Implementasi dan Evaluasi Model Neural Machine Translation (NMT) Berbasis Attention untuk Penerjemahan Bahasa Inggris ke Indonesia pada Domain Ornitologi = Implementation and Evaluation of Attention-Based Neural Machine Translation (NMT) Models for English–Indonesian Translation in the Ornithology Domain

Latar belakang. Model Neural Machine Translation banyak digunakan untuk penerjemahan teks umum, namun kualitas terjemahan pada domain ilmiah yang sempit seperti ornitologi masih terkendala keterbatasan korpus paralel dan konsistensi terminologi biologis. Keberadaan model pralatih seperti OPUS-MT (Open Parallel Corpus-Machine Translation) dan FLAN-T5 (Fine-tuned Language Net-Text-to-Text Transfer Transformer) membuka peluang pemanfaatan transfer learning untuk skenario pasangan bahasa low-resource Inggris–Indonesia di domain ini. Tujuan. Penelitian ini menganalisis performa OPUS-MT dan FLAN-T5 yang menjalani fine-tuning pada korpus ornitologi, serta mengevaluasi pengaruh konfigurasi pelatihan (freeze layer dan hyperparameter) terhadap kualitas terjemahan. Metode. Korpus dibangun dari dataset CUB-200-2011 melalui kurasi terminologi, normalisasi dan pembersihan teks, deduplikasi, serta pembagian menjadi data latih, validasi, dan uji. Kedua model menjalani fine-tuning dengan skema grid search, dan dievaluasi menggunakan metrik BLEU (Bilingual Evaluation Understudy) dan METEOR (Metric for Evaluation of Translation with Explicit Ordering) disertai analisis kualitatif istilah teknis. Hasil. Fine-tuning korpus ornitologi meningkatkan performa kedua model dibanding baseline: OPUS-MT naik sekitar 50,97 poin BLEU dan 0,27 poin METEOR, sementara FLAN-T5 naik sekitar 42,81 poin BLEU dan 0,29 poin METEOR. OPUS-MT lebih stabil pada istilah biologis, sedangkan FLAN-T5 menghasilkan frasa lebih variatif namun lebih rentan kesalahan terminologi. Kesimpulan. Adaptasi domain melalui fine-tuning terbukti efektif untuk meningkatkan kualitas NMT Inggris–Indonesia di domain ornitologi, dan konfigurasi pelatihan perlu dirancang hati-hati untuk menyeimbangkan adaptasi domain dan menjaga pengetahuan general.