Keywords
Koperasi Mahasiswa
Pencocokan Fuzzy String
Pengenal Ucapan Otomatis
Sistem Kasir
How to Cite
Abstract
Sistem pencatatan transaksi manual di koperasi mahasiswa rentan terhadap kesalahan dan tidak efisien. Penelitian ini mengembangkan sistem kasir berbasis pengenalan suara (Automatic Speech Recognition/ASR) yang dipadukan dengan metode fuzzy string matching untuk mengenali nama produk secara lisan. Penelitian dilakukan di Koperasi Harapan Mulya UN PGRI Kediri menggunakan 80 data produk, dengan alat berupa laptop, mikrofon, dan library Python seperti SpeechRecognition, PyAudio, serta RapidFuzz. Hasil pengujian menunjukkan bahwa tingkat akurasi awal ASR hanya 40%, namun meningkat menjadi 86,6% setelah ditambahkan proses pencocokan melalui kamus dan fuzzy match. Sistem ini terbukti dapat mengurangi kesalahan input dan mempercepat proses transaksi. Temuan ini menunjukkan pentingnya pendekatan kombinasi STT dan fuzzy matching dalam lingkungan koperasi yang ramai. Dengan demikian, sistem ini dapat menjadi solusi praktis dan efisien bagi koperasi mahasiswa yang memiliki keterbatasan sumber daya.
References
[1] G. O. Sitompul, P. F. Eleuwyaan, P. Rosmawati, and N. R. Siahaan, “Penerapan Penggunaan Aplikasi Digital Kasir Pada Pelaku UMKM Warung Mba Merry,” vol. 02, no. 04, pp. 760–765, 2025.
[2] Z. K. Aizet, A. Pinandito, and W. Purnomo, “Studi Perbandingan Pencatatan Data Transaksi Kasir Klinik Rumah Sayang Bunda terhadap Jumlah Terjadinya Kesalahan Pencatatan menggunakan Sistem Manual dan Sistem Aplikasi AdminRSB,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 5, pp. 2161–2168, 2023.
[3] M. S. Chandra and A. Ichwani, “Perancangan dan Implementasi Aplikasi Kasir Berbasis Web dengan Spring Boot ( Studi Kasus : CV Mulia Tetap Jaya ),” vol. 5, pp. 6758–6775, 2025.
[4] D. D. Ramadhan, “Pelaksanaan Pendidikan Koperasi Dan Partisipasi Anggota Koperasi Mahasiswa (KOPMA) Universitas Negeri Surabaya,” J. Pendidik. dan Ekon., vol. 6, no. 3, pp. 343–348, 2018.
[5] J. Endratno and C. C. Lestari, “Rancang Bangun Aplikasi Resep Masakan Tanpa Kontak Dengan Perintah Suara,” J. Inform. dan Sist. Inf., vol. 8, no. 1, pp. 21–30, 2022, doi: 10.37715/juisi.v8i1.2621.
[6] S. Fradj, “exploring methods and techniques in Speaker Recognition and Automatic Personal Research Project Speaker Recognition and ASR Speaker Recognition and Automatic Speech Recognition,” no. March, 2025, doi: 10.5281/zenodo.15102949.
[7] H. Guo et al., “WavePurifier: Purifying Audio Adversarial Examples via Hierarchical Diffusion Models,” ACM MobiCom 2024 - Proc. 30th Int. Conf. Mob. Comput. Netw., pp. 1268–1282, 2024, doi: 10.1145/3636534.3690692.
[8] H. A. D. M. Arachchi and G. D. Samarasinghe, “Impact of embedded AI mobile smart speech recognition on consumer attitudes towards AI and purchase intention across Generations X and Y,” Eur. J. Manag. Stud., vol. 29, no. 1, pp. 3–29, 2024, doi: 10.1108/ejms-03-2023-0019.
[9] N. Anggraini, A. Kurniawan, L. K. Wardhani, and N. Hakiem, “Speech recognition application for the speech impaired using the android-based google cloud speech API,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 16, no. 6, pp. 2733–2739, 2018, doi: 10.12928/TELKOMNIKA.v16i6.9638.
[10] N. Shu and D. V Anderson, “Audiosockets : A Python socket package for Real-Time Audio Processing”.
[11] N. Elmobark, “A Comparative Analysis of Python Text Matching Libraries : A Multilingual Evaluation of Capabilities , Performance and Resource Utilization,” vol. 7, no. 1, pp. 48–60, 2025
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Prita Ayu Meudea, Daniel Swanjaya, Julian Sahertian