Problematika utama penerjemahan sosial-budaya terletak pada istilah atau unsur budaya spesifik (culture-specific items) yang tidak memiliki padanan langsung dalam bahasa sasaran, sehingga “kehilangan budaya” sulit dihindari. Kehadiran kecerdasan buatan (AI) menunjukkan dua sisi yang sangat jelas: di satu sisi, large language models (LLM) menunjukkan kemampuan yang melampaui penerjemahan mesin saraf tradisional dalam mengidentifikasi unsur budaya spesifik dan memberikan informasi kontekstual; bahkan ChatGPT 4.0 dalam penerjemahan istilah budaya tertentu dapat mendekati tingkat kemampuan manusia. Di sisi lain, AI masih cenderung mengandalkan strategi penerjemahan harfiah dan transliterasi, memiliki keterbatasan sistematis dalam memahami makna budaya yang mendalam, serta belum mampu menilai tingkat keberterimaan suatu terjemahan dalam budaya sasaran. Oleh karena itu, jalur yang paling rasional saat ini bukanlah menggantikan penerjemah manusia dengan AI, melainkan menempatkan AI sebagai “alat bantu penerjemahan budaya”—AI melakukan identifikasi awal dan menghasilkan draf, sedangkan penerjemah manusia melakukan kalibrasi budaya dan mengambil keputusan strategis.
I. Problematika Penerjemahan Sosial-Budaya: Ketika Kata Mengandung Makna yang Tidak Dapat Dipindahkan Begitu Saja
1.1 Hakikat Permasalahan Unsur Budaya Spesifik
Unsur budaya spesifik (culture-specific items) merujuk pada kata atau frasa yang memiliki makna khusus dalam konteks budaya tertentu. Unsur tersebut membawa kepercayaan dan nilai-nilai suatu budaya, tetapi sering kali tidak memiliki padanan langsung dalam bahasa lain. “Kekosongan leksikal” ini bukan sekadar persoalan kemampuan berbahasa, melainkan mencerminkan perbedaan mendasar dalam cara berbagai budaya mengklasifikasikan dunia dan membangun kerangka kognitifnya.
Sebagai contoh, dalam penerjemahan antara bahasa Arab dan bahasa Indonesia, istilah “كرم الضيافة” (karam al-diyafah) yang dapat diterjemahkan sebagai “keramahan” atau “kemurahan hati dalam menjamu tamu” tidak hanya mengandung makna harfiah hospitality, tetapi juga mencerminkan seperangkat nilai budaya yang berkaitan dengan kehormatan, kewajiban sosial, dan hubungan antarmanusia. Jika hanya diterjemahkan secara harfiah, konsep tersebut berpotensi kehilangan bobot sosial dan nuansa emosionalnya ketika ditempatkan dalam konteks budaya Indonesia. Penelitian menunjukkan bahwa unsur budaya spesifik yang berkaitan dengan ekologi, struktur sosial, adat istiadat, dan istilah keagamaan merupakan salah satu hambatan utama dalam penerjemahan budaya.
1.2 Ketegangan Abadi antara Domestikasi dan Forenisasi
Dalam teori penerjemahan, pertentangan klasik antara domestikasi (domestication) dan forenisasi (foreignization) menjadi semakin nyata dalam praktik penerjemahan budaya. Strategi domestikasi mengubah unsur budaya bahasa sumber menjadi bentuk yang lebih familiar bagi pembaca sasaran. Strategi ini meningkatkan keterbacaan, tetapi berpotensi mengorbankan keunikan budaya sumber. Sebaliknya, strategi forenisasi mempertahankan karakteristik budaya bahasa sumber sehingga keaslian budaya lebih terjaga, tetapi dapat menimbulkan hambatan bagi pembaca.
Sebuah penelitian mengenai penerjemahan istilah budaya Indonesia ke dalam bahasa Inggris menunjukkan bahwa strategi penerjemahan tidak didominasi oleh satu ideologi tertentu, melainkan memperlihatkan karakter “adaptasi pragmatis”: forenisasi dan domestikasi masing-masing digunakan sekitar 40%, sementara 20% lainnya menggunakan strategi campuran. Secara khusus, peminjaman (borrowing) merupakan strategi yang paling sering digunakan, misalnya dengan mempertahankan istilah yeye dan menambahkan penjelasan deskriptif “the skipping rope game”. Strategi tersebut memungkinkan identitas budaya tetap dipertahankan sekaligus membantu pembaca sasaran memahami maknanya. Fleksibilitas strategi ini menunjukkan bahwa tantangan utama penerjemah adalah menyeimbangkan kesetiaan budaya dengan kejelasan komunikasi.
1.3 Ketakterbalikan Kehilangan Budaya
Bahkan ketika kombinasi strategi penerjemahan yang sangat cermat digunakan, kehilangan informasi dalam penerjemahan budaya tetap sulit dihindari. Analisis terhadap penerjemahan bahasa Inggris serial Netflix Indonesia Gadis Kretek menunjukkan bahwa sejumlah istilah budaya mengalami “penyempitan makna” (semantic reduction) selama proses penerjemahan. Misalnya, tubruk—sebuah cara menyeduh kopi—diterjemahkan menjadi plain brewed; buta—tokoh dalam suatu tarian—disederhanakan menjadi monster; sedangkan bude—sebutan untuk perempuan yang lebih tua—digeneralisasi menjadi aunt.
Meskipun terjemahan tersebut dapat berfungsi secara komunikatif, berbagai unsur yang melekat pada istilah aslinya menjadi hilang, termasuk konteks sosial tertentu, latar belakang sejarah, tingkat tutur bahasa, serta asosiasi ekonomi.
Akar persoalannya adalah bahwa “makna” sebuah unsur budaya spesifik tidak pernah hanya berupa fungsi referensialnya. Makna tersebut juga merupakan bagian dari jaringan makna dalam suatu budaya. Ketika sebuah kata dikeluarkan dari jaringan tersebut melalui proses penerjemahan, ketebalan maknanya hampir pasti menjadi lebih tipis, apa pun strategi yang digunakan.
II. Intervensi Kecerdasan Buatan: Dari Alat Menuju “Semi-Subjek”
2.1 Kemampuan Large Language Model dalam Mengenali Budaya
Kemunculan large language models (LLM) seperti ChatGPT menandai perubahan paradigma dalam penerjemahan mesin, dari pendekatan yang terutama berbasis aturan menuju pendekatan yang lebih berbasis pengetahuan. Dibandingkan dengan penerjemahan mesin saraf tradisional seperti Google Translate, LLM menunjukkan keunggulan yang cukup signifikan dalam menangani unsur budaya spesifik.
Sebuah penelitian komparatif mengenai penerjemahan sastra Korea–Tiongkok memberikan data yang menarik. ChatGPT 4.0 dan 3.5 ditemukan “lebih unggul daripada penerjemah manusia” dalam penerjemahan istilah budaya tertentu, khususnya istilah medis; sementara dalam bidang lainnya, performanya “mendekati penerjemahan manusia.” ChatGPT 4.0 juga menunjukkan tingkat akurasi dan kelengkapan yang lebih tinggi dibandingkan versi 3.5. Sebaliknya, Papago dan Baidu Translate menunjukkan kecenderungan kuat terhadap penerjemahan harfiah dan memperoleh skor yang lebih rendah dalam hal akurasi dan keterbacaan.
Penelitian lain yang berfokus pada akurasi identifikasi unsur budaya spesifik menemukan bahwa ChatGPT-4o yang telah melalui prompt-tuning mampu mengidentifikasi hampir 80% unsur budaya spesifik, tetapi kurang dari separuhnya diterjemahkan secara benar. Menariknya, model menunjukkan performa yang lebih baik dalam menangani “unsur budaya intrabahasa” seperti nama tokoh dan nama tempat dibandingkan “unsur budaya ekstrabahasa” seperti kebiasaan budaya dan norma sosial.
2.2 Keterbatasan Sistematis Large Language Model
Namun, peningkatan kemampuan tidak berarti bahwa seluruh kelemahan telah hilang. LLM masih menghadapi beberapa keterbatasan sistematis dalam penerjemahan budaya.
Pertama, kecenderungan terhadap penerjemahan harfiah. Analisis terhadap penerjemahan 29 istilah budaya Madura menunjukkan bahwa Google Translate dan ChatGPT masing-masing menggunakan penerjemahan harfiah atau strategi transliterasi dalam sekitar 86% dan 85% hasil terjemahannya. Banyak istilah budaya dipertahankan dalam bentuk aslinya tanpa memberikan penjelasan budaya yang memadai. Strategi yang “konservatif” ini memang dapat menghindari kesalahan akibat penggantian budaya secara keliru, tetapi sekaligus belum sepenuhnya melaksanakan tugas utama penerjemahan, yaitu mentransfer makna lintas budaya.
Kedua, keterbatasan kedalaman pemahaman budaya. AI dapat mengenali keberadaan suatu istilah budaya, tetapi belum tentu mampu menentukan bobot budaya istilah tersebut dalam teks tertentu. Para peneliti menunjukkan bahwa tanpa pengetahuan budaya yang memadai, penerjemahan mesin masih dapat menghasilkan terjemahan yang tidak akurat bahkan menyesatkan. Kemampuan AI untuk memahami konteks budaya secara utuh masih menjadi tantangan besar.
Ketiga, keterbatasan dalam memahami keberterimaan budaya sasaran. Pilihan penerjemah manusia antara domestikasi dan forenisasi sering kali didasarkan pada pemahaman mengenai latar belakang pengetahuan pembaca sasaran, ekspektasi mereka terhadap teks, serta kebiasaan membaca. AI saat ini belum memiliki “kesadaran terhadap pembaca” (reader awareness) yang memadai. AI belum dapat secara andal menentukan apakah hambatan pemahaman yang mungkin muncul akibat strategi forenisasi layak dipertahankan atau justru perlu dikurangi.
2.3 Potensi dan Batasan AI Multimodal
Large language model multimodal merupakan salah satu arah perkembangan yang patut diperhatikan. Dengan kemampuan memproses teks, gambar, dan audio secara bersamaan, AI multimodal berpotensi mengatasi salah satu kelemahan mendasar penerjemahan berbasis teks, yaitu kekurangan konteks.
Sebuah penelitian mengenai penyebaran budaya Qilu lintas bahasa menunjukkan bahwa melalui penggabungan fitur teks, gambar, dan audio dalam jaringan adversarial generatif lintas spektrum, tingkat kemiripan semantik mencapai 0,89, atau meningkat 15,3% dibandingkan algoritma yang ada. Dalam kasus yang lebih kompleks, penelitian penerjemahan Dongba, yaitu sistem tulisan piktografis yang terancam punah, menunjukkan bahwa memasukkan informasi bentuk karakter dan koordinat spasial ke dalam prompt model multimodal dapat meningkatkan performa penerjemahan secara signifikan untuk sistem tulisan yang bersifat nonlinear dan memiliki struktur gramatikal yang lemah.
Terobosan teknologi tersebut penting karena menunjukkan bahwa AI memiliki kemampuan untuk menangani situasi penerjemahan ketika teks saja tidak cukup untuk menyampaikan konteks secara utuh. Ketika sebagian makna budaya dikodekan melalui simbol visual atau hubungan spasial, model multimodal menawarkan kemungkinan yang tidak dapat dicapai melalui penerjemahan teks tradisional. Namun, perlu diperhatikan bahwa hasil-hasil tersebut masih terbatas pada lingkungan eksperimental dan memerlukan sejumlah besar data beranotasi yang spesifik pada bidang tertentu serta prompt engineering yang dirancang secara cermat.
III. Menuju Kolaborasi: Jalur Praktis Penerjemahan Budaya di Era AI
3.1 AI sebagai “Asisten Identifikasi Budaya”
Model penerapan yang paling realistis saat ini adalah menempatkan AI sebagai alat bantu bagi penerjemah manusia, terutama dengan memanfaatkan keunggulannya dalam cakupan pengetahuan yang luas. ChatGPT-4o yang telah melalui prompt-tuning sudah memiliki kemampuan yang cukup praktis dalam mengidentifikasi unsur budaya spesifik. Meskipun tingkat akurasi penerjemahannya masih perlu ditingkatkan, kemampuan AI dalam “menemukan unsur budaya” dapat secara signifikan mengurangi beban penerjemah pada tahap analisis awal.
Para peneliti secara tegas menunjukkan bahwa peran terbaik penerjemahan mesin dan AI dalam penerjemahan budaya adalah sebagai “alat pendukung”, sementara kompetensi profesional penerjemah manusia tetap menjadi kunci untuk menerjemahkan istilah yang terikat pada budaya secara tepat. Kesimpulan tersebut didukung oleh temuan empiris bahwa pada setiap titik penting yang membutuhkan keputusan budaya, “intuisi budaya” manusia masih sulit digantikan.
3.2 Model Berlapis Kolaborasi Manusia–Mesin
Berdasarkan penelitian yang ada, dapat dirumuskan sebuah model kolaborasi manusia–mesin dalam penerjemahan budaya yang terdiri atas beberapa lapisan:
3.3 Hambatan Utama dalam Pengembangan Teknologi
Dari perspektif perkembangan teknologi, kemajuan AI dalam penerjemahan budaya bergantung pada terobosan dalam beberapa persoalan utama.
Pertama, penataan pengetahuan budaya secara terstruktur. Pengetahuan budaya dalam LLM saat ini terutama tersimpan secara “implisit” dalam parameter model dan belum memiliki representasi terstruktur yang mudah dijelaskan dan diambil kembali. Pengembangan knowledge graph budaya dan integrasinya dengan model penerjemahan merupakan salah satu arah penelitian yang menjanjikan.
Kedua, pemodelan pembaca sasaran. AI perlu memiliki kemampuan untuk menyesuaikan strategi penerjemahan berdasarkan latar belakang budaya, tingkat pengetahuan, dan tujuan membaca dari audiens sasaran. Hal ini memerlukan integrasi analisis audiens ke dalam tujuan pelatihan model penerjemahan.
Ketiga, standar evaluasi keberterimaan budaya. Bagaimana secara otomatis menilai apakah suatu terjemahan “tepat secara budaya” merupakan persoalan yang masih jauh dari terselesaikan. Penelitian saat ini masih banyak bergantung pada evaluator manusia, sehingga kemampuan sistem AI untuk melakukan pengoptimalan mandiri menjadi terbatas.
Keempat, digitalisasi budaya dengan sumber daya rendah. Untuk bahasa-bahasa daerah Indonesia, tulisan Dongba, dan budaya-budaya lain yang memiliki sumber daya digital terbatas, data pelatihan AI masih sangat minim. Pendekatan multimodal memang menawarkan salah satu jalan keluar, tetapi ketersediaan data budaya berskala besar dan berkualitas tinggi yang telah diberi anotasi tetap menjadi hambatan fundamental.
Penutup
Problematika penerjemahan sosial-budaya berakar pada kenyataan bahwa bahasa dan budaya tidak dapat dipisahkan. Kata-kata bukan sekadar wadah makna, tetapi juga merupakan kristalisasi pengalaman budaya. Kehadiran kecerdasan buatan telah mengubah ekosistem alat yang digunakan dalam penerjemahan, tetapi tidak mengubah hakikat persoalannya—keputusan inti dalam penerjemahan tetap berkaitan dengan pencarian keseimbangan yang “cukup baik” antara kesetiaan budaya dan efektivitas komunikasi.
Peningkatan kemampuan large language model dalam mengidentifikasi budaya dan menghasilkan terjemahan awal merupakan perkembangan yang nyata. Performanya yang dalam kasus tertentu dapat mendekati atau bahkan melampaui penerjemah manusia juga patut diperhatikan. Namun, keterbatasan AI dalam memahami budaya secara mendalam, memahami pembaca, dan mengambil keputusan strategis juga merupakan kenyataan yang perlu diperhitungkan. Memandang AI sebagai “solusi otomatis untuk penerjemahan budaya” merupakan penyederhanaan yang berisiko; sebaliknya, menempatkannya sebagai “alat untuk memperkuat kemampuan penerjemah manusia dalam menangani budaya” merupakan posisi yang lebih realistis.
Pada masa depan, praktik penerjemahan budaya akan semakin bergantung pada perpaduan “kecerdasan budaya manusia–mesin”: keluasan cakupan pengetahuan mesin dipadukan dengan kedalaman pemahaman manusia, sementara efisiensi teknologi dilengkapi dengan kemampuan penilaian manusia. Dalam pengertian ini, AI bukan hadir untuk “menyelesaikan” persoalan penerjemahan budaya, melainkan untuk mendefinisikan kembali peran penerjemah manusia yang tetap tidak tergantikan dalam proses mentransmisikan budaya.
No comments:
Post a Comment