ANALISIS AKURASI CHATGPT DALAM MENERJEMAHKAN ISTILAH TEKNIS TEKNIK ENERGI TERBARUKAN: PENDEKATAN HUMAN-IN-THE-LOOP

Abstrak

Penggunaan Large Language Model (LLM) seperti ChatGPT dalam penerjemahan mesin menawarkan efisiensi tinggi, namun menghadapi tantangan signifikan terkait akurasi terminologi domain-specific. Penelitian ini bertujuan mengukur akurasi ChatGPT dalam menerjemahkan istilah rekayasa teknik energi terbarukan dari bahasa Inggris ke bahasa Indonesia, serta mengevaluasi efektivitas pendekatan Human-in-the-Loop (HITL) dalam memvalidasi dan memperbaiki kesalahan terjemahan tersebut. Penelitian menggunakan metode campuran (mixed methods) dengan desain eksperimen evaluatif, menguji 48 istilah teknis yang diekstraksi dari glosarium standar IRENA dan IEA. Dataset dibagi ke dalam empat sub-domain: tenaga surya, tenaga angin, biomassa, dan penyimpanan energi. Pengujian dilaksanakan melalui empat fase HITL: zero-shot translation, validasi pakar, iterative prompt engineering, dan verifikasi akhir. Hasil penelitian menunjukkan bahwa pada kondisi zero-shot, akurasi dasar ChatGPT mencapai 83,33%. Sebanyak 39,6% istilah menunjukkan deviasi makna yang didominasi oleh Kesalahan Terminologi (68,4%), Kesalahan Konseptual (26,3%), dan Halusinasi Leksikal (5,3%), di mana domain penyimpanan energi mencatat tingkat kesalahan teknis tertinggi. Intervensi HITL oleh pakar terbukti efektif mengeliminasi seluruh kesalahan tersebut dan meningkatkan akurasi akhir secara absolut menjadi 100,00% melalui satu siklus iterasi koreksi. Disimpulkan bahwa ChatGPT layak digunakan sebagai alat terjemahan awal (first-pass translation), namun verifikasi pakar mutlak diperlukan guna mencegah risiko miskomunikasi pada dokumen rekayasa kritis. Penelitian ini turut menyoroti urgensi standardisasi glosarium nasional untuk sektor energi terbarukan.