Name : Safira Azzahra Hsb
NIM : 0304182079
Class : TBI-1/5th Semester
Major : Translation
Chapter 2: Machine
Translation
A. Computer Assisted Translation Tools
Computer-Assisted Translation is
a term used to describe computer
techniques to facilitate the process of
translation. The system relies on
automatic translation which is corrected
by human translators in the process of
post editing. The system is based on a
direct word to word transfer. Currently,
there are three basic types of CAT
(Computer Assisted Translation) tools to
assist human translation work;
1) Machine Translation
Machine Translation (MT) is an
action of fully automatic text translation.
The translation is carried out entirely by
the computer with no help of human
translators. Even though MT is not a
proper part of CAT, the systems are
sometime used in CAT to provide rough
suggestions of translation. Human
translator 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
Bab 2: Terjemahan Mesin
A. Alat Terjemahan Berbantuan Komputer
Terjemahan Berbantuan Komputer
adalah istilah yang digunakan untuk
mendeskripsikan teknik komputer untuk
memfasilitasi proses penerjemahan. Sistem
ini mengandalkan terjemahan otomatis yang
dikoreksi oleh penerjemah manusia dalam
proses pengeditan pos. Sistem ini
didasarkan pada transfer kata ke kata
langsung. Saat ini, ada tiga jenis alat CAT
(Computer Assisted Translation) untuk
membantu pekerjaan penerjemahan
manusia;
1) Terjemahan Mesin
Terjemahan Mesin (MT) adalah tindakan
terjemahan teks otomatis sepenuhnya. Terjemahan
dilakukan sepenuhnya oleh komputer tanpa bantuan
penerjemah manusia. Meskipun MT bukan bagian
yang tepat dari CAT, sistem terkadang digunakan
dalam CAT untuk memberikan saran terjemahan
yang kasar. Penerjemah manusia kemudian
bertanggunjawab 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
terms in multiple languages. Typically, such a
database can be used both in authoring original
texts in one or more languages, and in
customizing translation memory and machine
translation implementations.
3) Translation Memory
Translation Memory (TM) is a database
of previously carried out translations. TM
contains only high-quality translations which can
be reused in future. The reuse of translations by
means of Translation 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 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
beconsitent
dalam berbagai bahasa. Biasanya, database
seperti itu dapat digunakan baik dalam penulisan teks
asli dalam satu atau lebih bahasa, dan dalam
menyesuaikan memori terjemahan 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 dalam terjemahan berikutnya mereka “me
nyarankan” 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, ini menghemat uang.
Perangkatlunak CAT
padadasarnyaadalahseperangkatalat yang
digunakanuntukmemanipulasi database
informasibahasa.Masukaninformasiberupa kata,
frasa, kalimat yang diterjemahkan,
bahkanparagraflengkapdalambahasasumberdansasara
nlah yang membentuk database
ini.Manfaatpotensialmeliputi:
1) Teks yang
berulangatauserupahanyaperluditerjemahkansekali
2) Setelahglosariumdimasukkankedalamsistem,
terjemahan di masa
mendatangakanselalukonsisten.
3) Greater speed of draft translation, thereby
allowing more time for quality control.
4) A computer can work on draft translation at
any time of the day, thus a 10,000 word
translation that would take a human
translator a week to produce could be done
overnight ready for editing the next morning.
(Speeds of up to 10,000 words per hour have
been claimed).
5) Better quality control since text already
entered in the software will not need to be re-
checked.
CAT software is now available from a
number of manufactures including IBM, PC
Translator, Power Translator Professional and the
Language Assistant series. CAT software is still
expensive and requires a fairly powerful
computer if it is to work satisfactorily. It is not
something that you can use from day 1 since it
needs a considerable amount of data input before
it will start to produce anything like a usable
translation. Try it when you first install it and you
will get some hilarious results. However, the
more information you can add the faster and
better it works.
However, machine translation is becoming
commonplace. For example, Google Translate is
often used to try to get the gist of a paragraph of
text in a language someone cannot read. How
does this work? Google Translate, like other
“statistical” machine translation (SMT) system is
essentially a tool for massive sophisticated
plagiarism. SMT systems do not understand what
they are translating. They simply look up words
in a huge database of sentences and their human
translations.
That database has been previously processed
to guess at how humans have typically translated
various words and how that translation depends
on the immediate co-text, that is, a word or two
on either side of the word in question. Then the
guesses as to the translations of various words in
the sentences are put together in the hope the
resulting sequence of words will make sense to a
human, even though the computer understands
neither the source language nor the target
language.
3) Kecepatan terjemahan draf yang lebih tinggi,
sehingga memungkinkan lebih banyak waktu
untuk kontrol kualitas.
4) Komputer dapat mengerjakan terjemahan draf
setiap saat sepanjang hari, sehingga terjemahan
10.000 kata yang membutuhkan penerjemah
manusia seminggu untuk menghasilkan dapat
diselesaikan dalam semalam dan siap untuk
diedit keesokan paginya. (Kecepatan hingga
10.000 kata per jam telah diklaim).
5) Kontrol kualitas yang lebih baik karna teks yang
sudah dimasukkan ke dalam perangkat lunak
tidak perlu diperiksa ulang.
Perangkat lunak CAT sekarang tersedia dari
sejumlah produsen termasuk IBM, PC Translator,
Power Translator Professional dan seri Language
Assistant. Perangkat lunak CAT masih mahal dan
membutuhkan komputer yang cukup kuat jika ingin
bekerja dengan memuaskan. Ini bukan sesuatu yang
dapat Anda gunakan sejak hari pertama karena
memerlukan masukan data yang cukup banyak
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 dapat Anda tambahkan,
semakin cepat dan lebih baik kerjanya.
Namun, terjemahan mesin menjadi hal
biasa. Misalnya, Google Terjemahan sering
digunakan untuk mencoba mendapatkan inti
paragraf teks dalam bahasa yang tidak dapat dibaca
seseorang. Bagaimana cara kerjanya? Google
Translate, seperti sistem terjemahan mesin
"statistik" (SMT) lainnya pada dasarnya adalah alat
untuk plagiarisme canggih yang masif. Sistem SMT
tidak memahami apa yang mereka terjemahkan.
Mereka hanya mencari kata-kata dalam database
kalimat yang sangat besar dan terjemahan
manusianya.
Database tersebut sebelumnya telah diproses
untuk menebak bagaimana manusia biasanya
menerjemahkan berbagai kata dan bagaimana
terjemahan itu bergantung pada teks bersama
langsung, yaitu, satu atau dua kata di kedua sisi kata
yang dimaksud. Kemudian tebakan untuk
terjemahan berbagai kata dalam kalimat disatukan
dengan harapan urutan kata yang dihasilkan akan
masuk akal bagi manusia, meskipun komputer tidak
memahami bahasa sumber maupun bahasa target.
 The only human translators that might be
replaced by computers are those who translate
mechanically without trying to fully understand
what they are translating or who lack a full
command of the target language.
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, syntax (sentence structure),
semantics (meanings), etc. in the source and
target languages, as well as expertise in the
domain.
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 elements of a text and
quality is dependent on the type of system and
how it is trained, however it is extremely
effective for particular content types and use
cases, e.g. automotive, mechanical, User
Generated Content (USG), repetitive texts,
structured language and many more.
Satu-satunya penerjemah manusia yang
mungkin digantikan oleh komputer adalah mereka
yang menerjemahkan secara mekanis tanpa
mencoba untuk memahami sepenuhnya apa yang
mereka terjemahkan atau yang tidak memiliki
perintah penuh dari bahasa target.
B. Terjemahan Mesin dan Jenisnya
Terjemahan mesin (MT) adalah terjemahan
otomatis atau "terjemahan yang dilakukan oleh
komputer". Ini adalah proses, kadang-kadang
disebut Pemrosesan Bahasa Alami yang
menggunakan kumpulan data dwibahasa dan aset
bahasa lain untuk membangun model bahasa dan
frasa yang digunakan untuk menerjemah kan 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 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 akan
menghasilkan terjemahan yang sama dari teks yang
sama dalam pasangan bahasa yang sama, dan
mungkin perlu beberapa putaran revisi untuk
memenuhi persyaratan klien. Terjemahan otomatis
mengalami kesulitan dalam menafsirkan elemen
kontekstual dan budaya dari suatu teks dan
kualitasnya bergantung pada jenis sistem dan
carapelatihannya, namun ini sangat efektif untuk
jenis konten dan kasus penggunaan tertentu, mis.
otomotif, mekanik, User Generated Content (USG),
teks berulang, bahasa terstruktur, dan banyak lagi.
 While Machine Translation faces some
challenges, if implemented correctly MT users
can achieve benefits from economies of scale
when translating in domains suited to Machine
Translation.
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
combine RBMT and SMT.
1) Rule-Based Machine Translation (RBMT)
Technology
RBMT relies on countless built-in
linguistic rules and millions of bilingual
dictionaries for each language pair. The RBMT
system parses text and creates a transitional
representation from which the text in the target
language is generated. This process requires
extensive lexicons with morphological, syntactic,
and semantic information, and large sets of rules.
The software uses these complex rule sets and
then transfers the grammatical structure of the
source language into the target language.
Rule-based Machine Translation systems
are built on gigantic dictionaries and
sophisticated linguistic rules. Users can improve
translation quality by adding terminology into the
translation process by creating user-defined
dictionaries, which override the system's default
settings.
In most cases, there are two steps: an
initial investment that significantly increases the
quality at a limited cost, and an ongoing
investment to increase quality incrementally.
While rule-based MT may bring a company to a
reasonable quality threshold, the quality
improvement process is generally long,
expensive and needs to be carried out by trained
experts. This has been a contributing factor to the
slow adoption and usage of MT in the
localization industry.
2) Statistical Machine Translation (SMT)
Technology
Statistical Machine Translation utilizes
statistical translation models generated from the
analysis of monolingual and bilingual training
data.
Meskipun Terjemahan Mesin menghadapi
beberapa tantangan, jika diterapkan dengan benar,
pengguna MT dapat memperoleh manfaat dari skala
ekonomi saat menerjemahkan dalam domain yang
sesuai dengan Terjemahan Mesin.
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.
1) Teknologi Terjemahan Mesin Berbasis Aturan
(RBMT)
RBMT mengandalkan aturan linguistik bawaan
yang tak terhitung jumlahnya dan jutaan kamus
dwibahasa untuk setiap pasangan bahasa. Sistem
RBMT mem-parsing teks dan membuat representasi
transisi dari mana teks dalam bahasa target
dihasilkan. Proses ini memb utuhkan leksikon
ekstensif dengan informasi morfologis, sintaksis, dan
semantik, dan seperangkat aturan yang besar.
Perangkat lunak menggunakan kumpulan aturan
kompleks ini dan kemudian mentransfer struktur tata
bahasa dari bahasa sumber ke bahasa target.
Sistem Terjemahan Mesin berbasis aturan
dibangun di atas kamus raksasa dan aturan linguistik
yang canggih. Pengguna dapat meningkatkan
kualitas terjemahan dengan menambahkan
terminologi ke dalam proses terjemahan dengan
membuat kamus yang ditentukan pengguna, yang
menggantikan pengaturan default sistem.
Dalam kebanyakan kasus, ada dua langkah:
investasi awal yang secara signifikan meningkatkan
kualitas dengan biaya terbatas, dan investasi
berkelanjutan untuk meningkatkan kualitas secara
bertahap. Meskipun MT berbasis aturan dapat
membawa perusahaan ke ambang kualitas yang
wajar, proses peningkatan kualitas umumnya
berlangsung lama, mahal dan perlu dilakukan oleh
tenaga ahli yang terlatih. Ini telah menjadi faktor
penyebab lambatnya adopsi dan penggunaan MT di
industri lokalisasi.
2) Teknologi Terjemahan Mesin Statistik (TPS)
Terjemahan Mesin Statistik menggunakan model
terjemahan statistik yang dihasilkan dari analisis data
pelatihan satu bahasa dan dua bahasa. algoritme
untuk memilih kata atau frasa yang paling sering
muncul.
Essentially, this approach uses
computing power to build sophisticated data
models to translate one source language
into anotherThe translation 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 which 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.
SMT technology relies on bilingual corpora such
as translation memories and glossaries to train it
to learn language pattern, and is uses
monolingual data to improve its 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
levels. Because of this, cloud-base systems are
preferred, whereby they can scale to meet the
demands of its users without the users having to
invest heavily in hardware and software costs.
Note: RBMT vs. SMT
RBMT can achieve good results but the
training and development costs are very high for
a good quality system. In terms of investment,
the customization cycle needed to reach the
quality threshold can be long and costly.
RBMT systems are built with much less data
than SMT systems, instead using dictionaries
and language rules to translate. This sometimes
results in a lack of fluency.
Language is constantly changing, which means
rules must be managed and updated where
necessary in RBMT systems.
SMT systems can be built in much less time and
do not require linguistic experts to apply
language rules to the system.
Pada dasarnya, pendekatan ini menggunakan daya
komputasi untuk membangun modeldata yang
canggih untuk menerjemahkan satu bahasa sumber
ke bahasa lain. Terjemahan dipilih dari data pelatihan
menggunakan algoritme untuk memilih kata atau
frasa yang paling sering muncul.
Membangun model SMT adalah 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 kualitas yang dapat diterima
dengan lebih sedikit. Teknologi SMT mengandalkan
korpora bilingual seperti memori terjemahan dan
glosarium untuk melatihnya mempelajari pola
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 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, dimana mereka
dapat menyesuaikan skala untuk memenuhi tingkat
kinerja yangg 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.
Catatan: RBMT vs. SMT
RBMT dapat mencapai hasil yang baik tetapi
biaya pelatihan dan pengembangan sangat tinggi
untuk sistem kualitas yang baik. Dalam hal investasi,
siklus penyesuaian yang diperlukan untuk mencapai
ambang batas kualitas bisa jadi panjang dan mahal.
 Sistem RBMT dibangun dengan data yang jauh
lebih sedikit daripada sistem SMT, alih-alih
menggunakan kamus dan aturan bahasa untuk
menerjemahkan. Ini terkadang menyebabkan
kurangnya kefasihan.
 Bahasa terus berubah, yang berarti aturan harus
dikelola dan diperbarui jika diperlukan dalam
sistem RBMT.
 Sistem SMT dapat dibangun dalam waktu yang
lebih singkat dan tidak membutuhkan ahli
bahasa untuk menerapkan aturan bahasa ke
sistem.
SMT models require state-of the-art computer
processing power and storage capacity to build
and manage large translation models.
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;
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).
 Model SMT memerlukan daya pemrosesan dan
kapasitas penyimpanan komputer yang canggih
untuk membangun dan mengelola model
terjemahan yang besar.
 Sistem SMT dapat meniru gaya data pelatihan
untuk menghasilkan keluaran berdasarkan
frekuensi pola yang memungkinkan mereka
menghasilkan keluaran yang lebih lancar.
C. Mesin Penerjemah 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 berdasarkan 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 mungkin berisi baris
berikut:
GMT Inggris pada pukul 10:11 pada
tanggal 20 Maret, tontonan gerhana matahari
yang langka akan datang ke Eropa. Ini
adalah gerhana matahari total tahun 1954
yang sekali lagi terjadi di daratan utama
Norwegia.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 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
 As the demand for human quality
translation increases, the idea of leveraging
machine translation to improve the speed of
human translation grows increasingly attractive.
While MT is unable to directly produce
publishable translations, recent work in academia
and industry has shown significant success with
the task of post-editing, having bilingual
translators correct MT output rather than translate
from scratch. When used with human post-editing,
machine translation plays a fundamentally
different role than in the traditional assimiliation
use case. As human translators must edit MT
output to produce human quality translations, the
quality of MT is directly tied to editing difficulty
rather than understandability. Minor disfluencies
must be corrected even if they would not impair
comprehension, while mistranslations can be
resolved by retranslating words in the source
sentence.
Referring to the lexical problems of automatic
translation, these are, indeed, very considerable in
extent if not in complexity. Taking into account
variations in the meaning of words, the rapid
evolution of scientific and technical vocabulary,
slang and local speech, the number of words per
language may be so high as to challenge the skill
of electronic memory constructors.
In recent concise dictionaries the vocabulary of
the English language comprises some 60,000 word
entries: this number may run four times as high if
each meaning of each polysemantic word is
entered separately. So that a dictionary in which
every form of every word would constitute a
separate entry might well number over half a
million words in a modern inflected language. We
are thus faced immediately with the problem of
lexical content.
This is closely followed by questions of
classification (should there be one dictionary only,
or several, according to subject?), and of order of
classification (alphabetical, logical, conceptual, or
numerical according to the increasing or
decreasing number of characters in a word, etc.?).
Finally come the specific problems of translation
—multiple meaning, idiom; and—sooner or later
—the problem ofstyle, or styles, of the choice of
words for reasons peculiar to the author.
Seiring dengan meningkatnya permintaan
akan terjemahan berkualitas manusia, gagasan untuk
memanfaatkan terjemahan mesin untuk meningkatkan
kecepatan terjemahan manusia menjadi semakin
menarik. Meskipun MT tidak dapat secara langsung
menghasilkan terjemahan yang dapat diterbitkan,
pekerjaan terbaru di akademisi dan industri telah
menunjukkan keberhasilan yang signifikan dengan
tugas pengeditan pasca, meminta penerjemah
dwibahasa mengoreksi keluaran MT daripada
menerjemahkan dari awal. Saat digunakan dengan
pasca-pengeditan manusia, terjemahan mesin
memainkan peran yang secara fundamental berbeda
dari pada kasus penggunaan asimilasi tradisional.
Karena penerjemah manusia harus mengedit keluaran
MT untuk menghasilkan terjemahan berkualitas
manusia, kualitas MT secara langsung terkait dengan
kesulitan pengeditan daripada kemudahan
pemahaman. Disfluensi minor harus diperbaiki
meskipun tidak akan mengganggu pemahaman,
sementara kesalahan penerjemahan dapat diselesaikan
dengan menerjemahkan ulang kata-kata dalam
kalimat sumber.
Mengacu pada masalah leksikal terjemahan otomatis,
ini memang sangat penting dalam hal luas jika tidak
dalam kompleksitas. Mempertimbangkan variasi
dalam arti kata, evolusi cepat kosakata ilmiah dan
teknis, bahasa gaul dan bahasa lokal, jumlah kata per
bahasa mungkin begitu tinggi sehingga dapat
menantang keterampilan konstruktor memori
elektronik.
Dalam kamus ringkas baru-baru ini, kosakata
bahasa Inggris terdiri dari sekitar 60.000 entri kata:
angka ini dapat berjalan empat kali lebih tinggi jika
setiap arti dari setiap kata polisemantik dimasukkan
secara terpisah. Sehingga sebuah kamus di mana
setiap bentuk dari setiap kata akan menjadi entri
terpisah mungkin berjumlah lebih dari setengah juta
kata dalam bahasa infleksi modern. Dengan demikian
kita langsung dihadapkan pada masalah konten
leksikal. Ini diikuti oleh pertanyaan klasifikasi
(haruskah ada satu kamus saja, atau beberapa,
menurut subjek?), Dan urutan klasifikasi (menurut
abjad, logika, konseptual, atau numerik sesuai dengan
bertambah atau berkurangnya jumlah karakter dalam
a kata, dll.?). Akhirnya muncul masalah khusus
dalam penerjemahan banyak arti, idiom; dan cepat
atau lambat masalah gaya, atau gaya, pilihan kata
untuk alasan yang khas bagi penulis.
 A solution to any one of these problems Solusi untuk salah satu dari masalah ini melibatkan
involves a choice, or a series of choices, pilihan, atau serangkaian pilihan, yang pasti
inevitably limiting possibilities in other directions membatasi kemungkinan ke arah lain; terlebih lagi,
; all the more so, in that lexical problems, even dalam masalah leksikal, bahkan lebih dari masalah
more than those of morphology, are closely morfologi, terkait erat dengan aspek teknologi
bound up with the technological aspects of konstruksi komputer. Kapasitas memori, kecepatan
computer construction. Memory capacity, akses, ini adalah pertimbangan penting dalam
rapidity of access, these are important pemilihan solusi.
considerations in the choice of solutions. Sekalipun kita mengesampingkan sejenak, untuk
Even if we set aside for the moment, for alasan praktis, keberatan dari mereka yang
practical reasons, the objections of those who berpendapat bahwa pemilihan kata yang tepat oleh
maintain that the choice of the right word by the penerjemah adalah masalah selera, penilaian
translator is a matter of taste, of personal pribadi, dan bahwa mesin tidak akan pernah dapat
judgment, and that the machine will never be able melakukan seperti itu. penilaian, kami masih tidak
to exercise such judgment, we can still not affirm dapat menegaskan pada saat ini bahwa solusi yang
at the present time that an ideal solution has so ideal sejauh ini telah ditemukan untuk masalah
far been found to the lexical problems of leksikal terjemahan mekanis. Tetapi metode
mechanical translation. But the empirical method empiris dari solusi parsial telah diterapkan dengan
of partial solutions has been applied with kesuksesan yang meningkat. Ini telah
increasing success. It has enabled research to memungkinkan penelitian untuk dilanjutkan
continue while technicians pursue the study of sementara teknisi melanjutkan studi tentang proses
recording processes, thanks to which it will perekaman, berkat itu pada akhirnya akan
eventually be possible, where required, both to mungkin, jika diperlukan, baik untuk menyimpan
store a very great number of words and to have sejumlah besar kata dan memiliki akses yang
very rapid access to them. The first question to be sangat cepat ke sana. Pertanyaan pertama yang
raised was how to classify words in an electronic diajukan adalah bagaimana mengklasifikasikan
dictionary in such a way as to ensure as rapid a kata-kata dalam kamus elektronik sedemikian rupa
look-up as possible. Words being represented by untuk memastikan pencarian secepat mungkin.
a binary numerical code, several alternative Kata-kata diwakili oleh kode numerik biner,
methods of classification have been tried: beberapa metode klasifikasi alternatif telah dicoba:
arrangement in order of decreasing frequency, pengaturan dalam urutan frekuensi yang menurun,
alphabetically by sections, etc. menurut abjad berdasarkan bagian, dll.
In order to find out which one was best, Untuk mengetahui mana yang terbaik, kami
we compared the features, price and performance membandingkan fitur, harga, dan performa masing-
of each. The API’s chosen were; Bing, Google, masing. API yang dipilih adalah; Bing, Google,
SDL and Yandex. SDL dan Yandex.
Features Number of Number of Total API Jumlah Jumlah Jumlah total
Comparis source target number of
bahasa bahasa pasangan
on API languages languages translation
from pair sumber target dari terjemahan
English
bahasa
Bing 45 44 2025
Google 64 90 2016 Inggris
SDL 43 42 48 BING 45 44 2025
Yandex 44 43 1892 Google 64 90 2016
SDL 43 42 48
Yande 44 43 1892
x
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 of the four tools tested.
Google
Google preformed the least well of the four
tools on the test for compound words, because it’s
translation of ‘Signup’ although understandable
was not as good as the other three. Like all the
tools the idiom ‘once in a blue moon’ was
translated literally. The translation of the missing
word ‘fundraising’ was good and there were no
problems with the multiple meaning word ‘rose’.
Yandex
Yandex scored full marks on the compound
word test, and like all of the tools translated the
idiom ‘once in a blue moon’ literally. It performed
the worst of the four with the translation of
‘fundraising’ though the translation offered was
just about understandable. Yandex had no
problems with the multiple meaning word ‘rose’.
Like SDL it also seemed to have a problem dealing
with quotation marks, changing single quotation
marks into double but not closing them. We tested
several sentences to check this error and found it to
be a common one. Sometimes double quotes were
used and not shut, at other times a 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
Hasil:
Bing
Bing tidak punya 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
menerjemahkan kata 'penggalangan dana' yang
hilang yang menawarkan alternatif paling jelas.
Terjemahan dari berbagai arti kata 'mawar' itu benar,
meskipun kalimatnya sendiri salah. Terlepas dari
kesalahan pada kalimat terakhir, terjemahan Bing
adalah yang paling mudah dipahami dari empat alat
yang diuji.
Google
Google melakukan preformed paling baik
dari empat alat pada pengujian kata majemuk,
karena terjemahannya dari 'Signup' meskipun dapat
dimengerti tidak sebaik tiga lainnya. Seperti semua
alat, idiom 'sekali dalam bulan biru' diterjemahkan
secara harfiah. Terjemahan dari kata 'penggalangan
dana' yang hilang itu bagus dan tidak ada masalah
dengan berbagai arti kata 'mawar'.
Yandex
Yandex mendapatkan nilai penuh pada tes
kata majemuk, dan seperti semua alat yang
menerjemahkan idiom 'sekali dalam bulan biru'
secara harfiah. Itu melakukan yang terburuk dari
empat dengan terjemahan 'penggalangan dana'
meskipun terjemahan yang ditawarkan hampir bisa
dimengerti. Yandex tidak memiliki masalah dengan
berbagai arti kata 'mawar'. Seperti SDL, tampaknya
juga ada masalah dalam menangani tanda kutip,
mengubah tanda kutip tunggal menjadi ganda tetapi
tidak menutupnya. Kami menguji beberapa kalimat
untuk memeriksa kesalahan ini dan ternyata itu
kesalahan yang umum. Terkadang tanda kutip ganda
digunakan dan tidak ditutup, di lain waktu
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 berbagai arti kata 'mawar' tanpa
masalah, meskipun dalam kedua kasus kalimat itu
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 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.
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
https://translate.google.com
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 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,
ketika berbicara tentang arti keseluruhan (yang
disebutkan di baris pertama), adalah Bing,
sementara 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, dan SDL memiliki
produk terjemahan yang berbeda. Berikut adalah
contoh produk terjemahan oleh, Google, Bing
Yandex, dan SDL. Bisakah Anda
membedakannya?
Produk terjemahan Google:
https://translate.google.com
 Source Text Target Text
There was once Ada sekali setiap
upon a time a poor waktu janda miskin
widow who had an yang hanya memiliki
only son named Jack, satu anak laki-laki
and a cow named bernama Jack, dan
Milky-white. And all seekor sapi bernama
they had to live on Milky-white. Dan
was the milk the cow semua mereka harus
gave every morning hidup adalah susu
which they carried to yang diberikan sapi
the market and sold. setiap pagi yang
But one morning mereka bawa ke pasar
Milky-white gave no dan dijual. Tapi suatu
milk and they didn’t pagi Milky-putih tidak
know what to do. memberi susu dan
“What shall we do, mereka tidak tahu
what shall we do?” “Bergembiralah, ibu,
said the widow, saya akan pergi dan
wringing her hands. bekerja di suatu
“Cheer up, mother, I’ll tempat,” kata
go and get work Mendongkrak.
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 Target Text
There was once upon Sana adalah sekali
a time a poor widow upon a time seorang
who had an only son janda miskin yang
named Jack, and a cow memiliki hanya anak
named Milky-white. bernama Jack, dan
And all they had to live sapi bernama Sakti-
on was the milk the putih. Dan semua
cow gave every mereka harus hidup
morning which they adalah susu sapi
carried to the market memberikan setiap
and sold. But one pagi yang mereka
morning Milky-white dibawa ke pasar dan
gave no milk and they dijual. Tapi suatu pagi
didn’t know what to do. Milky-putih
“What shall we do, memberikan tidakada
what shall we do?” said susu dan mereka tidak
the widow, wringing tahu apa yang harus
her hands. dilakukan.
Teks Sumber Teks Target
There was once Ada sekali setiap
upon a time a poor waktu janda miskin
widow who had an yang hanya memiliki
only son named Jack, satu anak laki-laki
and a cow named bernama Jack, dan
Milky-white. And all seekor sapi bernama
they had to live on Milky-white. Dan
was the milk the cow semua mereka harus
gave every morning hidup adalah susu
which they carried to yang diberikan sapi
the market and sold. setiap pagi yang
But one morning mereka bawa ke pasar
Milky-white gave no dan dijual. Tapi suatu
milk and they didn’t pagi Milky-putih tidak
know what to do. memberi susu dan
“What shall we do, mereka tidak tahu
what shall we do?” “Bergembiralah, ibu,
said the widow, saya akan pergi dan
wringing her hands. bekerja di suatu
“Cheer up, mother, I’ll tempat,” kata
go and get work Mendongkrak.
somewhere,” said
Jack.
Dari tabel tersebut terlihat bahwa Google Translate
menghasilkan terjemahan literal. Kadang-kadang,
itu tidak dapat membedakan nama yang tepat;
“Jack” diterjemahkan menjadi “Mendrongkrak”,
namun “Jack” adalah nama orang dalam teks ini.
Produk terjemahan Bing:
https://www.bing.com/translator
Teks Sumber Teks Target
There was once upon Sana adalah sekali
a time a poor widow upon a time seorang
who had an only son janda miskin yang
named Jack, and a cow memiliki hanya anak
named Milky-white. bernama Jack, dan
And all they had to live sapi bernama Sakti-
on was the milk the putih. Dan semua
cow gave every mereka harus hidup
morning which they adalah susu sapi
carried to the market memberikan setiap
and sold. But one pagi yang mereka
morning Milky-white dibawa ke pasar dan
gave no milk and they dijual. Tapi suatu pagi
didn’t know what to do. Milky-putih
“What shall we do, memberikan tidakada
what shall we do?” said susu dan mereka tidak
the widow, wringing tahu apa yang harus
 the widow,wringing her apa yang harus the widow,wringing her apa yang harus
hands. dilakukan. hands. dilakukan.
“Cheer up, mother, I’ll “Apa yang harus kita “Cheer up, mother, I’ll “Apa yang harus kita
go and get work lakukan, apa yang go and get work lakukan, apa yang
somewhere,” said Jack. harus kami perbuat?” somewhere,” said Jack. harus kami perbuat?”
kata janda meremas- kata janda meremas-
remas tangannya. remas tangannya.
“Bergembiralah, ibu, “Bergembiralah, ibu,
aku akan pergi dan aku akan pergi dan
mendapatkan mendapatkan
pekerjaan di suatu pekerjaan di suatu
tempat,” kata Jack. tempat,” kata Jack.
From the table above, it can be seen that Dari tabel di atas terlihat bahwa ada beberapa
there are some words that Bing cannot translate; kata yang tidak bisa diterjemahkan Bing; "suatu
“upon a time”. Sometimes, Bing can translate ketika". Terkadang, Bing dapat menerjemahkan
proper name “Jack”, but sometimes it cannot nama yang tepat "Jack", tetapi terkadang tidak dapat
translate it well; “Milky-White” as “Sakti-Putih”, menerjemahkannya dengan baik; "Milky-White"
yet “Milky-white” is a name of Jack’s cow. Bing sebagai "Sakti-Putih", namun "Milky-white" adalah
also cannot differentiate the use of “we” as “kami” nama sapi Jack. Bing juga tidak bisa membedakan
or “kita” in Indonesian language. penggunaan “kami” sebagai “kami” atau “kita”
dalam bahasa Indonesia.
Yandex’s translation product:
Produk terjemahan Yandex:
https://translate.yandex.com
https://translate.yandex.com
Source Text Target Text
Teks Sumber Teks Target
There was once Ada sekali waktu
There was once Ada sekali waktu
upon a time a poor seorang janda miskin
upon a time a poor seorang janda miskin
widow who had an yang memiliki hanya
widow who had an yang memiliki hanya
only son named Milky- anak laki-laki bernama
only son named Milky- anak laki-laki bernama
white. And all they had Jack, dan sapi bernama
white. And all they had Jack, dan sapi bernama
to live on was the milk Bima-putih. Dan semua
to live on was the milk Bima-putih. Dan semua
the cow gave every mereka harus hidup
the cow gave every mereka harus hidup
morning which they adalah susu sapi
morning which they adalah susu sapi memberi
carried to the market memberi setiap pagi
carried to the market setiap pagi yang mereka
and sold. But one yang mereka dibawa ke
and sold. But one dibawa ke pasar dan
morning Milky-white pasar dan dijual. Tapi
morning Milky-white dijual. Tapi suatu pagi
gave no milk and they suatu pagi susu putih
gave no milk and they susu putih
didn’t know what to do. tidakmemberikan susu
didn’t know what to do. tidakmemberikan susu
“What shall we do, dan mereka tidak tahu
“What shall we do, dan mereka tidak tahu
what shall we do?” said apa yang harus
what shall we do?” said apa yang harus
the widow, wringing dilakukan.
the widow, wringing dilakukan.
her hands. “Apa yang harus kita
her hands. “Apa yang harus kita
“Cheer up, mother, lakukan, apa yang harus
“Cheer up, mother, lakukan, apa yang harus
I’ll go and get work kita lakukan?” kata
I’ll go and get work kita lakukan?” kata
somewhere,” said Jack. janda, meremas-remas
somewhere,” said Jack. janda, meremas-remas
tangannya.
tangannya.
“Bergembiralah, ibu,
“Bergembiralah, ibu, aku
aku akan pergi dan
akan pergi dan
mendapatkan pekerjaan
mendapatkan pekerjaan
di suatu tempat,” kata
di suatu tempat,” kata
Jack.
Jack.
From the table above, it can be seen that Yandex Dari tabel di atas, terlihat bahwa Yandex terkadang
sometimes cannot differentiate a proper name; tidak bisa membedakan nama; “Milky-White”
“Milky-White” is translated as “Bima-Putih” and diterjemahkan sebagai “Bima-Putih” dan “susu
“susu putih”, yet “Milky-White” should not be putih”, namun “Milky-White” tidak harus
translated literally because it is a name of a cow. diterjemahkan secara harfiah karena itu adalah nama
sapi.
SDL’s translation product:
https://www.freetranslation.com Produk terjemahan SDL:
https://www.freetranslation.com
Source Text Target Text Teks Sumber Teks Target
There was once Ada pada suatu There was once upon Ada pada suatu ketika,
upon a time a poor ketika, seorang janda a time a poor widow seorang janda miskin
widow who had an miskin yang satu- who had an only son yang satu-satunya anak
only son named Jack, satunya anak bernama named Jack, and a cow bernama Jack, dan lembu
and a cow named Jack, dan lembu named Milky-white. bernama Bima Sakti
Milky-white. And all bernama Bima Sakti And all they had to live putih. Dan semua mereka
they had to live on putih. Dan semua on was the milk the untuk hidup pada adalah
was the milk the cow mereka untuk hidup cow gave every memerah susu
gave every morning pada adalah memerah morning which they memberikan setiap pagi
which they carried to susu memberikan setiap carried to the market hari yang mereka dibawa
the market and sold. pagi hari yang mereka and sold. But one ke pasar dan dijual.
But one morning dibawa ke pasar dan morning Milky-white Tetapi satu Bima Sakti
Milky-white gave no dijual. Tetapi satu Bima gave no milk and they pagi putih tidak
milk and they didn’t Sakti pagi putih tidak didn’t know what to do. memberikan susu dan
know what to do. memberikan susu dan “What shall we do, mereka tidak tahu apa
“What shall we do, mereka tidak tahu apa what shall we do?” said yang harus dilakukan.
what shall we do?” yang harus dilakukan. the widow, wringing “Apa yang akan kita
said the widow, “Apa yang akan kita her hands. lakukan, apa yang akan
wringing her hands. lakukan, apa yang akan “Cheer up, mother, I’ll kita lakukan?” kata janda
“Cheer up, mother, kita lakukan?” kata go and get work kalau tangannya.
I’ll go and get work janda kalau tangannya. somewhere,” said Jack. “Menyemarakkan, ibu,
somewhere,” said “Menyemarakkan, ibu, saya akan pergi dan
Jack. saya akan pergi dan bekerja di suatu tempat,”
bekerja di suatu kata Jack.
tempat,” kata Jack. Dari tabel di atas terlihat bahwa SDL
From the table above, it can be seen that SDL menerjemahkan “Bima Sakti” menjadi “Bima Sakti
translates “Milky-white” as “Bima Sakti putih”. putih”. SDL mencocokkan nama "Milky-White"
SDL matches the name “Milky-White” to the dengan konteks astronomi, namun "Milkywhite"
context of astronomy, yet “Milkywhite” is a adalah nama yang tepat yang tidak boleh
proper name that should not be translated literally diterjemahkan secara harfiah atau diadaptasi ke
or adapted to other bahasa lain.
contexts. konteks.
D. Practice! D. Latihan!
Please translate the following abstract into Silahkan terjemahkan abstrak berikut ini ke
Indonesia by using Google, Bing, Yandex, Indonesia dengan menggunakan Google, Bing,
and SDL which have different translation Yandex,
products. dan SDL yang memiliki produk terjemahan berbeda.
Title: the Importance of Collaborative Discourse Judul: Pentingnya Analisis Wacana Kolaboratif
Analysis in the Training of Novice Translators dalam Pelatihan Penerjemah Pemula
New Vocab :
Kosa Kata baru :
1. Override
1. Timpa
2. Grant
2. Hibah
3. Incrementally
3. Secara bertahap
4. Sophisticated
4. Canggih
5. Empirical
5. Empiris
6. Instead
6. Sebagai ganti
7. Notoriously
7. Terkenal
8. Suply
8. Pasokan
9. Prone
9. Rawan
10. Pitfalls
10. Jebakan
11. Breadth
11. Luasnya
12. Subsequent
12. Selanjutnya
13. Rough
13. Kasar
 RESUME
Chapter 2: Machine Translation
A. Computer Assisted Translation Tools
Computer-Assisted Translation is a term used to
describe computer techniques to facilitate the
process of translation. The system relies on
automatic translation which is corrected by
human translators in the process of post editing.
The system is based on a direct word to word
transfer. , there are three basic types of CAT
(Computer Assisted Translation) tools to assist
human translation work;
1) Machine Translation
Machine Translation (MT) is an action of fully
automatic text translation. The translation is
carried out entirely by the computer with no help
of human translators. Even though MT is not a
proper part of CAT, the systems are sometime
used in CAT to provide rough suggestions of
translation. Human translator is then responsible
for carrying out the post-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
3) Translation Memory
Translation Memory (TM) is a database of
previously carried out translations. TM contains
only high-quality translations which can be
reused in future.
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:
RESUME
Bab 2: Terjemahan Mesin
A. Alat Terjemahan Berbantuan Komputer
Terjemahan Berbantuan Komputer adalah istilah
yang digunakan untuk mendeskripsikan teknik
komputer untuk memfasilitasi proses
penerjemahan. Sistem ini mengandalkan
terjemahan otomatis yang dikoreksi oleh
penerjemah manusia dalam proses pengeditan pos.
ada tiga jenis alat CAT (Computer Assisted
Translation) untuk membantu pekerjaan
penerjemahan manusia;
1) Terjemahan Mesin
Terjemahan Mesin (MT) adalah tindakan
terjemahan teks otomatis sepenuhnya. Terjemahan
dilakukan sepenuhnya oleh komputer tanpa
bantuan penerjemah manusia. Meskipun MT bukan
bagian yang tepat dari CAT, sistem terkadang
digunakan dalam CAT untuk memberikan saran
terjemahan yang kasar. Penerjemah manusia
kemudian bertanggun jawab untuk melakukan
pengeditan pasca.
2) Manajemen Terminologi
Ini mengacu pada database yang menyimpan istilah
pilihan khusus untuk suatu perusahaan. Pada
dasarnya, basis data terminologi adalah glosarium
yang cerdas dari terjemahan yang disukai
perusahaan untuk istilah tertentu dalam berbagai
bahasa.
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.
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) 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 for quality control.
4) A computer can work on draft translation at
any time of the day, thus a 10,000 word
translation that would take a human
translator a week to produce could be
5) done overnight ready for editing the next
morning. (Speeds of up to 10,000 words per
hour have been claimed).
6) Better quality control since text already
entered in the software will not need to be re-
checked.
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.
Rule-Based Machine Translation (RBMT), and
Hybrid Systems, which combine RBMT and
SMT.
1) Rule-Based Machine Translation (RBMT)
Technology
RBMT relies on countless built-in
linguistic rules and millions of bilingual
dictionaries for each language pair. The
RBMT system parses text and creates a
transitional representation from which the
text in the target language is generated.
2) Statistical Machine Translation (SMT)
Technology
Statistical Machine Translation utilizes
statistical translation models generated from
the analysis of monolingual and bilingual
training data. Essentially, this approach uses
computing power to build sophisticated data
models to translate one source language into
1) Teks yang 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
untuk kontrol kualitas.
4) Komputer dapat mengerjakan terjemahan draf
setiap saat sepanjang hari, sehingga terjemahan
10.000 kata yang membutuhkan penerjemah
manusia seminggu untuk menghasilkan dapat
diselesaikan dalam semalam dan siap untuk
diedit keesokan paginya. (Kecepatan hingga
10.000 kata per jam telah diklaim).
5) Kontrol kualitas yang lebih baik karna teks yang
sudah dimasukkan ke dalam perangkat lunak
tidak perlu diperiksa ulang.
6) Kontrol kualitas yang lebih baik karena teks
yang sudah dimasukkan ke 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 Pemrosesan Bahasa Alami yang
menggunakan kumpulan data dwibahasa dan aset
bahasa lain untuk membangun model bahasa dan
frasa yang digunakan untuk menerjemah kan teks.
Terjemahan Mesin Berbasis Aturan (RBMT), dan
Sistem Hibrid, yang menggabungkan RBMT dan
SMT.
1) Teknologi Terjemahan Mesin Berbasis Aturan
(RBMT)
RBMT mengandalkan aturan linguistik
bawaan yang tak terhitung jumlahnya dan jutaan
kamus dwibahasa untuk setiap pasangan bahasa.
Sistem RBMT mem-parsing teks dan membuat
representasi transisi dari mana teks dalam bahasa
target dihasilkan.
2) Teknologi Terjemahan Mesin Statistik (TPS)
Terjemahan Mesin Statistik menggunakan
model terjemahan statistik yang dihasilkan dari
analisis data pelatihan satu bahasa dan dua bahasa.
Pada dasarnya, pendekatan ini menggunakan daya
komputasi untuk membangun model data yang
canggih untukmenerjemahkan satu bahasa sumber
 another. The translation is selected from the
training data using algorithms to select the
most frequently occurring words or phrases.
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.
kebahasa lain. Terjemahan dipilih dari data
pelatihan menggunakan algoritme untuk memilih
kata atau frasa yang paling sering muncul.
C. Mesin Penerjemah 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
berdasarkan kontribusi puluhan tahun dari
penelitian akademis dan komersial, sebagian
besar berfokus pada kasus penggunaan ini, yang
bertujuan untuk memaksimalkan pemahaman
manusia tentang keluaran MT.