KECERDASAN BUATAN DAN TRANSFORMASI PROFESI LULUSAN SASTRA JEPANG DI ERA DIGITAL

Miranti Artarina

doi:10.56413/studi ilmiah sastra.v15i1.527

Miranti Artarina Universitas Nasional PASIM

DOI: https://doi.org/10.56413/studi%20ilmiah%20sastra.v15i1.527

Keywords: kecerdasan buatan; Sastra Jepang; humaniora digital; literasi etis; kompetensi profesional

Abstract

Penelitian ini menelaah bagaimana kecerdasan buatan (Artificial Intelligence, AI) mengubah peran, kompetensi, dan praktik profesional lulusan Sastra Jepang serta implikasinya bagi pengajaran dan kurikulum. Dengan pendekatan studi pustaka kualitatif, kajian ini mensintesis literatur tentang perkembangan teknologi pemrosesan bahasa alami (Natural Language Processing/NLP), termasuk penerjemahan mesin berbasis jaringan saraf (Neural Machine Translation), dan teknik humaniora digital—seperti distant reading dan topic modeling—serta kajian etika dan kebijakan terkait penggunaan teknologi tersebut. Temuan menunjukkan bahwa kecerdasan buatan efektif berperan sebagai alat bantu produktivitas (mis. penyedia draf terjemahan dan pra-pemrosesan teks) dan memungkinkan analisis korpus skala besar yang memperkaya penelitian sastra. Namun, kecerdasan buatan memiliki keterbatasan dalam menangkap nuansa estetika dan konteks budaya (mis. permainan kata, ambiguitas kanji, dan kigo pada puisi), sehingga pengawasan manusia (human oversight) dan keterampilan interpretatif manusia tetap krusial. Kajian ini juga menyoroti isu etika dan hak cipta yang menuntut transparansi penggunaan alat dan penguatan literasi etis dalam praktik akademik. Berdasarkan sintesis tersebut, direkomendasikan: (1) integrasi modul humaniora digital dan literasi kecerdasan buatan ke kurikulum Sastra Jepang; (2) desain penilaian yang mengevaluasi kemampuan interpretatif manusia; dan (3) penyisipan pendidikan etika penggunaan teknologi bagi mahasiswa dan dosen. Penelitian menegaskan bahwa penguasaan kecerdasan buatan secara bertanggung jawab—dipadu dengan kepekaan budaya dan kemampuan hermeneutik—merupakan modal penting agar lulusan Sastra Jepang tetap relevan dan berdaya saing di era digital.

References

Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. https://doi.org/10.1145/2133806.2133826

Boden, M. A. (2004). The creative mind: Myths and mechanisms (2nd ed.). Routledge.

Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE Publications.

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2

Jockers, M. L. (2013). Macroanalysis: Digital methods and literary history. University of Illinois Press.

Krippendorff, K. (2018). Content analysis: An introduction to its methodology (4th ed.). SAGE Publications.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

Managi, S. (2025). The future of AI-related social science. Research Institute of Economy, Trade and Industry (RIETI). https://www.rieti.go.jp/en/columns/a01_0738.html.

McEnery, T., & Hardie, A. (2012). Corpus linguistics: Method, theory and practice. Cambridge University Press.

Moretti, F. (2013). Distant reading. Verso.

Russell, S. J., & Norvig, P. (2010). Artificial intelligence: A modern approach (3rd ed.). Prentice Hall.

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433

Toral, A., Oliver, A., & Ribas Ballestín, M. (2020). Neural machine translation of literary texts: Creativity vs. faithfulness? The Journal of Specialised Translation, 33, 87–110.

UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000379920

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.

Wu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., ... & Dean, J. (2016). Google’s neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144.