingin ikut serta, batas waktu
years event. pendaftaran adalah jam 5 sore hari ini.
Terima kasih kepada semua orang yang
The Results:
telah menerima tantangan untuk
Bing menyelenggarakan acara tahun ini.
Bing had no problems at all with the
Hasil:
compound words test. As with all the tools
Bing
we tested it translated the idiom ‘once in a
Bing tidak punya masalah sama sekali
blue moon’ literally. Bing did the best of all
dengan tes kata majemuk. Seperti semua
of the four tools with it’s translation of the
alat yang kami uji, itu menerjemahkan
missing word ‘fundraising’ offering the
idiom 'sekali dalam bulan biru' secara
most clear alternative. It’s translation of the
harfiah. Bing melakukan yang terbaik dari
multiple meaning word ‘rose’ was correct,
keempat alat tersebut dengan terjemahan
though the sentence itself was wrong.
kata yang hilang 'penggalangan dana' yang
Despite the error in the last sentence, Bing’s
menawarkan alternatif paling jelas.
translation was by a narrow margin the most
Terjemahan dari beberapa arti kata
understandable of the four tools tested
'mawar' itu benar, meskipun kalimat itu
Google sendiri salah. Terlepas dari kesalahan pada
kalimat terakhir, terjemahan Bing adalah
Google preformed the least well of the four
yang paling mudah dipahami dari empat
tools on the test for compound words,
alat yang diuji.
because it’s translation of ‘Signup’ although
Google
understandable was not as good as the other Google melakukan yang paling tidak baik
three. Like all the tools the idiom ‘once in a dari empat alat pada pengujian kata
blue moon’ was translated literally. The majemuk, karena itu terjemahan 'Daftar'
 meskipun dapat dimengerti tidak sebagus
translation of the missing word
tiga lainnya. Seperti semua alat, idiom 'sekali
‘fundraising’ was good and there were no
dalam bulan biru' diterjemahkan secara
problems with the multiple meaning word
harfiah. Terjemahan dari kata 'fundraising'
‘rose’.
yang hilang itu bagus dan tidak ada masalah
Yandex dengan beberapa arti kata 'rose'.

Yandex scored full marks on the compound Yandex

Yandex mendapat nilai penuh pada tes kata
word test, and like all of the tools translated
majemuk, dan seperti semua alat yang
the idiom ‘once in a blue moon’ literally. It
menerjemahkan idiom 'sekali dalam bulan
performed the worst of the four with the
biru' secara harfiah. Itu melakukan yang
translation of ‘fundraising’ though the
terburuk dari empat dengan terjemahan
translation offered was just about
'penggalangan dana' meskipun terjemahan
understandable. Yandex had no problems
yang ditawarkan hampir bisa dimengerti.
with the multiple meaning word ‘rose’. Like
Yandex tidak memiliki masalah dengan
SDL it also seemed to have a problem
berbagai arti kata 'mawar'. Seperti SDL,
dealing with quotation marks, changing
tampaknya juga ada masalah yang
single quotation marks into double but not
berhubungan dengan tanda kutip, mengubah
closing them. We tested several sentences to
tanda kutip tunggal menjadi ganda tetapi
check this error and found it to be a
tidak menutupnya. Kami menguji beberapa
common one. Sometimes double quotes
kalimat untuk memeriksa kesalahan ini dan
were used and not shut, at other times a
ternyata itu kesalahan yang umum.
combination of single and double quotes
Terkadang tanda kutip ganda digunakan dan
were used.
tidak ditutup, di lain waktu kombinasi tanda
SDL kutip tunggal dan ganda digunakan.
SDL
SDL translated all of the compound words
SDL menerjemahkan semua kata majemuk
in our paragraph correctly. It translated the
dalam paragraf kami dengan benar. Ini
idiom ‘once in a blue moon’ literally like all
menerjemahkan idiom 'sekali dalam bulan
the tools we tested. SDL offered a good
biru' secara harfiah seperti semua alat yang
alternative for the missing word
kami uji. SDL menawarkan alternatif yang
‘fundraising’, and translated the multiple
baik untuk kata 'penggalangan dana' yang

meaning word ‘rose’ with no problems,
though in both cases the sentences
themselves were wrong. As mentioned
above SDL also seems to have a problem in
dealing with quotation marks.
As there was no clear winner in the
performance test, we looked at the results
from the price/features comparison to make
our choice. We ruled out SDL right away
because they had nowhere near the number
of language pairs that the other three had.
Bing was the leader when it came to number
of language pairs, however both Google and
Yandex were not far behind, so for us it
came down to price. We ruled Google out
here as they were the most expensive in
every category. With Bing and Yandex left
the choice becomes simple. If you’re going
to use less than ten million characters a
month Go with Yandex as they are slightly
cheaper. If you need to translate more than
ten million words a month then Bing
becomes the best choice.
All of the tools did pretty badly on the test,
though to be fair it was a difficult test.
Automatic translation by computers is
notoriously prone to pitfalls and that was
certainly the case here. The translations
were barely understandable in this case,
especially if you’re not used to machine
hilang, dan menerjemahkan berbagai arti
kata 'mawar' tanpa masalah, meskipun dalam
kedua kasus kalimat itu sendiri salah. Seperti
disebutkan di atas SDL juga tampaknya
memiliki masalah dalam menangani tanda
kutip.
Karena tidak ada pemenang yang jelas dalam
uji kinerja, kami melihat hasil dari
perbandingan harga / fitur untuk menentukan
pilihan kami. Kami segera
mengesampingkan SDL karena mereka tidak
memiliki tempat yang mendekati jumlah
pasangan bahasa yang dimiliki tiga lainnya.
Bing adalah pemimpin dalam hal jumlah
pasangan bahasa, namun baik Google dan
Yandex tidak jauh di belakang, jadi bagi
kami itu tergantung pada harga. Kami
mengesampingkan Google di sini karena
mereka yang paling mahal di setiap kategori.
Dengan Bing dan Yandex, pilihan menjadi
sederhana. Jika Anda akan menggunakan
kurang dari sepuluh juta karakter sebulan,
gunakan Yandex karena harganya sedikit
lebih murah. Jika Anda perlu
menerjemahkan lebih dari sepuluh juta kata
sebulan maka Bing menjadi pilihan terbaik.
Semua alat bekerja dengan sangat buruk
dalam pengujian, meskipun sejujurnya itu
adalah pengujian yang sulit. Penerjemahan
otomatis oleh komputer terkenal rentan
terhadap jebakan dan itulah yang terjadi di
 sini. Terjemahan hampir tidak dapat
translations, and the idiom was particularly
dimengerti dalam kasus ini, terutama jika
confusing. After reading each translation
Anda tidak terbiasa dengan terjemahan
several times we were unable to pick a clear
mesin, dan idiom itu sangat
winner. Some translated certain sentences
membingungkan. Setelah membaca setiap
better than others. The most understandable,
terjemahan beberapa kali, kami tidak
when it comes to the meaning of the whole
dapat memilih pemenang yang jelas.
thing (which is stated in the first line), is
Beberapa menerjemahkan kalimat tertentu
Bing, while Yandex was the only tool to
lebih baik dari yang lain. Yang paling bisa
give a correct translation of the last
dimengerti, dalam hal arti dari semuanya
sentence. Ultimately, we see all the tools as
(yang disebutkan di baris pertama), adalah
performing at around the same level
Bing, sedangkan Yandex adalah satu-
satunya alat untuk memberikan
terjemahan yang benar dari kalimat
terakhir. Pada akhirnya, kami melihat
semua alat berperforma di sekitar level
yang sama.

Google, Bing, Yandex, and SDL have

different translation products. Following are
the samples of translation product by,
Google, Bing Yandex, and SDL. Can you
tell the differences?
Google’s translation product:
https://translate.google.com

Source Text Target Text

There was once upon a time a poor widow Ada sekali setiap waktu janda miskin yang
who had an only son named Jack, and a cow hanya memiliki satu anak laki-laki bernama
named Milky-white. And all they had to live Jack, dan seekor sapi bernama Milky-white.
on was the milk the cow gave every morning Dan semua mereka harus hidup adalah susu
which they carried to the market and sold. But
one morning Milky-white gave no milk and
they didn’t know what to do.
“What shall we do, what shall we do?” said
the widow, wringing her hands.
“Cheer up, mother, I’ll go and get work
somewhere,” said Jack
From the table, it can be seen that Google
Translate produces literal translation.
Sometimes, it cannot differentiate a proper
name; “Jack” is translated as
“Mendrongkrak”, yet “Jack” is a name of
person in this text.
Bing’s translation product:
https://www.bing.com/translator
Source Text
There was once upon a time a poor widow
who had an only son named Jack, and a cow
named Milky-white. And all they had to live
on was the milk the cow gave every morning
which they carried to the market and sold. But
one morning Milky-white gave no milk and
they didn’t know what to do.
“What shall we do, what shall we do?” said
the widow, wringing her hands.
“Cheer up, mother, I’ll go and get work
somewhere,” said Jack.
yang diberikan sapi setiap pagi yang mereka
bawa ke pasar dan dijual. Tapi suatu pagi
Milky-putih tidak memberi susu dan mereka
tidak tahu harus berbuat apa.
“Apa yang harus kita lakukan, apa yang
harus kita lakukan?” Kata sang janda
meremas tangannya.
“Bergembiralah, ibu, saya akan pergi dan
bekerja di suatu tempat,” kata Mendongkrak
Dari tabel tersebut terlihat bahwa Google
Translate menghasilkan terjemahan literal.
Terkadang, tidak bisa membedakan nama
yang tepat; “Jack” diterjemahkan menjadi
“Mendrongkrak”, namun “Jack” adalah
nama orang dalam teks ini.
Produk terjemahan Bing:
https://www.bing.com/translator
Target Text
Sana adalah sekali upon a time seorang
janda miskin yang memiliki hanya anak
bernama Jack, dan sapi bernama Sakti-
putih. Dan semua mereka harus hidup
adalah susu sapi memberikan setiap pagi
yang mereka dibawa ke pasar dan dijual.
Tapi suatu pagi Milky-putih memberikan
tidak ada susu dan mereka tidak tahu apa
yang harus dilakukan.
“Apa yang harus kita lakukan, apa yang
harus kami perbuat?” kata janda meremas-
remas tangannya.
 “Bergembiralah, ibu, aku akan pergi dan
mendapatkan pekerjaan di suatu tempat,”
kata Jack.
Source Text Target Text (Revised by translator)
A farmer must transport his dog, a duck, and a Seorang Petani harus mengangkut Anjingnya,
bag of corn across a river. seekor Bebek, dan sekantong Jagung ke
seberang Sungai.
The boat he has to use is very small—so small Perahu yang harus dia gunakan sangat kecil
that he can take only one of the three in the boat sehingga dia hanya bisa mengambil satu dari
with him at a time. ketiganya di kapal bersamanya sekaligus.

If he leaves the dog alone with the duck, the Jika dia meninggalkan Anjingnya sendirian
dog will kill and eat the duck. dengan Bebek, Anjing akan membunuh dan
memakan Bebek.
If he leaves the duck alone with the corn, the Jika dia meninggalkan bebek sendiri dengan
duck will eat up the corn. Jagung, Bebek akan memakan Jagung.

What is the least number of trips the farmer Berapa jumlah minimal perjalanan yang harus
must make to transport all three across the river dilakukan Petani untuk mengangkut ketiganya
safely? menyebrangi sungai dengan aman?

Can you tell the differences of the text before Bisakah Anda membedakan teks sebelum dan
and after being revised?
sesudah direvisi?
It can be seen that translator has made some
Dapat dilihat bahwa penerjemah telah
revisions to the translation product. Those
membuat beberapa revisi pada produk
revisions are:
terjemahan. Revisi tersebut adalah:
From the table above, it can be seen that Dari tabel di atas terlihat bahwa ada beberapa
there are some words that Bing cannot kata yang tidak bisa diterjemahkan Bing;
translate; “upon a time”. Sometimes, Bing "suatu ketika". Terkadang, Bing dapat
can translate proper name “Jack”, but menerjemahkan nama yang tepat "Jack",
sometimes it cannot translate it well; tetapi terkadang tidak dapat
“Milky-White” as “Sakti-Putih”, yet menerjemahkannya dengan baik; "Milky-
“Milky- white” is a name of Jack’s cow. White" sebagai "Sakti-Putih", namun "Milky-
Bing also cannot differentiate the use of white" adalah nama sapi Jack. Bing juga tidak
“we” as “kami” or “kita” in Indonesian bisa membedakan penggunaan “kami” sebagai
language.
Yandex’s translation product:
https://translate.yandex.com
Source Text
There was once upon a time a poor widow
who had an only son named Jack, and a cow
named Milky-white. And all they had to live
on was the milk the cow gave every morning
which they carried to the market and sold.
But one morning Milky-white gave no milk
and they didn’t know what to do.
“What shall we do, what shall we do?” said
the widow, wringing her hands”.
“Cheer up, mother, I’ll go and get work
somewhere,” said Jack.
From the table above, it can be seen that
Yandex sometimes cannot differentiate a
proper name; “Milky-White” is translated as
“Bima-Putih” and “susu putih”, yet “Milky-
White” should not be translated literally
because it is a name of a cow.
SDL’s translation product:
https://www.freetranslation.com
Source Text
There was once upon a time a poor widow
“kami” atau “kita” dalam bahasa Indonesia
Produk terjemahan Yandex:
https://translate.yandex.com
Target Text
Ada sekali waktu seorang janda miskin yang
memiliki hanya anak laki-laki bernama
Jack, dan sapi bernama Bima-putih. Dan
semua mereka harus hidup adalah susu sapi
memberi setiap pagi yang mereka dibawa ke
pasar dan dijual. Tapi suatu pagi susu putih
tidak memberikan susu dan mereka tidak
tahu apa yang harus dilakukan.
“Apa yang harus kita lakukan, apa yang
harus kita lakukan?” kata janda, meremas-
remas”
“Bergembiralah, ibu, aku akan pergidan
mendapatkan pekerjaan di suatu tempat,”
kata Jack.
Dari tabel di atas, terlihat bahwa Yandex
terkadang tidak dapat membedakan nama
yang tepat; “Milky-White” diterjemahkan
sebagai “Bima-Putih” dan “susu putih”,
namun “Milky-White” tidak harus
diterjemahkan secara harfiah karena itu
adalah nama sapi.
Produk terjemahan SDL:
https://www.freetranslation.com
Target Text
Ada pada suatu ketika, seorang janda miskin
who had an only son named Jack, and a cow
named Milky-white. And all they had to live
on was the milk the cow gave every morning
which they carried to the market and sold. But
one morning Milky-white gave no milk and
they didn’t know what to do.
“What shall we do, what shall we do?” said
the widow, wringing her hands.
“Cheer up, mother, I’ll go and get work
somewhere,” said Jack.
From the table above, it can be seen that
SDL translates “Milky-white” as “Bima
Sakti putih”. SDL matches the name
“Milky-White” to the context of astronomy,
yet “Milky- white” is a proper name that
should not be translated literally or adapted
to other contexts.
yang satu-satunya anak bernama Jack, dan
lembu bernama Bima Sakti putih. Dan
semua mereka untuk hidup pada adalah
memerah susu memberikan setiap pagi hari
yang mereka dibawa ke pasar dan dijual.
Tetapi satu Bima Sakti pagi putih tidak
memberikan susu dan mereka tidak tahu apa
yang harus dilakukan.
“Apa yang akan kita lakukan, apa yang akan
kita lakukan?” kata janda kalau tangannya.
“Menyemarakkan, ibu, saya akan pergi dan
bekerja di suatu tempat,” kata Jack.
Dari tabel di atas dapat dilihat bahwa SDL
menerjemahkan “Bima Sakti” menjadi
“Bima Sakti putih”. SDL mencocokkan
nama "Milky-White" dengan konteks
astronomi, namun "Milky-white" adalah
nama yang tepat yang tidak boleh
diterjemahkan secara harfiah atau
disesuaikan dengan konteks lain.

SUMMARY

Computer Assisted Translation is a term used to describe computer techniques to

facilitate the translation process. The system relies on automatic translation which is
corrected by human translators in the post editing process. This system is based on direct
word-to-word transfer. Currently, there are three types of CAT (Computer Assisted
Translation) tools to assist human translation work.
 1. Machine Translator

2. Terminology Management

3. Translation Memory

In any translation, whether human or automatic, the meaning of the text in the
(original) source language must be completely transfered to the equivalent meaning in the
translation of the target language. While this may seem easy at first glance, it is often much
more complex. Translation is never just a word for word substitution. A human translator
must interpret and analyze all the elements in the text and understand how each word can
affect the context of the text. This requires extensive expertise in grammar, syntax (sentence
structure), semantics (meaning), etc. In source and target languages, as well as expertise in
that domain.

Several types of Machine Translation are available in the market today, the most
widely used being Statistical Machine Translation (SMT), Rules-Based Machine Translation
(RBMT), and Hybrid System, which combines RBMT and SMT.