← Kembali ke Blog
mvp-translatorain8npostgresqlopenaitranslation

MVP Novel Translator: Penerjemah yang Paham Fandom

22 April 2026

MVP Novel Translator: Penerjemah yang Paham Fandom

Kasus yang bikin saya sadar GPT mentah nggak cukup:

Ada novel fanfiksi, ditulis orang China, fandom-nya dari grup K-pop Korea. Penulis pakai transliterasi Mandarin untuk nama karakter asli Korea. Kalau saya lempar mentah ke GPT untuk translate ke Bahasa Indonesia, hasilnya:

  • Nama karakter: sebagian diterjemahkan literal, sebagian hilang konteks.
  • Istilah fandom (nama album, lagu, era): diterjemahkan sebagai kata biasa.
  • Nuansa budaya Korea yang sudah di-absorp ke narasi China: ter-rusak lagi.

Saya butuh sistem terjemahan yang tahu konteks fandom. Bukan sekadar translator.

Lahirlah MVP Novel Translator.

Arsitektur

Sistem ini bukan aplikasi monolithic. Saya pilih n8n sebagai workflow engine + PostgreSQL sebagai database + frontend Express untuk upload & review.

Flow Utama

  1. Upload: User upload novel (biasanya .txt atau chunk paragraf) via frontend Express.
  2. Preprocessing: Workflow n8n clean text, deteksi bahasa sumber, split jadi chunks yang manageable untuk LLM.
  3. Fandom detection: Pattern matching untuk deteksi fandom dari istilah/nama yang muncul. Kalau novel sebut "뷔" atau "BTS" atau "HYBE" — fandom K-pop BTS.
  4. Glossary lookup: Query PostgreSQL untuk glossary entity per fandom. Tiap entity punya: original_term, translated_term, context_notes, confidence_score.
  5. Translation call: Panggil GPT-4.1 via OpenRouter dengan:
    • System prompt yang include glossary relevan
    • User prompt: chunk text + "pertahankan translasi sesuai glossary"
  6. Entity extraction: Deteksi entity baru yang nggak ada di glossary. Score confidence-nya.
  7. Save + route:
    • Confidence tinggi → auto-approve, masuk glossary.
    • Confidence rendah → masuk review manual.
  8. Review flow: Workflow review.json terima webhook approve/edit/reject, update glossary.

Kenapa n8n, Bukan Kode Node.js Biasa?

Pertanyaan valid. Saya pilih n8n karena:

  1. Visual debugging. Saat entity resolution salah, saya bisa trace step by step di UI — lebih cepat daripada log-based debugging.
  2. Iterasi cepat. Tweak prompt GPT atau logic branching tanpa redeploy.
  3. Composable workflow. mvp_translation_v4.json (main), review.json (approval), bulk.json (batch) — semua stand-alone tapi connected via webhook.

Trade-off: n8n self-hosted = satu more thing to maintain. Tapi untuk proyek eksplorasi seperti ini, worth it.

Entity Resolution + Confidence Scoring

Bagian yang paling saya suka secara teknis.

Saat GPT-4 extract entity dari translation hasil, setiap entity dapat skor confidence berdasarkan:

  • Konsistensi: Sama term di chunk berbeda → skor naik.
  • Context match: Ada di kalimat yang sesuai dengan pattern fandom → skor naik.
  • Format: Title case, kapital, formatting khas nama → skor naik.

Threshold yang saya set:

  • >= 0.8 → auto-approve (masuk glossary langsung)
  • 0.5 - 0.8 → masuk review manual
  • < 0.5 → dibuang (kemungkinan noise)

Versioning v1 → v4

Saya iterate workflow ini 4 kali:

  • v1: Sekadar translate per chunk. Tidak ada glossary.
  • v2: Tambah glossary manual (di translator backend folder lama, sekarang deprecated).
  • v3: Tambah entity extraction tapi belum ada confidence scoring.
  • v4: Full system dengan confidence + review flow.

Tiap versi saya simpan untuk dokumentasi iterasi. Di portofolio, yang saya tampilkan adalah v4.

Frontend

Frontend saya bikin dengan Express + multer (upload) + pg (langsung ke PostgreSQL). Tujuannya minimal: upload novel, trigger workflow n8n via webhook, tampilkan hasil + UI review untuk entity baru.

Bukan pretty UI — tapi berfungsi. Prioritas saya adalah nge-validasi konsep translasi yang bener. UI bisa di-polish nanti.

Pelajaran

  1. Translation is about context, not language. LLM generik gagal di niche domain. Glossary + context = game changer.
  2. n8n underrated untuk workflow eksperimental. Visual debugging doang sudah worth it.
  3. Confidence scoring bikin sistem jadi honest. Kalau sistem nggak yakin, dia minta review manusia — bukan pura-pura yakin.
  4. Iterasi cepat > versi sempurna. v1 saya jelek. v4 decent. Tanpa v1, nggak ada v4.

Stack: n8n + OpenRouter GPT-4.1 + PostgreSQL + LangChain + Express + pg + multer.

Kalau Anda kerja di domain translation khusus (legal, medical, manga, dsb), saya rasa pola context-aware ini applicable. DM saya kalau mau compare notes.

← Baca tulisan lainnya