← Blog · Tutorial · 10 min read
Entri data manual dari KTP dan faktur masih menguras jam kerja. Tutorial ini menunjukkan cara membangun pipeline ekstraksi dokumen yang akurat dan tahan variasi.
A 30-minute scoping call. We listen, ask three questions, tell you if we can help.
Book a callDi banyak perusahaan Indonesia, ada satu ruangan—nyata atau virtual—tempat tumpukan dokumen menunggu diproses. Tim operasional mengetik ulang nomor KTP nasabah satu per satu untuk verifikasi KYC. Tim finance memasukkan ratusan faktur supplier ke sistem akuntansi secara manual. Tim legal membaca kontrak halaman demi halaman untuk mencari tanggal jatuh tempo dan nilai komitmen. Pekerjaan ini melelahkan, rawan salah ketik, dan menghabiskan jam kerja yang seharusnya bernilai lebih tinggi. Inilah masalah yang dipecahkan oleh document AI: mengubah dokumen yang dirancang untuk dibaca manusia menjadi data terstruktur yang siap diproses mesin.
Tutorial ini membongkar cara membangun pipeline ekstraksi dokumen yang akurat dan tahan terhadap variasi nyata dokumen Indonesia—KTP yang difoto miring di pencahayaan buruk, faktur dengan layout yang berbeda-beda di setiap supplier, NPWP dengan format lama dan baru. Fokusnya bukan demo yang mulus di data bersih, melainkan sistem yang bertahan di kondisi lapangan.
Sebuah pipeline ekstraksi dokumen yang matang bukan satu model ajaib, melainkan rangkaian tahap yang masing-masing punya tugas spesifik. Memahami anatomi ini penting karena kesalahan di tahap awal merambat ke seluruh pipeline.
Tahapan utamanya:
Ingestion dan klasifikasi. Dokumen masuk (dari upload, email, atau scan) lalu diklasifikasikan: ini KTP, faktur, atau kontrak? Klasifikasi yang benar menentukan logika ekstraksi mana yang dipakai.
Preprocessing. Memperbaiki kualitas gambar sebelum dibaca: rotasi otomatis, koreksi perspektif, peningkatan kontras, penghapusan noise. Tahap yang sering diabaikan tapi paling menentukan akurasi.
Ekstraksi teks dan field. Membaca teks dari gambar dan memetakannya ke field terstruktur (nama, NIK, tanggal lahir, total faktur).
Validasi. Memeriksa apakah hasil ekstraksi masuk akal: apakah NIK 16 digit, apakah tanggal valid, apakah total faktur sama dengan jumlah item.
Human review. Mengarahkan kasus yang meragukan ke peninjau manusia, bukan meloloskan semua secara membabi buta.
Setiap tahap menghasilkan sinyal confidence yang seharusnya mengalir ke keputusan akhir tentang apakah hasil bisa dipercaya otomatis atau perlu ditinjau manusia.
Selama bertahun-tahun, ekstraksi dokumen identik dengan OCR (Optical Character Recognition)—mesin yang membaca karakter dari gambar dan mengeluarkan teks mentah. Pendekatan ini matang dan andal untuk membaca teks, tetapi punya kelemahan: ia mengeluarkan teks tanpa memahami struktur. Untuk mengubah teks mentah "Nama Budi Santoso NIK 3201..." menjadi field terstruktur, Anda butuh lapisan logika tambahan—aturan, regex, atau model terpisah—yang rapuh terhadap variasi layout.
Belakangan, Vision Language Model (VLM)—model yang melihat gambar dan memahami sekaligus konteksnya—mengubah lanskap ini. Anda bisa memberi VLM sebuah gambar faktur dan instruksi "ekstrak nomor faktur, tanggal, nama supplier, dan total dalam format JSON", dan model mengembalikan data terstruktur langsung, tanpa pipeline aturan yang panjang. VLM jauh lebih tahan terhadap variasi layout karena ia memahami semantik, bukan sekadar posisi.
Aturan praktisnya: untuk dokumen dengan format sangat baku dan volume tinggi (KTP, NPWP), OCR khusus yang sudah tertala sering paling efisien dan murah. Untuk dokumen dengan layout beragam dan tak terprediksi (faktur dari ratusan supplier berbeda, kontrak), VLM memberi ketahanan yang sulit ditandingi pipeline aturan.
Banyak pipeline produksi terbaik justru menggabungkan keduanya: OCR untuk membaca teks dengan presisi tinggi, lalu LLM atau VLM untuk menstrukturkan dan memvalidasi hasilnya secara cerdas.
Dokumen Indonesia membawa tantangan spesifik yang harus diantisipasi sejak desain, bukan ditemukan saat produksi.
KTP punya tata letak yang relatif baku, tetapi kualitas foto sangat bervariasi—diambil dengan kamera ponsel di pencahayaan ruangan, sering miring, kadang terpotong, dengan pantulan dari laminasi kartu. Field seperti NIK (16 digit dengan struktur yang punya makna: kode wilayah, tanggal lahir, nomor urut) bisa divalidasi secara algoritmik, dan ini harus dimanfaatkan untuk menangkap kesalahan baca.
Faktur dan invoice adalah mimpi buruk variasi. Setiap supplier punya layout sendiri, posisi total yang berbeda, istilah yang tidak seragam (PPN, DPP, jumlah, total, grand total). Di sinilah pendekatan berbasis VLM unggul jauh dibanding template matching yang harus dibuat ulang untuk setiap layout baru. Validasi aritmetika—memastikan subtotal plus PPN sama dengan total—adalah jaring pengaman yang ampuh.
NPWP kini punya format 15 digit lama dan 16 digit yang selaras NIK, dan sistem Anda harus menangani keduanya. Kontrak dan dokumen panjang menuntut ekstraksi entitas spesifik (para pihak, nilai, tanggal efektif, klausul penting) dari teks panjang yang tak terstruktur—tugas yang sangat cocok untuk LLM dengan grounding ke dokumen sumber.
Tantangan lintas dokumen yang umum: campuran Bahasa Indonesia dan istilah asing, singkatan lokal, tulisan tangan pada formulir, serta stempel dan tanda tangan yang menutupi teks.
Ekstraksi tanpa validasi adalah ekstraksi yang tidak bisa dipercaya. Justru di lapisan validasi inilah sistem yang serius dibedakan dari demo. Validasi mengubah output mentah model menjadi sesuatu yang bisa diandalkan untuk keputusan bisnis.
Beberapa lapis validasi yang efektif:
Validasi format. NIK harus 16 digit, tanggal harus valid, email harus berpola benar. Cepat dan menangkap banyak kesalahan baca.
Validasi logika domain. Tanggal lahir di KTP harus konsisten dengan struktur NIK. Total faktur harus sama dengan jumlah item plus pajak. Nilai yang berada di luar rentang masuk akal ditandai.
Validasi silang. Membandingkan data hasil ekstraksi dengan sumber lain—mencocokkan nama di KTP dengan data pendaftaran, nomor faktur dengan PO yang ada di sistem.
Confidence threshold. Setiap field membawa skor keyakinan; field di bawah ambang otomatis masuk antrean tinjauan manusia.
Pendekatan yang sehat adalah straight-through processing untuk kasus berkeyakinan tinggi dan tervalidasi, sambil mengarahkan sisanya ke manusia. Jika 80% dokumen lolos otomatis dengan akurasi tinggi, dan 20% sisanya ditinjau manusia, Anda sudah memangkas beban kerja secara dramatis tanpa mengorbankan akurasi pada kasus sulit.
Kesalahan desain yang umum adalah menganggap human review sebagai kegagalan otomasi. Sebaliknya, human review yang dirancang baik adalah bagian inti dari sistem yang andal—dan jika dibuat efisien, ia tidak menjadi botol leher.
Prinsip desain antarmuka peninjauan yang efisien:
Tampilkan dokumen dan ekstraksi berdampingan, dengan field bermasalah disorot, agar peninjau bisa memverifikasi sekejap mata alih-alih mencari.
Jangan minta peninjau mengetik ulang semua—biarkan mereka hanya mengoreksi field yang ditandai meragukan, bukan memvalidasi yang sudah pasti benar.
Tangkap koreksi sebagai data pelatihan. Setiap koreksi manusia adalah sinyal berharga untuk memperbaiki model dari waktu ke waktu, menutup feedback loop.
Dengan desain ini, satu peninjau bisa menangani volume yang jauh lebih besar, dan akurasi sistem meningkat seiring waktu karena belajar dari koreksi.
Anda tidak bisa memperbaiki yang tidak Anda ukur. Bangun golden dataset—kumpulan dokumen representatif dengan jawaban benar yang diverifikasi manual—dan ukur akurasi per field, bukan hanya akurasi keseluruhan. Akurasi 95% di tingkat dokumen bisa menyembunyikan field kritis (seperti NIK atau total faktur) yang akurasinya jauh lebih rendah.
Pantau metrik yang bermakna bagi bisnis:
Akurasi per field, terutama field kritis yang menjadi dasar keputusan.
Tingkat straight-through processing—berapa persen dokumen lolos otomatis tanpa intervensi.
Tingkat error yang lolos—seberapa sering kesalahan tidak tertangkap validasi dan mencapai sistem hilir. Ini metrik paling penting karena error yang lolos paling mahal.
Perbaikan datang dari menganalisis kasus gagal secara sistematis: dokumen jenis apa yang sering salah, field mana yang paling rapuh, di tahap mana kesalahan muncul. Setiap iterasi menutup celah edge case yang ditemukan di lapangan.
Demo ekstraksi dokumen sering hanyalah satu skrip yang memanggil model pada satu file. Sistem produksi adalah hal yang sangat berbeda—ia harus menangani ribuan dokumen sehari, gagal dengan anggun, dan terintegrasi ke alur kerja bisnis yang sudah ada. Memikirkan arsitektur sejak awal mencegah pembongkaran mahal ketika volume naik.
Beberapa pertimbangan arsitektur yang penting untuk produksi:
Pemrosesan asinkron dan antrean. Ekstraksi dokumen, terutama yang melibatkan model besar, bisa memakan waktu. Jangan blokir pengguna menunggu; terima dokumen, masukkan ke antrean, proses di latar belakang, lalu beri tahu saat selesai. Ini menjaga sistem tetap responsif saat lonjakan volume.
Idempotensi dan retry yang aman. Dokumen yang sama mungkin terkirim dua kali, atau pemrosesan gagal di tengah jalan. Sistem harus bisa memproses ulang dengan aman tanpa menghasilkan data ganda atau rusak.
Penanganan kegagalan yang anggun. Apa yang terjadi ketika model tidak tersedia, gambar rusak, atau dokumen ternyata jenis yang tak dikenal? Setiap jalur kegagalan harus punya penanganan eksplisit, bukan dibiarkan menggantung.
Audit trail. Untuk dokumen sensitif seperti KTP dan dokumen keuangan, simpan jejak siapa memproses apa dan kapan—penting untuk kepatuhan dan investigasi jika terjadi sengketa data.
Sistem yang dirancang dengan prinsip ini bertahan di kondisi nyata, di mana input tidak pernah sebersih data demo dan beban tidak pernah sekonstan yang diasumsikan.
Ekstraksi dokumen tidak hidup sendiri; nilainya muncul ketika data hasil ekstraksi mengalir mulus ke sistem hilir—core banking untuk KYC, sistem akuntansi untuk faktur, sistem manajemen kontrak untuk dokumen legal. Pipeline ekstraksi yang menghasilkan data akurat tetapi mengharuskan seseorang menyalin-tempel hasilnya ke sistem lain hanya memindahkan pekerjaan manual, bukan menghapusnya.
Integrasi yang baik berarti data terstruktur hasil ekstraksi langsung tersedia melalui API atau ditulis ke sistem tujuan secara otomatis, dengan jalur khusus untuk kasus yang ditinjau manusia agar koreksi mereka juga mengalir ke hilir. Pikirkan ekstraksi sebagai satu tahap dalam proses bisnis yang lebih besar, bukan sebagai produk akhir. Justru di titik integrasi inilah penghematan jam kerja yang sesungguhnya terealisasi—ketika seorang petugas tidak lagi perlu menyentuh dokumen kecuali untuk kasus yang benar-benar memerlukan penilaian manusia.
Justifikasi bisnis ekstraksi dokumen biasanya jelas. Jika tim operasional menghabiskan ribuan jam-orang per tahun untuk entri data manual, dan pipeline ekstraksi memangkasnya 70-80% sambil mengurangi error, perhitungan baliknya cepat positif. Tetapi penerapan yang gegabah juga bisa gagal—maka mulailah dari satu jenis dokumen bervolume tinggi dengan ROI terjelas (sering KTP untuk KYC atau faktur untuk AP), buktikan akurasi pada data nyata, lalu perluas ke jenis dokumen lain.
Perhatikan pula privasi: KTP, NPWP, dan dokumen identitas adalah data pribadi sensitif yang tunduk pada UU PDP No. 27/2022. Pastikan pemrosesan punya dasar hukum, data tidak bocor ke layanan pihak ketiga tanpa kontrol, dan retensi diatur dengan kebijakan yang jelas.
Pertanyaan strategis yang muncul lebih awal daripada yang disadari tim adalah apakah membangun pipeline ekstraksi sendiri atau memakai layanan document AI yang sudah jadi. Keduanya punya tempat, dan keputusan yang tepat bergantung pada konteks Anda, bukan pada tren.
Pertimbangan yang membantu memutuskan:
Layanan siap pakai menarik untuk dokumen umum dan terstandar di mana penyedia sudah punya model tertala—Anda bergerak cepat tanpa membangun dari nol. Namun perhatikan privasi: ke mana dokumen sensitif Anda dikirim dan diproses, dan apakah itu memenuhi UU PDP serta kebijakan internal.
Membangun sendiri memberi kontrol penuh atas data dan logika, penting untuk dokumen sangat sensitif atau alur validasi yang sangat spesifik domain. Biayanya adalah waktu engineering dan pemeliharaan berkelanjutan.
Pendekatan hibrida sering paling masuk akal: pakai model dan komponen yang sudah matang sebagai fondasi, tetapi bangun lapisan validasi, integrasi, dan kontrol privasi sendiri sesuai kebutuhan unik Anda.
Bagi banyak perusahaan Indonesia yang menangani data identitas dan keuangan sensitif, kontrol atas ke mana data mengalir menjadi faktor penentu—dan ini sering mengarah pada arsitektur yang menjaga data tetap dalam kendali mereka, baik sepenuhnya internal maupun melalui pengaturan yang ketat.
Pipeline ekstraksi dokumen yang berhasil hampir selalu dimulai kecil dan terfokus, bukan ambisius dan menyeluruh. Memilih satu jenis dokumen dengan volume tinggi dan nilai bisnis jelas, lalu membangun pipeline yang benar-benar akurat dan tervalidasi untuknya, akan memberi Anda kemenangan cepat sekaligus fondasi yang bisa diperluas. Yang membedakan sistem yang bertahan dari demo yang gugur adalah lapisan validasi dan human review—bukan kecanggihan model semata.
Sainskerta Solusi Nusantara membantu perusahaan Indonesia membangun pipeline document AI yang akurat dan tahan variasi—dari KYC dengan KTP, otomasi faktur, hingga ekstraksi kontrak—lengkap dengan validasi, human-in-the-loop, dan kepatuhan UU PDP. Jika tim Anda masih menghabiskan jam kerja berharga untuk entri data manual, mari kita ubah itu. Hubungi tim kami melalui halaman Kontak untuk menjadwalkan sesi konsultasi, dan kami akan membantu memetakan jenis dokumen mana yang paling layak diotomasi lebih dulu beserta target akurasi yang realistis.
