Cara Membuat Automation Sederhana dengan n8n dan Ollama

Sendiri-sendiri, n8n dan Ollama sudah berguna: satu menggerakkan data antar sistem, satu lagi memahami bahasa manusia. Digabung, keduanya menjadi sesuatu yang dulu hanya bisa dibeli mahal: pipeline yang membaca teks masuk, memahaminya, dan menindaklanjutinya — sepenuhnya di infrastruktur Anda sendiri, tanpa satu rupiah pun biaya API. Tutorial ini membangun contoh yang langsung terpakai: workflow yang menerima teks panjang dan mengembalikan ringkasan rapi ke email Anda.

Prasyaratnya dua, dan keduanya sudah kami tuliskan tutorialnya: n8n yang sudah berjalan dan Ollama yang sudah bisa menjawab di terminal.

Arsitektur singkat: n8n memanggil Ollama lewat HTTP

Ollama membuka API di port 11434; n8n punya node HTTP Request. Seluruh integrasi ini sesederhana itu: n8n mengirim prompt ke Ollama, Ollama membalas dengan teks. Tidak ada lem khusus, tidak ada library tambahan. Yang perlu dipastikan hanya satu hal: dari mana n8n bisa menjangkau Ollama.

• Keduanya di mesin yang sama, n8n di Docker: alamat Ollama dari dalam container adalah http://host.docker.internal:11434 (di Linux, tambahkan extra_hosts: ["host.docker.internal:host-gateway"] di compose file).
• Keduanya di mesin sama tanpa Docker: cukup http://localhost:11434.
• Beda mesin dalam satu jaringan: pakai IP lokal mesin Ollama, dan set OLLAMA_HOST=0.0.0.0 di mesin itu supaya ia mau menerima koneksi dari luar dirinya. Jangan pernah membuka port ini ke internet publik.

Langkah 1: Pastikan keduanya saling terhubung

Di n8n, buat workflow baru dengan Manual Trigger, lalu node HTTP Request: method GET, URL http://host.docker.internal:11434/api/tags. Jalankan. Kalau kembali daftar model, jembatan sudah berdiri. Kalau gagal, masalahnya selalu jaringan — bukan n8n, bukan Ollama — dan tiga kemungkinan alamat di atas adalah daftar periksanya.

Langkah 2: Buat workflow peringkas teks

Ganti node tadi dengan yang sungguhan: method POST, URL http://host.docker.internal:11434/api/generate, body JSON:

{
  "model": "llama3.1",
  "prompt": "Ringkas teks berikut dalam 3 poin berbahasa Indonesia. Hanya keluarkan poinnya, tanpa pembuka.\n\nTEKS:\n{{ $json.teks }}",
  "stream": false
}

Dua keputusan kecil di situ yang menentukan mutu hasil: instruksi "hanya keluarkan poinnya" mencegah model berbasa-basi, dan "stream": false membuat jawaban datang utuh dalam satu respons — jauh lebih mudah diolah node berikutnya. Hasil ringkasan tersedia di field response.

Untuk menyuplai {{ $json.teks }}, taruh node Set sebelum HTTP Request berisi teks percobaan — nanti sumber aslinya bisa diganti apa saja.

Langkah 3: Sambungkan output ke email atau chat

Tambahkan node pengirim di ujung: Send Email dengan SMTP yang Anda punya, atau Telegram kalau tim Anda hidup di sana. Isi pesannya dari expression {{ $json.response }}. Lalu ganti Manual Trigger dengan pintu masuk sungguhan — tiga yang paling berguna:

• Webhook: sistem lain menyetor teks, ringkasan kembali otomatis.
• Email trigger (IMAP): email panjang masuk, ringkasannya menyusul ke inbox Anda.
• Schedule + Google Sheets: tiap pagi, semua baris baru diringkas sekali jalan.

Langkah 4: Uji dengan data sungguhan

Model diuji bukan dengan teks contoh yang bersih, tapi dengan teks asli yang berantakan: email pelanggan yang campur aduk, notulen setengah jadi, keluhan panjang. Jalankan sepuluh teks nyata dan nilai hasilnya dengan dua pertanyaan: apakah poin pentingnya tertangkap, dan apakah ada informasi yang dikarang? Kalau model mengarang, perkecil ruang geraknya — perintahkan menjawab hanya dari teks yang diberikan, dan kecilkan temperature lewat parameter options.

Batas model lokal untuk tugas bisnis

Model 8B di komputer biasa punya langit-langit: teks sangat panjang harus dipotong-potong dulu, penalaran berlapis sering meleset, dan kecepatannya bergantung penuh pada hardware Anda. Aturan praktis kami: tugas mengubah bentuk (meringkas, mengelompokkan, menarik field) aman untuk model lokal; tugas mengambil keputusan yang berdampak uang atau hukum tetap butuh model kelas atas — atau manusia. Menggabungkan keduanya sah dan umum: lokal untuk volume besar yang murah, API untuk kasus sulit yang jarang.

Pipeline seperti ini — masuk, dipahami, ditindaklanjuti — adalah blok bangunan hampir semua sistem AI kantor yang kami buat. Kalau Anda ingin versi yang dirancang untuk proses bisnis Anda, layanan AI automation Clovertechno mengerjakannya dari arsitektur sampai perawatan.