---
title: "Apa itu word error rate (WER)? Rumus dan contohnya | BroadRouter"
description: "Word error rate mengukur akurasi speech-to-text dari substitusi, penghapusan, dan penyisipan terhadap kata referensi. Rumus, contoh hitungan, dan cara membaca WER."
url: https://broadrouter.com/id/glossary/word-error-rate/
lang: id
updated: 2026-11-16
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/word-error-rate/) (diperbarui 2026-11-16).

# Word error rate (WER)

Diperbarui 2026-11-16

Word error rate (WER) adalah ukuran akurasi standar untuk pengenalan ucapan: jumlah substitusi, penghapusan, dan penyisipan kata yang dibutuhkan untuk mengubah transkrip menjadi referensi yang benar, dibagi jumlah kata dalam referensi. Makin rendah makin baik.

Disebut juga: word error rate, tingkat kesalahan kata, akurasi transkripsi, akurasi speech-to-text, akurasi ASR, WER, ASR accuracy, transcription accuracy, word accuracy

WER menjawab satu pertanyaan: dari setiap 100 kata yang diucapkan seseorang, berapa yang salah di transkrip?

## Cara kerjanya

Sejajarkan transkrip model dengan referensi yang benar buatan manusia, lalu hitung tiga jenis kesalahan:

-   **S**ubstitusi: kata yang salah menggantikan kata yang benar;
-   **D**eletion (penghapusan): kata yang diucapkan tetapi hilang;
-   **I**nsertion (penyisipan): kata yang tidak diucapkan tetapi muncul.

`WER = (S + D + I) / N`, dengan N adalah jumlah kata dalam referensi.

Contoh. Referensinya “please send the invoice to our office today” (8 kata). Transkripnya berbunyi “please send an invoice to office today now”:

| Kesalahan | Jumlah |
| --- | --- |
| “the” → “an” | 1 substitusi |
| “our” hilang | 1 penghapusan |
| “now” ditambahkan | 1 penyisipan |

WER = 3 / 8 = 0,375, atau 37,5%. Wikipedia mencatat bahwa WER adalah edit distance di tingkat kata, dan karena penyisipan tidak dibatasi, nilainya “can be larger than 1.0.” (terjemahan: bisa lebih besar dari 1,0.)

Tool seperti paket Python `jiwer` menghitungnya. Normalisasi kedua teks lebih dulu: huruf besar-kecil, tanda baca, angka yang ditulis sebagai digit atau kata, dan untuk bahasa Arab, harakat serta bentuk alif atau ya. Pilihan normalisasi saja sudah bisa mengubah skor secara nyata.

## Mengapa penting

-   **Membandingkan model.** WER adalah metrik umum di leaderboard dan klaim vendor, jadi ini filter pertama saat memilih API [speech-to-text](https://broadrouter.com/id/glossary/speech-to-text/).
-   **Audio Anda berbeda.** Model yang sama bisa mendapat skor sangat berbeda pada ucapan yang dibacakan dan pada panggilan telepon berdialek. Untuk bahasa Arab, audio [Bahasa Arab Standar Modern](https://broadrouter.com/id/glossary/msa/) dan audio dialek memberi angka yang berbeda. Uji dengan rekaman yang mirip dengan milik Anda.
-   **Tidak semua kesalahan setara.** WER memberi bobot yang sama untuk setiap kata. Nomor rekening yang salah dihitung satu kesalahan, sama seperti “the” yang hilang. Baca transkripnya, bukan hanya skornya.

## Di BroadNet Inference

BroadNet memublikasikan pengukuran lab-nya sendiri untuk [BroadNet Transcribe Arabic](https://broadrouter.com/id/models/cohere-transcribe-arabic/):

| Test set | Isinya | WER (%) |
| --- | --- | --- |
| FLEURS-ar | Kalimat yang dibacakan dengan jelas | 3,8 |
| MASC-ar | Campuran ucapan bahasa Arab di dunia nyata | 21,1 |
| Set dialek BroadNet | Ucapan berdialek | 23,4 |

Selisih antara 3,8 dan 23,4 menunjukkan mengapa uji Anda sendiri penting. BroadNet juga melaporkan model ini berada di #2 dari 37 (angka September 2026; papan peringkat langsung mencantumkannya di #4 dari 39 pada 15 November 2026) pada Open Universal Arabic ASR Leaderboard. Kredit awal $5 mencakup sekitar 1,190 menit audio bahasa Arab, cukup untuk sebuah test set. [Panduan pembeli](https://broadrouter.com/id/blog/arabic-speech-to-text-api-buyers-guide/) berisi rencana uji satu jam, dan [panduan bahasa Arab](https://broadrouter.com/id/guides/arabic-speech-to-text-api/) berisi kodenya.

## Pertanyaan umum

### Berapa word error rate yang bagus?

Tergantung audionya. Ucapan yang dibacakan dengan jelas bisa mendapat skor satu digit, sedangkan audio percakapan yang bising atau berdialek sering mendapat skor jauh lebih tinggi pada model yang sama. Bandingkan model pada test set yang sama, idealnya rekaman Anda sendiri.

### Bisakah WER lebih dari 100%?

Bisa. Penyisipan ikut dihitung, tetapi penyebutnya hanya kata referensi, sehingga transkrip dengan banyak kata tambahan bisa mendapat skor di atas 1,0.

### WER ditulis sebagai persentase atau desimal?

Keduanya umum. 0,211 dan 21,1 biasanya berarti sama, sekitar 21 kesalahan per 100 kata referensi. Cek mana yang dipakai sebuah sumber.

## Lihat juga

-   [Speech-to-text (ucapan ke teks)](https://broadrouter.com/id/glossary/speech-to-text/) (istilah)
-   [Zero data retention (ZDR)](https://broadrouter.com/id/glossary/zero-data-retention/) (istilah)
-   [Bahasa Arab Standar Modern (MSA, Fusha)](https://broadrouter.com/id/glossary/msa/) (istilah)
-   [Alih kode (code-switching)](https://broadrouter.com/id/glossary/code-switching/) (istilah)
-   [Character error rate (CER)](https://broadrouter.com/id/glossary/character-error-rate/) (istilah)
-   [API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/id/guides/arabic-speech-to-text-api/) (panduan)
-   [Transkripsi voice note WhatsApp ke teks dengan API](https://broadrouter.com/id/guides/transcribe-whatsapp-voice-notes/) (panduan)
-   [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-word-error-rate&utm_content=page-cta) ·

**Sumber**

-   [Word error rate (Wikipedia, bahasa Inggris) (diperiksa 2026-11-16)](https://en.wikipedia.org/wiki/Word_error_rate)
-   [Hugging Face Tasks, automatic speech recognition (WER) (diperiksa 2026-11-16)](https://huggingface.co/tasks/automatic-speech-recognition)
-   [Katalog model BroadNet, speech to text (pengukuran lab) (diperiksa 2026-11-16) (bahasa Inggris)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard (diperiksa 2026-11-16)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
