Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Banyak orang mengatakan bahwa penerjemahan adalah "seni". Jadi, penerjemahan didasari oleh kiat yang bertujuan memperoleh padanan bagi bahasa sumber (BSu), sehingga pesan yang terkandung dalam Bsu dapat diungkapkan kembali di dalam bahasa sasaran (BSa). Akan tetapi, hal di atas tidak cukup. Penerjemahan harus ditempatkan dalam konteks komunikasi, khususnya komunikasi kebahasaan. Nida dan Taber (1974:1) mengemukakan bahwa "Correctness must be determined by the extent to which the average reader for which a translation is intended will be likely to understand it correctly." Pernyataan di atas dapat kita pahami dan dapat kita jabarkan selanjutnya sebagai berikut: (1) sebelum mulai mengalihbahasakan sebuah teks, penerjemah harus memahami pesan yang terkandung dalam teks tersebut, (2) siapa pengirim pesan itu, ditujukan kepada siapa, dan siapa calon pembaca dalam Bsa? (3) makin jelas (terbatas) calon pembaca hasil penerjemahan kita, makin "mudah" kita membuat keputusan tentang pilihan bentuk bahasa dalam proses penerjemahan kita, (4) benar tidaknya suatu terjemahan berkaitan dengan apakah pesan dalam Bsu diterima secara sepadan dalam BSa.

Abstrak :
Model penelitian ini berupa terjemahan beranotasi. Terjemahan beranotasi merupakan suatu bentuk pertanggung jawaban seorang penerjemah dalam memilih padanan yang tepat dengan membubuhkan catatan padahal-hal yang menantang dalam proses penerjemahan. Selama proses penerjemahan, penerjemah tersadar bahwa menerjemahkan karya sastra tidak sama dengan menerjemahkan karya lainnya. Karya sastra mengandungi bentuk emosi juga perasaan penulis.Unsur-unsur seperti itu biasanya diluapkan oleh penulis kedalam novel menggunakan majas atau bahasa kiasan atau idiom.Unsur seperti itu biasanya menimbulkan masalah dalam penerjemahan.Masalah lain lagi yang dihadapi dalam proses penerjemahan adalah mengenai aspek kebudayaan karena setiap karya sastra berakar dalam kebudayaan tertentu. Dalam menerjemahkan penerjemah menggunakan ideology foreignisation dengan prosedurtranferensi disertai prosedur deskriptif dalam menerjemahkan kata budaya yang memiliki muatan budaya yang sangat kuat.Menimbang karya sastra merupakan jenis teks ekspresif, penerjemah menggunakan dua buah metode, yaitu semantic dan komunikatif yang ditawarkan oleh Newmark.Kedua metode ini dimaksudkan untuk memberikan hasil penerjemahan yang memiliki nilai estetis dan juga bahasa yang berterima oleh pembaca sasaran. ......This research is in a form of an annotated translation model. An annotated translation is a form of accountability of a translator in selecting a suitable equivalence and making annotation on things that are challenging during the translation process.During the process of translation, the translator realized that translating aliterary work is not the same as translating another work. It is because literary contains the feelings and emotionsof the author. Those elements usually embedded in the workthrough the use of figures of speech or figurative language or idioms. Such elements often caused problems for the translator. Another obstacle arouse fromcultural aspects. The translator translated the cultural aspects using foreignisation ideology andtranferensiand descriptive procedures. Those are used when dealing with a very strong cultural words. Considering literature is a kind of expressive text, the translator used two methods, namely the semantic and communicative methods offered by Newmark. Both of these methods are used to render the aesthetic value as well as to deliver the message from the source language to target audiences.

Abstrak :
Machine Reading Comprehension (MRC) merupakan salah satu task di bidang natural language processing (NLP) dimana mesin memiliki tugas untuk membaca secara komprehensif dari sebuah bacaan (passage) yang diberikan agar dapat menjawab pertanyaan terkait. Metode terkini untuk mengautomasi MRC menggunakan deep learning dengan memanfaatkan pretrained language models (PLMs) berbasis BERT. Dalam menangani kasus MRC sumber daya rendah, digunakan PLM multilingual seperti XLM-R. Namun PLM multilingual memiliki masalah untuk bahasa sumber daya rendah yaitu: bahasa sumber daya rendah yang tidak terepresentasi dengan baik, imperfect cross-lingual embeddings alignment dan instabilitas ketika di fine-tuning pada data berukuran kecil. Penelitian ini mengusulkan beberapa strategi fine-tuning dan metode pembentukan data augmentasi untuk meningkatkan kinerja MRC dibahasa sumber daya rendah. Strategi fine-tuning yang diusulkan adalah 2-step fine-tuning dan mixed fine-tuning. Untuk metode pembentukan data augmentasi yaitu dengan penggunaan data asli, pengaplikasian model machine translation dan perturbasi code-switching. Hasil eksperimen menunjukkan, untuk dataset FacQA (Bahasa Indonesia) dan UIT-ViQuAD (Bahasa Vietnam) diperoleh strategi terbaik dengan kombinasi strategi penggunaan data asli dan metode 2-step finetuning dimana menghasilkan peningkatan kinerja sebesar 3.858%, 2.13% secara berurutan. Untuk dataset FQuAD (Bahasa Prancis), strategi terbaik diperoleh de- ngan kombinasi strategi pembentukan data perturbasi code-switching dan metode mixed fine-tuning dimana menghasilkan peningkatan kinerja sebesar 1.493%. ......Machine Reading Comprehension (MRC) is one of the tasks in the field of natural language processing (NLP) where the machine has the task of reading comprehensively from a given passage in order to answer related questions. The latest method for automating MRC uses deep learning by utilizing pretrained language models (PLMs) based on BERT. For handling low-resource MRC, multilingual PLMs such as XLM-R are used. However, multilingual PLM has problems for low resource languages: low resource languages that are underrepresented, imperfect cross-lingual embeddings alignment and instability when finetuned on small data.This study proposes several fine-tuning strategies and data augmentation generation methods to improve lowresource languages MRC performance. The proposed fine-tuning strategies are 2-step fine-tuning and mixed fine-tuning. For the method of form- ing augmented data, namely by using data original model, application of machine translation and code-switching pertubation to optimize cross-lingual embeddings alignment in multilingual PLM. The experimental results show that for the FacQA (Indonesian) and UIT-ViQuAD (Vietnamese) datasets, the best strategy is obtained by combining the strategy of using original data and the 2-step fine-tuning method which results in an performance improvement of 3.858%, 2.13%, respectively. For the FQuAD dataset (French), the best strategy was obtained by a combination of code-switching perturbation strategy and mixed fine-tuning method which resulted in an performance improvement of 1.493%.