Electronic Theses and Dissertation

Bahasa Aceh adalah salah satu bahasa daerah di Indonesia yang memiliki kekayaan linguistik dan budaya tinggi, namun masih minim dukungan teknologi, terutama dalam penerjemahan otomatis. Penelitian ini bertujuan mengembangkan model Neural Machine Translation (NMT) berbasis Transformer untuk menerjemahkan teks dua arah antara Bahasa Aceh dan Bahasa Indonesia. Sebagai dasar pelatihan, disusun korpus paralel Aceh–Indonesia yang terdiri dari sekitar 17.000 pasangan kalimat dengan lebih dari 5.000 kosakata unik, yang dihimpun dari sumber daring, hasil web scraping, serta penyusunan manual berdasarkan referensi seperti Kamus Aceh–Indonesia karya Bukhari Daud dan Bahasa Aceh oleh Budiman Sulaiman. Hasil evaluasi menunjukkan bahwa model NMT yang dikembangkan secara konsisten mengungguli sistem penerjemahan umum seperti Google Translate dan Glosbe. Pada penerjemahan dari Bahasa Indonesia ke Bahasa Aceh, model mencapai skor BLEU-1 hingga BLEU-4 sebesar 50,63%, 41,12%, 32,91%, dan 21,98%, sedangkan pada penerjemahan dari Bahasa Aceh ke Bahasa Indonesia memperoleh 60,37%, 54,08%, 48,84%, dan 42,10%. Nilai tersebut menunjukkan peningkatan signifikan sekitar 13%–30% dibandingkan dua sistem pembanding, menandakan kemampuan model dalam mempertahankan kesepadanan leksikal, struktur sintaksis, serta konteks makna antarbahasa. Dengan demikian, penelitian ini membuktikan bahwa model NMT berbasis Transformer yang dilatih secara khusus menggunakan korpus paralel Aceh–Indonesia mampu menghasilkan terjemahan yang lebih akurat dan kontekstual, serta menjadi langkah awal penting dalam pengembangan teknologi penerjemahan untuk bahasa daerah di Indonesia.

Acehnese is one of Indonesia’s regional languages with rich linguistic and cultural value; however, it still receives limited technological support, particularly in the area of automatic translation. This study aims to develop a Transformer-based Neural Machine Translation (NMT) model for bidirectional translation between Acehnese and Indonesian. As the foundation for training, a parallel Acehnese–Indonesian corpus was constructed, consisting of approximately 17,000 sentence pairs with more than 5,000 unique vocabulary items. The data were collected from online sources, web scraping processes, and manual compilation based on references such as Kamus Aceh–Indonesia by Bukhari Daud and Bahasa Aceh by Budiman Sulaiman. Evaluation results indicate that the proposed NMT model consistently outperforms general-purpose translation systems such as Google Translate and Glosbe. For translation from Indonesian into Acehnese, the model achieved BLEU-1 to BLEU-4 scores of 50.63%, 41.12%, 32.91%, and 21.98%, respectively, while for translation from Acehnese into Indonesian, it obtained scores of 60.37%, 54.08%, 48.84%, and 42.10%. These results demonstrate a significant improvement of approximately 13%–30% compared to the two benchmark systems, indicating the model’s ability to preserve lexical equivalence, syntactic structure, and contextual meaning across languages. Therefore, this study demonstrates that a Transformer-based NMT model trained specifically on an Acehnese–Indonesian parallel corpus can produce more accurate and contextually appropriate translations and represents an important initial step toward the development of translation technologies for regional languages in Indonesia.