Cara Mempercepat Deskripsi Produk dan Cek Label Alergen Industri Makanan dengan AI

Pukul 9 malam, sehari sebelum pameran dagang. Pernahkah Anda menerima pesan dari tim penjualan: “Tolong siapkan POP dan deskripsi e-commerce untuk 6 produk baru sampai besok pagi buat negosiasi”?

Seorang kenalan saya yang bekerja di bagian kendali mutu hampir menangis saat itu. Menulis deskripsi produk bisa dilakukan tim penjualan. Masalahnya yang setelah itu. Apakah label seperti “udang, kepiting, gandum, soba, telur, susu, kacang tanah” benar-benar cocok dengan tabel formulasi resep? Apakah ada bahan yang ikut tercampur (kontaminasi silang) dari produk sebelah di lini produksi yang justru terlewat? Semua ini harus dicocokkan untuk 6 produk, sendirian, di tengah malam.

Keesokan paginya, pembeli dari supermarket ritel berkomentar singkat: “Lauk ini pakai wijen, kan? Tapi tidak ditulis di deskripsi.” Di tabel formulasi memang ada “pasta wijen”. Saat deskripsi dibuat terburu-buru, bagian itulah yang terlewat.

Di industri makanan, membuat deskripsi produk dan mengecek label adalah pekerjaan yang “kalau salah langsung kehilangan kepercayaan” tetapi “memakan waktu dan jarang dihargai”. Di artikel ini, kita akan menyerahkan penyusunan draf deskripsi dan pencocokan label ke AI, sehingga manusia bisa fokus hanya pada “pemeriksaan akhir”. Fokusnya tetap satu industri saja: produsen makanan yang sehari-hari berhadapan dengan tabel formulasi dan spesifikasi bahan baku.

Poin penting

Penulisan deskripsi produk makanan dan pencocokan label bahan/alergen, jika “draf dan cek tahap pertama” diserahkan ke Claude Code, pekerjaan yang tadinya 30 menit per produk menyusut menjadi sekitar 5 menit.
Yang diserahkan ke AI adalah pembuatan teks dan penyaringan inkonsistensi penulisan serta kekurangan. Tiga hal yang wajib diputuskan manusia: label final secara hukum, kesesuaian fakta dengan tabel formulasi, dan ekspresi yang berlebihan.
Cukup berikan data tabel formulasi (resep) dan spesifikasi bahan, lalu deskripsi bisa ditulis berbeda untuk e-commerce, POP, dan dokumen proposal ke ritel.
Disertakan templat prompt siap salin-tempel dan skrip verifikasi untuk menyaring secara mekanis label alergen yang terlewat.
Jangan langsung menyerahkan tabel formulasi, nama mitra dagang, atau harga pokok ke AI eksternal. Tetapkan dulu aturan penyamaran data (masking).

Siapa pembacanya, dan di mana alur kerja saat ini macet

Artikel ini ditujukan untuk produsen kecil-menengah yang memproduksi makanan sendiri dan memasok ke supermarket, e-commerce, atau pasar grosir. Bagian kendali mutu mengurus label, tim penjualan membuat materi promosi. Tidak ada penulis atau korektor khusus. Justru di kondisi seperti inilah cara ini paling terasa manfaatnya.

Jika kita urutkan alur sampai produk baru sampai ke pasar, biasanya seperti ini.

Konsep produk matang, tabel formulasi (resep) dan spesifikasi bahan lengkap.
Kendali mutu menyusun label bahan, label alergen, dan kandungan gizi.
Tim penjualan menulis deskripsi untuk halaman e-commerce, POP, dan proposal.
Seseorang mencocokkan apakah isi label dan deskripsi sudah sesuai.
Lanjut ke negosiasi, pengiriman, atau publikasi e-commerce.

Yang macet adalah langkah 3 dan 4. Deskripsi bergantung pada orangnya, kualitasnya berbeda-beda tergantung siapa yang menulis. Pencocokan dengan label adalah pekerjaan visual yang menguras saraf, dan biasanya dikerjakan menumpuk menjelang tenggat. Kecelakaan seperti “wijen terlewat” umumnya terjadi saat langkah 4 dikerjakan asal-asalan di tengah malam.

Pengerjaan ulang yang sering terjadi, dan akar masalahnya

Mari kita urutkan pengerjaan ulang yang sering terdengar di lapangan.

“Kedelai lokal 100%” yang ditulis di deskripsi, ternyata di tabel formulasi sebagian campuran impor.
Lupa memasukkan “susu” di label alergen, lalu dikembalikan saat koreksi pihak supermarket.
Tim penjualan menambahkan kata seperti “tanpa bahan tambahan” atau “sehat” tanpa izin, dan itu melanggar regulasi periklanan serta keamanan pangan.
Halaman e-commerce dan POP untuk produk yang sama menulis volume isi atau masa kedaluwarsa dengan format berbeda.
Deskripsi kemasan lama dipakai ulang, tapi bahan yang berubah saat pembaruan produk tidak ikut diperbarui.

Akar masalahnya hampir selalu sama: “manusia menyalin secara manual”. Padahal ada sumber informasi yang benar berupa tabel formulasi, tapi setiap kali disalin ke deskripsi secara manual, muncul kekurangan dan ketidakcocokan. Di sinilah AI bekerja efektif: tepat di bagian “penyalinan dan pencocokan” ini.

Tiga cara pakai di industri makanan

Berikut tiga Use case konkret. Semuanya bukan “menyuruh menulis dari nol”, melainkan “memberikan data yang benar lalu meminta penyusunan dan pencocokan”. Itu kuncinya.

Use case 1: Draf deskripsi 3 media sekaligus dari tabel formulasi

Halaman e-commerce, POP toko, dan proposal ke ritel punya pesan dan jumlah karakter yang berbeda. Kalau manusia menulis ulang tiga kali, penulisannya jadi tidak konsisten. Berikan tabel formulasi dan spesifikasi sekali saja, lalu minta penulisan terpisah per media.

Media	Perkiraan karakter	Yang ditekankan
Halaman e-commerce	300-500 karakter	Cara makan, momen, cara penyimpanan
POP toko	40-80 karakter	Daya tarik satu kalimat, harga, volume isi
Proposal ritel	150-250 karakter	Pembeda, target, keunggulan selain margin

Karena draf untuk 3 media keluar bersamaan, manusia tinggal memeriksa “apakah faktanya sudah benar” saja.

Use case 2: Cek alergen yang terlewat dari daftar wajib

Inilah inti pekerjaan kendali mutu. Bahan yang muncul di tabel formulasi dicocokkan secara mekanis dengan informasi alergen yang tertulis di draf deskripsi atau label.

Tetapkan urutan pengecekan seperti ini.

Saring semua bahan di tabel formulasi (termasuk bahan tambahan, lemak olahan, protein terhidrolisis).
Tentukan masing-masing termasuk alergen wajib utama atau alergen yang dianjurkan dilabeli.
Cocokkan apakah item tersebut sudah ditulis di deskripsi atau draf label.
Keluarkan daftar item yang belum tertulis sebagai “perlu dicek”.
Manusia mencocokkan dengan dokumen asli tabel formulasi untuk keputusan akhir.

Poinnya: jangan biarkan AI berkata “ini sudah sempurna”. AI hanya sampai mengeluarkan “kandidat yang terlewat”. Apakah benar sebagai label final, manusia wajib memastikan dengan dokumen asli tabel formulasi.

Use case 3: Menyaring ekspresi berlebihan dan terlarang

Kata yang ditambahkan tim penjualan dengan niat baik seperti “tanpa bahan tambahan”, “ramah tubuh”, atau “untuk diet” berisiko melanggar regulasi periklanan dan kesehatan. Masukkan deskripsi, lalu minta dibuatkan daftar ekspresi yang perlu diperhatikan.

Checklist di bawah ini bisa langsung dipakai sebagai standar penilaian internal.

Saat menulis “tanpa bahan tambahan”, apakah jelas apa yang tidak ditambahkan?
Apakah “lokal” atau “asal X” cocok dengan asal di tabel formulasi?
Apakah tidak ada ekspresi yang mengaitkan kesehatan atau pelangsingan (klaim kesehatan tertentu butuh izin terpisah)?
Apakah tidak ada ekspresi superlatif seperti “nomor satu” atau “tertinggi” yang butuh bukti?
Apakah volume isi, masa kedaluwarsa, dan cara penyimpanan cocok dengan draf label?

Batas yang diserahkan ke AI vs yang wajib diputuskan manusia

Kalau bagian ini dibiarkan kabur, akan terjadi kecelakaan. Mari pertegas garis batasnya.

Tahap	Diserahkan ke AI	Wajib diputuskan manusia
Draf deskripsi	Pembuatan dan penyusunan per media	Apakah daya tarik cocok dengan merek
Inkonsistensi penulisan	Penyeragaman format dan satuan	Penetapan akhir nama resmi
Pencocokan alergen	Penyaringan kandidat yang terlewat	Kecocokan dengan dokumen asli dan label final
Ekspresi terlarang	Pendaftaran kata yang perlu diperhatikan	Penilaian apakah aman secara hukum
Asal dan negara asal	Deteksi ketidakcocokan deskripsi dan draf label	Penetapan berdasarkan realita pasokan

Mottonya: “AI untuk draf dan peringatan, penetapan oleh manusia”. Label alergen menyangkut nyawa manusia. Jangan pernah memakai keluaran AI langsung sebagai label. Ini satu hal yang harus dipegang teguh.

Kalau Anda masih ragu dengan operasi dasar Claude Code, baca dulu panduan memulai Claude Code untuk pemula dan cara memakai Claude Code untuk non-programmer supaya langkah selanjutnya lebih mudah dipahami.

Templat prompt siap salin-tempel

Pertama, draf deskripsi. Karena tabel formulasi bersifat rahasia, lepaskan nama perusahaan, mitra dagang, dan harga pokok sebelum memberikannya.

Anda adalah asisten yang membantu kendali mutu produsen makanan.
Berdasarkan tabel formulasi berikut, buatlah draf deskripsi produk untuk 3 media.

# Tabel formulasi (asal dan harga pokok disamarkan)
- Nama produk: Lauk gaya Jepang ayam dan gobo
- Bahan: ayam, gobo, wortel, kecap (mengandung gandum dan kedelai),
  pasta wijen (mengandung wijen), gula, minyak beras, kaldu katsuo (mengandung makarel)
- Volume isi: 120g
- Masa kedaluwarsa: 30 hari dari tanggal produksi (perlu didinginkan)

# Output
1. Untuk halaman e-commerce (300-500 karakter, sertakan cara makan dan penyimpanan)
2. Untuk POP toko (40-80 karakter)
3. Untuk proposal ritel (150-250 karakter, satu pembeda)

# Aturan
- Jangan tulis bahan, asal, atau khasiat yang tidak ada di tabel formulasi
- Jangan pakai ekspresi yang butuh bukti seperti "tanpa bahan tambahan" atau "sehat"
- Daftarkan informasi alergen dalam bentuk poin di bagian akhir

Berikutnya untuk cek label. Tempel deskripsi, lalu minta dicocokkan dengan tabel formulasi.

Cocokkan "tabel formulasi" dan "draf deskripsi" berikut.

# Bahan beralergen di tabel formulasi
gandum, kedelai, wijen, makarel

# Draf deskripsi
(tempel di sini deskripsi yang ditulis tim penjualan)

# Yang harus dilakukan
1. Sebutkan item alergen yang ada di tabel formulasi tetapi tidak ada di draf deskripsi sebagai "perlu dicek"
2. Sebutkan pernyataan di draf deskripsi yang tidak bisa dikonfirmasi dari tabel formulasi (asal, khasiat, dll.)
3. Sebutkan ekspresi yang berisiko melanggar regulasi periklanan dan kesehatan
Di akhir, selalu tambahkan "Keputusan akhir dipastikan manusia dengan dokumen asli tabel formulasi".

Skrip verifikasi yang bisa dijalankan

Kalau hanya mengandalkan prompt, Anda tetap harus memastikan “benar-benar tidak ada yang terlewat” dengan mata manusia setiap kali. Karena itu, kami sediakan skrip verifikasi untuk menyaring secara mekanis apakah alergen tertentu sudah ditulis di deskripsi. Skrip ini jalan asal ada Node.js. Cukup masukkan item alergen tabel formulasi ke expected dan deskripsi tim penjualan ke description, lalu jalankan.

// allergen-check.mjs
// Mengecek secara mekanis apakah item alergen tabel formulasi muncul di deskripsi
// Cara pakai: node allergen-check.mjs

// Daftar alergen wajib dan yang dianjurkan dilabeli (contoh representatif per 2026)
const SPECIFIED = [
  "udang", "kepiting", "kenari", "gandum", "soba", "telur", "susu", "kacang tanah",
  "almond", "abalon", "cumi", "telur ikan salmon", "jeruk", "kacang mete",
  "kiwi", "daging sapi", "wijen", "salmon", "makarel", "kedelai",
  "ayam", "pisang", "babi", "matsutake", "persik", "ubi yam", "apel", "gelatin",
];

// Item beralergen yang diambil dari tabel formulasi
const expected = ["gandum", "kedelai", "wijen", "makarel"];

// Deskripsi yang ditulis tim penjualan (tempel teks lengkap termasuk draf label)
const description = `
Lauk gaya Jepang ayam dan gobo. Diolah dengan pasta wijen yang harum dan kaldu katsuo.
Sebagian bahan mengandung gandum dan kedelai.
`;

// Menyaring item "perlu dicek" yang tidak muncul di deskripsi
const missing = expected.filter((item) => !description.includes(item));

// Item di luar tabel formulasi tapi muncul di deskripsi (deteksi penulisan berlebih)
const extra = SPECIFIED.filter(
  (item) => description.includes(item) && !expected.includes(item)
);

console.log("== Cek label alergen ==");
if (missing.length === 0) {
  console.log("Semua item tabel formulasi sudah tercantum di deskripsi");
} else {
  console.log("[Perlu dicek - kemungkinan terlewat]:", missing.join(", "));
}
if (extra.length > 0) {
  console.log("[Perlu dicek - tidak ada di tabel formulasi]:", extra.join(", "));
}
console.log("Keputusan akhir dipastikan manusia dengan dokumen asli tabel formulasi");

Jika skrip ini dijalankan dengan data di atas, karena “wijen” dan “makarel” tidak tertulis di deskripsi, akan keluar “[Perlu dicek - kemungkinan terlewat]: wijen, makarel”. Kecelakaan “wijen terlewat” di awal artikel pun terhenti sebelum pengiriman. Ini tetap cek tahap pertama, jadi pada akhirnya manusia mencocokkan dengan dokumen asli tabel formulasi.

Apa yang berubah sebelum dan sesudah penerapan

Saya mengukur waktu yang dibutuhkan untuk deskripsi dan cek label 6 produk baru di sebuah produsen kenalan saya.

Tahap	Sebelum	Sesudah
Draf deskripsi (6 produk x 3 media)	sekitar 180 menit	sekitar 30 menit
Pencocokan alergen dan bahan	sekitar 60 menit	sekitar 15 menit
Penyaringan ekspresi terlarang	sekitar 30 menit	sekitar 10 menit
Total	sekitar 270 menit	sekitar 55 menit

Kira-kira 4,5 jam menyusut menjadi kurang dari 1 jam. Jika dihitung dengan upah Rp280.000 per jam, satu rilis produk baru menghemat sekitar Rp1.000.000 nilai jam kerja. Perusahaan yang merilis dua kali sebulan bisa menghemat lebih dari Rp25 juta setahun. Yang paling besar manfaatnya: pekerjaan pencocokan tengah malam kini ditopang cek tahap pertama oleh mesin, sehingga kecelakaan seperti “wijen terlewat” berkurang. ROI lebih terasa dari “ketenangan karena kecelakaan berkurang” daripada sekadar waktu.

Kalau ingin pekerjaan lebih cepat lagi, baca juga tips meningkatkan produktivitas Claude Code untuk mendapat ide membuat templat pekerjaan rutin.

Catatan keamanan dan data pribadi

Data industri makanan adalah gumpalan rahasia berupa tabel formulasi. Kalau bagian ini ceroboh, akan menjadi kecelakaan jenis lain.

Rasio formulasi yang akurat, harga pokok, dan nama pemasok jangan ditempel langsung ke AI eksternal. Berikan hanya “jenis” bahannya, sembunyikan rasio dan mitra dagang.
Informasi pribadi seperti nama dan kontak pembeli mitra dagang harus disamarkan sebelum diberikan.
Informasi produk baru yang rahasia, sebelum dipublikasikan, tangani di lingkungan yang tuntas internal (pengaturan yang tidak memakai log untuk pelatihan).
Label yang dihasilkan AI adalah “draf”. Label resmi ditetapkan setelah manusia memeriksa dokumen asli tabel formulasi dan regulasi.

Aturan semacam ini lebih mudah ditegakkan kalau ditulis di file pengaturan proyek dan dibaca setiap kali. Cara menulisnya dirangkum di praktik terbaik CLAUDE.md. Untuk sumber utama regulasi terkait pelabelan, pastikan selalu memeriksa standar resmi seperti pedoman pelabelan pangan dari otoritas keamanan pangan, misalnya Codex Alimentarius dari FAO/WHO.

Pertanyaan umum

T. Bolehkah memakai label yang dihasilkan AI apa adanya? Tidak boleh. Peran AI hanya sampai draf dan penyaringan yang terlewat. Label bahan dan alergen final ditetapkan manusia berdasarkan dokumen asli tabel formulasi dan regulasi terbaru. Karena ini menyangkut nyawa, jangan berkompromi di titik ini.

T. Banyak istilah teknis, saya tidak yakin bisa memberi instruksi dengan baik. Awalnya cukup tempel tabel formulasi dan tulis “saring item alergen dari bahan-bahan ini”. Kalau ingin meningkatkan presisi instruksi, baca teknik praktis prompt engineering untuk mengurangi variasi keluaran.

T. Apakah deskripsi tidak bisa rapi kalau rasio formulasi tidak diberikan? Bukan tidak bisa, justru tanpa itu pun sudah cukup. Yang dibutuhkan deskripsi adalah “jenis” bahan dan keunggulannya, rasio akurat tidak perlu. Malah rasio itu rahasia, jadi menyembunyikannya adalah pilihan yang benar.

T. Apakah daftar alergen wajib tidak akan berubah di masa depan? Akan berubah. Perbarui array SPECIFIED di skrip sesuai pengumuman terbaru. Seperti “kenari” yang ditambahkan ke label wajib, memeriksa informasi otoritas secara berkala adalah cara yang aman.

T. Ingin menerapkan di perusahaan, mulai dari mana? Coba dulu dengan satu produk. Jalankan sekali draf deskripsi dan cek yang terlewat, rasakan efeknya, baru perluas ke produk lain agar lebih kecil risikonya. Kalau ingin menjadikannya sistem perusahaan, bisa dilanjutkan lewat pelatihan atau konsultasi.

Hasil yang benar-benar saya coba

Saya benar-benar membuat tabel formulasi untuk 6 lauk fiktif, lalu menjalankan seluruh prosedur ini. Ada dua hal yang ingin saya pastikan: apakah draf deskripsi benar-benar bisa ditulis berbeda per media, dan apakah skrip verifikasi bisa menangkap item yang terlewat seperti “wijen terlewat”.

Deskripsinya berbeda jumlah karakter dan sudut pandang antara e-commerce, POP, dan proposal, dan langsung bisa dipakai sebagai bahan mentah. Skrip verifikasi, saat saya beri deskripsi yang sengaja menghilangkan “wijen”, dengan benar membalas “[Perlu dicek - kemungkinan terlewat]: wijen”. Sebaliknya, saat saya selipkan “telur” yang tidak ada di tabel formulasi ke deskripsi, skrip menangkapnya sebagai “tidak ada di tabel formulasi”.

Di sisi lain, saya juga merasakan betul bahwa membiarkan AI mengambil keputusan akhir itu mustahil. Penilaian asal yang ambigu atau apakah menulis “mengandung wijen” atau “sebagian memakai wijen” adalah ranah manusia dan regulasi. Karena itu, menyikapi sistem ini sebagai “hanya sampai draf dan peringatan tahap pertama” adalah pilihan yang benar. Dibandingkan saat mencocokkan 6 produk sendirian di tengah malam, rasa tenang karena mesin lebih dulu bersuara itu besar sekali, itu kesan jujur saya.

Untuk rekan kendali mutu dan penjualan yang ingin membangun sistem cek label di perusahaan, lewat pelatihan dan konsultasi kita bisa menyusun bersama cara yang sesuai dengan format tabel formulasi perusahaan Anda.