OCR untuk Digitalisasi Invoice: Studi Kasus Bisnis Distributor

Catatan sebelum mulai: kasus di artikel ini adalah skenario gabungan dari pola yang umum di bisnis distribusi, disusun untuk ilustrasi. Ini bukan cerita satu klien tertentu, dan kami sengaja tidak mencantumkan angka hasil yang tidak bisa Anda verifikasi.

Situasinya

Bayangkan distributor barang konsumsi dengan puluhan pemasok. Setiap minggu bagian keuangan menerima invoice dalam bentuk yang campur aduk:

• PDF yang dikirim lewat email, sebagian bisa diseleksi teksnya, sebagian hasil scan.
• Foto invoice kertas yang dikirim sales lewat WhatsApp.
• Invoice kertas asli yang datang bersama barang.

Semua data itu diketik ulang ke spreadsheet atau software akuntansi: nomor invoice, tanggal, nama pemasok, daftar barang, jumlah, harga, pajak, dan total. Pekerjaannya lambat, membosankan, dan salah ketik satu angka bisa membuat pembayaran ke pemasok keliru.

Apa yang sebenarnya dilakukan OCR

OCR (optical character recognition) mengubah gambar tulisan menjadi teks. Untuk invoice, OCR saja belum cukup, karena hasilnya hanya teks mentah tanpa struktur. Yang dibutuhkan adalah dua langkah:

1. Membaca teks dari PDF atau foto.
2. Mengambil field yang dibutuhkan dari teks itu dan menyusunnya jadi data terstruktur.

Langkah kedua sekarang bisa dibantu model AI yang diberi instruksi seperti "ambil nomor invoice, tanggal, nama pemasok, daftar barang, dan total, lalu kembalikan dalam format JSON". Model AI yang bisa membaca gambar juga bisa langsung mengerjakan kedua langkah sekaligus.

Alur yang dirancang

Alur di skenario ini disusun dengan n8n sebagai penghubung:

1. Satu pintu masuk. Semua invoice dikirim ke satu alamat email khusus. Foto dari WhatsApp diteruskan ke alamat yang sama. Invoice kertas di-scan dengan aplikasi scanner di HP.
2. Ekstraksi. Setiap lampiran diproses: dibaca teksnya dan diambil field-nya.
3. Validasi otomatis. Sistem memeriksa hal-hal yang bisa dihitung.
4. Antrian pemeriksaan. Invoice yang lolos semua pemeriksaan masuk ke antrian "siap dicatat". Yang gagal masuk antrian "perlu dicek".
5. Pencatatan. Data yang sudah disetujui ditulis ke spreadsheet atau diimpor ke software akuntansi.

Validasi yang membuat alur ini bisa dipercaya

Bagian ini yang membedakan otomasi yang berguna dari otomasi yang menambah masalah. Pemeriksaan yang dipasang:

• Jumlah x harga di setiap baris sama dengan subtotal baris.
• Jumlah semua subtotal ditambah pajak sama dengan total invoice.
• Nama pemasok cocok dengan daftar pemasok yang terdaftar.
• Nomor invoice belum pernah dicatat sebelumnya, untuk mencegah pembayaran ganda.
• Kalau ada nomor PO, isinya dicocokkan dengan PO yang dibuat bagian pembelian.

Invoice yang gagal satu pemeriksaan saja tidak dicatat otomatis. Ia masuk antrian untuk diperiksa staf, lengkap dengan gambar aslinya dan penanda field mana yang bermasalah.

Peran manusia tidak hilang

Dalam alur ini, staf keuangan tidak lagi mengetik ulang semua invoice. Tugasnya bergeser menjadi memeriksa invoice yang ditandai sistem dan menyetujui data sebelum dicatat. Pekerjaan yang tersisa adalah pekerjaan yang memang butuh penilaian.

Keputusan desain ini disengaja. Invoice berhubungan langsung dengan uang yang keluar, jadi setiap data harus tetap bisa ditelusuri ke dokumen aslinya.

Masalah yang biasanya muncul

• Kualitas foto. Foto miring, buram, atau terkena bayangan menurunkan akurasi. Buat panduan singkat untuk sales: foto dari atas, cahaya cukup, seluruh kertas masuk bingkai.
• Tabel yang rumit. Invoice dengan tabel bertingkat atau baris yang terpotong ke halaman berikutnya paling sering salah dibaca. Contoh-contoh seperti ini perlu dikumpulkan untuk menguji alur.
• Tulisan tangan. Catatan tulisan tangan di atas invoice cetak sering tidak terbaca dengan baik. Tandai saja sebagai "perlu dicek".
• Format pemasok berubah. Pemasok bisa mengganti template invoice kapan saja. Pemeriksaan jumlah dan total akan menangkap perubahan ini lebih dulu.

Langkah awal untuk bisnis Anda

1. Kumpulkan contoh invoice dari pemasok utama, termasuk yang kualitasnya jelek.
2. Tentukan field apa saja yang benar-benar perlu dicatat.
3. Tuliskan aturan validasi yang selama ini dilakukan staf secara manual.
4. Uji alur dengan invoice lama yang datanya sudah benar, lalu bandingkan hasilnya.

Kalau Anda ingin mulai dari kerangka yang sudah jadi, Template n8n: Otomasi Invoice berisi alur dasar yang bisa disesuaikan dengan format invoice pemasok Anda. Untuk penerapan OCR dan otomasi yang lebih menyeluruh seperti di studi kasus ini, tim kami juga menyediakan Layanan Implementasi AI Agent.