Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Selamat datang di Episode 29. Workflow pesanan Kopi Senja kita sudah punya trigger dari formulir, lengkap dengan empat data uji. Hari ini kita menambahkan otaknya: langkah AI yang merangkum setiap pesanan dan memberi kategori. Kita juga belajar menyimpan kunci API dengan aman, menulis prompt untuk workflow, dan meminta jawaban yang terstruktur.
Langkah 1: Mengapa workflow perlu langkah AI
Mari lihat lagi catatan dari empat data uji kita. Catatan Rina, antar sore ya. Bagi otomasi biasa, ini hanya teks. AI memahami bahwa ini pesanan biasa dengan permintaan waktu antar. Catatan Andi, ada versi tanpa gula? Aturan biasa tetap melihat teks. AI memahami bahwa ini pertanyaan yang menunggu jawaban. Catatan Joko, kopinya kemarin tumpah di jalan dan ia kecewa. AI menangkap bahwa ini komplain, sekaligus menangkap perasaan pelanggannya. Dan catatan Putri, untuk acara kantor besok jam delapan pagi. AI memahami ada tenggat waktu yang dekat, jadi pesanan ini mendesak. Mungkin Anda bertanya, kenapa tidak pakai aturan kata kunci saja, misalnya ada kata tumpah berarti komplain? Masalahnya, pelanggan menulis dengan seribu cara: tumpah, bocor, berantakan, tidak sesuai. Aturan kata kunci mudah meleset, sedangkan AI membaca maknanya. Jadi tugas langkah AI kita ada empat. Pertama, menerima data pesanan dari node formulir: nama, pesanan, dan catatan. Kedua, model AI membaca dan memahami isinya, seperti admin berpengalaman membaca chat pelanggan. Ketiga, menulis ringkasan satu kalimat, supaya Dimas bisa memahami pesanan dalam sekali lirik. Keempat, memberi satu dari empat kategori: pesanan biasa, pertanyaan, komplain, atau mendesak. Keluarannya harus rapi dan seragam, karena di Episode 30 setiap bagian disimpan ke kolom spreadsheet.
Langkah 2: API key: kunci layanan AI yang harus dijaga
Sebelum node AI bisa bekerja, n8n perlu izin untuk memakai model AI dari penyedia seperti OpenAI, Anthropic, atau Google. Izin itu berbentuk API key, yaitu deretan huruf dan angka yang panjang. Anggap API key seperti PIN ATM. Siapa pun yang memegangnya bisa memakai layanan AI atas nama Anda, dan tagihannya masuk ke akun Anda. Jadi kunci ini wajib dijaga. Cara mendapatkannya mirip di semua penyedia. Masuk ke platform developer penyedia AI pilihan Anda. Ini berbeda dari aplikasi chat biasa, dan langganan chat tidak otomatis memberi API key. Isi metode pembayaran. Biaya API dihitung per pemakaian, bukan langganan bulanan tetap. Beberapa penyedia juga memberi kuota gratis terbatas. Karena harga sering berubah, cek halaman harga terbaru. Lalu buat API key baru dan beri nama yang jelas, misalnya n8n kopi senja. Nama ini membantu Anda tahu kunci mana yang dipakai di mana. Bila tersedia, atur batas pemakaian bulanan. Dengan begitu, kalau ada kesalahan yang membuat workflow berjalan ribuan kali, tagihan Anda tetap terkendali. Terakhir, salin kuncinya. Banyak penyedia hanya menampilkan kunci satu kali, jadi langsung tempel ke n8n. Jangan disimpan di catatan, chat, atau dokumen biasa. Di n8n, kunci disimpan di bagian Credentials. Buat kredensial baru, pilih jenis sesuai penyedia, misalnya OpenAI, lalu beri nama yang mudah dikenali. Tempel API key di kolomnya, lalu simpan. n8n menguji koneksinya dan menampilkan pesan berhasil. Perhatikan, kuncinya langsung disamarkan dengan titik-titik. Kredensial disimpan terenkripsi, dan workflow hanya merujuk nama kredensialnya. Kalau suatu saat Anda membagikan atau mengekspor workflow, kuncinya tidak ikut terbawa. Mari tegaskan aturannya. Simpan API key hanya di menu Credentials n8n. Jangan pernah menempel API key di prompt, di chat dengan AI, atau di grup WhatsApp tim, termasuk saat minta tolong teman memperbaiki workflow. Jangan mengambil screenshot atau merekam layar saat kunci sedang terlihat. Banyak kunci bocor justru lewat gambar tutorial. Buat satu kunci untuk satu keperluan. Kalau satu kunci bocor, cukup cabut kunci itu di platform penyedia tanpa mengganggu yang lain. Dan di bulan pertama, cek tagihan pemakaian seminggu sekali. Untuk merangkum pesanan pendek, biaya per eksekusi biasanya kecil, tetapi Anda perlu melihat sendiri angkanya untuk usaha Anda. Kalau kunci terlanjur bocor, jangan panik. Cabut kunci itu di platform penyedia, buat kunci baru, lalu ganti isinya di Credentials n8n. Workflow tidak perlu diubah, karena ia hanya merujuk nama kredensial.
Langkah 3: Menambahkan node Basic LLM Chain dan chat model
Kembali ke workflow Pesanan Kopi Senja. Node Form pesanan masih bercentang hijau dan menyimpan data uji yang kita sematkan. Klik tanda plus di kanan node form, ketik AI di kolom pencarian, lalu pilih Basic LLM Chain. Ganti namanya menjadi Rangkum dan kategori. Basic LLM Chain adalah node AI paling sederhana. Ia menerima prompt, mengirimnya ke model, lalu mengeluarkan jawaban. Tidak memakai alat, tidak punya memori. Persis yang kita butuhkan untuk tugas sekali jalan seperti ini. Nama node AI bisa sedikit berbeda antarversi. Ada juga node khusus penyedia, misalnya node OpenAI dengan operasi mengirim pesan ke model. Prinsipnya sama: prompt masuk, jawaban keluar. Di bawah node AI ada titik sambung bertuliskan Model. Klik, lalu pilih chat model sesuai penyedia Anda, misalnya OpenAI Chat Model, Anthropic Chat Model, atau Google Gemini Chat Model. Di pengaturan chat model, pilih kredensial yang tadi dibuat, lalu pilih modelnya. Untuk merangkum dan mengategorikan pesanan pendek, model kecil yang hemat sudah cukup. Di pilihan tambahan ada sampling temperature. Nilai rendah, misalnya nol koma dua, membuat jawaban lebih konsisten, cocok untuk kategori. Nilai tinggi lebih kreatif, cocok untuk ide caption. Perhatikan garis putus-putus ungu. Itu tanda model adalah bagian dari node AI, bukan langkah tersendiri. Data pesanan tetap mengalir lewat garis utama dari form ke node AI. Bagi pengguna Make, padanannya adalah module dari penyedia AI, misalnya module OpenAI untuk membuat jawaban. Kredensialnya disebut connection, dan cara menyimpannya sama: sekali, di tempat khusus.
Langkah 4: Menulis prompt rangkum dan kategori
Prompt di dalam workflow sedikit berbeda dari prompt di chat. Pertama, tidak ada yang membalas. Di chat, Anda bisa bilang tolong perbaiki. Di workflow, prompt harus lengkap sekali jalan. Kedua, datanya berubah setiap pesanan. Jadi bagian data diisi dengan field hasil seret, bukan teks yang diketik tetap. Ketiga, jawabannya dibaca mesin, bukan manusia. Node berikutnya mengharapkan bentuk yang sama setiap kali. Jawaban yang hari ini paragraf dan besok tabel akan merusak alur. Sekarang kita tulis promptnya dengan struktur dari Sesi 2. Bagian peran: kamu admin Kopi Senja, kedai kopi di Bandung, yang membaca pesanan dari formulir. Bagian tugas: tulis ringkasan dalam satu kalimat, lalu pilih satu kategori dari empat pilihan. Kata satu ditulis tegas, supaya AI tidak menjawab dua kategori sekaligus. Bagian konteks berisi definisi. Mendesak artinya ada tenggat hari ini atau besok pagi, atau jumlah besar untuk acara. Komplain artinya keluhan atas pesanan sebelumnya. Definisi seperti ini membuat AI menilai dengan ukuran yang sama dengan Laras. Bagian batasan: jangan mengarang harga atau stok, dan jangan menyalin nomor WhatsApp ke ringkasan. Data pribadi cukup disimpan di kolomnya sendiri. Dan bagian data berisi tiga field hasil seret: Nama, Pesanan, dan Catatan. Ekspresinya terbaca: ambil isi kolom Nama, kolom Pesanan, dan kolom Catatan dari data yang masuk. Perhatikan, kita tidak meminta AI menulis balasan untuk pelanggan atau mengirim apa pun. Tugasnya hanya membaca dan menilai. Tindakannya tetap di tangan Dimas. Tugas yang sempit membuat hasil lebih bisa diandalkan. Buka node Rangkum dan kategori. Pada pilihan sumber prompt, pilih Define below, artinya prompt kita tulis sendiri di sini, karena pemicunya formulir, bukan jendela chat. Ketik bagian peran sampai batasan, lalu untuk bagian data, seret field Nama, Pesanan, dan Catatan dari panel input. Kolom prompt berubah warna karena berisi ekspresi. Lihat pratinjau di bawah kolom. Untuk item Sari, prompt sudah terisi lengkap: nama Sari, tiga kopi susu gula aren satu liter, dan catatan kirim besok. Inilah yang benar-benar dikirim ke model. Klik Execute step. Node AI menjadi hijau, dan output-nya berisi satu teks jawaban. Isinya sudah benar, tetapi bentuknya masih kalimat bebas. Inilah yang kita rapikan di langkah berikutnya. Cara mudah memandang prompt di workflow: anggap ini SOP, atau prosedur kerja, untuk karyawan baru yang sangat rajin tetapi belum mengenal toko Anda. Karyawan baru butuh tugas yang jelas, definisi yang jelas, dan batasan yang jelas. Kalau SOP-nya rapi, hasil kerjanya pun rapi, siang maupun malam.
Langkah 5: Keluaran terstruktur dengan Output Parser
Jawaban bebas tadi isinya benar, tetapi bentuknya paragraf, dan gayanya bisa berubah setiap kali. Jawaban terstruktur selalu punya field yang sama: ringkasan dan kategori. Contohnya, jawaban bebas bisa berbunyi sepertinya ini komplain ya. Jawaban terstruktur cukup berisi kategori: Komplain. Singkat, pasti, dan mudah diperiksa. Yang paling penting, jawaban terstruktur bisa langsung disimpan ke spreadsheet: satu field untuk satu kolom. Jawaban bebas harus dipotong manual, dan itu justru pekerjaan yang ingin kita hilangkan. Buka lagi node Rangkum dan kategori, lalu nyalakan pilihan Require Specific Output Format. Artinya, kita mewajibkan AI menjawab dengan bentuk tertentu. Muncul titik sambung baru di bawah node: Output Parser. Klik, lalu pilih Structured Output Parser. Ganti namanya menjadi Format jawaban. Di pengaturannya, pilih Generate From JSON Example, lalu tempel contoh bentuk jawaban. Bayangkan ini sebagai formulir kosong yang harus diisi AI, lengkap dengan contoh isiannya. Ada tiga field. Ringkasan berisi satu kalimat. Kategori berisi salah satu dari empat pilihan. Dan perlu balasan berisi ya atau tidak, yang nanti membantu Dimas tahu pesanan mana yang harus dibalas dulu. Anda tidak perlu memahami tanda kurung dan tanda kutipnya. Cukup salin pola dari contoh, lalu ganti nama field dan contoh isinya. Daftar empat kategori tetap kita tulis di prompt, supaya AI tahu pilihannya. Sekarang jalankan Execute step lagi. Node AI, model, dan parser semuanya hijau. Garis putus-putus menunjukkan keduanya bekerja sebagai bagian dari node Rangkum dan kategori. Satu catatan: kalau suatu saat AI menjawab di luar bentuk yang diminta, node ini bisa gagal dan menampilkan pesan error. Itu justru bagus, karena data yang berantakan tidak ikut tersimpan. Cara membaca error kita latih di Episode 30.
Langkah 6: Menguji dengan empat pesanan
Lihat panel output. Jawaban AI kini tersusun rapi di dalam field bernama output, dengan tiga isi: ringkasan, kategori, dan perlu balasan. Ringkasan untuk Sari: pesan tiga kopi susu gula aren satu liter, minta kirim besok dan bayar transfer. Satu kalimat, dan Dimas langsung paham. Kategorinya pesanan biasa, dan perlu balasan bernilai tidak, karena tidak ada pertanyaan. Dimas cukup memproses pesanan ini seperti biasa. Pilih item Andi di panel. Ringkasannya: pesan satu hampers dan bertanya apakah ada versi tanpa gula. Kategori pertanyaan, dan perlu balasan bernilai ya. Dimas tahu pesanan ini harus dibalas dulu sebelum diproses. Item Joko juga menarik. Ringkasannya menyebut keluhan kopi tumpah, kategorinya komplain, dan perlu balasan bernilai ya. AI tidak menjanjikan ganti rugi apa pun, karena itu keputusan Laras, bukan keputusan AI. Ingat posisi field ini: ringkasan dan kategori berada di dalam output. Di Episode 30, saat memetakan kolom spreadsheet, kita akan menyeret field dari dalam output ini. Soal biaya, satu eksekusi seperti ini hanya memakai sedikit teks, jadi biayanya kecil. Tetapi Anda baru tahu angka pastinya setelah melihat tagihan pemakaian di platform penyedia. Sekarang uji keempat data uji satu per satu. Rina: pesan dua kopi susu gula aren satu liter, antar sore. Kategori pesanan biasa. Sesuai harapan. Andi: pesan satu hampers dan bertanya versi tanpa gula. Kategori pertanyaan, dan perlu balasan bernilai ya. Sesuai. Joko: pesan cold brew sambil mengeluh kopi kemarin tumpah. Kategori komplain. Sesuai. Putri: lima hampers untuk acara kantor besok jam delapan pagi. Kategori mendesak. Keempatnya sesuai dengan kolom harapan yang kita tulis di Episode 28. Hasil di layar Anda bisa sedikit berbeda kata-katanya, karena AI tidak menulis persis sama setiap kali. Yang penting kategorinya tepat dan ringkasannya tidak menambah informasi yang tidak ada di pesanan. Bagaimana kalau AI salah, misalnya pertanyaan dianggap pesanan biasa? Langkah pertama, perjelas definisi kategori di prompt. Biasanya kesalahan datang dari definisi yang kabur. Kedua, tambahkan satu atau dua contoh pesanan beserta kategorinya, seperti teknik memberi contoh di Sesi 2. Ketiga, turunkan sampling temperature supaya jawaban lebih konsisten. Keempat, tetap ada manusia di dalam alur. Dimas memeriksa sendiri setiap pesanan berkategori komplain dan mendesak, karena dua kategori inilah yang paling mahal kalau salah. Dan yang tidak boleh: langsung percaya seratus persen tanpa pernah mengecek. Di minggu pertama, cocokkan kategori AI dengan penilaian Anda sendiri, minimal untuk sepuluh pesanan. Sebelum Episode 30, selesaikan empat hal ini. Pertama, buat API key di penyedia pilihan Anda dan simpan di Credentials n8n. Kedua, pasang node Basic LLM Chain, chat model, dan Structured Output Parser seperti di layar tadi. Ketiga, uji keempat data uji dan catat kategorinya. Kalau ada yang meleset, perbaiki prompt sampai keempatnya tepat. Keempat, simpan workflow, dan biarkan data uji tetap tersemat. Kita akan memakainya untuk mengatur node Google Sheets dan Gmail.
Selesai!
Mari kita rangkum. Kita menyimpan API key dengan aman di Credentials, memasang node Basic LLM Chain dengan chat model, menulis prompt yang diisi otomatis dari formulir, dan memaksa jawabannya rapi dengan Structured Output Parser. Di episode berikutnya, kita menyelesaikan workflow: menyimpan hasilnya ke Google Sheets, mengirim email notifikasi ke Dimas dengan isi dinamis, menangani error, lalu mengaktifkan workflow. Sampai jumpa di Episode 30.
Latihan mandiri
Kerjakan sendiri setelah menonton supaya materinya benar-benar melekat.
Jalankan keempat data uji dan catat apakah kategorinya sesuai harapan. Bila ada yang meleset, perbaiki definisi kategori di prompt lalu uji ulang.
Tambahkan satu field baru di contoh keluaran, misalnya saran_balasan berisi draf balasan singkat untuk pelanggan, dan lihat hasilnya di panel output.
Tulis ulang prompt untuk usaha Anda sendiri dengan empat kategori yang paling sering Anda temui, beserta definisi singkat setiap kategori.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.296 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
