Bandung, UPI

Tim penelitian penjurubahasaan (interpreting) menggelar workshop pengembangan mesin berbasis Artificial Intelligence (AI) guna menghadirkan terobosan baru dalam riset penjurubahasaan di Indonesia. Workshop yang dipimpin oleh Susi Septaviana Rahmawati, Ph.D. ini berfokus pada pengembangan Interpreter Lag Analyzer, sebuah perangkat cerdas berbasis AI yang dirancang untuk menganalisis interpreter lag atau Ear Voice Span (EVS) secara otomatis dalam praktik penjurubahasaan simultan. Inovasi ini diharapkan mampu membantu peneliti dan calon juru bahasa memahami beban kognitif, akurasi, serta performa interpreting secara lebih cepat dan presisi melalui dukungan teknologi modern seperti Python, Tkinter, speech recognition, dan OpenAI Whisper. Kegiatan ini merupakan bagian dari penelitian strategis yang didanai oleh Program BIMA Kementerian Pendidikan Tinggi, Sains, dan Teknologi Republik Indonesia (Kemdiktisaintek).

Workshop tersebut merupakan bagian dari pengembangan penelitian tahun kedua mengenai pemanfaatan Computer-Assisted Interpreting (CAI) berbasis Automatic Speech Recognition (ASR) untuk menginvestigasi beban kognitif mahasiswa dalam praktik penjurubahasaan simultan. Penelitian ini tidak hanya berupaya menghasilkan kontribusi akademik berupa publikasi internasional bereputasi, tetapi juga mendorong lahirnya inovasi teknologi yang dapat dimanfaatkan dalam pembelajaran interpreting di Indonesia.

Kegiatan workshop menghadirkan Diki Fahrizal sebagai pemateri utama. Diki Fahrizal dikenal sebagai Software and AI Engineer dari Bandung Society for Informatics, Electrical Engineering, and Robotics (BSIEER), sebuah komunitas dan organisasi yang aktif bergerak dalam pengembangan teknologi informatika, kecerdasan buatan, teknik elektro, dan robotika. Selain aktif mengembangkan berbagai proyek berbasis AI dan rekayasa perangkat lunak, saat ini Diki juga sedang menempuh studi Magister Teknik Elektro (STEI) di Institut Teknologi Bandung.

Workshop ini diikuti oleh sejumlah dosen dan peneliti lintas program studi di lingkungan UPI, yaitu Dr. Ruswan Dallyono, M.Pd. dari Program Studi Linguistik UPI, Susi Septaviana Rakhmawati, Ph.D. dari Program Studi Sastra Inggris UPI, serta Dewi Kusrini, M.Pd., M.A. dari Program Studi Pendidikan Bahasa Jepang UPI. Dalam penelitian ini, Susi Septaviana Rakhmawati bertindak sebagai ketua tim penelitian yang mengoordinasikan pengembangan model pembelajaran interpreting berbasis CAI-ASR dan investigasi beban kognitif dalam penjurubahasaan simultan.

Dalam workshop tersebut, peserta tidak hanya mendiskusikan teori mengenai Ear Voice Span (EVS) dan beban kognitif interpreter, tetapi juga mempelajari secara langsung rancangan perangkat lunak Interpreter Lag Analyzer yang sedang dikembangkan. Sistem ini dirancang menggunakan bahasa pemrograman Python dengan antarmuka grafis (Graphical User Interface/GUI) berbasis Tkinter. Pemanfaatan Tkinter dipilih karena ringan, fleksibel, dan efektif untuk membangun aplikasi desktop penelitian yang interaktif dan mudah digunakan oleh peneliti maupun mahasiswa.

Selain itu, perangkat lunak ini mengintegrasikan teknologi speech recognition dan transkripsi otomatis menggunakan OpenAI Whisper. Teknologi Whisper digunakan untuk melakukan transkripsi otomatis terhadap ujaran bahasa sumber dan bahasa sasaran dalam proses interpreting. Dengan dukungan model transkripsi berbasis AI tersebut, sistem mampu mendeteksi waktu masuknya ujaran secara lebih presisi sehingga proses penghitungan interpreter lag atau EVS dapat dilakukan secara otomatis dan lebih akurat.

Dalam penjelasannya, Diki Fahrizal menerangkan bahwa integrasi OpenAI Whisper menjadi salah satu komponen penting dalam pengembangan perangkat ini karena model tersebut memiliki kemampuan pengenalan ujaran (speech recognition) yang cukup stabil untuk berbagai kondisi audio dan aksen penutur.

“Melalui OpenAI Whisper, sistem dapat melakukan transkripsi otomatis secara lebih efisien. Dari hasil transkripsi itulah kemudian sistem menghitung selisih waktu antara ujaran sumber dan hasil interpreting untuk memperoleh data EVS,” jelasnya.

Pengembangan perangkat ini juga memanfaatkan teknologi speech-to-text untuk merekam dan memetakan sinkronisasi antara input audio dan output interpretasi. Dengan demikian, peneliti dapat memperoleh data kuantitatif mengenai jeda interpreting secara lebih objektif dibandingkan metode observasi manual yang selama ini memerlukan proses analisis audio-video secara panjang dan melelahkan.

Workshop ini secara khusus membahas bagaimana AI dapat diterapkan untuk mendukung riset linguistik dan penjurubahasaan modern. Para peserta diperkenalkan pada alur kerja perangkat lunak mulai dari perekaman audio, proses transkripsi menggunakan Whisper, analisis timestamp, hingga visualisasi data EVS pada antarmuka GUI berbasis Tkinter.

Dalam workshop tersebut, Diki Fahrizal juga menjelaskan bahwa perkembangan teknologi AI telah membuka peluang baru dalam bidang linguistik, penerjemahan, dan penjurubahasaan. Jika sebelumnya aktivitas interpreting sangat bergantung pada kemampuan manusia secara penuh, kini berbagai perangkat berbasis AI mulai hadir untuk membantu juru bahasa dalam mengelola informasi secara cepat dan efisien. Namun demikian, menurutnya, integrasi teknologi dalam interpreting bukan hanya persoalan efisiensi, tetapi juga berkaitan dengan bagaimana manusia memproses informasi secara kognitif.

“Interpreter bekerja dalam situasi yang sangat kompleks. Mereka mendengar, memahami, mengingat, dan memproduksi ujaran dalam waktu hampir bersamaan. Di sinilah AI dapat membantu, tetapi sekaligus juga bisa menambah beban kognitif jika tidak dirancang dengan baik,” jelas Diki dalam sesi pemaparannya.

Workshop ini secara khusus membahas pengembangan Interpreter Lag Analyzer, yaitu perangkat yang dirancang untuk mengukur Ear Voice Span (EVS) secara otomatis. EVS merupakan jeda waktu antara saat seorang juru bahasa mendengar ujaran dalam bahasa sumber dan saat ia menyampaikan interpretasi dalam bahasa sasaran. Dalam kajian interpreting, EVS dipandang sebagai salah satu indikator penting untuk memahami tingkat beban kognitif seorang interpreter. Semakin panjang jeda EVS, semakin besar kemungkinan interpreter mengalami tekanan pemrosesan informasi yang lebih berat.

Selama ini, pengukuran EVS sering dilakukan secara manual melalui observasi audio dan video, yang memerlukan waktu lama dan proses analisis yang kompleks. Oleh karena itu, pengembangan Interpreter Lag Analyzer berbasis AI menjadi langkah penting untuk menghadirkan proses analisis yang lebih cepat, akurat, dan sistematis.

Melalui workshop tersebut, peserta diperkenalkan pada mekanisme kerja sistem yang memanfaatkan teknologi Automatic Speech Recognition (ASR) dan speech-to-text. Teknologi ini memungkinkan sistem mendeteksi ujaran bahasa sumber dan bahasa sasaran secara otomatis, kemudian menghitung selisih waktu di antara keduanya untuk menghasilkan data EVS secara real-time.

Dalam penjelasannya, Diki Fahrizal menekankan bahwa pengembangan perangkat ini tidak hanya berorientasi pada aspek teknis pemrograman, tetapi juga membutuhkan pemahaman kuat mengenai linguistik, interpreting, dan perilaku kognitif manusia. Karena itu, kolaborasi lintas disiplin menjadi sangat penting.

“Pengembangan AI modern tidak bisa dilakukan secara terisolasi. Dalam proyek seperti ini, kita membutuhkan sinergi antara ahli bahasa, peneliti pendidikan, dan engineer. Teknologi harus dibangun berdasarkan kebutuhan nyata di lapangan,” ungkapnya.

Penelitian yang menjadi dasar workshop ini merupakan bagian dari skema Penelitian Dasar yang berfokus pada pengembangan model pembelajaran penjurubahasaan berbasis teknologi. Penelitian tahun kedua ini melanjutkan studi sebelumnya yang meneliti juru bahasa profesional, dan kini diarahkan pada mahasiswa yang sedang mempelajari penjurubahasaan simultan.

Workshop pengembangan Interpreter Lag Analyzer menjadi salah satu langkah penting dalam mendukung proses pengumpulan dan analisis data penelitian tersebut. Melalui pelatihan ini, tim peneliti dan peserta memperoleh pemahaman teknis mengenai bagaimana membangun sistem pengukuran EVS berbasis AI yang mampu bekerja secara lebih objektif dan otomatis.

Selain aspek teknis, workshop juga menjadi ruang diskusi mengenai tantangan penggunaan AI dalam pendidikan bahasa. Para peserta mendiskusikan kemungkinan munculnya ketergantungan terhadap teknologi, perubahan strategi kognitif mahasiswa, hingga pentingnya desain antarmuka yang ergonomis agar teknologi benar-benar membantu proses interpreting dan bukan justru menambah tekanan mental pengguna.

Dalam proposal penelitian disebutkan bahwa penggunaan CAI memang memberikan dukungan terminologis dan visual bagi interpreter, namun pada saat yang sama juga dapat meningkatkan tuntutan multitasking dan perhatian visual. Karena itu, penelitian ini menjadi penting untuk memahami bagaimana teknologi dapat diintegrasikan secara efektif dalam pembelajaran penjurubahasaan.

Tim peneliti berharap pengembangan Interpreter Lag Analyzer nantinya tidak hanya bermanfaat untuk kepentingan riset, tetapi juga dapat digunakan sebagai perangkat pembelajaran interpreting di perguruan tinggi. Dengan adanya sistem analisis EVS otomatis, mahasiswa dapat memperoleh umpan balik lebih cepat mengenai performa interpreting mereka, termasuk bagaimana mereka mengelola jeda interpretasi, akurasi, dan kelancaran ujaran. Selain itu, hasil penelitian ini diharapkan mampu menghasilkan model pembelajaran penjurubahasaan berbasis CAI-ASR yang adaptif, lengkap dengan perangkat pembelajaran seperti RPP, LKPD, bahan ajar, dan skenario pembelajaran.

Melalui dukungan pendanaan dari Program BIMA Kemdiktisaintek, penelitian ini menjadi salah satu contoh bagaimana kolaborasi antara pendidikan tinggi, teknologi AI, dan riset interdisipliner dapat menghasilkan inovasi yang berdampak luas. Dukungan tersebut memungkinkan pelaksanaan penelitian, pengembangan perangkat, pelatihan, pengumpulan data, hingga publikasi hasil penelitian pada jurnal internasional bereputasi. (Ruswan Dallyono)