Day 9: Agentic AI untuk Coding – Use Case Aman untuk Pemula

Agentic AI sangat populer di dunia coding karena bisa membantu membaca konteks, mengedit file, menjalankan pengecekan, dan memperbaiki error. Namun untuk pemula, penggunaannya harus tetap aman dan terkontrol.

Use case aman untuk pemula

• Membuat boilerplate komponen sederhana.
• Menulis dokumentasi README.
• Membuat contoh data dummy.
• Menjelaskan fungsi kode yang belum dipahami.
• Membantu refactor kecil tanpa mengubah logika besar.

Cara memberi instruksi ke agent coding

Jangan hanya menulis “perbaiki kode ini”. Beri batasan yang jelas: file mana yang boleh diedit, tujuan perubahan, dan cara verifikasi.

Baca file [nama file]. Jelaskan masalahnya dulu. Jangan edit sebelum memberi rencana. Setelah saya setuju, ubah seminimal mungkin dan jelaskan cara mengetesnya.

Aturan keamanan

• Selalu lihat diff/perubahan sebelum disimpan.
• Jangan beri akses ke file rahasia.
• Jalankan test setelah perubahan.
• Mulai dari project latihan, bukan production.

Target hari kesembilan: Anda bisa memakai Agentic AI untuk coding dengan batasan yang aman.

Contoh Sesi Coding dengan Agentic AI

Bayangkan Anda ingin membuat halaman HTML sederhana. Dengan agentic AI: (1) Anda bilang “Buat halaman profil pribadi dengan HTML dan CSS”. (2) AI membaca struktur folder Anda. (3) AI membuat file index.html dan style.css. (4) AI membuka file di editor untuk preview. (5) Anda minta tambahkan dark mode. (6) AI mengedit CSS untuk menambahkan tema gelap. (7) AI mengecek apakah halaman masih berfungsi. Semua ini terjadi tanpa Anda menulis satu baris kode pun — cukup memberi instruksi dan review hasil.

Prompt Aman untuk Agentic AI Coding

Contoh prompt yang aman: (1) “Baca file components/Button.tsx dan jelaskan fungsinya.” (2) “Buat unit test untuk fungsi calculateTotal di utils/math.ts.” (3) “Refactor fungsi ini agar lebih modular, tanpa mengubah logika bisnis.” (4) “Tambahkan error handling di bagian fetch data.” (5) “Buat dokumentasi README untuk proyek ini.” Semua prompt ini memiliki scope terbatas, hasilnya mudah diverifikasi, dan risikonya minimal.

Masa Depan Coding dengan Agentic AI

Dalam 2-3 tahun ke depan, agentic AI coding akan menjadi standar industri. Developer akan bekerja seperti manajer yang mengarahkan tim AI: memberi spesifikasi, review output, dan mengintegrasikan hasil. Peran developer akan bergeser dari menulis baris kode ke merancang arsitektur dan memastikan kualitas. Ini berarti skill yang paling berharga bukan lagi kemampuan coding teknis, tetapi kemampuan merancang solusi, berpikir kritis, dan berkomunikasi dengan AI.

Tools Agentic AI untuk Non-Developer

Agentic AI tidak hanya untuk developer. Tools yang bisa dipakai non-developer: (1) Claude (Anthropic) — dengan fitur tool use dan computer use, Claude bisa mengoperasikan aplikasi desktop. (2) ChatGPT dengan plugins — bisa browsing, analisis data, dan generate gambar. (3) Gemini — integrasi dengan Google Workspace untuk mengelola dokumen dan email. (4) Zapier AI — otomatisasi workflow tanpa coding. Non-developer bisa memulai dengan use case sederhana seperti: “Buat ringkasan email masuk dan balas yang penting secara otomatis.”

Masa Depan Agentic AI untuk Semua

Tren ke depan: agentic AI akan semakin mudah diakses oleh non-developer. Antarmuka akan bergeser dari kode ke bahasa natural. Anda akan bisa berkata “Bantu saya mengelola proyek ini” dan AI akan secara otomatis: membuat task list, mengirim pengingat, menyusun laporan, dan mengkoordinasi tim. Ini bukan fiksi ilmiah — teknologi untuk ini sudah ada dan terus berkembang. Memahami konsep dasar agentic AI sekarang adalah investasi untuk masa depan.

Kesimpulan Day 9

Agentic AI untuk coding membuka kemungkinan baru dalam pengembangan software. Untuk pemula, mulailah dengan use case aman: dokumentasi, boilerplate, dan eksplanasi kode. Selalu batasi akses, review perubahan, dan test hasilnya. Dengan pendekatan hati-hati, agentic AI adalah asisten coding yang sangat powerful.

Prompt Library untuk Agentic AI Coding

Kumpulkan prompt yang sering Anda gunakan untuk coding: (1) “Baca file ini dan jelaskan arsitekturnya.” (2) “Buat unit test dengan Jest untuk fungsi berikut.” (3) “Refactor kode ini agar lebih modular, pisahkan concern.” (4) “Tambah error handling dan logging di fungsi ini.” (5) “Buat dokumentasi JSDoc untuk kelas ini.” (6) “Optimasi query database ini, jelaskan perubahan.” (7) “Buat Dockerfile untuk aplikasi ini.” Simpan prompt ini dan gunakan kembali. Semakin sering Anda menggunakan prompt yang sama, semakin baik AI memahami preferensi Anda.

Belajar Framework dan Library dengan AI

AI sangat membantu untuk belajar framework baru. Contoh: “Saya ingin belajar React untuk pemula. Buat: (1) Peta konsep komponen React. (2) Tutorial step-by-step membuat komponen sederhana. (3) Contoh state, props, dan hooks. (4) Latihan praktik dengan studi kasus todo app. (5) Error umum dan solusinya.” AI akan menyesuaikan material dengan kecepatan belajar Anda. Tidak ada lagi “tutorial hell” karena Anda bisa minta AI menjelaskan bagian mana pun yang belum paham.

Mengapa Prompt Perlu Dioptimasi?

Optimasi prompt adalah proses meningkatkan efisiensi dan efektivitas prompt berdasarkan data dan pengalaman. Tujuannya: output berkualitas lebih tinggi dengan lebih sedikit token, lebih sedikit iterasi, dan lebih sedikit waktu. Prompt yang sudah dioptimasi bisa menghemat hingga 70% waktu dibanding prompt mentah. Optimasi bukan tentang membuat prompt lebih panjang — tapi membuat setiap kata dalam prompt memiliki fungsi yang jelas dan memberikan nilai tambah pada output.

7 Teknik Optimasi Prompt

(1) Pruning — hapus kata-kata yang tidak diperlukan. “Saya ingin kamu tolong bantu saya untuk membuat” cukup “Buat”. (2) Prioritization — tempatkan instruksi terpenting di awal prompt. (3) Structuring — gunakan format yang mudah dipindai: bullet points, numbering, dan short paragraphs. (4) Specification — ganti kata abstrak dengan spesifik. “Menarik” → “mengandung fakta mengejutkan di paragraf pertama”. (5) Context optimization — berikan konteks seefisien mungkin tanpa mengorbankan kejelasan. (6) Output formatting — tentukan format output secara eksplisit: JSON, markdown, tabel, atau paragraf. (7) Temperature calibration — untuk tugas faktual, minta AI lebih deterministik; untuk tugas kreatif, beri ruang improvisasi. Terapkan 7 teknik ini dan lihat perbedaan kualitas output.

A/B Testing untuk Prompt

Sama seperti marketing, prompt juga perlu A/B testing. Buat 2 versi prompt untuk tugas yang sama. Uji dengan AI yang sama dan parameter yang sama. Bandingkan hasilnya berdasarkan metrik: relevansi, kreativitas, akurasi, dan kemudahan editing. Contoh A/B test: Prompt A — “Buat artikel tentang AI.” Prompt B — “Buat artikel 800 kata tentang AI untuk pemula. Struktur: masalah → solusi → contoh → kesimpulan. Nada percakapan.” Hasil Prompt B akan jauh lebih baik. Lakukan A/B testing secara rutin, terutama untuk prompt yang sering Anda gunakan. Dokumentasikan versi terbaik dan jadikan template.

Prompt Optimization untuk Berbagai AI Model

Setiap model AI punya karakteristik berbeda. ChatGPT lebih kuat di kreativitas dan percakapan. Claude unggul dalam analisis mendalam dan dokumentasi panjang. Gemini bagus untuk multitask dan integrasi Google. Perplexity ideal untuk riset dengan sumber. Optimasi prompt perlu disesuaikan: untuk ChatGPT — beri persona yang kuat dan instruksi kreatif. Untuk Claude — minta analisis bertahap dan struktur yang rapi. Untuk Gemini — manfaatkan kemampuan multimodal (teks + gambar + data). Untuk Perplexity — minta sumber spesifik dan format sitasi. Kenali kekuatan setiap model dan optimasi prompt Anda sesuai.

Prompt Management System

Setelah Anda punya puluhan prompt efektif, Anda perlu sistem untuk mengelolanya. Buat prompt library dengan: (1) Kategori — content writing, coding, analisis, kreatif, riset. (2) Tags — #blog #seo #copywriting #python. (3) Versioning — simpan history perubahan prompt. (4) Performance notes — catat metrik efektivitas. (5) Use cases — contoh situasi di mana prompt ini paling efektif. Tools seperti Notion, Obsidian, atau Google Sheets bisa jadi prompt library. Dengan sistem manajemen, Anda tidak perlu menulis ulang prompt dari nol setiap kali — tinggal ambil, sesuaikan, dan pakai.

Masa Depan Prompt Engineering

Tren prompt engineering ke depan: (1) AI akan semakin bisa memahami intent alami — prompt tidak perlu serumit sekarang. (2) Prompt akan lebih visual — drag-and-drop interface untuk membangun prompt kompleks. (3) Prompt akan terintegrasi dengan tools — bukan copy-paste manual tapi API-based. (4) Prompt library akan jadi aset berharga — seperti library kode untuk developer. (5) Akan muncul profesi spesialis — Prompt Architect, AI Workflow Designer. Tapi prinsip dasarnya tetap: kejelasan, konteks, dan iterasi. Kuasai fundamental ini dan Anda akan selalu relevan di era AI manapun.

Kesimpulan: Skill Prompt Engineering sebagai Investasi

Prompt engineering bukan skill yang basi — justru semakin penting. Semakin canggih AI, semakin tinggi ekspektasi terhadap kualitas interaksi. Prompt engineering adalah jembatan antara potensi AI dan hasil nyata. Investasi waktu untuk belajar prompt engineering adalah investasi dengan ROI tertinggi — karena setiap prompt yang Anda tulis akan terus menghasilkan nilai setiap kali Anda menggunakan AI. Selamat, Anda sudah menyelesaikan 9 hari bootcamp prompt engineering. Hari ke-10 akan menjadi grand finale yang mengintegrasikan semua skill yang sudah dipelajari.

---

Lanjut Belajar AI

Jika artikel ini membantu, lanjutkan ke materi terstruktur agar pemahaman AI lebih rapi dan praktis.

Buka Materi Belajar AILihat AI Tools