Kombinasi Algoritma CRNN dan LLM untuk Pengembangan Aplikasi Pembagian Tagihan Otomatis
Article Sidebar
Main Article Content
Abstract
Sektor penyediaan akomodasi maupun makan minum yang terus berkembang meningkatkan aktivitas pembagian tagihan. Perhitungan nominal secara manual memakan waktu lama serta rentan terhadap kesalahan hitung, terutama pada pembagian beban pajak maupun service charge. Untuk mengatasi masalah tersebut, penelitian ini merancang sebuah aplikasi pembagian tagihan otomatis. Metode yang digunakan mencakup algoritma Convolutional Recurrent Neural Network (CRNN) dengan optimasi Open Visual Inference and Neural Network Optimization Toolkit (OpenVINO) untuk membaca teks dari nota fisik, yang dilatih dari awal menggunakan data sintetis nota berbahasa Indonesia dan dataset CORD sehingga mencapai Word Accuracy Rate (WAR) 89,7%, Character Accuracy Rate (CAR) 95,88%, dan Character Error Rate (CER) 4,12%. Teks mentah tersebut kemudian diproses menggunakan model T5 yang dilatih sendiri (self-hosted) untuk menyusun data pesanan beserta nominal harga serta mendeteksi skema penerapan service charge sebelum maupun sesudah pemotongan pajak, dengan Precision 87,8%, Recall 88,2%, dan F1-Score 88,0%. Sistem dibangun menggunakan kerangka kerja Flutter pada antarmuka aplikasi seluler Android dan iOS, serta FastAPI pada sisi server. Pengujian fungsionalitas menggunakan blackbox testing menunjukkan seluruh 15 skenario berjalan sesuai harapan, sedangkan pengujian usability menggunakan System Usability Scale (SUS) terhadap 42 responden menghasilkan skor rata-rata 98,81 dari 100 (kategori Excellent, grade A).
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[1] Aisy, R., Mursityo, Y. T., & Wijoyo, S. H. (2024). Evaluasi Usability Aplikasi Mobile Sampingan Menggunakan Metode Usability Testing dan System Usability Scale (SUS). Jurnal Teknologi Informasi Dan Ilmu Komputer, 11(1), 19–26. https://doi.org/10.25126/jtiik.20241116613
[2] Amelia, M. (2025). Mengenal Split Bill, Sistem Patungan Bayar Ala Gen Z yang Praktis tapi Kadang Bikin Rusak Pertemanan. JawaPos.Com.
[3] Blecher, L., Cucurull, G., Scialom, T., & Stojnic, R. (2023). Nougat: Neural Optical Understanding for Academic Documents. arXiv:2308.13418.
[4] BPS-Statistics Indonesia. (2024). Food and Beverage Service Activities Statistics 2023. BPS-Statistics Indonesia.
[5] Fan, Y., Liu, Y., Yao, Z., Yu, J., Hou, L., & Li, J. (2024). Evaluating generative language models in information extraction as subjective question correction. arXiv:2404.03532.
[6] FastAPI - FastAPI. Tiangolo.Com. Retrieved July 14, 2026, from https://fastapi.tiangolo.com/
[7] Feng, W., Zhu, W., Fu, T.-J., Jampani, V., Akula, A., He, X., Basu, S., Wang, X. E., & Wang, W. Y. (2023). LayoutGPT. arXiv:2305.15393.
[8] Flutter - Build apps for any screen. Flutter.Dev. Retrieved July 14, 2026, from https://flutter.dev/
[9] Gabín, J., Eduardo Ares, M., & Parapar, J. (2024). Enhancing automatic keyphrase labelling with T5 architecture. arXiv:2409.16760.
[10] Handayanto, I. S., & Nuryasin, I. (2024). Pengujian Blackbox Decision Table pada Sistem Aplikasi Mobile Sharing Story App. Smart Comp, 13(2), 383–394.
[11] Liu, Y., Wang, Y., & Shi, H. (2023). A convolutional recurrent neural-network-based machine learning for scene text recognition application. Symmetry, 15(4), 849.
[12] Lv, T., et al. (2023). KOSMOS-2.5: A Multimodal Literate Model. arXiv:2309.11419.
[13] OpenVINO 2026.2 Documentation. Openvino.Ai. Retrieved July 14, 2026, from https://docs.openvino.ai/
[14] Park, S., Shin, S., Lee, B., Lee, J., Surh, J., Seo, M., & Lee, H. (2019). CORD: A consolidated receipt dataset for post-OCR parsing. NeurIPS Workshop.
[15] Peng, Z., Wang, W., Dong, L., Hao, Y., Huang, S., Ma, S., & Wei, F. (2023). Kosmos-2. arXiv:2306.14824.
[16] Touvron, H., et al. (2023). LLaMA: Open and efficient foundation language models. arXiv:2302.13971.
[17] Wei, X., et al. (2023). ChatIE: Zero-shot information extraction via chatting with ChatGPT. arXiv:2302.10205.
[18] Zhao, W. X., et al. (2023). A survey of large language models. arXiv:2303.18223.
[19] Android Open Source Project. (2026). Android Open Source Project. Retrieved from https://source.android.com/
[20] Apple Inc. (2026). Apple Developer. Retrieved from https://developer.apple.com/