Sejak posting terakhir tahun lalu, saya semakin banyak melakukan vibe coding (coding menggunakan bahasa natural, dibantu AI). Saya sudah mencoba banyak tool, dan sekarang sudah mulai nyaman dengan konfigurasi yang ada saat ini.
Jika kita berusaha memakai semua tool baru yang muncul, maka tidak akan ada habisnya, dan apapun tool yang kita pilih, sebagian orang akan mempertanyakan: kenapa nggak pake tool lain?. Tulisan di blog ini sekedar jadi catatan saat ini, jadi ketika melihat balik, saya bisa tahu apa tool yang saya pakai, dan bagaimana setup saya waktu itu.
Satir yang saya temukan di X ini cukup merangkum situasi saat ini. Satirnya baru mengcover sebagian tool saja, masih banyak yang belum dicover (seperti misalnya Github Copilot, Windsurf, Google Antigravity dan Trae dari Bytedance)
Daftar Isi
Strategi Evaluasi Tool
Sekarang setelah mencoba banyak tool, saya tidak akan mencoba langsung tool yang baru dilaunch, saya akan tunggu dulu, minimal beberapa minggu atau bahkan beberapa bulan. Saya akan mencoba setelah memastikan bahwa: toolnya masih ada, harga dan fiturnya ok, serta tidak ada banyak masalah (biasanya ini diukur dari complain di reddit).
Contoh kejadian: Trae (dari bytedance) sangat murah, tadinya support model dari Anthropic (Claude Haiku, Sonnet, dsb), tapi kemudian dicabut supportnya. Windsurf: beberapa kali ganti pricing (sepertinya sekarang sudah stabil, tapi mahal).
Waktu gemini CLI dilaunch, langsung saya coba, cukup bagus. Tapi kemudian ada bug: startupnya lama sekali (lebih dari semenit), issuenya ada di github dan solusinya cukup lama (perhatikan: meski sudah closed, masih banyak yang mengalami startup lama). Akhirnya ini yang membuat saya tidak memakai lagi Gemini CLI.
Vibe Coding dan Vibe Engineering
Sebagian orang menyarankan perbedaan antara vibe coding dan vibe engineering. Secara sederhana: vibe coding benar-benar meminta AI melakukan semuanya, tidak perlu dilihat kodenya seperti apa. Sedangkan dalam vibe engineering, AI diperlakukan seperti programmer: harus ada yang mereview kode yang dipush, harus membuat test, dsb.
Sekarang ini: saya tidak lagi coding untuk perusahaan, jadi bebas melakukan keduanya, dengan kecenderungan melakukan vibe coding dibandingkan engineering. Saya lebih sering memakai tool AI untuk mengeksplor dan membuat program untuk diri sendiri.
Tool favorit saya saat ini
Saat ini saya memakai Claude Code dan Codex. Claude Code sekarang ini menjadi “pemimpin”, banyak fitur coding dengan tool CLI muncul duluan di Claude, misalnya MCP, subagents, hooks (sampai saat ini Codex belum mendukung hooks), skill, dsb.
Meski fiturnya masih kurang lengkap, Codex saya pakai karena ini yang paling gampang untuk mengakses model GPT-5.2 dari OpenAI.
Saya memakai VSCode jika ingin mengedit sesuatu secara manual, dibantu copilot. Di terminal saya memakai neovim (lebih mudah dipakai mobile) dengan plugin Github Copilot, dan di emacs juga saya set autocomplete dengan Github Copilot.
Model favorit
Saya sekarang banyak menggunakan Claude Sonnet dan GPT 5.2-Codex. Tadinya Claude jauh lebih unggul, tapi sekarang keduanya sudah sangat dekat, dan cukup sering hasil GPT lebih bagus. Kedua model ini sudah sangat bagus, sehingga saya sering bisa meminta sesuatu, dan langsung jadi.
Claude Code bisa dipakai dengan model AI yang lain (dengan mengganti settings.json). Karena saya juga tidak ingin bergantung pada model proprietary, jadi saya juga sering memakai aneka model Open: Minimax, GLM (dari Z.AI), Kimi dan DeepSeek. Semuanya sudah cukup OK untuk hal-hal sederhana, atau hal-hal yang sudah jelas langkah-langkahnya, selain itu saat ini harganya masih sangat murah.
Sebuah model yang open tidak bergantung pada provider, dan teorinya bisa dijalankan lokal (jika punya GPU yang cukup). Jika sebuah perusahaan tidak ingin membocorkan data ke provider AI, maka perusahaan itu bisa mensetup sendiri server di dalam perusahaan memakai model open source.
Saat ini yang sering saya lakukan: coba solve masalah dengan model open source, jika sudah ok, maka akan saya gunakan, tapi jika tidak ok, saya reset perubahannya (saya memakai git untuk managemen versi) dan coba lagi dengan Claude/Codex. Saya punya skrip untuk switch dari aneka provider ini. Untuk hal-hal sangat sederhana, model open source akan membuat saya bisa menghemat jatah model dari Anthropic yang limitnya sedikit sekali.
Beberapa kali saya melihat bahwa programmer Indonesia akan menggunakan prompt berbahasa Indonesia untuk coding. Dari pengalaman saya: prompting dalam bahasa inggris akan lebih baik, terutama pada model open source. Model open source biasanya ditraining hanya dalam bahasa inggris dan mandarin. Selain itu menurut saya prompting dalam bahasa inggris akan lebih baik, karena akan memaksa belajar komunikasi yang baik dalam bahasa inggris.
Catatan harga saat ini untuk referensi di masa depan: Chat GPT Pro (untuk Codex) 20 USD/bulan, Claude Pro (20 USD/bulan, atau 204 USD/tahun), Minimax (10 USD/bulan, atau 100 USD/tahun untuk starter), GLM/ZAI (6 USD/bulan untuk lite atau 72 USD/tahun, saat ini diskon menjadi 28.8 USD/tahun untuk lite). Untuk DeepSeek saya membayar per API call langsung ke DeepSeek, dan untuk Kimi saya memakai API call via Open Router.
Ketika melihat-lihat model berbayar saat ini, saya juga jadi merenungkan bahwa meskipun teorinya AI akan membuat semua orang memiliki kemampuan sama, tapi orang yang memiliki uang lebih banyak saat ini bisa membayar model yang lebih baik. Jadi produktivitas dengan AI saat ini juga terbatas karena biaya membayar model AI.
Model Context Protocol (MCP)
MCP bisa digunakan untuk menambah tool pada sebuah model, misalnya MCP untuk postgres akan membuat tool bisa mengakses langsung database. Saya belum terlalu butuh MCP semacam ini (dan masih agak khawatir akan membuat kesalah), jadi belum saya pakai.
Saya hanya menggunakan MCP context7 untuk dokumentasi kode. Claude dan codex sudah punya tool sendiri untuk web search dan web fetch, serta untuk memahami gambar. Ketika memakai model lain, saya memakai MCP untuk search web dan membaca web dari Minimax dan Z.AI.
Vibe coding on the go
Karena sekarang coding bisa sekedar dengan mengetik bahasa manusia, saya bisa coding di mana saja. Saya sudah mensetup Claude Code di ponsel, dan bisa SSH ke rumah juga untuk menjalankan Claude Code di rumah.
Sekarang saya sering membawa laptop Fujitsu MU-937, beratnya hanya 800 gram, dan saya beli sekitar 99 USD (second hand). Memorinya hanya 8 GB, dual core, dan storagenya hanya 256 GB. Karena ringan, tidak terasa kalau masuk tas, dan karena murah, saya tidak khawatir kalau terbentur atau rusak. Ketika liburan tahun baru ke medan, saya juga hanya membawa laptop ini.
Contoh Aplikasi
Sekedar pelengkap untuk orang yang masih bertanya-tanya: jadi bisa vibe coding apa saja? Saya contohkan dua yang saya vibecode, yang “bukan sekedar aplikasi web”
- Porting MCP server dari python ke go. Saya berikan repo Python asli, lalu saya minta porting ke Go, karena versi python butuh library yang tidak jalan di Termux Android
- Keyboard makro: Saya punya device ESP32, dengan LCD touch screen, saya berikan repo yang berisi program demo untuk device ini, lalu saya minta membuatkan program supaya layar LCD disentuh seolah-olah jadi keyboard
Penutup
Vibe coding/vibe engineering saat ini wajib dikuasai oleh software developer. Saat ini kemampuan aneka model sudah sangat bagus dalam mode agent (awal tahun 2025 menurut saya masih cukup jelek), dan sekarang banyak hal yang bisa diselesaikan tanpa campur tangan programmer sama sekali.
Meskipun bagian coding saat ini sudah jauh lebih mudah dengan AI, tapi dugaan saya ini seperti trend 3D Printer 10 tahun yang lalu. Banyak orang waktu itu yang bilang: nanti banyak orang akan punya printer 3D, atau printer 3D akan tersedia di mana-mana, jadi banyak hal bisa diprint dengan mudah, akan jadi revolusi besar. Saat ini printer 3D masih cukup jarang ditemui, dan kebanyakan orang tidak bisa mendesign sendiri model 3D (atau bahkan cukup rajin untuk mencari model 3D yang sudah diupload).
Saat ini sudah lebih dari 3 tahun sejak ChatGPT diluncurkan, dan saat ini saya melihat bahwa sebagian besar development tetap butuh programmer yang handal. Belum banyak software besar yang dipakai banyak orang yang merupakan hasil vibe code (banyak proyek open source masih menolak kode hasil vibecode), tapi banyak kode “sampah” yang divibecode dan masuk github (jadi sampah karena tidak dimaintain).
Tapi saya tidak tahu masa depan, dan masih terus ada perkembangan penggunaan AI untuk coding, jadi mari kita tunggu saja masa depan seperti apa, sambil terus mempersiapkan diri menghadapi masa depan.