Kenapa AI Coding Agent Sering Ngaco dan boros? Pentingnya Context Engineering dalam Pengembangan Perangkat Lunak Modern
Ricko Caesar Aprilla Tiaka
Updated June 25, 2026 at 16:29
#AI Coding#coding environment#developer productivity#NgomonginIT#Programmer Life#Programming#Software Performance#Technology#Trend#vibe coding#Web Development
AI Bukan Tukang Ramal
Dalam beberapa tahun terakhir, AI Coding Agent seperti Claude Code, Cursor, OpenCode, Gemini CLI, GitHub Copilot, dan ChatGPT telah mengubah cara developer membangun perangkat lunak. Aktivitas yang sebelumnya membutuhkan waktu berjam-jam untuk membaca dokumentasi, membuat boilerplate, melakukan refactoring, atau menulis unit test kini dapat dilakukan dalam hitungan menit [1], [2].
Namun di balik peningkatan produktivitas tersebut, muncul satu keluhan yang hampir selalu terdengar di komunitas developer:
"Kenapa AI malah membuat solusi yang berbeda dari yang saya inginkan?"
Sebagian orang menganggap masalah tersebut berasal dari keterbatasan model AI. Padahal dalam banyak kasus, akar masalahnya bukan terletak pada model yang digunakan, melainkan pada kualitas informasi yang diberikan kepada model tersebut [3].
AI tidak memiliki kemampuan membaca pikiran. AI hanya dapat mengambil keputusan berdasarkan konteks yang tersedia dalam percakapan dan data yang diberikan pengguna. Ketika informasi yang diberikan minim, model akan berusaha mengisi kekosongan tersebut menggunakan asumsi berdasarkan pola yang pernah dipelajarinya selama proses pelatihan [4].
Ketika seorang developer hanya menulis:
"Buatkan fitur login"
AI harus menebak sendiri berbagai informasi penting seperti framework yang digunakan, pola autentikasi yang diinginkan, struktur codebase, dependency yang tersedia, hingga standar pengembangan yang berlaku pada proyek tersebut.
Semakin banyak hal yang harus ditebak, semakin besar kemungkinan AI menghasilkan solusi yang tidak sesuai dengan kebutuhan pengguna.
Dari Prompt Engineering ke Context Engineering
Selama beberapa tahun terakhir istilah Prompt Engineering menjadi sangat populer dalam dunia AI. Banyak orang berusaha mencari formula prompt terbaik agar AI dapat menghasilkan jawaban yang lebih akurat.
Namun perkembangan AI Agent modern telah menggeser fokus tersebut. Saat ini banyak peneliti dan praktisi AI mulai menggunakan istilah Context Engineering untuk menggambarkan kemampuan menyediakan konteks yang tepat bagi model sebelum proses reasoning dilakukan [1], [3].
Dalam pengembangan perangkat lunak, konteks dapat berupa:
1. Struktur codebase
2. Dokumentasi proyek
3. Coding standard
4. Arsitektur sistem
5. Requirement bisnis
6. Dependency yang tersedia
7. Riwayat perubahan kode
Semakin lengkap konteks yang diberikan, semakin kecil kemungkinan AI membuat asumsi yang salah. Dengan kata lain, kualitas hasil yang diberikan AI sering kali lebih ditentukan oleh kualitas konteks dibandingkan panjang pendeknya prompt [2].
Mengapa Prompt Pendek Sering Menjadi Masalah?
Pertimbangkan instruksi berikut:
"Buat dashboard admin."
Bagi manusia, instruksi tersebut mungkin terlihat jelas.
Namun bagi AI, terdapat banyak pertanyaan yang belum terjawab:
1. Dashboard untuk siapa?
2. Framework apa yang digunakan?
3. Data apa yang harus ditampilkan?
4. Apakah terdapat role dan permission?
5. Apakah sudah ada design system?
6. Apakah boleh menambah dependency baru?
Ketika informasi tersebut tidak tersedia, AI mulai mengeksplorasi berbagai kemungkinan solusi. Proses eksplorasi ini membutuhkan reasoning tambahan yang berdampak pada peningkatan penggunaan token, waktu inferensi, dan risiko menghasilkan kode yang tidak sesuai kebutuhan [3], [5].
Akibatnya developer sering merasa bahwa AI "ngaco", padahal sebenarnya AI hanya berusaha mengisi kekosongan informasi yang tidak diberikan oleh pengguna.
Context yang Baik Menghasilkan Kode yang Lebih Baik
Mari bandingkan dua prompt berikut.
Prompt pertama:
"Buatkan fitur login."
Prompt kedua:
"Project menggunakan Laravel 12 dan React.
Gunakan komponen ShadCN UI yang sudah tersedia.
Ikuti struktur folder yang ada.
Jangan install dependency baru.
Gunakan repository pattern yang telah diterapkan pada modul lain.
Output hanya file yang berubah."
Pada prompt kedua, AI memperoleh konteks yang jauh lebih kaya. Model tidak perlu lagi menebak framework yang digunakan, standar pengembangan yang berlaku, atau batasan yang harus dipatuhi.
Akibatnya AI dapat memfokuskan reasoning pada penyelesaian masalah yang sebenarnya, bukan pada proses menebak kebutuhan pengguna [4].
Bad Prompt vs Good Prompt explanation
Hubungan Context dan Penggunaan Token
Salah satu kesalahpahaman yang sering terjadi adalah anggapan bahwa penggunaan token hanya dipengaruhi oleh model AI yang digunakan.
Padahal dalam praktiknya, cara pengguna berinteraksi dengan AI juga memiliki pengaruh yang signifikan terhadap konsumsi token [5].
Sebagai contoh, prompt seperti:
"Perbaiki bug ini."
akan memaksa AI melakukan eksplorasi yang luas terhadap codebase untuk mencari kemungkinan lokasi masalah.
Sebaliknya prompt seperti:
"Perbaiki bug login pada AuthController.php.
Error terjadi saat user belum melakukan verifikasi email.
Jangan ubah file lain."
memberikan ruang pencarian yang jauh lebih sempit sehingga model dapat memfokuskan proses reasoning pada area yang benar-benar relevan.
Hasilnya:
1. Token lebih hemat
2. Waktu pengerjaan lebih cepat
3. Solusi lebih akurat
4. Risiko overengineering lebih rendah
5. Jumlah revisi berkurang
Inilah alasan mengapa pendekatan minimalis seperti Ponytail atau prinsip YAGNI sering menghasilkan efisiensi yang lebih baik. Bukan semata-mata karena menghasilkan kode yang lebih pendek, tetapi karena AI diarahkan untuk fokus pada masalah yang benar-benar perlu diselesaikan [1], [3].
Framework Sederhana untuk Berkomunikasi dengan AI
Dalam penggunaan sehari-hari, developer dapat menggunakan kerangka komunikasi sederhana berikut:
Goal
Apa yang ingin dicapai?
Contoh:
"Saya ingin membuat fitur login."
Context
Lingkungan tempat kode berjalan.
Contoh:
"Project menggunakan Laravel 12 dan React."
Constraint
Batasan yang harus dipatuhi.
Contoh:
"Jangan install package baru."
Output
Bentuk hasil yang diharapkan.
Contoh:
"Berikan hanya file yang perlu diubah."
Formula sederhananya adalah:
Goal + Context + Constraint + Output
Pendekatan ini membantu AI memahami masalah secara lebih jelas sekaligus mengurangi kebutuhan untuk membuat asumsi tambahan.
4 Steps for Decreasing Token Usage
Masa Depan Developer di Era AI
Kemunculan AI Coding Agent mengubah salah satu keterampilan paling penting dalam pengembangan perangkat lunak.
Jika sebelumnya fokus utama developer adalah menulis kode, kini kemampuan menjelaskan masalah secara jelas menjadi semakin bernilai.
Developer yang mampu menjelaskan tujuan, konteks, dan batasan dengan baik akan memperoleh hasil yang jauh lebih akurat dibandingkan mereka yang hanya memberikan instruksi singkat tanpa informasi tambahan [2], [6].
Kemampuan komunikasi teknis dan penyampaian konteks yang efektif berpotensi menjadi salah satu kompetensi utama developer pada era AI-assisted software development.
Kesimpulan
AI Coding Agent bukanlah tukang ramal.
Meskipun model-model modern semakin canggih, mereka tetap membutuhkan konteks yang cukup untuk menghasilkan solusi yang tepat.
Dalam banyak kasus, kualitas hasil AI tidak ditentukan oleh seberapa panjang prompt yang ditulis, melainkan oleh seberapa relevan konteks yang diberikan.
Developer terbaik di era AI bukan hanya mereka yang mampu menulis kode yang baik, tetapi juga mereka yang mampu menjelaskan masalah, tujuan, dan batasan secara jelas.
Karena pada akhirnya:
Better Context → Better Reasoning → Better Code
Dan sering kali:
Less Guessing → Less Tokens → Better Results
Referensi
[1] A. Karpathy, Software in the Age of AI, YouTube Presentation, 2025.
[2] E. Mollick, Co-Intelligence: Living and Working with AI. New York: Portfolio, 2024.
[3] Anthropic, Claude Code Documentation and Best Practices, Anthropic Documentation, 2025.
[4] OpenAI, Prompt Engineering Guide and GPT Best Practices, OpenAI Documentation, 2024.
[5] Microsoft Research, Generative AI for Software Engineering: Current Trends and Future Directions, Microsoft Research Technical Report, 2024.
[6] GitHub Research, Quantifying GitHub Copilot's Impact on Developer Productivity, GitHub Research Report, 2024.
[7] A. Vaswani et al., "Attention Is All You Need," Advances in Neural Information Processing Systems (NeurIPS), vol. 30, 2017.
[8] Anthropic Research, Context Windows, Tool Use, and Agentic Reasoning in Large Language Models, 2025.
Komentar (0)
Belum ada komentar. Jadilah yang pertama!