Otomasi Tanpa Coding dengan n8n: Panduan Mulai
Sebagai developer, refleks pertama saya selalu menulis kode. Tapi setelah beberapa kali membangun skrip integrasi yang akhirnya tidak ada yang berani menyentuh, saya belajar: tidak semua otomasi layak jadi kode.
Apa itu n8n
n8n adalah alat otomasi berbasis alur visual. Kamu menyusun node โ pemicu, aksi, kondisi โ lalu menyambungkannya. Mirip Zapier, dengan tiga perbedaan penting: bisa di-self-host, bisa menjalankan kode JavaScript atau Python di tengah alur, dan tidak menagih per eksekusi.
Kapan n8n lebih tepat daripada kode
- Menyambungkan beberapa layanan yang sudah punya API (Sheets, Slack, WhatsApp, database)
- Alurnya sering berubah mengikuti kebutuhan bisnis
- Orang non-teknis perlu melihat atau mengubah alurnya
- Kamu butuh retry, logging, dan riwayat eksekusi tanpa membangunnya sendiri
Kapan tetap tulis kode
- Logikanya rumit dan bercabang banyak
- Butuh dites otomatis
- Performanya kritis
- Sudah jadi bagian inti dari produk
Self-host dalam satu perintah
docker run -d --name n8n \
-p 5678:5678 \
-v n8n_data:/home/node/.n8n \
-e GENERIC_TIMEZONE="Asia/Jakarta" \
n8nio/n8n
Buka http://localhost:5678 dan alurmu sudah bisa dibuat.
Alur pertama yang berguna
Contoh nyata yang saya pakai: setiap ada pesan masuk di form kontak website, ringkas isinya dengan LLM, tentukan tingkat prioritasnya, lalu kirim ke Slack โ hanya kalau prioritasnya tinggi.
Webhook (pesan masuk)
โ
HTTP Request (kirim ke LLM untuk diringkas + dinilai)
โ
IF (prioritas == "tinggi")
โ โ
Slack Simpan ke Sheets
Membangun ini dengan kode butuh sekitar 150 baris plus penanganan error. Di n8n: sepuluh menit, dan siapa pun di tim bisa mengubah ambang prioritasnya sendiri.
Menyambungkannya ke Django
Pola yang paling sering saya pakai: Django menangani data dan aturan bisnis, lalu mengirim webhook ke n8n untuk urusan integrasi.
import httpx
async def kirim_ke_n8n(pesan):
async with httpx.AsyncClient() as client:
await client.post(
settings.N8N_WEBHOOK_URL,
json={"nama": pesan.name, "isi": pesan.message},
timeout=10,
)
Django tetap bersih. Integrasi yang berubah-ubah tinggal diatur di n8n tanpa deploy ulang.
Baca Juga
Membangun AI Agent yang Benar-benar Dipakai
Kebanyakan proyek AI agent gagal bukan karena modelnya kurang pintar, tapi karena masalahnya salah pilih.
pgvector: Pencarian Semantik Tanpa Menambah Infrastruktur
Sebelum memasang vector database khusus, cek dulu โ PostgreSQL yang sudah kamu punya mungkin sudah cukup.
RAG: Membuat AI Menjawab dari Dokumenmu Sendiri
Model bahasa tidak tahu isi dokumen perusahaanmu. RAG adalah cara memberitahunya โ tanpa melatih ulang apa pun.
Komentar (0)
Belum ada komentar. Jadilah yang pertama!
Tinggalkan Komentar
Komentar akan tampil setelah disetujui.