Belajar n8n - Advanced Use Cases & Design Patterns

#Pendahuluan

Di episode 19 kalian menyiapkan runbook, SLA, dan backup — fondasi operasional yang membuat otomasi aman dijalankan. Sekarang saatnya memakai semua fondasi itu untuk membangun sesuatu yang berdampak nyata. Pertanyaan yang selalu muncul setelah menguasai mekanik n8n: "oke, sekarang apa yang harus saya otomasi, dan seperti apa desainnya?"

Episode ini menjawab dengan pola dan studi kasus:

1. Pola desain umum: fan-out, orchestrator, dan sub-workflow.
2. End-to-end automation untuk marketing, sales, operasional, dan IT.
3. Event-driven orchestration, approval workflow, dan notification chain.
4. Integrasi chatbot, AI, dan RPA tools.

#Pola Desain: Fan-out, Orchestrator & Sub-workflow

Sebelum masuk studi kasus, kuasai tiga pola dasar yang akan dipakai berulang:

• Fan-out: satu trigger memecah data menjadi banyak cabang paralel. Gunakan SplitInBatches untuk memproses baris satu per satu, lalu Merge untuk menggabungkan hasilnya — dasar dari episode 6.
• Sub-workflow: pecah logika besar menjadi workflow kecil yang dipanggil via Execute Workflow node. Ini memungkinkan reuse dan memudahkan testing per bagian.
• Orchestrator: satu workflow induk mengatur urutan dan kondisi, sementara detail eksekusi diserahkan ke sub-workflow. Cocok untuk pipeline bertahap: validasi, enrich, simpan, notifikasi.

Kombinasi ketiganya menghasilkan arsitektur yang mudah dibaca, mudah diuji, dan mudah diganti bagian-bagiannya — persis alasan yang sama kita memecah kode menjadi fungsi.

#End-to-end Automation: Sales & Marketing

Studi kasus pertama: enrichment lead untuk tim sales. Seorang lead baru mengisi form di landing page, lalu sistem harus melengkapi datanya, memasukkannya ke CRM, dan memberi tahu sales rep terkait — tanpa manusia mengetik apa pun.

Payload dari webhook form:

{
  "lead": {
    "email": "rizki@example.com",
    "company": "PT Contoh Sejahtera",
    "source": "landing-page"
  }
}

Alurnya: Webhook menerima payload → HTTP Request memanggil API enrichment (misalnya lookup domain perusahaan) → IF memisahkan lead yang sudah valid dan belum → lead valid masuk ke HubSpot node → cabang notifikasi mengirim pesan ke kanal Slack tim sales.

Kunci desainnya ada di node IF: cabang error (lead tidak valid) juga harus diurus — dikirim ke folder "review manual" daripada diam-diam hilang. Pola inilah yang membedakan otomasi yang dipercaya dari otomasi yang disalahkan.

#Event-driven Orchestration & Notification Chains

Otomasi yang baik bereaksi terhadap event, bukan berjalan pada jadwal buta. Contoh nyata: onboarding karyawan baru. Saat HR menambah karyawan di spreadsheet, satu event memicu orchestrator yang menjalankan banyak tugas secara paralel:

• Membuat akun email lewat Google Workspace.
• Memberikan akses ke kanal internal Slack.
• Mengirim welcome email.
• Menjadwalkan sesi orientasi di kalender.

Setiap tugas adalah sub-workflow terpisah, dan hasilnya digabung menjadi notification chain — satu pesan ringkasan yang dikirim berurutan ke HR, IT, dan manajer:

urutan:
  - step: 1
    channel: slack
    target: "#hr-internal"
    pesan: "Provisi akun selesai untuk semua item"
  - step: 2
    channel: email
    target: manager@example.com
    pesan: "Ringkasan tugas onboarding terlampir"

Notification chain berguna saat audiens berbeda butuh informasi berbeda. Satu workflow induk menghasilkan satu set hasil, lalu cabang-cabang kecil menyampaikannya ke channel masing-masing — ringkas dan mudah diubah.

#Approval Workflows: Manusia di Tengah Otomasi

Tidak semua keputusan boleh dilempar ke mesin. Approval workflow adalah pola untuk memasukkan manusia ke tengah otomasi: sistem mengerjakan semuanya, kecuali satu keputusan yang membutuhkan persetujuan.

Pola yang umum memakai node Wait dengan opsi resume on webhook. Alurnya:

1. Workflow memproses request (misalnya pengajuan budget pengeluaran).
2. Wait menjeda eksekusi sambil mengirim permintaan approval ke Slack.
3. Manajer menekan tombol Approve atau Reject — ini memanggil webhook yang membangunkan workflow.
4. Eksekusi berlanjut ke cabang yang sesuai.

Data approval dibawa sebagai parameter resume webhook:

ekspresi-resume.json

{
  "workflowId": "xyz789",
  "runId": "abc123",
  "token": "approval-token-rahasia",
  "decision": "approved"
}

#Chatbot, AI & RPA: Memperluas Jangkauan

Integrasi chatbot membuka jalan kedua bagi otomasi: pengguna datang ke otomasi, bukan sebaliknya. Dengan node Telegram atau Discord, workflow menjadi backend sebuah bot yang menjawab pertanyaan, menjalankan aksi, dan melaporkan status.

Kirim pesan ke Telegram via HTTP Request node:

curl -X POST "https://api.telegram.org/bot<TOKEN>/sendMessage" \
  -H "Content-Type: application/json" \
  -d '{"chat_id":"<CHAT_ID>","text":"Order baru masuk ke sistem"}'

Di atas chatbot, tren berikutnya adalah AI agent. Dengan node LangChain — dari bahasan AI di episode sebelumnya — n8n bisa memegang memory percakapan, memilih tool mana yang dipanggil, dan menjalankan aksi dengan bahasa alami. Untuk otomasi yang butuh memegang antarmuka aplikasi desktop, gabungkan dengan RPA tools seperti Browserless atau UI Vision: n8n mengatur logika dan data, RPA mengurus klik dan ketikan di aplikasi yang tidak punya API.

#Penutup

Di episode ini kalian melihat bagaimana node-node dasar dirangkai menjadi sistem:

• Fan-out, sub-workflow, dan orchestrator adalah pola dasar arsitektur workflow yang matang.
• End-to-end automation mengalir dari event hingga aksi, dengan cabang error yang tetap diurus.
• Event-driven orchestration merespons kejadian nyata dan menyampaikan hasil lewat notification chain.
• Approval workflow memasukkan manusia pada titik keputusan, dilindungi token per eksekusi.
• Chatbot, AI agent, dan RPA memperluas otomasi melampaui batas webhook dan API.

Setelah punya banyak workflow, kalian butuh tahu dari mana saja sumber daya datang. Di episode 21 kita menjelajah community, marketplace, dan ekosistem n8n — community nodes, templates, workflow library komunitas, dan bagaimana kalian bisa berkontribusi ke proyek open-source. Sampai jumpa!