---
title: "Apa itu character error rate (CER)? Penjelasan metrik ASR"
description: "Character error rate menilai output speech-to-text dan OCR per karakter, bukan per kata. Rumusnya, contoh bahasa Arab, dan kapan memakai CER alih-alih WER."
url: https://broadrouter.com/id/glossary/character-error-rate/
lang: id
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/glossary/character-error-rate/) (diperbarui 2026-11-15).

# Character error rate (CER)

Diperbarui 2026-11-15

Character error rate (CER) mengukur akurasi transkripsi atau OCR di tingkat karakter: jumlah substitusi, penghapusan, dan penyisipan yang dibutuhkan untuk mengubah output menjadi teks referensi, dibagi jumlah karakter dalam referensi. Makin rendah makin baik, dan 0 berarti cocok sempurna.

Disebut juga: CER, tingkat kesalahan karakter, metrik CER, cara menghitung CER, character error rate

WER bertanya berapa kata yang salah. CER bertanya berapa huruf yang salah, dan untuk bahasa Arab itu sering kali pertanyaan yang lebih adil.

## Cara kerjanya

CER memakai gagasan edit distance yang sama dengan [word error rate](https://broadrouter.com/id/glossary/word-error-rate/), tetapi diterapkan pada karakter. Metric card Hugging Face memberikan rumusnya:

`CER = (S + D + I) / N`, dengan S substitusi, D penghapusan, I penyisipan, dan N jumlah karakter dalam referensi (N = S + D + C, dengan C karakter yang benar).

Contoh dalam bahasa Arab. Referensinya “وبالكتاب” (“dan dengan buku itu”, satu kata, 8 huruf). Transkripnya “وبلكتاب”, kurang satu alif:

| Metrik | Kesalahan | Unit referensi | Skor |
| --- | --- | --- | --- |
| WER | 1 kata salah | 1 kata | 1,0 (100%) |
| CER | 1 huruf terhapus | 8 karakter | 0,125 (12,5%) |

Satu huruf yang hilang membuat seluruh kata salah menurut WER. CER menunjukkan transkripnya hampir benar.

Di Python, paket `jiwer` menghitungnya dengan `jiwer.cer(reference, hypothesis)`, dan `jiwer.process_characters` juga mengembalikan alignment-nya. Normalisasi kedua sisi lebih dulu, seperti untuk WER: tanda baca, spasi, dan untuk bahasa Arab, harakat serta bentuk alif atau ya. Lihat [normalisasi teks Arab](https://broadrouter.com/id/glossary/arabic-text-normalization/).

## Kenapa ini penting

-   **Morfologi bahasa Arab.** Bahasa Arab menempelkan kata sambung, kata depan, dan kata ganti pada kata sebagai klitik, sehingga satu kata bisa memuat apa yang dalam bahasa Inggris ditulis tiga atau empat kata. Satu huruf prefiks yang salah menghabiskan satu kata penuh di WER. CER menimbangnya sebagai satu karakter.
-   **Bahasa tanpa spasi.** WER butuh batas kata. Kartu Hugging Face mengatakan CER berguna “especially for multilingual datasets where WER is not suitable given the diversity of languages.” (terjemahan: terutama untuk dataset multibahasa di mana WER tidak cocok karena keragaman bahasa.)
-   **Jenis kesalahan.** Model dengan WER tinggi tetapi CER rendah sebenarnya hampir benar menebak kata: selip ejaan, hamzah, atau klitik yang bisa diperbaiki normalisasi atau langkah koreksi. CER tinggi berarti model melewatkan kata atau konten secara utuh.
-   **Juga untuk OCR.** Metrik yang sama menilai teks yang dibaca dari gambar, jadi berguna saat Anda membandingkan pipeline [OCR](https://broadrouter.com/id/glossary/ocr/).

Metric card itu juga memperingatkan bahwa CER tidak memberi tahu mengapa kesalahan terjadi. Baca contoh transkrip di samping skornya.

## Di BroadNet Inference

BroadNet memublikasikan WER, bukan CER, untuk [BroadNet Transcribe Arabic](https://broadrouter.com/id/models/cohere-transcribe-arabic/) dan [BroadNet Transcribe](https://broadrouter.com/id/models/cohere-transcribe/). Untuk mendapatkan CER, transkripsikan set uji dari rekaman Anda sendiri dan nilai sendiri. Artikel [penjelasan WER bahasa Arab](https://broadrouter.com/id/blog/arabic-asr-wer-explained/) berisi fungsi normalisasi dan skrip `jiwer` yang mencetak WER dan CER sekaligus, dan [panduan speech-to-text bahasa Arab](https://broadrouter.com/id/guides/arabic-speech-to-text-api/) berisi kode request-nya. Selalu kirim `language=ar`: tanpa itu, bahasa Arab bisa kembali dalam transliterasi huruf Latin, yang merusak kedua skor.

## Kesalahan umum

-   **Menghitung spasi secara tidak konsisten.** Tentukan apakah spasi dihitung sebagai karakter dan terapkan aturan yang sama pada setiap model yang Anda bandingkan.
-   **Membandingkan CER dengan WER milik orang lain.** Keduanya skala yang berbeda. Bandingkan yang sejenis.

## Pertanyaan umum

### Bisakah CER lebih dari 100%?

Bisa. Metric card Hugging Face mencatat bahwa CER tidak selalu berada di antara 0 dan 1, terutama jika transkrip punya banyak penyisipan, karena penyebutnya hanya menghitung karakter referensi.

### Untuk bahasa Arab, sebaiknya saya melaporkan CER atau WER?

Keduanya. WER adalah angka yang dikutip leaderboard dan vendor, jadi Anda butuh WER untuk membandingkan. CER menunjukkan apakah kesalahannya berupa kata yang salah seluruhnya atau hanya satu huruf atau klitik di sana-sini, hal yang disembunyikan WER.

### Apakah BroadNet memublikasikan CER untuk model transkripsinya?

Tidak. BroadNet hanya memublikasikan WER. Untuk mendapatkan CER, nilai set uji Anda sendiri dengan alat seperti jiwer.

## Lihat juga

-   [Word error rate (WER)](https://broadrouter.com/id/glossary/word-error-rate/) (istilah)
-   [Speech-to-text (ucapan ke teks)](https://broadrouter.com/id/glossary/speech-to-text/) (istilah)
-   [Normalisasi teks Arab (Arabic text normalization)](https://broadrouter.com/id/glossary/arabic-text-normalization/) (istilah)
-   [Harakat bahasa Arab (tashkeel)](https://broadrouter.com/id/glossary/arabic-diacritics/) (istilah)
-   [Bahasa Arab Standar Modern (MSA, Fusha)](https://broadrouter.com/id/glossary/msa/) (istilah)
-   [Optical character recognition (OCR)](https://broadrouter.com/id/glossary/ocr/) (istilah)
-   [Benchmark LLM (LLM benchmark)](https://broadrouter.com/id/glossary/llm-benchmark/) (istilah)
-   [API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/id/guides/arabic-speech-to-text-api/) (panduan)
-   [Word error rate (WER) ASR bahasa Arab: penjelasan lengkap](https://broadrouter.com/id/blog/arabic-asr-wer-explained/) (artikel)
-   [API speech-to-text bahasa Arab: cara memilihnya di 2026](https://broadrouter.com/id/blog/arabic-speech-to-text-api-buyers-guide/) (artikel)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

[Mulai](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-character-error-rate&utm_content=page-cta) ·

**Sumber**

-   [Hugging Face evaluate, metric card CER: rumus, nilai di atas 1, penggunaan multibahasa (diperiksa 2026-11-15)](https://raw.githubusercontent.com/huggingface/evaluate/main/metrics/cer/README.md)
-   [Dokumentasi jiwer, penggunaan: jiwer.cer dan process\_characters (diperiksa 2026-11-15)](https://jitsi.github.io/jiwer/usage/)
-   [Katalog model BroadNet, speech-to-text: pengukuran WER yang dipublikasikan (diperiksa 2026-11-15) (bahasa Inggris)](https://www.broadnet.ai/inference/models)
