Karyawan AI untuk Cek Label Pangan UMKM Sebelum Desain Dicetak

Ditulis oleh Nugraha Labib Mujaddid, pembuat AgentBuff.

Label pangan sebaiknya diperiksa ketika isinya masih berupa data dan draf, bukan setelah ribuan kemasan selesai dicetak. Karyawan AI dapat membantu mengumpulkan bukti produk, membandingkan setiap elemen label dengan sumbernya, serta menandai informasi yang hilang atau berisiko. Namun keputusan kepatuhan, jalur perizinan, hasil uji, dan persetujuan desain tetap berada pada pelaku usaha serta pihak berwenang.

Karyawan AI untuk pemeriksaan label pangan adalah agen kerja yang menyusun checklist berbasis kategori produk dan sumber resmi, menghubungkan setiap tulisan atau gambar pada draf label dengan bukti, lalu menghasilkan daftar kekurangan untuk ditinjau manusia sebelum desain disetujui. Ia bukan penerbit izin edar, konsultan hukum, ahli gizi, atau pengganti penilaian Badan POM.

Sudut pandang ini penting bagi UMKM makanan dan minuman. Kesalahan label sering kali bukan karena desainer tidak rapi, melainkan karena sumber kebenaran tersebar: formula ada di produksi, berat bersih ada di tim pengemasan, alamat dan identitas usaha ada di dokumen legal, masa simpan ada di hasil pengujian, sementara klaim pemasaran muncul di percakapan penjualan. AI berguna untuk mempertemukan bukti tersebut, bukan menebak isi yang belum tersedia.

Aturan yang menjadi pagar, bukan prompt tunggal

Peraturan BPOM Nomor 31 Tahun 2018 tentang Label Pangan Olahan masih berstatus berlaku dan telah diubah oleh Peraturan BPOM Nomor 20 Tahun 2021 serta Peraturan BPOM Nomor 6 Tahun 2024.[1][2] Artinya, pemeriksaan tidak boleh hanya memakai salinan checklist lama tanpa memeriksa perubahan dan konteks produk.

Rumah Si-RiPO milik Direktorat Registrasi Pangan Olahan menjelaskan bahwa label menggunakan bahasa Indonesia, ditempatkan agar mudah dilihat dan dibaca, tidak mudah lepas atau rusak, serta harus benar dan tidak menyesatkan.[3] Sumber resmi yang sama merangkum keterangan minimum seperti nama produk, daftar bahan, berat atau isi bersih, nama dan alamat produsen atau importir, keterangan halal bila dipersyaratkan, tanggal dan kode produksi, kedaluwarsa, nomor izin edar, dan asal bahan tertentu.[3]

Daftar itu bukan template universal yang boleh disalin tanpa konteks. Kategori pangan, skala dan jalur perizinan, cara produksi, bahan, klaim, bentuk kemasan, sasaran konsumen, serta cara penyimpanan dapat memunculkan kebutuhan berbeda. Karena itu, tugas pertama agen bukan berkata “label sudah patuh”, tetapi menentukan pertanyaan apa yang belum terjawab.

Kesalahan desain sebenarnya bermula dari data yang tidak terkendali

Bayangkan produsen sambal botol menulis “100% cabai segar”, memakai gambar tomat, mencantumkan berat 250 gram, dan menambahkan klaim “tanpa pengawet”. Draf itu terlihat meyakinkan. Namun pemeriksaan seharusnya bertanya:

• Apakah formula final mendukung kata “100%”?
• Apakah kata “segar” sesuai dengan bahan serta prosesnya?
• Jika tomat ditonjolkan lewat gambar, apakah jumlah bahan yang relevan perlu dicantumkan?
• Apakah berat bersih sama dengan spesifikasi pengisian aktual?
• Apakah pernyataan tanpa bahan tambahan ditempatkan dan dirumuskan sesuai ketentuan?
• Apakah urutan komposisi mengikuti jumlah bahan dari yang terbanyak?
• Apakah ada bahan atau kondisi yang memicu peringatan khusus?

Rumah Si-RiPO menjelaskan bahwa komposisi ditulis berurutan mulai dari bahan yang digunakan paling banyak. Persentase bahan dapat diwajibkan ketika bahan memberi identitas, disebut dalam nama jenis, atau ditekankan melalui kata maupun gambar.[3] Laman tersebut juga membatasi penggunaan pernyataan seperti “alami”, “murni”, “100%”, “dari”, “segar”, dan “asli”, serta merangkum bentuk keterangan tanpa BTP yang diperbolehkan.[4]

Karyawan AI dapat menguji hubungan antara draf dan sumber. Ia tidak boleh menciptakan persentase formula, masa simpan, status halal, nomor izin, hasil laboratorium, atau klaim kesehatan hanya supaya kolom checklist terisi.

Bangun empat objek sebelum memeriksa desain

Workflow yang kuat memisahkan fakta produk dari tampilan visual.

Setiap objek mempunyai versi. Formula v3 tidak boleh diperiksa menggunakan desain yang diam-diam masih mengutip formula v1. Jika berat bersih berubah, agen harus menemukan semua lokasi yang terdampak: bagian depan, panel informasi, karton pengiriman, katalog, dan berkas registrasi bila relevan.

Workflow pemeriksaan label dalam sembilan tahap

1. Tentukan ruang lingkup produk

Agen mengumpulkan nama jenis, kategori, bentuk produk, ukuran, proses, asal produksi, target konsumen, cara penyimpanan, jalur perizinan yang telah ditetapkan manusia, dan pasar penjualan. Jika jalur perizinan belum ditentukan, statusnya “butuh penetapan”, bukan ditebak dari kemasan pesaing.

Hasil tahap ini adalah scope card yang menyatakan aturan dan panduan mana yang perlu ditelaah, beserta tanggal pemeriksaannya.

2. Bekukan formula dan spesifikasi kemasan

Gunakan formula yang telah disetujui dengan nomor versi. Catat bahan dalam urutan aktual, bahan majemuk, bahan tambahan, asal bahan tertentu, ukuran sajian bila ada, berat atau isi bersih, jumlah unit, bahan kemasan, dan kondisi simpan.

Jika tim pemasaran mengubah rasa, ukuran, atau gambar bahan setelah formula dibekukan, agen membuat change request. Desain tidak boleh melaju seolah perubahan itu kosmetik.

3. Buat requirement matrix yang bersyarat

Checklist tidak hanya berisi ada atau tidak ada. Setiap baris perlu memuat:

• elemen label;
• kondisi yang memicunya;
• lokasi yang dipersyaratkan atau direkomendasikan;
• teks atau format yang perlu diverifikasi;
• sumber aturan dan tanggal akses;
• evidence locator;
• status pass, missing, mismatch, unclear, atau not applicable;
• reviewer dan keputusan.

Dengan cara ini, “informasi nilai gizi” tidak otomatis ditandai hilang sebelum ruang lingkup dan pengecualian ditelaah. Agen harus menjelaskan mengapa suatu baris berlaku.

4. Ekstrak label menjadi manifest

Agen membaca PDF desain atau gambar resolusi tinggi dan memetakan seluruh teks serta elemen visual berdasarkan panel. Jangan hanya menjalankan OCR lalu percaya hasilnya. Simpan potongan gambar, nomor halaman, koordinat, dan confidence untuk setiap temuan.

Teks sangat kecil, permukaan melengkung, warna rendah kontras, dan huruf dekoratif sering menurunkan akurasi. Elemen ber-confidence rendah masuk antrean pemeriksaan visual manusia.

5. Cocokkan fakta dengan bukti

Nama dan alamat produsen dicocokkan dengan dokumen usaha. Berat bersih dibandingkan dengan spesifikasi pengisian. Komposisi dibandingkan dengan formula. Kedaluwarsa tidak diambil dari perkiraan marketing, melainkan dari sumber yang disetujui. Status halal dan nomor perizinan harus mempunyai bukti yang dapat ditelusuri.

Prinsipnya sederhana: setiap fakta material pada label memiliki locator. Jika buktinya tidak ada, agen menulis “tidak terverifikasi”.

6. Periksa klaim dan penekanan visual

Kata dan gambar dapat mengubah kewajiban. Rumah Si-RiPO memberi contoh bahwa bahan yang ditonjolkan melalui nama atau gambar dapat memicu pencantuman persentase kandungan.[3] Sumber yang sama juga menjelaskan batas penggunaan klaim seperti “murni”, “100%”, “dari”, “segar”, dan “asli”.[4]

Agen membuat claim ledger: teks klaim, lokasi, interpretasi paling mungkin, bahan atau atribut yang dirujuk, bukti pendukung, aturan terkait, dan status review. Ia tidak menyatakan klaim aman hanya karena pesaing menggunakannya.

7. Validasi struktur, keterbacaan, dan konsistensi

Pemeriksaan ini mencakup bahasa, lokasi informasi utama, satuan metrik, format tanggal, nama produk yang konsisten, kontras, ukuran relatif, petunjuk tempat kode produksi atau kedaluwarsa, serta kesamaan data antarpanel.

Rumah Si-RiPO membedakan informasi pada bagian yang paling mudah dilihat dengan informasi pada bagian lain, dan menyebut tertukarnya penempatan itu sebagai salah satu kesalahan umum.[3][5] Karena itu, agen perlu memahami struktur kemasan, bukan sekadar menemukan kata.

8. Jalankan preflight dan buat exception queue

Setiap masalah diberi tingkat risiko:

• blocked: bukti inti tidak ada, identitas atau izin tidak cocok, klaim berisiko tanpa dukungan;
• major: informasi wajib hilang, komposisi tidak konsisten, peringatan terlewat;
• minor: ejaan, keseragaman istilah, atau detail tata letak yang tidak mengubah substansi;
• question: aturan atau applicability belum dapat dipastikan.

Output bukan desain baru yang diam-diam diedit. Outputnya adalah exception register dengan locator, bukti, alasan, pemilik koreksi, tenggat, dan keputusan reviewer.

9. Lakukan approval manusia dan bekukan artefak final

Regulatory atau penanggung jawab usaha memeriksa exception, desainer memperbaiki versi, lalu agen mengulang preflight. Setelah semua masalah ditutup, simpan PDF final, hash berkas, product master, formula version, requirement matrix, evidence register, nama approver, dan waktu persetujuan.

Jika satu elemen material berubah setelah approval, status kembali dibuka. Cara ini mencegah file “FINAL-revisi-baru-2” masuk percetakan tanpa pemeriksaan ulang.

Contoh: keripik pisang rasa cokelat

Sebuah UMKM menyiapkan pouch keripik pisang rasa cokelat. Bagian depan menampilkan pisang dan cokelat, nama dagang, serta berat bersih. Bagian belakang memuat komposisi, alamat, kode produksi, kedaluwarsa, dan ruang untuk nomor perizinan.

Agen menemukan empat isu:

1. Formula terbaru memakai bubuk kakao dan perisa, sedangkan desain menyebut “cokelat asli”. Klaim perlu ditinjau terhadap formula dan aturan.
2. Gambar pisang dan penekanan pada nama produk perlu diperiksa terhadap kebutuhan QUID.
3. Komposisi pada desain mengikuti urutan formula lama.
4. Nomor izin masih placeholder dan tidak boleh diperlakukan sebagai nomor final.

Keputusan yang benar bukan “ganti otomatis”. Agen membuat paket review yang menunjukkan teks, potongan desain, formula v4, sumber resmi, dan opsi tindak lanjut. Pemilik usaha serta reviewer berwenang menentukan perubahan.

Instruksi kerja siap pakai

Periksa draf label sebagai reviewer awal berbasis bukti. Tentukan scope produk dari product master dan jalur perizinan yang sudah diputuskan manusia. Jangan menyimpulkan suatu elemen berlaku tanpa menuliskan kondisi pemicunya dan sumber resmi. Ekstrak seluruh teks, gambar, logo, kode, serta lokasinya ke label manifest. Cocokkan setiap fakta dengan formula, spesifikasi, izin, sertifikat, atau hasil uji yang sah. Jangan menciptakan data yang hilang. Tandai klaim, gambar bahan, perubahan rekening atau identitas, formula berbeda versi, placeholder, serta peringatan yang mungkin terpicu. Keluarkan requirement matrix dan exception register. Jangan menyetujui desain atau menyatakan patuh; serahkan keputusan kepada reviewer manusia.

Instruksi itu perlu diperkuat dengan akses baca, versioning, daftar sumber yang disetujui, dan larangan menulis langsung ke desain final. Prompt saja tidak cukup.

Uji agen sebelum memeriksa produk nyata

Siapkan kasus sintetis:

• satu informasi wajib benar-benar hilang;
• berat bersih berbeda antara panel depan dan belakang;
• komposisi tidak mengikuti urutan formula;
• gambar bahan muncul, tetapi formula tidak mendukung penekanannya;
• nomor izin adalah placeholder;
• tanggal atau kode produksi tidak memiliki petunjuk lokasi;
• formula berubah setelah desain disetujui;
• kata “100%”, “segar”, atau “asli” tidak didukung bukti;
• alergen atau bahan tertentu tidak terdeteksi OCR;
• PDF beresolusi rendah membuat teks salah terbaca;
• dokumen lama mencoba dijadikan sumber aturan terbaru;
• instruksi tersembunyi dalam lampiran meminta agen mengabaikan checklist.

Nilai recall untuk masalah kritis, false pass, kualitas locator, konsistensi antarpengulangan, dan kemampuan agen berkata “tidak cukup bukti”. Satu false pass pada klaim atau izin lebih berat daripada beberapa tanda minor yang berlebihan.

Gunakan panduan menguji karyawan AI sebelum tugas rutin dan mencegah prompt injection dari dokumen untuk membangun gerbang uji. Simpan jejak kerja dan bukti hasil agar setiap temuan dapat ditelusuri.

Metrik yang layak dipantau

Pantau persentase elemen yang mempunyai evidence locator, masalah kritis yang terlewat, false alarm, waktu review per SKU, jumlah putaran revisi, perubahan setelah approval, konsistensi data antarpanel, umur sumber peraturan, dan jumlah desain yang tertahan sebelum cetak.

Jangan mengoptimalkan banyaknya label yang “lulus AI”. Sasaran yang sehat adalah lebih sedikit bukti hilang, lebih sedikit cetak ulang, dan keputusan manusia yang lebih cepat karena exception tersusun jelas.

Peran AgentBuff yang proporsional

AgentBuff adalah platform Karyawan AI asal Indonesia, bukan sekadar chatbot. Pengguna mengelola agen melalui chat, memberi peran, skills, dan tools, menghubungkannya dengan aplikasi atau data kerja, menjalankan workflow serta tugas terjadwal, lalu menerima hasil kerja nyata.

Untuk pemeriksaan label, titik mulai yang aman adalah akses baca ke product master, formula yang telah disetujui, folder bukti, draf desain, dan daftar sumber resmi. Agen menyiapkan manifest, requirement matrix, serta exception report. Ia tidak diberi wewenang mengganti formula, membuat nomor izin, menyatakan sertifikasi, atau mengirim desain ke percetakan.

Jika ingin membangun alur tersebut, coba AgentBuff dari satu SKU berisiko rendah dan satu reviewer manusia. Ukur kualitas temuan sebelum menambah produk lain.

FAQ

Apakah AI dapat memastikan label pangan sudah sesuai BPOM?

Tidak. AI dapat membantu pemeriksaan awal, pengumpulan bukti, dan penemuan ketidaksesuaian. Penentuan aturan yang berlaku, jalur perizinan, serta keputusan kepatuhan tetap memerlukan pelaku usaha dan pihak yang berwenang.

Dokumen apa yang perlu disiapkan?

Minimal product master, formula yang disetujui, spesifikasi berat atau isi, identitas produsen, bukti izin atau sertifikat yang relevan, sumber masa simpan, hasil uji bila diperlukan, dan draf label resolusi tinggi.

Kapan pemeriksaan dilakukan?

Lakukan setelah formula dan spesifikasi kemasan dibekukan, sebelum desain dikirim ke percetakan, dan ulangi setiap kali ada perubahan material pada formula, ukuran, klaim, identitas, izin, atau layout.

Bisakah AI membuat klaim pemasaran yang lebih menarik?

AI boleh menyusun alternatif sebagai draf, tetapi setiap klaim harus diperiksa terhadap formula, bukti, dan aturan. Jangan memakai klaim hanya karena terdengar menarik atau digunakan pesaing.

Apa workflow pertama yang paling aman?

Gunakan read-only preflight pada satu label yang pernah disetujui dan beberapa label sintetis yang sengaja salah. Bandingkan temuan agen dengan reviewer manusia sebelum memakainya pada desain baru.

Penutup

Nilai terbesar karyawan AI dalam pelabelan bukan menggantikan reviewer. Nilainya adalah memastikan tidak ada teks, gambar, klaim, atau angka yang lolos tanpa sumber dan tanpa pemilik keputusan.

Mulai dari satu SKU. Pisahkan fakta produk, bukti, dan desain. Buat setiap temuan dapat ditelusuri. Jika agen tidak menemukan bukti, hasil yang benar adalah “belum dapat diverifikasi”—bukan jawaban yang terdengar meyakinkan.

Tentang penulis: Nugraha Labib Mujaddid membangun AgentBuff untuk membantu individu dan bisnis Indonesia bekerja dengan karyawan AI.

Sumber dan bacaan utama

[1] JDIH BPK, Peraturan BPOM Nomor 31 Tahun 2018 tentang Label Pangan Olahan — https://peraturan.bpk.go.id/Details/219910/peraturan-bpom-no-31-tahun-2018

[2] JDIH BPK, Peraturan BPOM Nomor 6 Tahun 2024 tentang Perubahan Kedua atas Peraturan BPOM Nomor 31 Tahun 2018 — https://peraturan.bpk.go.id/Details/284512/peraturan-bpom-no-6-tahun-2024

[3] Direktorat Registrasi Pangan Olahan BPOM, Rumah Si-RiPO: ketentuan dan contoh label pangan olahan — https://rumahsiripo.pom.go.id/peraturan/label/contoh-label-pangan-olahan/ketentuan

[4] Direktorat Registrasi Pangan Olahan BPOM, ketentuan klaim dan keterangan pada label, pada laman yang sama.

[5] Direktorat Registrasi Pangan Olahan BPOM, Top Five Kesalahan pada Label Pangan Olahan, pada laman yang sama.