Penerjemahan Ucapan Bahasa Sunda Menggunakan Augmentasi Visual dengan Convolutional Neural Network Berbasis Web

Riset ini mengembangkan sistem penerjemahan ucapan Sunda berbasis web yang mengintegrasikan peningkatan visual melalui Convolutional Neural Network (CNN). Tantangan utama adalah akurasi tidak memadai pada Automatic Speech Recognition (ASR) berbasis audio untuk bahasa dengan sumber daya terbatas pada kondisi bising. Solusi mengombinasikan Whisper Medium teroptimasi untuk transkripsi, pembacaan bibir berbasis CNN, dan fusi audio-visual berbobot atensi. Pelatihan memanfaatkan korpus OpenSLR36 dengan ~35.000 sampel dari 175.324 instans tersedia (subset karena keterbatasan memori). Optimasi dijalankan pada RunPod menggunakan GPU NVIDIA RTX 4090 (24GB VRAM) selama 5.000 iterasi (~11 jam). Hasil menunjukkan model teroptimasi mencapai Word Error Rate (WER) 2,45% pada checkpoint optimal (iterasi 3500), meningkat 7,37 poin persentase dari baseline (9,82% pada iterasi 500). Performa ini mendekati hasil mutakhir Raharjo & Zahra (2025) melaporkan WER 2,03% menggunakan Whisper Small. Modul visual terdiri dari CNN tiga lapis menghasilkan fitur 512 dimensi dengan deteksi wajah MediaPipe. Pengujian black-box memvalidasi kesesuaian fungsional, sedangkan antarmuka responsif menjamin kompatibilitas lintas perangkat.