Mudah dan cepatnya menulis kode dengan kecerdasan buatan generatif, namun dapat menjadi mimpi buruk yang panjang dalam pemeliharaan kode dan meningkatkan ketergantungan penggunaan.

Ringkasan Artikel

• Mudahnya penggunaan kecerdasan buatan dalam mengembangkan perangkat lunak. 
• Bahaya akan ketergantungan dalam penggunaan kecerdasan buatan untuk membangun perangkat lunak dan menurunnya kemampuan mengembangkan perangkat lunak secara manual.
• Memaksimalkan penggunaan kecerdasan buatan dalam penulisan kode namun tetap mengutamakan pemahaman terhadap kode yang dihasilkan. 

FIK UPNVJ, 13 Juli 2026 – Perkembangan kecerdasan buatan yang cepat menghasilkan disrupsi di berbagai sektor untuk meningkatkan efektifitas dan efisiensi, tidak terkecuali dalam proses pengembangan perangkat lunak. AI-Driven Development menjadi salah satu metode pengembangan perangkat lunak yang lahir dari adanya perkembangan kecerdasan buatan generatif atau biasa disebut juga dengan General Artificial Intelligence (gen AI). Gen AI adalah teknologi kecerdasan buatan yang dapat membuat konten orisinal seperti teks, gambar, video, audio, atau kode perangkat lunak, untuk merespons prompt atau permintaan pengguna (1).

AI-Driven Development adalah proses membangun perangkat lunak dengan memanfaatkan AI untuk menghasilkan kode sumber atau aplikasi, yang sebagian besar mengotomatisasi tugas-tugas seperti pembuatan kode, pembuatan dokumentasi, pengujian (testing), dan lain-lain. Pendekatan ini dapat menghasilkan peningkatan produktivitas yang sangat signifikan (2). Penggunaan gen AI dalam pengembangan perangkat lunak beragam, dari penggunaan hanya sebatas sebagai pemberi saran hingga memiliki akses penuh dalam menulis dan membuat keputusan pada penulisan kode.

Agentic coding menjadi salah satu produk dari perkembangan gen AI untuk meningkatkan produktivitas pengembangan perangkat lunak. Agentic coding adalah sebuah pendekatan pengembangan perangkat lunak di mana agen AI otonom merencanakan, menulis, menguji, dan memodifikasi kode dengan intervensi manusia yang minimal (3). Berbeda dengan asisten pemrograman AI tradisional yang menunggu pengguna untuk mengetik kode atau mengajukan pertanyaan, alat agentic coding menerima instruksi tingkat tinggi dan mengeksekusinya (3). 

Adanya Agentic Coding inilah yang menjadi salah satu teknologi yang cukup sering digunakan untuk vibe coding. Vibe coding adalah istilah yang menggambarkan pengalaman menulis kode dalam keadaan yang sangat intuitif dan bebas gangguan. Ini merujuk pada metode pemrograman di mana Anda berfokus sepenuhnya pada logika dan nuansa aplikasi tersebut tanpa terjebak oleh kesalahan sintaksis atau kode standar yang berulang (boilerplate) (3). Saat ini vibe coding menjadi hal yang lumrah dalam pengembangan perangkat lunak.

Sebelumnya programmer disibukkan dengan pembuatan perencanaan pengembangan, perancangan arsitektur, peraturan/standarisasi penulisan kode, hingga strategi pengujian perangkat lunak yang dapat menghabiskan waktu berhari-hari hingga berbulan-bulan, dengan adanya AI semua itu dapat dikerjakan dalam hitungan jam. Belum lagi saat masa pengembangan dimana programmer dihadapi dengan berbagai bentuk error yang menyebabkan perangkat lunak tidak berjalan sesuai dengan keinginan, penulisan kode yang harus dilakukan secara berulang, dan bug yang muncul saat pengujian perangkat lunak dilaksanakan. Proses pengembangan perangkat lunak yang cukup berat membuat vibe coding atau AI-Driven Development menjadi obat penyelesaian semua masalah tersebut.

Bayangkan dari proses debugging secara manual yang dapat menghabiskan waktu berhari-hari dapat selesai dengan cukup mengirimkan prompt “Perbaiki error ini, make no mistakes.” yang kemudian Agentic Coding akan mulai merinci permasalahan tersebut dan langsung memperbaiki kode dalam waktu hitungan menit bahkan detik. Penulisan kode dalam pengembangan perangkat lunak yang sangat cepat juga dengan contoh prompt “Tolong buatkan saya fitur autentikasi akun untuk aplikasi web ini”, Agentic Coding akan siap dengan perintah itu dan langsung mulai proses penulisan kodenya. 

Adanya kemudahan dan kecepatan pengembangan perangkat lunak dengan bantuan AI tidak serta merta tanpa adanya kekurangan. Kekurangan tersebutlah yang perlu diperhatikan oleh programmer dan diantaranya adalah berkurangnya kemampuan memecahkan masalah pada tingkat kode dan ketergantungan pemakaian produk AI dalam pengembangan perangkat lunak.

Sebuah studi menemukan bahwa para dokter mendeteksi lebih sedikit polip prakanker selama prosedur kolonoskopi standar setelah mereka rutin menggunakan sistem deteksi kecerdasan buatan (AI) (4). Para peneliti menganalisis 1.443 prosedur kolonoskopi tanpa AI di empat pusat endoskopi di Polandia. Tingkat deteksi adenoma (adenoma detection rate/ADR) turun dari 28,4% sebelum implementasi AI menjadi 22,4% setelahnya (sebuah penurunan absolut sebesar 6%) menurut temuan yang dipublikasikan di The Lancet Gastroenterology & Hepatology (4). Para penulis mengaitkan penurunan ini dengan potensi ketergantungan berlebih pada AI, yang menurut mereka dapat mengurangi fokus dan keterlibatan aktif saat teknologi tersebut sedang tidak digunakan (4).

Penurunan kemampuan dalam pengembangan perangkat lunak secara manual di masa yang akan datang menjadi salah satu kekhawatiran yang muncul. Mudahnya melakukan prompting atau memberi perintah dengan bahasa sehari-hari tanpa perlu mengetahui secara dalam bagaimana bahasa pemrograman dan teknologi yang digunakan dapat membuat penurunan kemampuan terhadap rekayasa atau penggunaan teknologi tersebut untuk pengembangan perangkat lunak. 

Pada studi lain yang berjudul “Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task” juga ditemukan bahwa meskipun Large Language Models (LLM) menawarkan kemudahan instan, temuan penulis studi tersebut menyoroti potensi kerugian kognitif (5). Selama empat bulan penelitian tersebut, pengguna LLM secara konsisten menunjukkan performa yang lebih rendah pada tingkat saraf (neural), linguistik, dan perilaku. Hasil-hasil ini menimbulkan kekhawatiran tentang implikasi pendidikan jangka panjang dari ketergantungan pada LLM dan menggarisbawahi perlunya penyelidikan lebih dalam mengenai peran AI dalam pembelajaran (5).

Apabila penurunan kemampuan pengembangan perangkat lunak telah terjadi dengan baris kode perangkat lunak yang dihasilkan oleh gen AI sudah cukup banyak, pemeliharaan kode dapat menjadi lebih sulit untuk dipahami. Solusi termudah untuk menjawab permasalahan tersebut adalah tetap melanjutkan penggunaan produk gen AI.

Penggunaan gen AI untuk pengembangan perangkat lunak pada saat penulisan artikel ini dapat dibilang cukup murah dengan masih banyak opsi akses gratis yang diberikan. Namun pada artikel lain mengatakan bahwa para analis industri telah mengamati selama bertahun-tahun bahwa harga langganan AI untuk konsumen ditetapkan demi pertumbuhan, bukan keuntungan (6). Tujuannya adalah untuk mengakuisisi pengguna, membiasakan pasar agar bergantung pada perangkat AI, serta membangun data dan putaran umpan balik (feedback loops) yang diperlukan untuk menyempurnakan model (6). 

Pada artikel lain juga menyampaikan, CTO Uber baru-baru ini mengungkapkan bahwa perusahaan tersebut telah menghabiskan seluruh anggaran pemrograman AI tahun 2026 mereka hanya dalam waktu empat bulan. Pada bulan Maret, 84 persen insinyur Uber telah mengadopsi Claude Code, dan sekitar 70 persen kode yang masuk ke sistem (committed code) kini berasal dari AI. Tingkat penggunaannya sangat masif. Namun, nilai yang dihasilkannya jauh lebih samar. COO dan Presiden Uber, Andrew Macdonald, secara terbuka mengakui bahwa penggunaan token tampaknya tidak berkorelasi langsung dengan perilisan fitur-fitur yang berguna bagi pengguna (7). Hal ini menunjukkan bahwa harga asli dari pengembangan perangkat lunak dengan bantuan gen AI tidaklah murah.

Penulis sendiri bukanlah seorang anti penggunaan gen AI, gen AI tetap dapat berfungsi untuk meningkatkan produktivitas dan efisiensi kebutuhan pekerjaan sehari-hari namun penggunaannya patut untuk diperhatikan secara seksama. Penulis menggunakan gen AI dalam bentuk Agentic Coding untuk mengembangkan perangkat lunak sekaligus agar lebih cepat dalam mempelajari teknologi yang digunakan. Di bawah ini adalah bagaimana penulis menggunakan gen AI untuk mengembangkan perangkat lunak:

1. Prompting secara spesifik

Dibandingkan prompt secara luas dan membuat gen AI tersebut yang membuat perencanaan dan critical thinking maka alihkan semua hal itu kepada prompter atau penulis prompt. Contohnya jangan buat prompt seperti “Buatkan saya aplikasi dengan fitur A,B, dan C” namun buat perencanaan dan pecahkan menjadi hal terkecil sampai fitur itu dihasilkan, seperti “Buatkan saya tabel bernama user dengan kolom: A, B, dan C”, “Buatkan API untuk mengambil data dari tabel user dengan parameter A,B, dan C”, dan “Buatkan saya tampilan pagination untuk menghubungkan data dari API get User sebelumnya”. Anda dapat lebih memahami setiap langkah-langkah kebutuhan aplikasi dan apabila ada kesalahan atau ketidaksesuaian kode yang dihasilkan maka anda dapat lebih mudah untuk memperbaiki hal tersebut.

2. Tanyakan apabila ada kode yang dihasilkan membuat kebingungan dan tidak tahu fungsinya

Bertanya kepada gen AI untuk menjelaskan kode yang telah dituliskan. Gen AI dapat memberikan penjelasan mengenai mengapa kode tersebut dihasilkan dan fungsi yang dikeluarkan. Anda dapat mempelajari hal tersebut dan paham apabila perlu ada perubahan secara manual tanpa bantuan gen AI.

3. Membuat dokumentasi yang baik

Adanya gen AI dapat lebih mudah untuk membuat dokumentasi teknis dari perangkat lunak yang anda buat. Pastikan buat dokumentasi yang mudah dibaca dan dipahami.

Riset lebih lanjut dibutuhkan untuk melihat implementasi semua tips sebelumnya terhadap dengan banyaknya pemakaian token/kuota/biaya dalam penggunaan gen AI. Gen AI hadir untuk meningkatkan produktivitas namun apabila tidak digunakan dengan baik dapat menjadi boomerang yang membahayakan di masa depan. Tetap berpikir kritis dan memegang kendali keputusan biarkan kecerdasan buatan membantu dan memberikan saran dalam memaksimalkan keputusan yang diambil. 

Humas Fakultas Ilmu Komputer
UPN “Veteran” Jakarta

Oleh: Rayhan Hidayat – Tendik Fakultas Ilmu Komputer UPN “Veteran” Jakarta

Informasi lainnya dapat dilihat pada web UPNVJ

Daftar Referensi

1. https://www.ibm.com/id-id/think/topics/generative-ai
2. https://medium.com/effortless-programming/the-ai-driven-development-glossary-a487616801b6
3. https://cloud.google.com/discover/what-is-agentic-coding
4. https://www.medicaldesignandoutsourcing.com/study-warns-doctors-might-lose-skills-after-using-ai/
5. https://arxiv.org/abs/2506.08872
6. https://www.mindstudio.ai/blog/ai-pricing-shock-end-of-cheap-subscriptions
7. https://www.forbes.com/sites/jemmagreen/2026/07/02/ai-costs-more-than-the-people-it-replaced/