<![CDATA[Pencatatan transaksi yang dilakukan secara manual akan memakan waktu dan berpotensi terjadi kesalahan. Tujuan penelitian adalah merancang sistem yang mampu memindai nama barang pada setruk belanja dengan menggunakan Asprise OCR untuk pemindaian teks dari setruk belanja dan model NLP berbasis LSTM untuk mengklasifikasi nama barang belanja ke dalam enam kategori utama: makanan dan minuman, alat tulis kantor (ATK), pakaian, obat-obatan, peralatan mandi, dan jika tidak ada kategori yang cocok akan masuk ke dalam kategori lainnya. Metode penelitian ini meliputi pengumpulan data yang berupa setruk belanja dan katalog nama barang, preprocessing teks (case folding, tokenisasi, dan pre-padding), pelatihan model LSTM, serta evaluasi performa dengan metrik akurasi, presisi, recall, dan F1-score. Data yang digunakan dalam penelitian ini adalah 10041 nama barang beserta kategorinya dan 100 gambar setruk belanja yang memiliki layout yang berbeda-beda. Hasil pengujian menunjukkan sistem mampu mengenali teks dengan baik melalui OCR dan mencapai tingkat akurasi yang tinggi yaitu 86%, presisi 92%, recall 86%, F1-score 88% dalam melakukan klasifikasi item berdasarkan kategori yang telah ditentukan. Hasil penelitian ini menunjukkan bahwa integrasi Asprise OCR dan model LSTM efektif untuk otomatisasi pencatatan keuangan pribadi, dan diharapkan sistem ini dapat diimplementasikan dalam aplikasi manajemen keuangan untuk meningkatkan efisiensi dan akurasi. Abstract Recording transactions manually will be time-consuming and potentially error-prone. The research objective is to design a system capable of scanning item names on shopping receipts by using Asprise OCR for scanning text from shopping receipts and LSTM-based NLP model to classify shopping item names into six main categories: food and beverages, office stationery (stationery), clothing, medicine, toiletries, and if there is no matching category it will go into another category. This research method includes data collection in the form of shopping receipts and item name catalogs, text preprocessing (case folding, tokenization, and pre-padding), LSTM model training, and performance evaluation with accuracy, precision, recall, and F1-score metrics. The data used in this research are 10041 item names and their categories and 100 images of shopping receipts that have different layouts. The test results show that the system is able to recognize text well through OCR and achieve a high level of accuracy of 86%, precision of 92%, recall of 86%, F1-score of 88% in classifying items based on predetermined categories. The results of this study show that the integration of Asprise OCR and LSTM models is effective for the automation of personal financial records, and it is hoped that this system can be implemented in financial management applications to improve efficiency and accuracy.]]>
