Agensi Penerjemahan: Rapikan Glosarium & Alur Proofread dengan Claude Code

Jumat sore, sebuah komplain masuk untuk terjemahan manual yang sudah kami kirim. “Penulisan nama produknya beda dari edisi sebelumnya, kan?”

Saya cek, dan benar saja, memang berbeda. Edisi lalu tertulis “Akun Pelanggan”, kali ini “Akun Pengguna”. Padahal di glosarium jelas tertulis “Akun Pelanggan”, tapi penerjemah yang dikejar tenggat melewatkannya, dan proofreader pun ikut kelewatan. Selama tiga tahun saya bekerja di agensi penerjemahan, inilah jenis revisi ulang yang paling sering terjadi.

Ini bukan soal siapa yang salah. Glosariumnya 200 baris di Excel. Tiap proyek bertambah sedikit demi sedikit. Penerjemah dikejar tenggat, proofreader harus menyisir seluruh teks dengan mata. Mengandalkan ketelitian manusia saja untuk menghentikan semua inkonsistensi penulisan sudah tidak realistis lagi.

Maka saya coba menyuruh Claude Code menjadi “filter awal pemeriksaan istilah”. Keputusan tetap di tangan manusia, tapi kesalahan yang bisa dideteksi mesin saya tuntaskan lebih dulu. Hasilnya jauh lebih efektif dari dugaan saya, jadi saya rangkum langkahnya dari sudut pandang koordinator agensi penerjemahan.

Poin penting

Inkonsistensi penulisan dan istilah yang tidak seragam banyak yang termasuk “kesalahan yang bisa dideteksi mesin”, dan sebagian besar bisa ditangkap oleh pemeriksaan awal Claude Code.
Jangan pakai glosarium dalam format Excel apa adanya; ubah ke CSV atau teks lalu berikan ke AI sebagai “daftar aturan” agar akurasinya naik.
Pada alur draf dan proofreading, pisahkan antara “yang ditangkap AI” dan “yang diputuskan manusia” supaya revisi ulang berkurang.
Naskah asli dan glosarium klien memuat nama khusus dan informasi yang belum dipublikasikan, jadi pengelolaan ruang lingkup data yang dikirim wajib dilakukan.
Per proyek, praproses proofreading bisa hemat 30-60 menit; bila menangani 10 proyek per bulan, totalnya beberapa hingga belasan jam yang terselamatkan.

Apa yang sebenarnya terjadi di lapangan agensi penerjemahan

Mari samakan dulu gambaran pembacanya. Artikel ini ditujukan untuk koordinator yang menangani proyek di agensi penerjemahan. Bukan orang yang menerjemahkan seluruh teks sendiri, melainkan yang berdiri di antara penerjemah dan proofreader, mengelola glosarium, dan terjepit antara tenggat dan kualitas. Pengalaman pemrograman hampir nol, atau paling banter cuma sedikit menyentuh makro.

Alur kerja yang umum di agensi penerjemahan kira-kira seperti ini.

Menerima naskah asli, terjemahan lama, dan glosarium dari klien.
Meminta penerjemah membuat draf awal.
Proofreader (checker) memeriksa hasil terjemahan.
Koordinator melakukan pengecekan akhir lalu mengirimkannya.

Di bagian mana revisi ulang muncul? Dari pengalaman, hampir semua terjadi antara langkah 2 dan 3.

Penerjemah tidak memakai istilah yang ada di glosarium (inkonsistensi penulisan).
Angka atau satuan meleset dari naskah asli (“3,5 kg” jadi “3,5 g”, dan sejenisnya).
Kalimat hilang (satu kalimat di naskah asli tidak ada di terjemahan).
Penggunaan tanda baca, kapitalisasi, atau jenis tanda kurung beda dari aturan proyek.

Semuanya kesalahan yang “seharusnya ketahuan kalau dibaca”. Tapi saat seluruh teks disisir mata manusia, makin panjang proyeknya makin sering kelewatan. Yang lolos dari proofreader berlanjut ke koordinator, dan ujungnya jadi komplain setelah pengiriman. “Waktu yang dihabiskan manusia untuk mencari kesalahan yang sebenarnya bisa dideteksi mesin” inilah biaya tersembunyi sebuah agensi penerjemahan.

Ruang lingkup yang diserahkan ke AI dan yang harus diputuskan manusia

Kalau ini tidak ditegaskan dari awal, bisa berabe. Claude Code memang pintar, tapi jangan biarkan ia memutuskan kualitas akhir terjemahan. Garis pemisahnya begini.

Tahap	Diserahkan ke Claude Code	Diputuskan manusia (proofreader/koordinator)
Cek istilah	Mencocokkan glosarium dan terjemahan, lalu mendaftar bagian yang tidak cocok	Apakah ketidakcocokan itu kesalahan atau pengecualian sesuai konteks
Inkonsistensi penulisan	Mengekstrak variasi tanda baca, tanda kurung, kapitalisasi	Penulisan akhir sesuai preferensi klien
Angka & satuan	Mendeteksi selisih nilai antara naskah asli dan terjemahan	Benar-salahnya konversi satuan dan kelayakan maknanya
Kalimat hilang	Melaporkan selisih jumlah kalimat asli dan terjemahan	Apakah penggabungan/pemisahan itu disengaja
Kualitas terjemahan	(Tidak diserahkan. Sebatas bantuan draf awal)	Keputusan akhir soal kewajaran, nada, dan salah terjemah

Intinya, jangan biarkan AI “memutuskan jawaban benar”. Tugas AI hanya sampai “menempelkan sticky note: bagian ini mencurigakan”. Mau dicabut atau dibiarkan, manusia yang memutuskan. Kalau pembagian peran ini rusak, AI yang salah menilai bisa langsung ikut terkirim ke klien.

Kalau bingung cara menuliskan ruang lingkup yang diserahkan, desain prompt di claude-code-prompt-engineering-advanced bisa jadi acuan. Kalau instruksinya kabur, AI akan seenaknya “membenarkan” sendiri, jadi kiatnya adalah menentukan format keluaran sekalian.

Use case 1: Pencocokan dengan glosarium

Inilah yang paling ampuh. Berikan glosarium dan terjemahan, lalu minta AI mengembalikan hanya bagian yang tidak cocok dalam bentuk tabel.

Pertama, ubah glosarium dari Excel ke CSV. Daripada memberikan Excel apa adanya ke AI, teks tiga kolom “bahasa sumber, terjemahan, catatan” lebih mudah dibaca sebagai aturan. Prompt persiapannya begini.

Anda adalah asisten proofreading agensi penerjemahan.
Berdasarkan glosarium berikut, tunjukkan HANYA ketidakcocokan istilah pada terjemahan.

# Aturan
- Laporkan hanya bagian di mana "terjemahan" dari glosarium tidak dipakai
- Jangan menilai apakah itu parafrasa sesuai konteks; cantumkan semua ketidakcocokan secara mekanis
- Jangan memperbaiki. Cukup tunjukkan saja
- Keluaran berbentuk tabel: | Nomor baris | Bahasa sumber | Terjemahan seharusnya | Terjemahan aktual |

# Glosarium (bahasa sumber, terjemahan, catatan)
customer account, Akun Pelanggan, berlaku untuk semua proyek
sign in, masuk, klien ini diseragamkan dengan istilah "masuk"
delete, hapus, "musnahkan" tidak boleh

# Terjemahan
(tempelkan terjemahan di sini)

Yang kembali bukanlah “usulan perbaikan”, melainkan “daftar ketidakcocokan”. Proofreader tinggal melihat tabel itu dari atas dan hanya memutuskan apakah perlu diperbaiki. Jauh lebih cepat ketimbang membaca ulang seluruh teks.

Sebelum penerapan, proofreader membuka glosarium Excel di jendela terpisah sambil mencocokkan terjemahan secara manual. Setelah penerapan, pekerjaannya berubah jadi memeriksa sticky note yang ditempelkan AI. Sama-sama “memeriksa”, tapi beban antara mencari dari nol dan menilai kandidat yang sudah ada itu jauh berbeda.

Use case 2: Checklist praproses draf awal

Sebelum diserahkan ke penerjemah, atau tepat setelah draf awal selesai, jalankan pemeriksaan mesin satu kali. Pakai langsung daftar berikut sebagai item pemeriksaan.

Apakah terjemahan dari glosarium dipakai di semua bagian?
Apakah angka dan satuan cocok antara naskah asli dan terjemahan?
Apakah ada kalimat hilang (ada di naskah asli, tidak ada di terjemahan)?
Apakah kapitalisasi dan jenis tanda kurung sesuai aturan proyek?
Apakah penulisan nama produk, nama orang, dan nama khusus seragam dengan terjemahan lama?
Apakah ada ungkapan terlarang (frasa yang tidak disukai klien) yang terselip?

Jika pemeriksaan ini dilakukan di tahap draf awal, kesalahan berkurang sebelum sampai ke proofreader. Proofreader bisa bekerja dengan asumsi “bagian yang bisa ditangkap mesin sudah beres”, dan fokus pada kewajaran terjemahan serta salah terjemah, hal yang hanya bisa diputuskan manusia.

Kalau pun AI ikut membantu draf awal, jangan langsung serahkan seluruh teks; batasi sampai “draf kasar yang mempertimbangkan terjemahan lama dan glosarium” saja. Terjemahan final diselesaikan manusia. Untuk tim yang baru mulai memakai AI, membaca claude-code-for-non-engineers lebih dulu akan membantu menangkap perasaan sampai mana batas yang boleh diserahkan.

Use case 3: Inventarisasi berkala inkonsistensi penulisan

Saat proyek berjalan lama, glosariumnya sendiri jadi usang. Perubahan macam “dulu pakai hapus, mulai kuartal ini boleh musnahkan” mengalir secara lisan, tidak tercatat di glosarium, dan lapangan jadi kacau.

Maka sebulan sekali, kumpulkan hasil kiriman lama lalu minta AI membacanya untuk menemukan “bagian di mana satu konsep punya beberapa terjemahan berbeda”. Dari sini kebocoran pemeliharaan glosarium akan ketahuan. Kalau aturan umum proyek dirangkum dalam satu file, AI akan merujuknya setiap kali, jadi mengumpulkan aturan tiap proyek dalam satu file dengan cara claude-md-best-practices membuat operasionalnya lebih ringan.

Template prompt siap salin-tempel

Saya taruh template umum untuk pemeriksaan awal proofreading. Cukup ganti nama proyek dan glosariumnya, langsung bisa dipakai.

# Peran
Sebagai penanggung jawab pemeriksaan awal proofreading agensi penerjemahan,
laporkan hanya kesalahan yang bisa dideteksi secara mekanis.

# Masukan
- Glosarium (bahasa sumber, terjemahan)
- Naskah asli
- Terjemahan

# Yang dikerjakan (dengan urutan ini)
1. Ekstrak ketidakcocokan istilah
2. Ekstrak selisih angka & satuan terhadap naskah asli
3. Laporkan dugaan kalimat hilang (jumlah kalimat asli > jumlah kalimat terjemahan)
4. Ekstrak variasi kapitalisasi & tanda kurung

# Yang tidak dikerjakan
- Tidak menulis ulang terjemahan
- Tidak menilai baik-buruknya terjemahan
- Tidak membuat keputusan pengecualian (keputusan dilakukan manusia)

# Format keluaran
## Ketidakcocokan istilah
| Bagian | Terjemahan seharusnya | Aktual |
## Angka & satuan
| Naskah asli | Terjemahan | Selisih |
## Dugaan kalimat hilang
- (bagian)
## Variasi penulisan
- (bagian)
Jika tidak ada masalah, tulis "Tidak ada catatan" di tiap bagian.

Skrip pemeriksa yang bisa dijalankan: menangkap selisih angka secara mekanis

Sebelum diberikan ke AI, menuntaskan lebih dulu “selisih angka” yang pasti bisa dideteksi mesin akan menurunkan ketergantungan pada AI dan lebih aman. Saya siapkan skrip kecil yang berjalan di Node.js. Berikan naskah asli dan terjemahan dalam bentuk teks, dan ia akan mendaftar angka yang hanya ada di salah satu sisi.

import { readFile } from "node:fs/promises";

// Terima path file naskah asli & terjemahan dari argumen perintah
const [srcPath, tgtPath] = process.argv.slice(2);
if (!srcPath || !tgtPath) {
  console.error("Cara pakai: node check-numbers.mjs asli.txt terjemahan.txt");
  process.exit(1);
}

const src = await readFile(srcPath, "utf8");
const tgt = await readFile(tgtPath, "utf8");

// Ambil semua angka (termasuk desimal & pemisah koma)
const pick = (text) => (text.match(/\d[\d,.]*/g) || []).map((n) => n.replace(/,/g, ""));

const srcNums = pick(src);
const tgtNums = pick(tgt);

// Tampilkan selisih: angka yang hanya ada di satu sisi
const diff = (a, b) => a.filter((n) => !b.includes(n));

const onlyInSrc = diff(srcNums, tgtNums);
const onlyInTgt = diff(tgtNums, srcNums);

console.log("Angka hanya di naskah asli:", onlyInSrc.length ? onlyInSrc.join(", ") : "tidak ada");
console.log("Angka hanya di terjemahan:", onlyInTgt.length ? onlyInTgt.join(", ") : "tidak ada");

if (onlyInSrc.length || onlyInTgt.length) {
  console.log("-> Dicurigai ada selisih angka. Periksa bagian terkait.");
  process.exit(2);
}
console.log("-> Angka sudah cocok.");

Cukup simpan lalu jalankan.

node check-numbers.mjs source.txt target.txt

Deteksinya tidak sempurna. Kalau urutan kata berubah, bisa muncul deteksi keliru. Tapi selisih fatal seperti “angka 3,5 hilang dari terjemahan” akan ketahuan lebih cepat dan lebih pasti daripada mata manusia. Kiatnya adalah meletakkan pemeriksaan deterministik semacam ini lebih dulu, sebelum bergantung pada penilaian AI. Kalau ini pertama kalinya memakai Claude Code, siapkan lingkungannya dengan langkah di claude-code-getting-started-guide sebelum mencoba.

Catatan keamanan dan data pribadi

Untuk agensi penerjemahan, bagian ini menyangkut hidup-mati. Naskah asli memuat informasi produk yang belum dirilis, kontrak, dan nama orang. Salah menangani, bukan efisiensi yang didapat, tapi kepercayaan yang hilang.

Pastikan apakah perjanjian kerahasiaan (NDA) dengan klien mengizinkan pengiriman data ke layanan AI eksternal.
Untuk proyek tanpa izin, ganti dulu nama khusus dan nilai angka dengan data palsu sebelum diperiksa.
Masking data pribadi (nama, alamat, kontak) sebelum pemeriksaan.
Pilih pengaturan atau bentuk kontrak yang memastikan data yang dikirim tidak dipakai untuk pelatihan.
Catat status “AI boleh/tidak boleh” per proyek dalam tabel pengelolaan dan bagikan antar koordinator.

Kalau ragu, “tidak dikirim” adalah jawaban yang benar. Pencocokan glosarium tetap berfungsi sebagai pemeriksaan aturan penulisan walaupun nama khusus disamarkan. Untuk acuan resmi soal perlindungan data, Anda bisa mengecek prinsip dalam General Data Protection Regulation agar operasional perusahaan tidak menyimpang.

Perkiraan ROI

Ini hanya hitungan kasar, tapi saya bagikan untuk memberi gambaran. Untuk proofreading satu manual berukuran sedang (naskah asli sekitar 10 ribu karakter), waktu yang dipakai manusia untuk praproses pencocokan istilah dan pemeriksaan angka selama ini sekitar 30-60 menit.

Jika filter awal diserahkan ke AI dan skrip pemeriksa, praproses itu menyusut jadi sekitar 10 menit. Selisihnya 20-50 menit lebih singkat. Untuk agensi yang menangani 10 proyek per bulan, totalnya beberapa hingga belasan jam per bulan yang terselamatkan.

Dengan waktu yang terbebas itu, proofreader bisa beralih ke keputusan yang hanya bisa dilakukan manusia, seperti salah terjemah dan nada. Bukan sekadar hemat waktu; yang besar adalah bisa mengarahkan tenaga manusia ke garis akhir kualitas.

Pertanyaan umum

Q. Apakah boleh menyuruh AI langsung memperbaiki terjemahan? Tidak disarankan. Kalau perbaikan ikut diserahkan, penilaian keliru AI bisa langsung masuk ke terjemahan dan justru menambah pekerjaan proofreading. Pertahankan pembagian: AI “hanya menunjukkan”, perbaikan dilakukan manusia.

Q. Glosarium saya lebih dari 500 baris. Bisakah diberikan semuanya? Lebih realistis mempersempit ke ruang lingkup yang relevan dengan proyek. Memberikan semuanya menurunkan akurasi. Memecah glosarium per genre proyek membuat operasionalnya lebih mudah.

Q. Apa bedanya dengan mesin penerjemah? Perannya berbeda. Mesin penerjemah menghasilkan terjemahan, sedangkan yang saya kenalkan di sini adalah filter awal untuk memeriksa terjemahan yang sudah dihasilkan. Menggabungkan keduanya akan mencakup kedua ujung: penghasilan dan pemeriksaan.

Q. Apakah pekerjaan proofreader akan hilang? Justru sebaliknya. Mereka terbebas dari mencari kesalahan yang bisa dideteksi mesin, dan bisa fokus pada keputusan yang hanya bisa dilakukan manusia seperti salah terjemah dan nuansa. Ini soal mengarahkan waktu ke tahap yang bernilai tinggi.

Q. Saya ingin menerapkan ini sebagai perusahaan, mulai dari mana? Mencoba dengan satu proyek lebih aman. Mulai dari skrip pemeriksa angka dulu, dan setelah terbiasa, perluas ke pencocokan istilah. Untuk meningkatkan produktivitas harian tim, claude-code-productivity-tips bisa jadi langkah lanjutan. Kalau butuh desain operasional untuk seluruh tim, lewat pelatihan & konsultasi kita bisa menyusun alurnya secara konkret bersama.

Hasil yang benar-benar saya coba

Saya menjalankannya pada proyek simulasi di tangan saya (sebagian manual produk, naskah asli sekitar 3000 karakter). Saya sengaja mengubah “Akun Pelanggan” jadi “Akun Pengguna” di tiga tempat, dan menulis ulang satu angka dari “3,5” jadi “35” sebagai jebakan.

Skrip pemeriksa angka langsung menangkap “35” yang saya tanam sebagai “angka yang hanya ada di terjemahan”. Prompt pencocokan istilah mengeluarkan ketiga inkonsistensi penulisan itu ke dalam tabel. Di sisi lain, satu bagian yang sengaja saya parafrasakan sesuai konteks juga ikut tercantum sebagai “ketidakcocokan”, jadi di sini manusia memutuskan “ini pengecualian” dan membiarkannya.

Yang ingin saya pastikan adalah apakah pembagian “AI menempel sticky note, manusia memutuskan mau dicabut atau tidak” benar-benar berjalan dalam praktik. Kesimpulannya, sekadar mengubah bentuk pekerjaan jadi “manusia memeriksa kandidat yang ditangkap mesin” sudah sangat mengurangi beban psikologis mencari dari nol. Bukan otomatisasi sempurna, melainkan menyerahkan praproses sambil tetap menjaga keputusan akhir di tangan manusia. Untuk lapangan agensi penerjemahan, jarak seperti inilah yang terasa pas.