Kembali ke Ikhtisar
Studi Kasus #3Mesin Verifikasi DokumenArsitektur Vision Pipeline & Verification Engine

Verifikator Form Onboarding (OCR)

Dari 1 hari kerja menjadi 4 jam: verifikasi dokumen otomatis yang mengembalikan ~18 jam kerja tim setiap hari.

Tesseract OCRVision LLMFastAPIReact 19n8nPostgreSQL

Contoh simulasi: satu field bisa muncul di beberapa halaman form kertas. Setiap kemunculan dicek terhadap data digital. Data digital adalah sumber kebenaran, jadi halaman yang berbeda berarti form-nya perlu direvisi. Di sini nomor rekening berbeda di halaman 2, nama perusahaan berbeda di halaman 1 dan 3, dan telepon admin kosong di halaman 6. Beban verifikasi harian tim turun dari ~20 jam kerja tim / hari menjadi ~2 jam kerja tim / hari, dan waktu tunggu cabang dari 1 hari kerja menjadi ~4 jam.

SIMULASI DAMPAK · V-3Contoh simulasi

Verifikasi Form

Satu nilai muncul di beberapa tempat: di halaman-halaman form kertas dan di data digital. Setiap kemunculan dicek terhadap data digital, dan satu halaman yang berbeda sudah cukup untuk menandai field itu.

  1. Baca
  3. Cek silang
  5. Skor
  7. Tinjau
Satu nilai, banyak tempat3 dari 50 field perlu dicek manusia
  • Nomor rekening utamaRevisi hlm. 2
    Halaman 10123-4567-89
    Halaman 20123-4567-98
    Halaman 30123-4567-89
    Halaman 60123-4567-89
    Data digital0123-4567-89
  • Nama perusahaanRevisi hlm. 1, hlm. 3
    Halaman 1PT Maju Sentausa
    Halaman 3PT Maju Sentausa
    Data digitalPT Maju Sentosa
  • Telepon adminKosong di hlm. 6
    Halaman 10812-0000-1234
    Halaman 6kosong
    Data digital0812-0000-1234
  • Nomor pajakCocok di semua tempat
    Halaman 100.111.222.3-444.000
    Halaman 300.111.222.3-444.000
    Data digital00.111.222.3-444.000
  • Alamat perusahaanCocok di semua tempat
    Halaman 1Jl. Contoh No. 12
    Halaman 3Jl. Contoh No. 12
    Data digitalJl. Contoh No. 12
  • Email adminCocok di semua tempat
    Halaman 1[email protected]
    Halaman 6[email protected]
    Data digital[email protected]

+ 44 field lain cocok di semua tempat

Skor keyakinan
88%Perlu review
507595
TolakReviewSetujui

Petugas yang memutuskan. Sistem hanya memberi rekomendasi.

Tim verifikasi, 3 orang × 8 jamTerukur
Sebelum~20 jam kerja tim / hari
Sesudah~2 jam kerja tim / hari
kerja verifikasikembali ke tim
Waktu tunggu cabangTerukur
~4 jam1 hari kerja

Dampak Bisnis

Angka berlabel 'Proyeksi' atau 'Estimasi' mencerminkan target model bisnis, bukan metrik yang sudah terealisasi.
Terukur
1 hari kerja→~4 jam

SLA waktu penyelesaian verifikasi untuk cabang

Rata-rata waktu penyelesaian pemrosesan berkas dari cabang

Terukur
~20 jam kerja tim / hari→~2 jam kerja tim / hari

Beban kerja verifikasi manual harian untuk tim beranggotakan 3 orang

Mengembalikan ~18 dari 24 jam kerja harian kolektif (pengurangan ±90%)

Turunan
Kondisi awal→±380 jam kerja tim / bulan

Kapasitas tim per bulan yang dikembalikan (kumulatif)

Dihitung dari ~21 hari kerja untuk unit verifikasi beranggotakan 3 orang

Terukur
Perbandingan manual→6 template · 50 parameter

Cakupan verifikasi yang ditangani

287 aturan pemetaan field otomatis

Masalah

Saat membuka rekening untuk nasabah korporat, petugas cabang mengirimkan aplikasi digital sementara nasabah mengisi form kertas fisik. Tim verifikasi kantor pusat bertugas memverifikasi kedua dokumen secara manual baris demi baris pada puluhan field per form (~50).

Tim beranggotakan 3 orang menghabiskan sekitar 20 dari 24 jam kerja harian gabungan mereka untuk meninjau 80 berkas per hari. Hambatan manual ini memperpanjang SLA waktu penyelesaian cabang menjadi satu hari kerja penuh dan meningkatkan risiko perbedaan yang terlewat.

Solusi

Kami mengembangkan engine verifikasi otomatis bertingkat:

  1. Digitalisasi Dokumen: Berkas hasil scan diproses melalui vision OCR dan ekstraksi teks berbasis layout.
  2. Perbandingan Field di Setiap Halaman & Alias Matching: Satu field bisa muncul di beberapa halaman form kertas. Setiap kemunculan dicek terhadap data digital, dengan alias matching untuk variasi penulisan, dan satu halaman yang berbeda sudah cukup untuk menandai field itu.
  3. Klasifikasi Field Multi-Status: Setiap field diklasifikasikan ke dalam salah satu dari lima status: Cocok, Typo Kecil, Parsial, Tidak Cocok, atau Kosong.
  4. Skor Keyakinan Berbobot: Sistem menghitung skor keyakinan agregat untuk memberikan rekomendasi yang dapat ditindaklanjuti:
    • ≥95%: Rekomendasi approve
    • 75–94%: Perlu review
    • <75%: Rekomendasi reject
  5. Antarmuka Review Khusus Pengecualian: UI melipat semua field yang cocok secara default dan mengarahkan reviewer hanya ke field yang ditandai.

Dampak Bisnis

Verifikasi berkas onboarding secara manual pada 6 template form menghabiskan ~20 dari 24 jam kerja harian tim verifikasi beranggotakan 3 orang, sehingga SLA waktu penyelesaian cabang molor menjadi satu hari kerja penuh. Otomatisasi perbandingan tingkat field dan alias matching memangkas waktu penyelesaian cabang menjadi rata-rata ~4 jam dan mengembalikan ~18 dari 24 jam kerja harian kolektif tim (~380 jam kerja tim per bulan dari ~21 hari kerja, turunan), sehingga reviewer bisa fokus sepenuhnya pada perbedaan yang ditandai dengan audit trail yang lengkap.

Prinsip Engineering

Tampilkan ke Reviewer Hanya yang Penting

Tujuan verifikasi otomatis bukan menghilangkan pengawasan manusia, melainkan menghilangkan kelelahan manusia. Dengan mengonfirmasi field yang identik secara otomatis dan mengisolasi pengecualian (misalnya, 47 field cocok dan 3 field bermasalah), fokus reviewer tetap tajam pada risiko compliance yang sebenarnya.

Di Balik Keputusan

Di Balik Keputusan

Alih-alih menyerahkan seluruh dokumen ke LLM end-to-end untuk verifikasi yang tidak transparan, kami memisahkan ekstraksi dari perbandingan: OCR dan model vision mengekstrak teks terstruktur, sementara comparison engine yang deterministik mengevaluasi alias matching tingkat field untuk variasi penulisan dengan audit trail yang eksplisit.

Tertarik merilis sistem serupa?

Saya bermitra dengan tim untuk merancang, mengevaluasi, dan merilis sistem AI tingkat produksi dengan dampak operasional yang terverifikasi.

Mari berdiskusi di LinkedIn