EKSTRAKSI INFORMASI NOTA BELANJA INDONESIA MENGGUNAKAN INDOBERT DAN PENANGANAN NOISE BERBASIS FUZZY STRING MATCHING

Abstrak

Nota belanja dalam bahasa Indonesia mengandung informasi penting seperti item, harga, pajak, dan total, tetapi teksnya tidak terstruktur dan rentan terhadap gangguan yang diakibatkan oleh Optical Character Recognition (OCR), seperti kesalahan pengenalan karakter dan pemotongan token. Situasi ini mengurangi akurasi ekstraksi entitas, khususnya pada bidang numerik, sedangkan pendekatan berbasis aturan murni sulit untuk diskalakan dan model deep learning murni memerlukan sejumlah besar data pelatihan berlabel. Penelitian ini berfokus pada pengembangan kerangka ekstraksi informasi yang tahan terhadap gangguan teks pada nota belanja berbahasa Indonesia. Metode yang diterapkan adalah fine-tuning IndoBERT untuk Named Entity Recognition pada Consolidated Receipt Dataset (CORD) yang telah dianotasi ulang secara manual (skema BIO untuk empat entitas: ITEM, PRICE, TAX, TOTAL; 800 data pelatihan, 100 data validasi, 100 data pengujian), dipadukan dengan Fuzzy String Matching berbasis Levenshtein Distance dan validasi berbasis aturan. Modul fuzzy diuji dalam dua penempatan, yaitu pre-processing dan post-processing, melalui studi ablation enam skenario (S1-S6) serta augmentasi tipo OCR. Data uji menunjukkan bahwa konfigurasi optimal adalah S6 (IndoBERT + augmentasi + FSM post-processing + rule-based validation) dengan F1-Score makro 0,7807, yang lebih baik dibandingkan dengan penempatan pre-processing (S5: 0,7733) dan baseline IndoBERT murni (0,7601). Rule-based validation memberikan kontribusi signifikan (peningkatan F1 sebesar +0,028 melalui peningkatan recall). Disimpulkan bahwa fuzzy string matching lebih efektif sebagai post-processing, dan pipeline direalisasikan dalam prototipe aplikasi online berbasis Streamlit yang menghasilkan keluaran JSON terstruktur.

Identifier

• OpenAlex: https://openalex.org/W7167908992
• DOI: https://doi.org/10.36341/rabit.v11i2.8103