GoTEK: Membangun Arsitektur Pelacak Keuangan Canggih Berbasis WhatsApp

Halo semua! Pernahkah Anda merasa malas mencatat pengeluaran karena harus membuka aplikasi, login, dan mengisi form yang panjang? Itulah alasan saya membangun GoTEK.

GoTEK adalah aplikasi manajemen keuangan pribadi yang dirancang untuk kecepatan. Alih-alih antarmuka yang rumit, GoTEK mengutamakan interaksi melalui WhatsApp, yang ditenagai oleh AI untuk memproses bahasa alami.

Dalam artikel ini, saya akan membedah arsitektur teknis di balik GoTEK, mulai dari pilihan tech stack hingga bagaimana komponen-komponennya saling berkomunikasi.

🏗️ High-Level Architecture

Arsitektur GoTEK terdiri dari tiga komponen utama yang bekerja secara sinkron:

1. Next.js Dashboard & API: Otak dari aplikasi, menangani UI, autentikasi, dan manajemen basis data.
2. Golang WhatsApp Bot: Layer komunikasi yang menjaga koneksi persisten dengan WhatsApp Web API.
3. Google Gemini AI: Mesin pemroses bahasa (NLP) yang mengubah chat berantakan menjadi data terstruktur.

graph TD
    User((User)) -- WhatsApp Message --> Bot[Golang WA Bot]
    Bot -- Webhook --> NextAPI[Next.js API]
    NextAPI -- Prompt --> Gemini[Gemini AI]
    Gemini -- JSON Data --> NextAPI
    NextAPI -- Save --> DB[(PostgreSQL/Supabase)]
    NextAPI -- Response --> Bot
    Bot -- WhatsApp Reply --> User
    User -- Browser --> Dashboard[Next.js Dashboard]
    Dashboard -- Query --> DB

🛠️ Tech Stack: Mengapa Next.js 15?

Untuk proyek ini, saya memilih Next.js 15 dengan React 19. Ada beberapa alasan teknis di baliknya:

• Server Components & Actions: Meminimalkan beban di sisi client dan mempercepat fetching data dari Supabase.
• Robust API Routes: Sangat krusial untuk menangani webhook dari bot WhatsApp dengan latency rendah.
• Type Safety: Dengan TypeScript di seluruh lapisan (dari database via Prisma hingga UI), error saat runtime dapat diminimalisir.

Di sisi database, saya menggunakan PostgreSQL yang di-host di Supabase, dengan Prisma ORM sebagai jembatan. Prisma memungkinkan saya untuk melakukan query yang kompleks namun tetap terbaca (clean code).

🗄️ Desain Skema Database

Salah satu tantangan terbesar adalah memetakan identitas WhatsApp ke akun pengguna. Di WhatsApp, pengguna sering menggunakan Linked Devices, yang menghasilkan ID berbeda namun merujuk ke orang yang sama.

Saya menggunakan model LidMapping untuk menangani ini:

model LidMapping {
  id         String   @id @default(uuid())
  lid        String   @unique  // Linked ID WhatsApp
  phone      String             // Nomor Telepon Asli
  user_id    String?
  user       User?    @relation(fields: [user_id], references: [id])
}

Dengan skema ini, GoTEK dapat mengenali pengguna meskipun mereka mengirim pesan dari perangkat yang berbeda (HP, Tablet, atau Desktop).

🤖 Integrasi WhatsApp: Silent & Group Mode

GoTEK tidak hanya untuk penggunaan pribadi. Fitur favorit saya adalah Kantong Grup & Patungan. Bot dapat diundang ke grup WhatsApp komunitas atau kos-kosan.

Agar tidak mengganggu (spam), saya mengimplementasikan Silent Mode. Bot hanya akan merespons jika:

• Dikirimi pesan pribadi (DM).
• Di-tag secara eksplisit di grup (contoh: @gotek patungan 50k).

Logika ini dijalankan di layer Golang Bot sebelum diteruskan ke API Next.js, guna menghemat kuota API AI.

🚀 Kesimpulan Sementara

Membangun GoTEK bukan sekadar tentang membuat bot, tapi tentang menciptakan ekosistem di mana teknologi AI dan platform chat yang kita gunakan sehari-hari dapat membantu produktivitas finansial.

Di artikel berikutnya, saya akan membahas secara mendalam tentang AI Parser milik GoTEK: Bagaimana saya melatih prompt Gemini untuk memahami kalimat seperti "tadi siang makan bakso 25rb pake gopay" dan mengubahnya menjadi transaksi yang presisi.

Sampai jumpa di artikel selanjutnya!

Tertarik melihat kodenya? Kunjungi repositori saya di GitHub.