Cara Otomasi Input Invoice dengan AI di n8n

Menyalin angka dari tumpukan nota ke spreadsheet punya sifat yang kejam: makin membosankan, makin sering salah — dan salahnya ketahuan paling lambat, saat rekonsiliasi akhir bulan tidak ketemu. Model AI modern membaca dokumen (foto nota, PDF invoice) dengan cukup baik untuk mengambil alih pekerjaan menyalinnya. Tapi tutorial ini bukan tentang mempercayai AI secara buta — justru sebaliknya: pipeline yang kita bangun menempatkan validasi di tengahnya, supaya yang masuk pembukuan hanyalah angka yang sudah lolos pemeriksaan.

Alur besarnya: foto nota masuk, baris spreadsheet keluar

Empat pemberhentian: folder Google Drive sebagai pintu masuk → AI membaca field penting → gerbang validasi memisahkan yang meyakinkan dari yang meragukan → hasil bersih mendarat di Google Sheets, yang meragukan masuk antrean manusia. Perhatikan filosofinya: kita tidak mengejar "100% otomatis" — kita mengejar 90% otomatis dengan 10% yang jujur mengaku butuh mata manusia. Itu desain yang bertahan di dunia nyata, tempat nota kusut dan tulisan tangan tetap ada.

Langkah 1: Kumpulkan invoice ke satu folder Drive

Sederhanakan kebiasaan tim jadi satu aturan: semua nota difoto atau di-scan, masuk satu folder "Invoice Masuk" di Google Drive. Di n8n, Google Drive Trigger memantau folder itu (credential Google-nya sama dengan tutorial Sheets — tinggal aktifkan Drive API di project yang sama), dan setiap file baru memicu alur. Kualitas foto menentukan segalanya di hilir, jadi tetapkan standar minimum yang mudah diingat: seluruh nota masuk bingkai, cukup terang, tidak miring parah. Sepuluh detik kedisiplinan memotret menghemat semua langkah sesudahnya.

Langkah 2: Minta AI membaca field penting dari dokumen

Unduh file lewat node Google Drive, lalu kirim ke model yang bisa membaca gambar/dokumen — node OpenAI dengan input gambar, atau model vision lokal via Ollama untuk dokumen yang tidak boleh keluar — dengan prompt berformat paku ala standar prompt automation kami:

Baca dokumen invoice/nota ini. Jawab HANYA JSON valid:
{"tanggal": "YYYY-MM-DD atau TIDAK_TERBACA",
 "vendor": "nama toko/pemasok atau TIDAK_TERBACA",
 "total": angka tanpa titik/koma ribuan, atau "TIDAK_TERBACA",
 "no_invoice": "teks atau TIDAK_TERBACA",
 "keyakinan": "TINGGI|SEDANG|RENDAH"}
Ambil HANYA yang tertulis di dokumen. Jangan menebak angka.
Kalau ragu pada satu field, isi TIDAK_TERBACA dan turunkan keyakinan.

Nilai TIDAK_TERBACA dan field keyakinan adalah jantung desain ini: keduanya memberi model jalan resmi untuk mengaku ragu — dan pengakuan ragu itulah yang membuat sisa pipeline bisa dipercaya.

Langkah 3: Validasi angka sebelum masuk pembukuan

Gerbang pemeriksaan — node IF/Code — menahan hasil yang mencurigakan dengan aturan murah yang menangkap mayoritas kesalahan:

• Ada field bernilai TIDAK_TERBACA, atau keyakinan bukan TINGGI → antrean manual.
• tanggal di masa depan atau lebih tua dari, misalnya, 90 hari → antrean manual (hampir selalu salah baca).
• total nol, negatif, atau ganjil besarnya dibanding riwayat vendor itu → antrean manual.
• no_invoice sudah ada di sheet → tahan sebagai duplikat — nota yang difoto dua kali adalah kejadian rutin, dan pembukuan ganda lebih merusak daripada pembukuan telat.

"Antrean manual" berwujud sederhana: baris di sheet terpisah plus notifikasi Telegram berisi tautan file-nya — manusia membuka foto, mengetik yang benar, selesai. Pola karantina yang sama dengan tutorial error handling.

Langkah 4: Tulis hasil bersih ke Google Sheets

Yang lolos gerbang di-append ke sheet pembukuan: tanggal, vendor, total, nomor invoice, plus dua kolom yang membedakan sistem yang bisa diaudit dari yang tidak — tautan ke file asli di Drive dan penanda diinput: otomatis. Enam bulan lagi, saat satu angka dipertanyakan, siapa pun bisa membuka fotonya dalam satu klik dan melihat sumber kebenarannya. Jangan pindahkan atau hapus file sumber; arsip foto adalah bagian dari pembukuannya.

Dokumen yang masih harus diketik manusia

Batas jujur teknologi ini hari ini: tulisan tangan yang buruk, nota termal yang sudah memudar, foto gelap/blur, dan dokumen multi-halaman dengan tabel rumit — akurasinya jatuh, dan lebih cepat diketik langsung daripada dikoreksi. Juga satu batas kebijakan yang kami sarankan tegas: pipeline ini mencatat, tidak membayar — keputusan transfer uang tetap di tangan manusia, berapa pun keyakinan AI-nya. Ukuran keberhasilan yang realistis: kalau dari seratus nota, tujuh puluhan lewat otomatis dan sisanya tervalidasi manusia dengan cepat, Anda sudah memangkas sebagian besar jam kerja input — tanpa mempertaruhkan integritas pembukuan.

Pipeline dokumen seperti ini — dengan gerbang validasi yang dirancang serius — adalah salah satu pekerjaan yang paling sering diminta klien layanan AI automation kami. Ceritakan volume dan bentuk nota Anda, dan kami hitung bersama kelayakannya.