Perpustakaan Digital ITB

Organisasi pemerintah menghasilkan dokumen yang masif sebagai bagian dari proses layanan. Dokumen pada umumnya hasil scan dan photo capture yang disimpan dalam format gambar atau pdf. Permasalahan yang terjadi pada operasional adalah perekaman data yang kurang efisien dengan dibutuhkan biaya yang besar untuk perangkat lunak, perangkat keras, dan sumber daya manusia. Selain itu waktu yang dibutuhkan untuk merekam dalam satu siklus dokumen kurang lebih 62 – 217 detik. Penelitian ditujukan untuk membantu proses perekaman data dengan mengganti proses yang dilakukan oleh manusia dengan proses yang dilakukan oleh mesin. Telah dikembangkan banyak model pembelajaran mesin yang dilakukan untuk menyelesaikan pekerjaan klasifikasi dengan melakukan ekstraksi fitur visual dan teks pada dokumen. Penelitian ini mengajukan desain framework untuk problem spesifik yaitu klasifikasi dokumen arsip Indonesia berbasis supervised learning memanfaatkan metode transfer learning, multimodal, dan modular pada proses pembelajaran mesin. Framework usulan terdiri dari proses identifikasi permasalahan dan manfaat, identifikasi situasi, identifikasi data, perencanaan tata kelola, persiapan data, penciptaan data, pemrosesan awal data, pemodelan, evaluasi model, implementasi, pengawasan dan perawatan, serta meninjau dan klarifikasi manfaat. Eksperimen dan evaluasi menunjukkan desain framework dapat memberikan manfaat pada organisasi dengan memberikan akurasi klasifikasi yang optimal. Selain itu framework dengan mudah diimplementasikan untuk permasalahan klasifikasi dokumen. Framework menghasilkan akurasi 97% untuk klasifikasi jenis dokumen, 100% untuk klasifikasi kode dokumen, dan 84% untuk ekstraksi entitas dokumen. Framework menghasilkan durasi perekaman dokumen kurang lebih 38,5 sampai dengan 140 detik pada setiap siklus perekaman dokumen. Berdasarkan justifikasi tenaga ahli, framework dinilai sangat baik dengan skor 86,46%.