📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPENGEMBANGAN SISTEM RESERVASI PEMERIKSAAN PENUNJANG DIAGNOSTIK DENGAN VALIDASI DOKUMEN RUJUKAN OTOMATIS BERBASIS OCR (OPTICAL CHARACTER RECOGNITION) DAN INTEROPERABILITAS BERBASIS FHIR (FAST HEATLHCARE INTEROPERABILITY RESOURCE)
Penelitian ini dilatarbelakangi oleh belum terintegrasinya proses reservasi pemeriksaan penunjang dengan validasi dokumen rujukan. Di sisi lain, belum terstandarisasinya data pasien, khususnya pasien non-BPJS, menghambat interoperabilitas antar fasilitas kesehatan. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem reservasi pemeriksaan penunjang berbasis standar Fast Healthcare Interoperability Resources (FHIR) dengan fitur validasi otomatis surat rujukan pada studi kasus di RSUD Kota Tanjungpinang. Sistem dikembangkan menggunakan framework Laravel dengan pendekatan TALL stack (Tailwind, Alpine.js, Livewire, Laravel) dan memanfaatkan resource FHIR, yaitu Patient, ServiceRequest, Appointment, dan Encounter. Validasi dokumen dilakukan melalui ekstraksi teks menggunakan parsing dokumen dan Optical Character Recognition (OCR) yang divalidasi dengan metode hybrid rule-based keyword. Hasil evaluasi menunjukkan nilai recall ekstraksi kata kunci sebesar 85,6% dan tingkat keberhasilan validasi dokumen sebesar 93,75%. Pengujian usability menggunakan Single Ease Question (SEQ) menghasilkan nilai rata-rata di atas 6 dari skala 7, sedangkan System Usability Scale (SUS) memperoleh skor rata-rata 73,6 dengan kategori baik. Hasil tersebut menunjukkan bahwa sistem mampu meningkatkan efisiensi proses administrasi serta memberikan pengalaman pengguna yang baik, sekaligus mendukung penerapan standar interoperabilitas berbasis FHIR.
IMPLEMENTASI OPTICAL CHARACTER RECOGNITION (OCR) BERBASIS KECERDASAN BUATAN UNTUK OTOMATISASI PENCATATAN KEUANGAN PADA FAKTUR PENJUALAN DAN PEMBAYARAN BERBASIS WEBSITE
Perkembangan teknologi Optical Character Recognition (OCR) semakin berperan penting dalam otomatisasi ekstraksi informasi dari dokumen digital maupun non-digital. Namun, sebagian besar sistem OCR yang tersedia masih bersifat umum (general-purpose) dan belum optimal dalam menangani data domain tertentu yang memiliki struktur dan terminologi spesifik. Penelitian ini bertujuan untuk mengembangkan sistem OCR berbasis pre-trained models yang dioptimalkan melalui pendekatan fine-tuning, dengan fokus pada perbandingan dua arsitektur utama: OCR+LLM (pipeline berbasis ekstraksi teks dan pemahaman konteks oleh language model) dan Donut (end-to-end multimodal transformer). Evaluasi dilakukan secara bertahap pada tiga skenario: baseline (tanpa fine-tuning), fine-tuning parsial (20% langkah pelatihan), dan fine-tuning penuh (90% langkah pelatihan). Tiga metrik utama digunakan dalam pengujian, yaitu Exact Match (EM), Field Accuracy (FA), dan Edit Distance (ED). Hasil eksperimen menunjukkan bahwa pada baseline, Donut unggul tipis dengan field accuracy 13,2% dibandingkan OCR+LLM yang hanya 9,9%. Namun, setelah fine-tuning penuh, OCR+LLM secara konsisten melampaui Donut dengan EM 30,9%, field accuracy 60,9%, dan edit distance 0,3. Temuan ini menegaskan bahwa proses fine-tuning merupakan faktor krusial dalam meningkatkan kinerja model OCR domain-spesifik, serta menunjukkan bahwa arsitektur pipeline OCR+LLM memiliki kapasitas adaptasi yang lebih tinggi dibandingkan model end-to-end seperti Donut. Penelitian ini membuktikan kelayakan pengembangan sistem OCR berbasis pre-trained models yang dapat disesuaikan dengan kebutuhan domain tertentu, sekaligus membuka ruang eksplorasi lebih lanjut terkait optimisasi strategi fine-tuning dan integrasi multimodal untuk meningkatkan akurasi serta efisiensi.
PENGEMBANGAN WEBSITE DATA CAPTURE UNTUK DIGITALISASI FORMULIR (STUDI KASUS SURAT JALAN RENTAL SCAFFOLDING)
Di era digital saat ini, masih terdapat perusahaan menggunakan sistem pencatatan manual. Akibatnya perusahaan mengalami kesulitan dalam pengelolaan inventaris akibat sistem pencatatan manual, yang sering kali menyebabkan kehilangan data dan kesulitan dalam aksesibilitas data. Digitalisasi menjadi kebutuhan penting untuk meningkatkan akurasi dan efisiensi operasional. Penelitian ini bertujuan untuk mengembangkan sistem Optical Character Recognition (OCR) berbasis deep learning yang mampu mengenali tulisan tangan pada surat jalan rental scaffolding dengan akurasi minimal 80%, serta membangun website data capture untuk membantu proses digitalisasi formulir tersebut. Metodologi penelitian meliputi pengumpulan dataset citra surat jalan rental scaffolding, pengembangan model OCR menggunakan kakas Paddle OCR dengan arsitektur SVTR, serta pengembangan website menggunakan framework Flask dan database MongoDB. Hasil penelitian menunjukkan bahwa model SVTR yang dikembangkan mampu mencapai akurasi pengenalan teks sebesar 90,1%. Pengujian website data capture dilakukan dengan menggunakan surat jalan rental scaffolding dengan berbagai kondisi, didapatkan hasil pengujian menunjukkan akurasi dan waktu pemrosesan yang rasional. Penelitian ini membuka peluang untuk digitalisasi formulir di industri lainnya, serta meningkatkan efisiensi operasional dan aksesibilitas data.