Di banyak kantor, masih ada staf yang menghabiskan sebagian besar harinya memindahkan angka dari kertas ke sistem. Invoice supplier diketik ulang ke software akuntansi, struk belanja operasional dicatat satu per satu ke spreadsheet, dan formulir pendaftaran pelanggan disalin ke CRM. Pekerjaannya membosankan, dan kesalahan kecil seperti satu digit yang tertukar bisa baru ketahuan saat tutup buku.
Otomasi input data dengan AI dan OCR menawarkan jalan keluar yang realistis. Mesin membaca dokumen dan mengisi kolom, lalu manusia memeriksa bagian yang meragukan. Artikel ini membahas cara kerjanya, dokumen yang cocok untuk diotomasi, cara membangun validasi, dan langkah memulainya.
Cara kerja OCR dan AI bersama
OCR (optical character recognition) mengubah gambar atau PDF hasil scan menjadi teks. Teknologi ini sudah lama ada dan cukup andal untuk dokumen cetak yang jelas. Untuk foto ponsel yang miring atau gelap, hasilnya bisa jauh lebih buruk. Kelemahannya, OCR hanya menghasilkan teks mentah. OCR tidak tahu bahwa angka di pojok kanan bawah adalah total tagihan, atau bahwa deretan angka di kiri atas adalah nomor invoice.
Di sinilah model bahasa (LLM) berperan. Setelah teks diambil, AI membaca konteksnya dan memetakan isinya ke kolom yang Anda tentukan, misalnya nama supplier, tanggal, nomor faktur, daftar item, PPN, dan total. Beberapa model juga bisa membaca gambar secara langsung, sehingga tahap OCR dan pemahaman dokumen berjalan dalam satu langkah.
Hasil akhirnya berupa data terstruktur, biasanya dalam format JSON, yang siap dikirim ke software akuntansi, ERP, atau aplikasi internal lewat API.
Dokumen yang cocok untuk otomasi input data
Invoice dan faktur supplier
Ini titik awal yang paling umum. Distributor atau toko bangunan yang menerima puluhan invoice per minggu dari banyak supplier bisa mengekstrak data utama dan daftar item, lalu mencocokkannya dengan purchase order sebelum masuk ke sistem.
Struk dan bukti pengeluaran
Perusahaan jasa dengan banyak staf lapangan biasanya kewalahan dengan klaim reimburse. Staf cukup memotret struk, lalu sistem membaca tanggal, nama toko, dan nominalnya. Kualitas foto dan struk thermal yang mulai pudar perlu diantisipasi, karena keduanya sering menurunkan akurasi.
Formulir
Formulir pendaftaran pasien di klinik, formulir pemesanan, atau formulir survei lapangan sering diisi dengan tulisan tangan. AI bisa membantu, tetapi akurasi tulisan tangan lebih bervariasi daripada teks cetak. Rencanakan porsi pemeriksaan manusia yang lebih besar untuk jenis dokumen ini.
Dokumen identitas seperti KTP
Membaca KTP untuk mengisi data pelanggan atau karyawan baru secara teknis cukup mudah. Tantangannya ada di sisi data pribadi. NIK, alamat, dan tanggal lahir termasuk data pribadi yang dilindungi UU PDP. Pastikan ada dasar yang jelas untuk memprosesnya, batasi siapa yang bisa melihat hasilnya, dan pertimbangkan untuk menyamarkan NIK sebelum data dikirim ke layanan AI pihak ketiga jika tugasnya tidak membutuhkan nomor lengkap.
Validasi dan pemeriksaan manusia
AI bisa salah membaca, dan kesalahan itu terlihat meyakinkan. Karena itu, sistem yang baik tidak langsung menyimpan semua hasil ekstraksi. Ada dua lapis pengaman yang perlu dibangun.
Lapis pertama adalah aturan otomatis. Jumlah semua item harus sama dengan subtotal, subtotal ditambah pajak harus sama dengan total, dan format tanggal harus valid. Nomor NPWP dan NIK punya jumlah digit yang pasti, dan nomor invoice yang sama dari supplier yang sama patut dicurigai sebagai duplikat. Aturan seperti ini murah dibuat dan menangkap banyak kesalahan.
Lapis kedua adalah antrian review. Dokumen yang gagal validasi, atau yang ditandai AI sebagai kurang yakin, masuk ke layar pemeriksaan. Staf melihat gambar asli di sebelah kolom hasil ekstraksi, lalu cukup mengoreksi bagian yang salah. Dengan cara ini, peran staf bergeser dari mengetik ulang menjadi memeriksa, yang jauh lebih cepat.
Simpan juga koreksi yang dilakukan staf. Catatan ini berguna untuk melihat jenis dokumen atau kolom mana yang paling sering salah, sehingga aturan dan instruksi ke AI bisa diperbaiki secara bertahap.
Langkah memulai
Proyek otomasi dokumen paling sering tersendat karena cakupannya terlalu luas sejak awal. Urutan berikut membantu menjaga skalanya tetap terkendali.
- Pilih satu jenis dokumen dengan volume tinggi dan format yang relatif seragam, misalnya invoice dari lima supplier terbesar.
- Kumpulkan contoh dokumen nyata, termasuk yang buram, miring, atau terlipat.
- Tentukan kolom yang wajib diambil dan format akhirnya.
- Tuliskan aturan validasi bersama tim keuangan atau admin yang selama ini mengerjakannya.
- Uji pada dokumen lama yang hasilnya sudah diketahui, lalu ukur kolom mana yang paling sering salah.
- Jalankan berdampingan dengan proses manual selama beberapa minggu sebelum proses lama dihentikan.
- Hubungkan hasilnya ke sistem tujuan lewat API agar tidak ada lagi salin-tempel.
Mulai dari yang kecil membuat Anda cepat tahu apakah otomasi ini sepadan, tanpa mempertaruhkan seluruh proses keuangan.
Membangun ekstraksi dokumen untuk sistem Anda
Averoa membangun ekstraksi data dokumen yang membaca invoice, kontrak, dan formulir lalu mengubahnya menjadi data terstruktur, lengkap dengan aturan validasi dan pengujian memakai dokumen nyata. Jika hasilnya perlu masuk ke software akuntansi atau ERP, kami juga mengerjakan integrasi sistem. Penjelasan lengkapnya ada di halaman integrasi AI.
