Name : Khairun Nisa Harahap

NIM : 0304182120

Class : TBI – 1 / Semester V

Subject : Translation

CHAPTER II BAB II
TERJEMAHAN MESIN
MACHINE TRANSLATION
A. Alat Terjemahan Berbantuan
A. Computer Assisted Translation Tools Komputer
Computer-Assisted Translation is a Terjemahan Berbantuan Komputer
term used to describe computer adalah istilah yang digunakan untuk
techniques to facilitate the process of mendeskripsikan teknik komputer untuk
translation. The system relies on memfasilitasi proses terjemahan. Sistem
automatic translation which is corrected ini mengandalkan terjemahan otomatis
by human translators in the process of yang dikoreksi oleh penerjemah
post editing. The system is based on a manusia dalam proses pengeditan
direct word to word transfer. Currently, posting. Sistem ini didasarkan pada
there are three basic types of CAT transfer kata ke kata langsung. Saat ini,
(Computer Assisted Translation) tools ada tiga jenis alat CAT (Computer
to assist human translation work; Assisted Translation) untuk membantu
1) Machine Translation pekerjaan penerjemahan manusia;
Machine Translation (MT) is an 1) Terjemahan Mesin
action of fully automatic text Terjemahan Mesin (MT) adalah
translation. The translation is carried out tindakan terjemahan teks sepenuhnya
entirely by the computer with no help of otomatis. Terjemahan dilakukan
human translators. Even though MT is sepenuhnya oleh komputer tanpa
not a proper part of CAT, the systems bantuan penerjemah manusia. Meskipun
are sometime used in CAT to provide MT bukan bagian yang tepat dari CAT,
rough suggestions of translation. sistem terkadang digunakan di CAT
Human translator untuk memberikan saran terjemahan
yang kasar. Penerjemah manusia
is then responsible for carrying out the
post-editing.
It simply writes a text into a
program, selects a target language, and
clicks “Translate”. MT tools are
computer programs linked to databases
full of translations created by human
translators. Generally, contemporary
machine translation alone can supply
90% accuracy at best unless used in the
context of tightly controlled language
applications such as material safety data
sheets. The greater the breadth of the
vocabulary and the complexity of style
and grammar, the less suitable MT
becomes. In this case of most business
contexts, machine translation is not
suitable unless followed by careful
human editing.
2) Terminology Management
It refers to databases that hold
preferred terms specific to an enterprise.
Essentially, a terminology database is
an intel-ligent glossary of a company’s
preferred translations of specified terms
in multiple languages. Typically, such a
database can be used both in authoring
original texts in one or more languages,
kemudian bertanggung jawab untuk
melakukan pengeditan pasca.
Ini hanya menulis teks ke dalam
program, memilih bahasa target, dan
mengklik "Terjemahkan". Alat MT
adalah program komputer yang
ditautkan ke database yang penuh
dengan terjemahan yang dibuat oleh
penerjemah manusia. Umumnya,
terjemahan mesin kontemporer saja
dapat memberikan akurasi maksimal
90% kecuali digunakan dalam konteks
aplikasi bahasa yang dikontrol dengan
ketat seperti lembar data keamanan
material. Semakin luas kosa kata dan
kompleksitas gaya dan tata bahasa, MT
menjadi kurang cocok. Dalam kasus
sebagian besar konteks bisnis ini,
terjemahan mesin tidak cocok kecuali
diikuti dengan pengeditan manusia yang
cermat.
2) Manajemen Terminologi
Ini mengacu pada database yang
menyimpan istilah khusus untuk suatu
perusahaan. Pada dasarnya, database
terminologi adalah glosarium yang
cerdas dari terjemahan istilah tertentu
yang disukai perusahaan dalam berbagai
bahasa. Biasanya, database seperti itu
dapat digunakan baik dalam penulisan
teks asli dalam satu atau lebih bahasa,
and in customizing translation memory dan dalam menyesuaikan memori
and machine translation terjemahan dan implementasi
implementations. terjemahan mesin.

3) Translation Memory 3) Memori Terjemahan

Translation Memory (TM) is a Memori Terjemahan (TM) adalah
database of previously carried out database dari terjemahan yang
translations. TM contains only high- dilakukan sebelumnya. TM hanya berisi
quality translations which can be reused terjemahan berkualitas tinggi yang
in future. The reuse of translations by dapat digunakan kembali di masa
means of Translation Memory is the mendatang. Penggunaan kembali
most widely recognized and appreciated terjemahan melalui Memori Terjemahan
feature of CAT. It reflects the natural adalah fitur CAT yang paling dikenal
work process of a translator before the dan dihargai secara luas. Ini
era of computerization, when instead of mencerminkan proses kerja alami
using databases, translators took notes penerjemah sebelum era komputerisasi,
of phrases and sentences to use them ketika alih-alih menggunakan basis
later in their work. Apart from cost data, penerjemah membuat catatan frasa
saving (once translated sentence does dan kalimat untuk digunakan nanti
not need to be translated again), dalam pekerjaan mereka. Selain
Translation Memories grant the penghematan biaya (kalimat yang sudah
consistency of translation, which in diterjemahkan tidak perlu
some cases is essential. diterjemahkan lagi), Memori
It is perhaps the most utilized of all Terjemahan memberikan konsistensi
CAT tools at present. It is also referred terjemahan, yang dalam beberapa kasus
to as machine-assisted human sangat penting.
translation (MAHT) because, in all its Ini mungkin yang paling banyak
various forms, it is a desktop tool used digunakan dari semua alat CAT saat ini.
by professional translators. Ini juga disebut sebagai terjemahan
manusia dengan bantuan mesin
(MAHT) karena, dalam berbagai
bentuknya, ini adalah alat desktop yang
digunakan oleh penerjemah profesional.
As the name implies, these applications
“memorize” previously translated
material, such that in subsequent
translations they “suggest” translations
of text strings (phrases, sentences, or
even entire paragraphs) in the target
language to the translator. Translation
memory when used appropriately
supplies several benefits. It increases
speed, accuracy and consistency among
multiple linguists, streamlines the
efforts of a translation team, and best of
all, it saves money.
CAT software is essentially a set of
tools used to manipulate a database of
language information. It is the input of
information in the form of translated
words, phrases, sentences and even
complete paragraphs in the source and
target languages that constitutes this
database. Potential benefits include:
1) Repetitive or similar texts need be
translated only once
2) Once glossaries have been entered in
the system, future translations will
always be consistent.
3) Greater speed of draft translation,
thereby allowing more time
Sesuai dengan namanya, aplikasi ini
"menghafal" materi yang diterjemahkan
sebelumnya, sehingga dalam terjemahan
berikutnya mereka "menyarankan"
terjemahan string teks (frasa, kalimat,
atau bahkan seluruh paragraf) dalam
bahasa target kepada penerjemah.
Memori terjemahan bila digunakan
dengan tepat memberikan beberapa
manfaat. Ini meningkatkan kecepatan,
keakuratan, dan konsistensi di antara
banyak ahli bahasa, menyederhanakan
upaya tim penerjemah, dan yang terbaik
dari semuanya, ini menghemat uang.
Perangkat lunak CAT pada dasarnya
adalah seperangkat alat yang digunakan
untuk memanipulasi database informasi
bahasa. Masukan informasi berupa kata,
frasa, kalimat yang diterjemahkan,
bahkan paragraf lengkap dalam bahasa
sumber dan sasaranlah yang membentuk
database ini. Manfaat potensial
meliputi:
1) Teks berulang atau serupa hanya
perlu diterjemahkan sekali
2) Setelah glosarium dimasukkan ke
dalam sistem, terjemahan di masa
mendatang akan selalu konsisten.
3) Kecepatan terjemahan draf yang
lebih tinggi, sehingga
memungkinkan lebih banyak waktu
 for quality control. untuk kontrol kualitas.
4) A computer can work on draft
4) Sebuah komputer dapat mengerjakan
translation at any time of the day,
terjemahan draf setiap saat sepanjang
thus a 10,000 word translation that
hari, sehingga terjemahan 10.000
would take a human translator a
kata yang membutuhkan penerjemah
week to produce could be done
manusia seminggu untuk
overnight ready for editing the next
menghasilkan dapat diselesaikan
morning. (Speeds of up to 10,000
dalam semalam dan siap untuk diedit
words per hour have been claimed).
keesokan paginya. (Kecepatan
5) Better quality control since text
hingga 10.000 kata per jam telah
already entered in the software will
diklaim).
not need to be re-checked. CAT
5) Kontrol kualitas yang lebih baik
software is now available from a
karena teks yang sudah dimasukkan
number of manufactures including
ke dalam perangkat lunak tidak perlu
IBM, PC Translator, Power
diperiksa ulang.
Translator Professional and the
Perangkat lunak CAT sekarang
Language Assistant series.
tersedia dari sejumlah produsen
CAT software is still expensive and termasuk IBM, PC Translator, Power
requires a fairly powerful computer if it Translator Professional dan seri
is to work satisfactorily. It is not Language Assistant. Perangkat lunak
something that you can use from day 1 CAT masih mahal dan membutuhkan
since it needs a considerable amount of komputer yang cukup kuat jika ingin
data input before it will start to produce bekerja dengan memuaskan. Ini bukan
anything like a usable translation. Try it sesuatu yang dapat Anda gunakan sejak
when you first install it and you will get hari pertama karena memerlukan
some hilarious results. However, the masukan data yang cukup banyak
more information sebelum mulai menghasilkan sesuatu
seperti terjemahan yang dapat
digunakan. Cobalah ketika Anda
pertama kali menginstalnya dan Anda
akan mendapatkan hasil yang lucu.
Namun, semakin banyak informasi yang
you can add the faster and better it yang dapat Anda tambahkan, semakin
works. cepat dan lebih baik kerjanya.

However, machine translation is Namun, terjemahan mesin menjadi

becoming commonplace. For example, hal biasa. Misalnya, Google Terjemahan
Google Translate is often used to try to sering digunakan untuk mencoba
get the gist of a paragraph of text in a mendapatkan inti dari paragraf teks
language someone cannot read. How dalam bahasa yang tidak dapat dibaca
does this work? Google Translate, like seseorang. Bagaimana cara kerjanya?
other “statistical” machine translation Google Translate, seperti sistem
(SMT) system is essentially a tool for terjemahan mesin “statistik” (SMT)
massive sophisticated plagiarism. SMT lainnya pada dasarnya adalah alat untuk
systems do not understand what they plagiarisme canggih yang masif. Sistem
are translating. They simply look up SMT tidak mengerti apa yang mereka
words in a huge database of sentences terjemahkan. Mereka hanya mencari
and their human translations. That kata-kata dalam database kalimat yang
database has been previously processed sangat besar dan terjemahan
to guess at how humans have typically manusianya. Database tersebut
translated various words and how that sebelumnya telah diproses untuk
translation depends on the immediate menebak bagaimana manusia biasanya
co-text, that is, a word or two on either menerjemahkan berbagai kata dan
side of the word in question. Then the bagaimana terjemahan itu bergantung
guesses as to the translations of various pada teks bersama langsung, yaitu, satu
words in the sentences are put together atau dua kata di kedua sisi kata yang
in the hope the resulting sequence of dimaksud. Kemudian tebakan untuk
words will make sense to a human, even terjemahan berbagai kata dalam kalimat
though the computer understands disatukan dengan harapan urutan kata
neither the source language nor the yang dihasilkan akan masuk akal bagi
target language. The only human manusia, meskipun komputer tidak
translators that might be replaced by memahami bahasa sumber maupun
computers are bahasa target. Satu-satunya penerjemah
manusia yang mungkin digantikan oleh
komputer adalah
those who translate mechanically mereka yang menerjemahkan secara
without trying to fully understand what mekanis tanpa mencoba memahami
they are translating or who lack a full sepenuhnya apa yang mereka
command of the target language. terjemahkan atau yang tidak memiliki
perintah penuh dari bahasa target.
B. Machine Translation and Its Types
Machine translation (MT) is B. Terjemahan Mesin dan Jenisnya
automated translation or “translation Terjemahan mesin (MT) adalah
carried out by a computer”. It is a terjemahan otomatis atau "terjemahan
process, sometimes referred to as yang dilakukan oleh komputer". Ini
Natural Language Processing which adalah proses, kadang-kadang disebut
uses a bilingual data set and other sebagai Pemrosesan Bahasa Alami yang
language assets to build language and menggunakan kumpulan data
phrase models used to translate text. As dwibahasa dan aset bahasa lain untuk
computational activities become more membangun model bahasa dan frase
mainstream and the internet opens up a yang digunakan untuk menerjemahkan
wider multilingual and global teks. Seiring aktivitas komputasi
community, research and development menjadi lebih utama dan internet
in Machine Translation continues to membuka komunitas multibahasa dan
grow at a rapid rate. global yang lebih luas, penelitian dan
In any translation, whether human or pengembangan dalam Terjemahan
automated, the meaning of a text in the Mesin terus tumbuh dengan kecepatan
source (original) language must be fully tinggi.
transferred to its equivalent meaning in Dalam terjemahan apa pun, baik
the target language’s translation. While manusia atau otomatis, makna teks
on the surface this seems dalam bahasa sumber (asli) harus
straightforward, it is often far more sepenuhnya ditransfer ke makna yang
complex. Translation is never a mere setara dalam terjemahan bahasa target.
word-for-word substitution. Meskipun di permukaan hal ini tampak
A human translator must langsung, seringkali jauh lebih
kompleks. Terjemahan tidak pernah
sekadar substitusi kata demi kata.
Seorang penerjemah manusia harus
interpret and analyze all of the elements menafsirkan dan menganalisis semua
within the text and understand how each elemen di dalam teks dan memahami
word may influence the context of the bagaimana setiap kata dapat
text. This requires extensive expertise in memengaruhi konteks teks. Hal ini
grammar, syntax (sentence structure), membutuhkan keahlian ekstensif dalam
semantics (meanings), etc. in the source tata bahasa, sintaksis (struktur kalimat),
and target languages, as well as semantik (makna), dll. Dalam bahasa
expertise in the domain. sumber dan target, serta keahlian dalam
domain tersebut.
Human and Machine Translation
each have their share of challenges. For Penerjemahan Manusia dan Mesin
example, no two individual translators masing-masing memiliki tantangan
will produce identical translations of the yang sama. Misalnya, tidak ada dua
same text in the same language pair, and penerjemah individu yang akan
it may take several rounds of revisions menghasilkan terjemahan identik dari
to meet the client’s requirements. teks yang sama dalam pasangan bahasa
Automated translations find difficulties yang sama, dan mungkin perlu beberapa
in interpreting contextual and cultural putaran revisi untuk memenuhi
elements of a text and quality is persyaratan klien. Terjemahan otomatis
dependent on the type of system and menemukan kesulitan dalam
how it is trained, however it is menafsirkan elemen kontekstual dan
extremely effective for particular budaya dari sebuah teks dan kualitasnya
content types and use cases, e.g. bergantung pada jenis sistem dan cara
automotive, mechanical, User melatihnya, namun ini sangat efektif
Generated Content (USG), repetitive untuk jenis konten dan kasus
texts, structured language and many penggunaan tertentu, misalnya otomotif,
more. mekanik, Konten Buatan Pengguna
( USG), teks berulang, bahasa
While Machine Translation faces
terstruktur, dan banyak lagi.
some challenges, if implemented
correctly MT users Meskipun Terjemahan Mesin
menghadapi beberapa tantangan, jika
diterapkan dengan benar, pengguna MT
can achieve benefits from economies of dapat memperoleh manfaat dari skala
scale when translating in domains suited ekonomi saat menerjemahkan dalam
to Machine Translation. domain yang sesuai dengan Terjemahan
Mesin.
A few different types of Machine
Translation are available in the market Beberapa jenis Terjemahan Mesin
today, the most widely use being tersedia di pasaran saat ini, yang paling
Statistical Machine Translation (SMT), banyak digunakan adalah Terjemahan
Rule-Based Machine Translation Mesin Statistik (SMT), Terjemahan
(RBMT), and Hybrid Systems, which Mesin Berbasis Aturan (RBMT), dan
combine RBMT and SMT. Sistem Hibrid, yang menggabungkan
RBMT dan SMT.
1) Rule-Based Machine Translation
(RBMT) Technology RBMT relies 1) Teknologi Terjemahan Mesin
on countless built-in linguistic rules Berbasis Aturan (RBMT) RBMT
and millions of bilingual dictionaries mengandalkan aturan linguistik
for each language pair. The RBMT bawaan yang tak terhitung
system parses text and creates a jumlahnya dan jutaan kamus
transitional representation from dwibahasa untuk setiap pasangan
which the text in the target language bahasa. Sistem RBMT mengurai teks
is generated. This process requires dan membuat representasi transisi
extensive lexicons with dari mana teks dalam bahasa target
morphological, syntactic, and dibuat. Proses ini membutuhkan
semantic information, and large sets leksikon ekstensif dengan informasi
of rules. The software uses these morfologi, sintaksis, dan semantik,
complex rule sets and then transfers dan seperangkat aturan yang besar.
the grammatical structure of the Perangkat lunak menggunakan
source language into the target kumpulan aturan kompleks ini dan
language. kemudian mentransfer struktur tata
Rule-based Machine Translation bahasa dari bahasa sumber ke bahasa
systems are built on gigantic target.
dictionaries Sistem Terjemahan Mesin berbasis
aturan dibangun di atas kamus raksasa
and sophisticated linguistic rules. Users dan aturan linguistik yang canggih.
can improve translation quality by Pengguna dapat meningkatkan kualitas
adding terminology into the translation terjemahan dengan menambahkan
process by creating user-defined terminologi ke dalam proses terjemahan
dictionaries, which override the dengan membuat kamus yang
system's default settings. ditentukan pengguna, yang
menggantikan pengaturan default
In most cases, there are two steps: an
sistem.
initial investment that significantly
Dalam kebanyakan kasus, ada dua
increases the quality at a limited cost,
langkah: investasi awal yang secara
and an ongoing investment to increase
signifikan meningkatkan kualitas
quality incrementally. While rule-based
dengan biaya terbatas, dan investasi
MT may bring a company to a
berkelanjutan untuk meningkatkan
reasonable quality threshold, the quality
kualitas secara bertahap. Meskipun MT
improvement process is generally long,
berbasis aturan dapat membawa
expensive and needs to be carried out
perusahaan ke ambang kualitas yang
by trained experts. This has been a
wajar, proses peningkatan kualitas
contributing factor to the slow adoption
umumnya berlangsung lama, mahal dan
and usage of MT in the localization
perlu dilakukan oleh tenaga ahli yang
industry.
terlatih. Ini telah menjadi faktor
2) Statistical Machine Translation penyebab lambatnya adopsi dan
(SMT) Technology Statistical Machine penggunaan MT di industri lokalisasi.
Translation utilizes statistical translation 2) Teknologi Terjemahan Mesin
models generated from the analysis of Statistik (TPS) Terjemahan Mesin
monolingual and bilingual training data. Statistik menggunakan model
Essentially, this approach uses terjemahan statistik yang dihasilkan dari
computing power to build sophisticated analisis data pelatihan monolingual dan
data models to translate one source bilingual. Pada dasarnya, pendekatan ini
language into another. The translation menggunakan daya komputasi untuk
membangun model data yang canggih
untuk menerjemahkan satu bahasa
sumber ke bahasa lain. Terjemahan
is selected from the training data using
algorithms to select the most frequently
occurring words or phrases.
Building SMT models is a relatively
quick and simple process
involves uploading files to train the
engine for a specific language pair and
domain. A minimum of two million
words is required to train an engine for
a specific domain, however it is
possible to reach an acceptable quality
threshold with much less.
technology relies on bilingual corpora
such as translation memories and
glossaries to train it to learn 18
language pattern, and is
monolingual data to improve
fluency. SMT engines will prove to
have a higher output quality if trained
using domain specific training data such
as; medical, financial or technical
domains.
SMT technology is CPU intensive
and requires an extensive hardware
configuration to run translation models
at acceptable performance
Because of this, cloud-base systems are
preferred, whereby they can scale to
meet the demands of its users
dipilih dari data pelatihan menggunakan
algoritme untuk memilih kata atau frasa
yang paling sering muncul.
Membangun model SMT adalah
which
proses yang relatif cepat dan sederhana
yang melibatkan pengunggahan file
untuk melatih mesin untuk pasangan
bahasa dan domain tertentu. Diperlukan
minimal dua juta kata untuk melatih
mesin untuk domain tertentu, namun
dimungkinkan untuk mencapai ambang
SMT
kualitas yang dapat diterima dengan
lebih sedikit. Teknologi SMT
mengandalkan korpora bilingual seperti
memori terjemahan dan glosarium
uses
untuk melatihnya mempelajari pola
its
bahasa, dan menggunakan data satu
bahasa untuk meningkatkan
kefasihannya. Mesin SMT akan terbukti
memiliki kualitas keluaran yang lebih
tinggi jika dilatih menggunakan data
pelatihan khusus domain seperti;
domain medis, keuangan atau teknis.
Teknologi SMT menguras CPU dan
levels. 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
without the users having to invest tanpa pengguna harus berinvestasi besar
heavily in hardware and software costs. dalam biaya perangkat keras dan
perangkat lunak.
Note: RBMT vs. SMT RBMT can
achieve good results but the training and Catatan: RBMT vs. SMT RBMT
development costs are very high for a dapat mencapai hasil yang baik tetapi
good quality system. In terms of biaya pelatihan dan pengembangan
investment, the customization cycle sangat tinggi untuk sistem kualitas yang
needed to reach the quality threshold baik. Dalam hal investasi, siklus
can be long and costly. penyesuaian yang diperlukan untuk
mencapai ambang batas kualitas bisa
 RBMT systems are built with much
jadi panjang dan mahal.
less data than SMT systems, instead
using dictionaries and language rules  Sistem RBMT dibangun dengan data
to translate. This sometimes results yang jauh lebih sedikit daripada
in a lack of fluency.  sistem SMT, alih-alih menggunakan
 Language is constantly changing, kamus dan aturan bahasa untuk
which means rules must be managed menerjemahkan. Hal ini terkadang
and updated where necessary in menyebabkan kurangnya kefasihan.
RBMT systems.   Bahasa terus berubah, yang berarti
 SMT systems can be built in much aturan harus dikelola dan diperbarui
less time and do not require jika diperlukan dalam sistem RBMT.
linguistic experts to apply language  Sistem SMT dapat dibangun dalam
rules to the system.  waktu yang lebih singkat dan tidak
 SMT models require state-of the-art membutuhkan ahli bahasa untuk
computer processing power and menerapkan aturan bahasa ke sistem.
storage capacity to build and manage  Model SMT membutuhkan daya
large translation models. pemrosesan dan kapasitas
penyimpanan komputer yang
canggih untuk membangun dan
mengelola model terjemahan yang
besar.
 SMT systems can mimic the style of
the training data to generate output
based on the frequency of patterns
allowing them to produce more
fluent output.
C. Online Translation Machines
Modern machine translation services
such as Google Translate and
Microsoft’s Bing Translator have made
significant strides toward allowing users
to read content in other languages.
These systems, built on decades of
contributions from academic and
commercial research, focus largely on
this use case, aiming to maximize
human understandability of MT output.
For example, if an English speaking
user wants to read an article posted on a
Chinese language news site, a machine
translation may contain the following
lines:
UK GMT at 10:11 on March 20, a
rare solar eclipse spectacle will come
to Europe. This is the 1954 total solar
eclipse once again usher in mainland
Norway. The next solar eclipse occurs
recent times and the country was March
9, 2016 Sumatra;
 Sistem SMT dapat meniru gaya data
pelatihan untuk menghasilkan
keluaran berdasarkan frekuensi pola
yang memungkinkan mereka
menghasilkan keluaran yang lebih
lancar.
C. Mesin Terjemahan Online
Layanan terjemahan mesin modern
seperti Google Translate dan Microsoft
Bing Translator telah membuat langkah
signifikan untuk memungkinkan
pengguna membaca konten dalam
bahasa lain. Sistem ini, yang dibangun
atas kontribusi puluhan tahun dari
penelitian akademis dan komersial,
sebagian besar berfokus pada kasus
penggunaan ini, yang bertujuan untuk
memaksimalkan pemahaman manusia
tentang keluaran MT. Misalnya, jika
pengguna berbahasa Inggris ingin
membaca artikel yang diposting di situs
berita berbahasa Mandarin, terjemahan
mesin dapat berisi baris berikut:
GMT Inggris pada pukul 10:11
tanggal 20 Maret, tontonan gerhana
matahari yang langka akan datang ke
Eropa . Ini adalah gerhana matahari
total tahun 1954 yang sekali lagi
mengantarkan Norwegia ke daratan
utama. Gerhana matahari berikutnya
terjadi baru-baru ini dan negara itu 9
Maret 2016 Sumatera;
 This translation is quite useful for
casual readers, allowing them to glean
key information from the article such as
the event (a solar eclipse), location
(mainland Norway), and time (10:11 on
March 20). However, the grammatical
errors and likely mistranslations
throughout the text would prevent this
article from being published as-is in
English; readers would be unable to
trust the information as they would be
relying on their ability to guess what
information is missing or mistranslated.
If this article were to be published in
English, it would require professional
human translation. In fact, the ever-
increasing need for highly accurate
translations of complex content has led
to the development of a vibrant
professional translation industry. Global
businesses, government organizations,
and other projects employing translators
spent an estimated $37.19 billion
worldwide on translation services in
2014 (DePalma et al., 2014).
As the demand for human quality
translation increases, the idea of
leveraging
Terjemahan ini sangat berguna bagi
pembaca biasa, memungkinkan mereka
untuk mendapatkan informasi penting
dari artikel seperti peristiwa (gerhana
matahari), lokasi (daratan Norwegia),
dan waktu (10:11 pada 20 Maret).
Namun, kesalahan tata bahasa dan
kemungkinan salah terjemahan di
seluruh teks akan mencegah artikel ini
diterbitkan sebagaimana adanya dalam
bahasa Inggris; pembaca tidak akan
dapat mempercayai informasi karena
mereka akan mengandalkan
kemampuan mereka untuk menebak
informasi apa yang hilang atau salah
diterjemahkan. Jika artikel ini akan
diterbitkan dalam bahasa Inggris, maka
diperlukan terjemahan manusia yang
profesional. Faktanya, kebutuhan yang
terus meningkat akan terjemahan konten
kompleks yang sangat akurat telah
mendorong perkembangan industri
penerjemahan profesional yang dinamis.
Bisnis global, organisasi pemerintah,
dan proyek lain yang mempekerjakan
penerjemah menghabiskan sekitar $
37,19 miliar di seluruh dunia untuk
layanan terjemahan pada 2014
(DePalma et al., 2014).
Seiring dengan meningkatnya
permintaan akan terjemahan berkualitas
manusia, gagasan untuk memanfaatkan
machine translation to improve the terjemahan mesin untuk meningkatkan
speed of human translation grows kecepatan terjemahan manusia menjadi
increasingly attractive. While MT is semakin menarik. Meskipun MT tidak
unable to directly produce publishable dapat secara langsung menghasilkan
translations, recent work in academia terjemahan yang dapat diterbitkan,
and industry has shown significant pekerjaan terbaru di akademisi dan
success with the task of post-editing, industri telah menunjukkan
having bilingual translators correct MT keberhasilan yang signifikan dengan
output rather than translate from tugas pengeditan pasca, meminta
scratch. When used with human post- penerjemah dwibahasa mengoreksi
editing, machine translation plays a keluaran MT daripada menerjemahkan
fundamentally different role than in the dari awal. Saat digunakan dengan
traditional assimiliation use case. As pasca-pengeditan manusia, terjemahan
human translators must edit MT output mesin memainkan peran yang secara
to produce human quality translations, fundamental berbeda dari pada kasus
the quality of MT is directly tied to penggunaan asimilasi tradisional.
editing difficulty rather than Karena penerjemah manusia harus
understandability. Minor disfluencies mengedit keluaran MT untuk
must be corrected even if they would menghasilkan terjemahan berkualitas
not impair comprehension, while manusia, kualitas MT secara langsung
mistranslations can be resolved by terkait dengan kesulitan pengeditan
retranslating words in the source daripada kemudahan pemahaman.
sentence. Disfluensi minor harus diperbaiki
meskipun tidak akan mengganggu
Referring to the lexical problems of
pemahaman, sementara kesalahan
automatic translation, these are, indeed,
penerjemahan dapat diselesaikan
very considerable in extent if not in
dengan menerjemahkan ulang kata-kata
complexity. Taking into
dalam kalimat sumber.

Mengacu pada masalah leksikal

terjemahan otomatis, ini memang sangat
penting dalam hal luas jika tidak dalam
kompleksitas. Mempertimbangkan
account variations in the meaning of variasi dalam arti kata, evolusi cepat
words, the rapid evolution of scientific kosakata ilmiah dan teknis, bahasa gaul
and technical vocabulary, slang and dan bahasa lokal, jumlah kata per
local speech, the number of words per bahasa mungkin begitu tinggi sehingga
language may be so high as to challenge dapat menantang keterampilan
the skill of electronic memory konstruktor memori elektronik.
constructors.
Dalam kamus ringkas baru-baru ini,
In recent concise dictionaries the kosakata bahasa Inggris terdiri dari
vocabulary of the English language sekitar 60.000 entri kata: angka ini
comprises some 60,000 word entries: dapat berjalan empat kali lebih tinggi
this number may run four times as high jika setiap arti dari setiap kata
if each meaning of each polysemantic polisemantik dimasukkan secara
word is entered separately. So that a terpisah. Sehingga sebuah kamus di
dictionary in which every form of every mana setiap bentuk dari setiap kata akan
word would constitute a separate entry menjadi entri terpisah mungkin
might well number over half a million berjumlah lebih dari setengah juta kata
words in a modern inflected language. dalam bahasa infleksi modern. Dengan
We are thus faced immediately with the demikian kita langsung dihadapkan
problem of lexical content. This is pada masalah konten leksikal. Ini diikuti
closely followed by questions of oleh pertanyaan klasifikasi (haruskah
classification (should there be one ada satu kamus saja, atau beberapa,
dictionary only, or several, according to menurut subjek?), Dan urutan
subject?), and of order of classification klasifikasi (menurut abjad, logika,
(alphabetical, logical, conceptual, or konseptual, atau numerik sesuai dengan
numerical according to the increasing or bertambah atau berkurangnya jumlah
decreasing number of characters in a karakter dalam a kata, dll.?). Akhirnya
word, etc.?). Finally come the specific muncul masalah khusus dalam
problems of translation—multiple penerjemahan — banyak arti, idiom;
meaning, idiom; and—sooner or later— dan — cepat atau lambat — masalah
the problem of style, or styles, of the gaya, atau gaya, pilihan kata untuk
choice of words for reasons peculiar to alasan yang khas bagi penulisnya.
the author.
 A solution to any one of these Solusi untuk salah satu masalah ini
problems involves a choice, or a series melibatkan pilihan, atau serangkaian
of choices, inevitably limiting pilihan, yang pasti membatasi
possibilities in other directions ; all the kemungkinan ke arah lain; terlebih lagi,
more so, in that lexical problems, even dalam masalah leksikal, bahkan lebih
more than those of morphology, are dari masalah morfologi, terkait erat
closely bound up with the technological dengan aspek teknologi konstruksi
aspects of computer construction. komputer. Kapasitas memori, kecepatan
Memory capacity, rapidity of access, akses, ini adalah pertimbangan penting
these are important considerations in the dalam pemilihan solusi.
choice of solutions.
Sekalipun kita mengesampingkan
Even if we set aside for the moment, sejenak, untuk alasan praktis, keberatan
for practical reasons, the objections of dari mereka yang berpendapat bahwa
those who maintain that the choice of pemilihan kata yang tepat oleh
the right word by the translator is a penerjemah adalah masalah selera,
matter of taste, of personal judgment, penilaian pribadi, dan bahwa mesin
and that the machine will never be able tidak akan pernah dapat melakukan
to exercise such judgment, we can still seperti itu. penilaian, kami masih tidak
not affirm at the present time that an dapat menegaskan pada saat ini bahwa
ideal solution has so far been found to solusi yang ideal sejauh ini telah
the lexical problems of mechanical ditemukan untuk masalah leksikal
translation. But the empirical method of terjemahan mekanis. Tetapi metode
partial solutions has been applied with empiris dari solusi parsial telah
increasing success. It has enabled diterapkan dengan kesuksesan yang
research to continue while technicians meningkat. Ini telah memungkinkan
pursue the study of recording processes, penelitian untuk dilanjutkan sementara
thanks to which it will eventually be teknisi melanjutkan studi tentang proses
possible, where required, both to store a perekaman, berkat itu pada akhirnya
very great number of words and to have akan mungkin, jika diperlukan, baik
very rapid access to them. The first untuk menyimpan sejumlah besar kata
question dan untuk memiliki akses yang sangat
cepat ke sana. Pertanyaan pertama yang
 to be raised was how to classify words in an yang diajukan adalah bagaimana
electronic dictionary in such a way as to ensure mengklasifikasikan kata-kata dalam kamus
as rapid a look-up as possible. Words being elektronik sedemikian rupa untuk memastikan
represented by a binary numerical code, several pencarian secepat mungkin. Kata-kata yang
alternative methods of classification have been diwakili oleh kode numerik biner, beberapa
tried: arrangement in order of decreasing metode klasifikasi alternatif telah dicoba:
frequency, alphabetically by sections, etc. pengaturan dalam urutan frekuensi yang
menurun, menurut abjad berdasarkan bagian,
In order to find out which one was best, we
dll.
compared the features, price and performance of
each. The API’s chosen were; Bing, Google, Untuk mengetahui mana yang terbaik, kami
SDL and Yandex. membandingkan fitur, harga dan kinerja setiap.
API yang dipilih adalah; Bing, Google, SDL dan
Yandex.
Features Comparison

API Number of source Number of target Total number of

languages languages from English translation pair
Bing 45 44 2025
Google 64 90 2016
SDL 43 42 48
Yandex 44 43 1892

Fitur Perbandingan

API Jumlah bahasa sumber Jumlah bahasa Jumlah total

sumber Jumlah pasangan terjemahan
bahasa target dari
Inggris

Bing 45 44 2025

Google 64 90 2016

SDL 43 42 48

Yandex 44 43 1892

To test the performance of each tool we created a Untuk menguji kinerja setiap alat kami membuat
paragraph of text that would be deliberately difficult paragraf teks yang akan menjadi sengaja sulit
to translate. The paragraph included several diterjemahkan. Paragraf tersebut mencakup beberapa
compound words, the idiom ‘once in a blue moon’, a kata majemuk, idiom 'sekali dalam bulan biru', kata
word with no exact equivalent in the target language yang tidak memiliki padanan persis dalam bahasa
(fundraising) and a word that has multiple meanings target (penggalangan dana) dan kata yang memiliki
(rose). For this test we asked the tools to translate banyak arti (mawar). Untuk tes ini kami meminta alat
untuk menerjemahkan
from English into Spanish. We then
investigated how each API performed.
The test paragraph:
Our ‘Help The Children’ fundraising
run will take take place this Saturday
afternoon at 3 p.m. Thanks to our
celebrity runner, we have a once in a
blue moon opportunity to really raise
awareness for the charity. If you would
like to take part, the deadline for signup
is 5 p.m today. Thanks to everyone who
rose to the challenge of organising this
years event.
The Results:
Bing
Bing had no problems at all with the
compound words test. As with all the
tools we tested it translated the idiom
‘once in a blue moon’ literally. Bing did
the best of all of the four tools with it’s
translation of the missing word
‘fundraising’ offering the most clear
alternative. It’s translation of the
multiple meaning word ‘rose’ was
correct, though the sentence itself was
wrong. Despite the error in the last
sentence, Bing’s translation was by a
narrow margin the most understandable
dari bahasa Inggris ke bahasa Spanyol.
Kami kemudian menyelidiki bagaimana
kinerja setiap API.
Paragraf pengujian:
Penggalangan dana 'Help The
Children' kami akan berlangsung Sabtu
sore ini pukul 3 sore. Terima kasih
kepada pelari selebriti kami, kami
memiliki kesempatan sekali di bulan
biru untuk benar-benar meningkatkan
kesadaran akan amal. Jika Anda ingin
ikut serta, batas waktu pendaftaran
adalah jam 5 sore hari ini. Terima
kasih kepada semua orang yang telah
menerima tantangan untuk
menyelenggarakan acara tahun ini.
Hasil:
Bing
Bing tidak memiliki masalah sama
sekali dengan tes kata majemuk. Seperti
semua alat yang kami uji, itu
menerjemahkan idiom 'sekali dalam
bulan biru' secara harfiah. Bing
melakukan yang terbaik dari keempat
alat tersebut dengan terjemahan kata
yang hilang 'penggalangan dana' yang
menawarkan alternatif paling jelas.
Terjemahan dari beberapa arti kata
'mawar' itu benar, meskipun kalimat itu
sendiri salah. Terlepas dari kesalahan
pada kalimat terakhir, terjemahan Bing
adalah yang paling mudah dipahami
of the four tools tested.
dari empat alat yang diuji.
Google
Google preformed the least well of the Google
four tools on the test for compound
Google melakukan yang paling tidak
words, because it’s translation of
baik dari empat alat pada pengujian kata
‘Signup’ although understandable was
majemuk, karena terjemahannya 'Daftar'
not as good as the other three. Like all
meskipun dapat dimengerti tidak
the tools the idiom ‘once in a blue
sebagus tiga lainnya. Seperti semua alat,
moon’ was translated literally. The
idiom 'sekali dalam bulan biru'
translation of the missing word
diterjemahkan secara harfiah.
‘fundraising’ was good and there were
Terjemahan dari kata 'penggalangan
no problems with the multiple meaning
dana' yang hilang itu bagus dan tidak
word ‘rose’.
ada masalah dengan beberapa arti kata
Yandex
'mawar'.
Yandex scored full marks on the
compound word test, and like all of the Yandex
tools translated the idiom ‘once in a
Yandex mendapatkan nilai penuh pada
blue moon’ literally. It performed the
tes kata majemuk, dan seperti semua
worst of the four with the translation of
alat yang menerjemahkan idiom 'sekali
‘fundraising’ though the translation
dalam bulan biru' secara harfiah. Itu
offered was just about understandable.
melakukan yang terburuk dari empat
Yandex had no problems with the
dengan terjemahan 'penggalangan dana'
multiple meaning word ‘rose’. Like
meskipun terjemahan yang ditawarkan
SDL it also seemed to have a problem
hampir bisa dimengerti. Yandex tidak
dealing with quotation marks, changing
memiliki masalah dengan berbagai arti
single quotation marks into double but
kata 'mawar'. Seperti SDL, tampaknya
not closing them. We tested several
juga ada masalah yang berhubungan
sentences to check this error and found
dengan tanda kutip, mengubah tanda
it to be a common one.
kutip tunggal menjadi ganda tetapi tidak
menutupnya. Kami menguji beberapa
kalimat untuk memeriksa kesalahan ini
dan ternyata itu kesalahan yang umum.
Sometimes double quotes were used
and not shut, at other times
combination of single and double
quotes were used.
SDL
SDL translated all of the compound
words in our paragraph correctly. It
translated the idiom ‘once in a blue
moon’ literally like all the tools we
tested. SDL offered a good alternative
for the missing word ‘fundraising’, and
translated the multiple 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
Terkadang tanda kutip ganda digunakan
dan tidak ditutup, di lain waktu
a
kombinasi tanda kutip tunggal dan
ganda digunakan.
SDL
SDL menerjemahkan semua kata
majemuk dalam paragraf kami dengan
benar. Ini menerjemahkan idiom 'sekali
dalam bulan biru' secara harfiah seperti
semua alat yang kami uji. SDL
menawarkan alternatif yang baik untuk
kata 'penggalangan dana' yang hilang,
dan menerjemahkan banyak 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 Google dan Yandex tidak jauh
di belakang, jadi bagi kami itu
tergantung pada harga. Kami
mengesampingkan Google di sini
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 translations,
and the idiom was particularly
confusing. After reading each
translation several times we were
unable to pick a clear winner. Some
translated certain sentences better than
others. The most understandable, when
it comes to the meaning of the whole
thing (which is stated in the first line), is
Bing, while Yandex was the only tool to
give a correct translation of the last
sentence. Ultimately, we see all the
tools as performing at around the same
level.
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 dimengerti dalam
kasus ini, terutama jika Anda tidak
terbiasa dengan terjemahan mesin, dan
idiom itu sangat membingungkan.
Setelah membaca setiap terjemahan
beberapa kali, kami tidak dapat memilih
pemenang yang jelas. Beberapa
menerjemahkan kalimat tertentu lebih
baik dari yang lain. Yang paling bisa
dimengerti, dalam hal arti dari
semuanya (yang disebutkan di baris
pertama), adalah Bing, sedangkan
Yandex adalah satu-satunya alat untuk
memberikan terjemahan yang benar dari
kalimat terakhir. Pada akhirnya, kami
melihat semua alat bekerja pada level
Google, Bing, Yandex, and SDL have different yang hampir sama.
translation products. Following are the samples of
Google, Bing, Yandex, dan SDL memiliki produk
translation product by, Google, Bing Yandex, and
terjemahan yang berbeda. Berikut adalah contoh
SDL. Can you tell the differences?
produk terjemahan oleh, Google, Bing Yandex, dan
Google’s translation product: SDL. Bisakah Anda membedakannya?
https://translate.google.com
Produk terjemahan Google:

Source Text https://translate.google.com

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 Jack, dan seekor sapi bernama Milky-white.
live on was the milk the cow gave every Dan semua mereka harus hidup adalah susu
morning which they carried to the market yang diberikan sapi setiap pagi yang mereka
and sold. But one morning Milky-white bawa ke pasar dan dijual. Tapi suatu pagi
gave no milk and they didn’t know what to Milky-putih tidak memberi susu dan
do. mereka tidak tahu harus berbuat apa.

“What shall we do, what shall we do?” said “Apa yang harus kita lakukan, apa yang
the widow, wringing her hands. harus kita lakukan?” Kata sang janda
meremas tangannya.
“Cheer up, mother, I’ll go and get work.
somewhere,” said Jack. “Bergembiralah, ibu, saya akan pergi dan
bekerja di suatu tempat,” kata
Mendongkrak.

Source Text Target Text

Dari tabel tersebut terlihat bahwa Google
There was once upon a time a poor widow Sana adalah sekali upon a time seorang
From the whotable,
had an
it only
can beson seen
namedthatJack, and a
Google janda miskin menghasilkan
Translate yang memiliki terjemahan
hanya anak literal.
cow named Milky-white. And all they had bernama Jack, dan sapi bernama Sakti-
Translateto produces literal Kadang-kadang, itu tidak dapat membedakan
live on was the translation.
milk the cow Sometimes,
gave every putih. Dan semua mereka harus hidup
it cannotmorning whichathey
differentiate carried
proper name;to “Jack”
the market
is adalah
nama susu
yang sapi
tepat;memberikan setiap pagimenjadi
“Jack” diterjemahkan
and sold. But one morning Milky-white yang mereka dibawa ke pasar dan dijual.
translated as “Mendrongkrak”, yet “Jack” is a “Mendrongkrak”, namun “Jack” adalah nama
name of person in this text. orang dalam teks ini.

Bing’s translation product: Produk terjemahan Bing:

https://www.bing.com/translator https://www.bing.com/translator
 gave no milk and they didn’t know what to Tapi suatu pagi Milky-putih memberikan
do. tidak ada susu dan mereka tidak tahu apa
yang harus dilakukan.

“What shall we do, what shall we do?” “Apa yang harus kita lakukan, apa yang
said the widow, wringing her hands. harus kami perbuat?” kata janda meremas-
remas tangannya.
“Cheer up, mother, I’ll go and get work
somewhere,” said Jack. “Bergembiralah, ibu, aku akan pergi dan
mendapatkan pekerjaan di suatu tempat,”
kata Jack.

From the table above, it can be seen that there are Dari tabel di atas terlihat bahwa ada beberapa kata
some words that Bing cannot translate; “upon a yang tidak bisa diterjemahkan Bing; "suatu
time”. Sometimes, Bing can translate proper name ketika". Terkadang, Bing dapat menerjemahkan
“Jack”, but sometimes it cannot translate it well; nama yang tepat "Jack", tetapi terkadang tidak
“Milky-White” as “Sakti-Putih”, yet dapat menerjemahkannya dengan baik; "Milky-
“Milkywhite” is a name of Jack’s cow. Bing also White" sebagai "Sakti-Putih", namun
cannot differentiate the use of “we” as “kami” or "Milkywhite" adalah nama sapi Jack. Bing juga
“kita” in Indonesian language. tidak bisa membedakan penggunaan “kami”
sebagai “kami” atau “kita” dalam bahasa
Yandex’s translation product:
Indonesia.
https://translate.yandex.com
Produk terjemahan Yandex:
https://translate.yandex.com

Source Text Target 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. “Apa yang harus kita lakukan, apa yang
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.
 harus kita lakukan?” kata janda, meremas-
“Cheer up, mother, I’ll go and get work remas tangannya.
somewhere,” said Jack.
“Bergembiralah, ibu, aku akan pergi dan
mendapatkan pekerjaan di suatu tempat,”
kata Jack.

From the Source

table above,
Text it can be seen that Yandex Target DariTexttabel di atas, terlihat bahwa Yandex
sometimesThere wasdifferentiate
cannot once upon aa time
propera poor
name; Adaterkadang
pada suatu ketika,
tidak dapatseorang janda nama yang
membedakan
widow who had an only son named miskin yang satu-satunya anak bernama
“Milky-White” is translated as “Bima-Putih” and tepat; “Milky-White” diterjemahkan sebagai
Jack, and a cow named Milky-white. Jack, dan lembu bernama Bima Sakti
And yet
“susu putih”, all they had to liveshould
“Milky-White” on wasnotthebe putih. Dan semua dan
“Bima-Putih” mereka
“susuuntuk hidup
putih”, namun “Milky-
milk the cow gave every morning pada adalah memerah susu memberikan
translated literally because it is a name of a cow. White” tidak harus diterjemahkan secara harfiah
which they carried to the market and setiap pagi hari yang mereka dibawa ke
sold. But one morning Milky-white pasar dan dijual.
karena Tetapi
itu adalah namasatusapi.
Bima Sakti
SDL’s gave no translation
milk and they didn’t product:
know pagi putih tidak memberikan susu dan
what to do.
https://www.freetranslation.com mereka tidak tahu apa yang harus
https://www.freetranslation.com
dilakukan.
“What shall we do, what shall we “Apa yang akan kita lakukan, apa yang
do?” said the widow, wringing her akan kita lakukan?” kata janda kalau
hands. tangannya.

“Cheer up, mother, I’ll go and get “Menyemarakkan, ibu, saya akan pergi
work somewhere,” said Jack. dan bekerja di suatu tempat,” kata Jack
From the table above, it can be seen that content, method and assessment
SDL translates “Milky-white” as “Bima drawing on a growing field of research
Sakti putih”. SDL matches the name in Translation Studies. The training of
“Milky-White” to the context of translators – whether in the professional
astronomy, yet “Milkywhite” is a or in the Bible translation context –
proper name that should not be should be influenced by the demands of
translated literally or adapted to other the field as well as the profile of the
contexts. students and therefore focus on the most
required and most often lacking
D. Practice!
Dari tabel di atas terlihat bahwa SDL
Please translate the following abstract
menerjemahkan “Bima Sakti” menjadi
into Indonesia by using Google, Bing,
“Bima Sakti putih”. SDL mencocokkan
Yandex, and SDL which have different
nama "Milky-White" dengan konteks
translation products. Title: the
astronomi, namun "Milkywhite" adalah
Importance of Collaborative Discourse
nama yang tepat yang tidak boleh
Analysis in the Training of Novice
diterjemahkan secara harfiah atau
Translators Author: Kurdi, Eszter, SIL
disesuaikan dengan konteks lain.
Publications 2017 26
D. Latihan!
Abstract
Silahkan terjemahkan abstrak berikut ini
This paper outlines the key aspects of ke dalam bahasa Indonesia dengan
effective translator training regarding menggunakan Google, Bing, Yandex,
dan SDL yang memiliki produk and interpersonal skills which are also
terjemahan berbeda. Judul: Pentingnya crucial competencies for a translator.
Analisis Wacana Kolaboratif dalam
CONCLUSION
Pelatihan Penerjemah Pemula Penulis:
Kurdi, Eszter, SIL Publications 2017 Machine Translation 

Abstrak A. Computer Assisted Translation Tools

Makalah ini menguraikan aspek-aspek Computer-Assisted Translation is a

kunci dari pelatihan penerjemah yang term used to describe computer
efektif mengenai konten, metode dan techniques to facilitate the process of
penilaian menggambar pada bidang translation. The system relies on
penelitian yang berkembang dalam automatic translation which is corrected
Penerjemahan Studi. Pelatihan by human translators in the process of
penerjemah - baik dalam konteks post editing. There are three basic types
profesional atau dalam konteks of CAT (Computer Assisted
penerjemahan Alkitab - harus Translation) tools to assist human
dipengaruhi oleh tuntutan lapangan translation work;
serta profil siswa dan oleh karena itu
fokus pada kompetensi yang paling
dibutuhkan dan paling sering kurang dalam penerjemah pemula. Penulis
menyarankan bahwa analisis wacana
competencies in novice translators. The
kolaboratif sangat bermanfaat dalam
author suggests that collaborative
pelatihan penerjemah pemula karena
discourse analysis is particularly
mengasah keterampilan mereka dalam
beneficial in the training of beginner
refleksi diri, dalam menangani masalah
translators as it hones their skills in self-
penerjemahan tingkat wacana, dalam
reflection, in handling discourse level
memberikan analisis kontrastif dari Bsu
translation problems, in providing a
dan Bsa serta dalam mengoreksi yang
contrastive analysis of the SL and the
paling umum. kesalahan terjemahan.
TL and in correcting their most
Selain itu, metode ini memberi siswa
common translation errors. In addition,
kesempatan untuk tumbuh dalam kerja
this method provides the learners with
tim dan keterampilan interpersonal yang
the opportunity to grow in team work
juga merupakan kompetensi penting It refers to databases that hold
bagi seorang penerjemah. preferred terms specific to an enterprise.
Essentially, a terminology database is
KESIMPULAN
an intel-ligent glossary of a company’s
Terjemahan Mesin  preferred translations of specified terms
in multiple languages.
A. Alat Terjemahan Berbantuan
3. Translation Memory
Komputer
Translation Memory (TM) is a
Terjemahan Berbantuan Komputer
database of previously carried out
adalah istilah yang digunakan untuk
translations. TM contains only high-
mendeskripsikan teknik komputer untuk
quality translations which can be reused
memfasilitasi proses terjemahan. Sistem
in future. The reuse of translations by
ini mengandalkan terjemahan otomatis
means of Translation Memory is the
yang dikoreksi oleh penerjemah
most widely recognized and appreciated
manusia dalam proses pengeditan
feature of CAT. It reflects the natural
posting. Sistem ini didasarkan pada
work process of a translator before the
transfer kata ke kata langsung. Saat ini,
era of computerization,
ada tiga jenis alat CAT (Computer
Assisted Translation) untuk membantu
pekerjaan penerjemahan manusia;
1. Machine Translation
Machine Translation (MT) is an 1. Terjemahan Mesin

action of fully automatic text Terjemahan Mesin (MT) adalah

translation. The translation is carried out tindakan terjemahan teks sepenuhnya

entirely by the computer with no help of otomatis. Terjemahan dilakukan

human translators. Even though MT is sepenuhnya oleh komputer tanpa

not a proper part of CAT, the systems bantuan penerjemah manusia. Meskipun

are sometime used in CAT to provide MT bukan bagian yang tepat dari CAT,

rough suggestions of translation. sistem terkadang digunakan di CAT

Human translator is then responsible for untuk memberikan saran terjemahan

carrying out the post-editing. yang kasar. Penerjemah manusia

2. Terminology Management kemudian bertanggung jawab untuk

melakukan pengeditan pasca.
2. Manajemen Terminologi information in the form of translated
Ini mengacu pada database yang words, phrases, sentences and even
menyimpan istilah khusus untuk suatu complete paragraphs in the source and
perusahaan. Pada dasarnya, database target languages that constitutes this
terminologi adalah glosarium yang database. Potential benefits include:
cerdas dari terjemahan istilah tertentu
1) Repetitive or similar texts need be
yang disukai perusahaan dalam berbagai
translated only once
bahasa.
2) Once glossaries have been entered in
3. Memori Terjemahan
the system, future translations will
Memori Terjemahan (TM) adalah
always be consistent.
database dari terjemahan yang
3) Greater speed of draft translation,
dilakukan sebelumnya. TM hanya berisi
thereby allowing more time for quality
terjemahan berkualitas tinggi yang
control.
dapat digunakan kembali di masa
4) A computer can work on draft
mendatang. Penggunaan kembali
translation at any time of
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
when instead of using databases,
data, penerjemah membuat catatan frasa
translators took notes of phrases and
dan kalimat untuk digunakan nanti
sentences to use them later in their
dalam pekerjaan mereka. Selain
work. Apart from cost saving (once
penghematan biaya (kalimat yang sudah
translated sentence does not need to be
diterjemahkan tidak perlu
translated again), Translation Memories
diterjemahkan lagi), Memori
grant the consistency of translation,
Terjemahan memberikan konsistensi
which in some cases is essential.
terjemahan, yang dalam beberapa kasus
CAT software is essentially a set of sangat penting.
tools used to manipulate a database of
Perangkat lunak CAT pada dasarnya
language information. It is the input of
adalah seperangkat alat yang digunakan
untuk memanipulasi database informasi Translator, Power Translator
bahasa. Masukan informasi berupa kata, Professional and the Language
frasa, kalimat yang diterjemahkan, Assistant series.
bahkan paragraf lengkap dalam bahasa
sumber dan sasaranlah yang membentuk B. Machine Translation and Its Types
database ini. Manfaat potensial Machine translation (MT) is automated
meliputi: translation or “translation carried out by
a computer”. It is a process, sometimes
1) Teks berulang atau serupa hanya
referred to as Natural Language
perlu diterjemahkan sekali
Processing which uses a bilingual data
2) Setelah glosarium dimasukkan ke set and other language assets to build
dalam sistem, terjemahan di masa language and phrase models used to
mendatang akan selalu konsisten. translate text.In any translation, whether
human or automated, the meaning of a
3) Kecepatan terjemahan draf yang
text in the source (original) language
lebih tinggi, sehingga memungkinkan
must be fully transferred to its
lebih banyak waktu untuk kontrol
equivalent meaning in the target
kualitas.
language’s translation. While on the
4) Sebuah komputer dapat mengerjakan surface this seems straightforward, it is
terjemahan draf setiap saat sepanjang often far more complex.
A human translator must interpret and
the day, thus a 10,000 word translation
that would take a human translator a hari, sehingga terjemahan 10.000 kata
week to produce could be done yang membutuhkan penerjemah
overnight ready for editing the next manusia seminggu untuk menghasilkan
morning. (Speeds of up to 10,000 words dapat diselesaikan dalam semalam dan
per hour have been claimed). siap untuk diedit keesokan paginya.
(Kecepatan hingga 10.000 kata per jam
5) Better quality control since text
telah diklaim).
already entered in the software will not
need to be re-checked. CAT software is 5) Kontrol kualitas yang lebih baik
now available from a number of karena teks yang sudah dimasukkan ke
manufactures including IBM, PC
dalam perangkat lunak tidak perlu
diperiksa ulang.
B. Terjemahan Mesin 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
dwibahasa dan aset bahasa lain untuk
membangun model bahasa dan frase
yang digunakan untuk menerjemahkan
teks.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
langsung, seringkali jauh
kompleks.
Seorang penerjemah manusia harus
menafsirkan dan
Human and Machine Translation
each have their share of challenges. For
example, no two individual translators
will produce identical translations of the
same text in the same language pair, and
it may take several rounds of revisions
to meet the client’s requirements.
Automated translations find difficulties
in interpreting contextual and cultural
data
elements of a text and quality is
dependent on the type of system and
how it is trained.
A few different types of Machine
Translation are available in the market
today, the most widely use being
Statistical Machine Translation (SMT),
Rule-Based Machine Translation
(RBMT), and Hybrid Systems, which
lebih combine RBMT and SMT.
C. Online Translation Machines

analyze all of the elements within the
text and understand how each word may
influence the context of the text. This
requires extensive expertise
grammar, syntax (sentence structure),
semantics (meanings), etc. in the source
and target languages, as well as
expertise in the domain.
menganalisis semua elemen di dalam
teks dan memahami bagaimana setiap
kata dapat memengaruhi konteks teks.
in Hal ini membutuhkan keahlian ekstensif
dalam tata bahasa, sintaksis (struktur
kalimat), semantik (makna), dll. Dalam
bahasa sumber dan target, serta keahlian
dalam domain tersebut.
 Penerjemahan Manusia dan Mesin
masing-masing memiliki tantangan
yang sama. Misalnya, tidak ada dua
penerjemah individu yang
menghasilkan terjemahan identik dari
teks yang sama dalam pasangan bahasa
yang sama, dan mungkin perlu beberapa
putaran revisi untuk memenuhi
persyaratan klien. Terjemahan otomatis
menemukan kesulitan
menafsirkan elemen kontekstual dan
budaya dari sebuah teks dan kualitasnya
bergantung pada jenis sistem dan cara
melatihnya.
Beberapa jenis Terjemahan Mesin
tersedia 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.
C. Mesin Terjemahan Online
Modern machine translation services
such as Google Translate
Microsoft’s Bing Translator have made
significant strides toward allowing users
to read content in other languages.
These systems, built on decades of
contributions from academic
commercial research. For example, if an
English speaking user wants to read an
article posted on a Chinese language
news site, a machine translation may
contain the following lines:
akan
UK GMT at 10:11 on March 20, a
rare solar eclipse spectacle will come
to Europe. This is the 1954 total solar
eclipse once again usher in mainland
Norway. The next solar eclipse occurs
recent times and the country was March
dalam
9, 2016 Sumatra;
This translation is quite useful for
casual readers, allowing them to glean
key information from the article such as
the event (a solar eclipse), location
(mainland Norway), and time (10:11 on
March 20). However, the grammatical
errors and likely mistranslations
throughout the text would prevent this
article
Layanan terjemahan mesin modern
seperti Google Translate dan Microsoft
Bing Translator telah membuat langkah
and
signifikan untuk memungkinkan
pengguna membaca konten dalam
bahasa lain. Sistem ini, yang dibangun
atas kontribusi puluhan tahun dari
penelitian akademis dan komersial.
and
Misalnya, jika pengguna berbahasa
Inggris ingin membaca artikel yang
diposting di situs berita berbahasa
Mandarin, terjemahan mesin dapat
berisi baris berikut:

GMT Inggris pada pukul 10:11

tanggal 20 Maret, tontonan gerhana
matahari yang langka akan datang ke
Eropa . Ini adalah gerhana matahari
total tahun 1954 yang sekali lagi
mengantarkan Norwegia ke daratan
utama. Gerhana matahari berikutnya
terjadi baru-baru ini dan negara itu 9
Maret 2016 Sumatera;

Terjemahan ini sangat berguna bagi

pembaca biasa, memungkinkan mereka
untuk mendapatkan informasi penting
dari artikel seperti peristiwa (gerhana
matahari), lokasi (daratan Norwegia),
dan waktu (10:11 pada 20 Maret).
Namun, kesalahan tata bahasa dan
kemungkinan salah terjemahan di
seluruh teks akan mencegah artikel ini

from being published as-is in English; diterbitkan sebagaimana adanya dalam

readers would be unable to trust the bahasa Inggris; pembaca tidak akan

information as they would be relying on dapat mempercayai informasi karena

their ability to guess what information mereka akan mengandalkan

is missing or mistranslated. kemampuan mereka untuk menebak

informasi apa yang hilang atau salah
diterjemahkan.