<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>{JALUR NON REGULER - LOMBA} IMPLEMENTASI OPEN AI UNTUK MANAJEMEN KEUANGAN MAHASISWA: OCR, CHATBOT, DAN FINANCIAL ADVISOR PADA APLIKASI SEIMBANG.IN</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Rama Syailana</mods:namePart><mods:namePart type="family">Dewa</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Literasi keuangan merupakan tantangan krusial bagi generasi muda dan&#13;
mahasiswa, yang sering kali terkendala oleh keengganan melakukan pencatatan&#13;
transaksi manual serta kurangnya akses terhadap saran finansial yang personal.&#13;
Laporan ini membahas pengembangan sisi server (backend) pada aplikasi&#13;
Seimbang.in, sebuah platform manajemen keuangan yang mengintegrasikan&#13;
kecerdasan buatan (Artificial Intelligence) untuk mengotomatisasi dan&#13;
mempersonalisasi pengalaman pengguna. Penelitian ini berfokus pada&#13;
implementasi arsitektur REST API yang memanfaatkan kapabilitas model OpenAI.&#13;
Fitur Optical Character Recognition (OCR) dikembangkan menggunakan model&#13;
GPT-4o Vision untuk mengekstraksi data dari gambar struk belanja menjadi format&#13;
JSON yang terstruktur. &#13;
Fitur Chatbot cerdas dibangun menggunakan model GPT-4o dengan&#13;
mekanisme Context Injection untuk menciptakan interaksi yang relevan dengan&#13;
riwayat pengguna. Selain itu, fitur Financial Advisor menerapkan pendekatan&#13;
Logika Hibrida (Hybrid Logic), yang menggabungkan kalkulasi matematis&#13;
deterministik pada server dengan kemampuan narasi model GPT-4o-mini, guna&#13;
memitigasi risiko halusinasi data. &#13;
Hasil pengujian menunjukkan bahwa sistem backend mampu memproses&#13;
input visual struk secara akurat dan memberikan rekomendasi keuangan yang&#13;
presisi serta kontekstual. Implementasi ini membuktikan bahwa integrasi Large&#13;
Language Models (LLM) pada arsitektur backend dapat secara signifikan&#13;
meningkatkan efisiensi pencatatan dan kualitas edukasi finansial pengguna.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:classification authority="lcc">006 Metode komputer khusus</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2026-01-21</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>