Permintaan dan pertumbuhan pasar industri penerjemahan terus meningkat dalam satu dekade belakangan. Hal ini terutama didorong oleh kebutuhan komunikasi dan pertukaran informasi antarnegara yang semakin meluas. 

Pekerjaan penerjemahan seperti pada dokumen perusahaan, pedoman instalasi, dokumen hukum, buku teks, hingga situs web merupakan tugas repetitif yang membutuhkan konsistensi dan akurasi. 

Pada perkembangannya, para penerjemah profesional semakin kesulitan memenuhi arus permintaan yang terus naik. Dalam situasi inilah Machine Translation (MT) atau penerjemahan mesin muncul untuk memenuhi kebutuhan tersebut. 

Definisi

Machine Translation adalah proses penerjemahan bahasa sumber ke bahasa target yang sepenuhnya dilakukan menggunakan perangkat lunak. Ia memiliki kemampuan komputasional linguistik yang mampu mengidentifikasi, mempelajari dan menyelesaikan pelbagai masalah di proses penerjemahan otomatis. 

Selain itu, ia  merupakan instrumen untuk menghemat waktu para penerjemah. Peningkatan produktivitas dan akses terhadap hasil cepat tanpa bergantung pada penerjemahan manusia seutuhnya merupakan manfaat terbesar dari penggunaan teknologi ini. Dalam perkembangannya, ia terdiri dari tiga kategori, yaitu:

Rule-Based Machine Translation

Rule-Based Machine Translation (RB MT) merupakan Machine Translation yang bergantung pada sistem gramatika dari bahasa asal dan bahasa target guna merancang model untuk mencapai akurasi penerjemahan maksimal. 

Sistem gramatika tersebut bisa ditambah dengan kamus istilah spesifik tergantung dari aplikasi yang diinginkan, misalnya kamus istilah kedokteran atau bisnis untuk meningkatkan ketepatan. 

Kelebihan

• Tidak membutuhkan teks bilingual yang harus menjadi input sebelum penerjemahan
• Aturan-aturan baru bisa ditambahkan terus menerus.
• Aturan-aturan yang telah dibuat bisa dipasangkan dengan bahasa target baru

Kekurangan

• Tidak ada kamus bilingual yang benar-benar sempurna dan membuat kamus baru sangat memakan waktu.
• Peraturan baru harus dimasukkan secara manual dan biasanya berbiaya tinggi.
• Kurang dapat diandalkan ketika menghadapi aspek kebahasaan seperti metafora, gender atau idiom.

Statistical Machine Translation

Statistical Machine Translation (Statistical MT) bekerja dengan mempelajari seluruh korpus terjemahan yang telah divalidasi oleh tenaga manusia. Tidak seperti RBMT, Statistical MT merupakan penerjemahan berbasis frasa alih-alih kata per kata. 

Terjemahan Statistical MT menggunakan korpus terjemahan manusia tersebut sebagai model yang diterapkan pada teks bahasa target untuk melakukan penerjemahan secara otomatis. 

Kelebihan

• Cepat dikembangkan dan berbiaya relatif murah.
• Tidak membutuhkan banyak pekerjaan manual bagi pembuatnya.
• Dengan model bahasa yang tepat, hasil terjemahan bisa lebih kontekstual ketimbang RMBT.

Kekurangan

• Tidak mengenal tata bahasa dengan baik.
• Membutuhkan banyak data untuk pemodelan
• Kesalahan-kesalahan spesifik akan sulit diperbaiki

Neural Machine Translation

Neural Machine Translation (NMT) merupakan pendekatan termutakhir Machine Translation yang tersusun atas jejaring “saraf” tiruan guna. NMT merupakan terobosan karena membuat sistem tunggal yang mampu menerjemahkan pelbagai bahasa tanpa harus mengakomodasi aturan-aturan tertentu sebagaimana ditemukan di Statistical MT maupun RB MT. Oleh karena itu, NMT digadang-gadang mampu melampaui batasan sistem terjemahan berbasis frasa dan kata dan mampu memproduksi kualitas terjemahan lebih baik dibandingkan keduanya. 

Kelebihan

• Akurasi lebih tinggi daripada dua model lainnya.
• NMT dapat dilatih dengan cepat lewat proses automasi untuk mengenali pola di dalam data yang digunakan.
• Memungkinkan sistem tunggal yang mampu menerjemahkan banyak pasangan bahasa.

Kekurangan

• Teknologinya masih relatif mahal jika digunakan untuk tujuan komersial.
• Kesulitan menghadapi kata-kata yang jarang muncul.

Kesimpulan

Jenis-jenis Machine Translation yang ada saat ini menawarkan pelbagai kemungkinan dengan masing-masing kelebihan dan kekurangannya dalam menerjemahkan teks dalam jumlah besar dan cepat. Semua pasangan bahasa memiliki tantangannya sendiri dan setiap bisnis memiliki kebutuhan dan prioritasnya masing-masing. Masa depan teknologi ini terlihat menjanjikan dan angan-angan akan kualitas terjemahan otomatis yang mendekati hasil terjemahan manusia mungkin tidak lama lagi akan dicapai.

Penulis: Averio Nadhirianto

Editor: M. Wahyu Hidayat