Eko Kurniawan Ajarkan “Vibe Coding” – Cara Baru Programmer Menggarap Proyek dengan AI

Channel YouTube Programmer Zaman Now merilis video pembelajaran terbaru berjudul “Belajar Vibe Coding untuk Programmer” yang membahas cara kerja baru programmer di era kecerdasan buatan. Dalam sesi berdurasi sekitar dua jam setengah ini, Eko Kurniawan menjelaskan bagaimana programmer bisa memanfaatkan AI untuk mengotomasi hampir seluruh siklus pengembangan backend, dari perencanaan, penulisan kode, pengujian, hingga dokumentasi.

Di awal materi, Eko menegaskan bahwa kelas ini secara khusus ditujukan untuk programmer—baik junior maupun senior—karena pembahasannya sangat teknis. Bahasa yang digunakan di praktik adalah JavaScript/TypeScript dengan editor berbasis Visual Studio Code dan Google Antigravity sebagai IDE AI-first.

Dari “tukang kode” jadi “arsitek” dan “mandor”

Konsep utama yang diangkat adalah “vibe coding”. Eko mendefinisikan vibe coding sebagai cara membuat aplikasi dengan mendeskripsikan apa yang ingin dibangun, bukan lagi menulis kode langkah demi langkah seperti cara tradisional. Programmer tidak lagi berperan sebagai “tukang” yang mengimplementasikan tiap baris kode, tetapi sebagai navigator atau arsitek yang mengarahkan AI:

• Programmer menjelaskan kebutuhan, alur, dan aturan bisnis secara detail.
• AI yang menulis, mengubah, dan menjalankan kode berdasarkan deskripsi tersebut.
• Programmer fokus pada desain arsitektur, review, dan pengambilan keputusan teknis.

Eko juga membedakan istilah “vibe coding” dan “vibe engineering”. Menurutnya, untuk orang non-teknis yang hanya melihat hasil tanpa memahami isi kodenya, istilah vibe coding masih relevan. Namun, untuk programmer yang mengerti kode dan arsitektur, istilah yang lebih tepat sebenarnya adalah “vibe engineering” karena mereka menggunakan AI sebagai asisten untuk membangun sistem yang handal, aman, dan teruji.

Memilih LLM dan tools: dari Gemini, Claude, hingga GitHub CLI

Dalam sesi “LLM Model” dan “Tools untuk Vibe Coding”, Eko memetakan ekosistem model AI dan tools yang bisa digunakan untuk workflow ini. Ia menyinggung berbagai Large Language Model populer seperti:

• Gemini dari Google
• Claude dari Anthropic (Opus, Sonnet, Haiku)
• GPT dari OpenAI
• Model lain seperti GLM dan Kimi

Eko menekankan bahwa kualitas model relatif ketat dan developer bebas memilih model yang paling nyaman dipakai, karena skor benchmark biasanya tidak berbeda jauh.

Untuk tools, ia membagi dua kategori:

1. Berbasis terminal – misalnya Claude Code, GitHub Copilot CLI, ChatGPT/Codex, Gemini CLI.
2. Berbasis GUI/IDE – misalnya Cursor, Windsurf, Google Antigravity, dan JetBrains dengan integrasi AI.

Dalam demo, Eko menggunakan kombinasi:

• Google Antigravity sebagai editor/agent utama
• Bun sebagai runtime dan tool proyek JavaScript
• ElysiaJS sebagai web framework
• Drizzle ORM untuk akses database MySQL
• Git dan GitHub CLI untuk repository, issue, dan pull request

Workflow: planning dulu, baru generate kode

Salah satu pesan terkuat dari video ini adalah pentingnya planning sebelum AI mulai menulis kode. Eko menunjukkan pola kerja berulang:

1. Menulis prompt perencanaan cukup detail (misalnya di file issue.md).
2. Meminta model “mahal” untuk menghasilkan dokumen planning berlevel high-level.
3. Mengubah planning itu menjadi GitHub Issue.
4. Meminta model yang lebih murah untuk mengimplementasikan Issue tersebut: scaffolding project, menulis kode, menjalankan perintah CLI, hingga membuat pull request.

Di demo, Eko mempraktikkan:

• Set up repository Git dan remote GitHub.
• Membuat planning untuk setup backend dengan Bun, ElysiaJS, Drizzle, dan MySQL.
• Menggunakan AI untuk menjalankan bun init, menambah dependency, membuat file konfigurasi, dan menyusun struktur folder.
• Otomatis membuat branch, commit, dan pull request melalui GitHub CLI—semuanya dimotori oleh AI agent.

Polanya kemudian diulang untuk fitur-fitur konkret:

• Registrasi user
• Login user dan pembuatan session/token
• Get current user berdasarkan token
• Logout user dengan menghapus session

Setiap fitur selalu diawali dengan Issue yang berisi definisi tabel, endpoint, body request/respons, serta struktur folder dan file.

Debugging, unit test, dan code review juga diserahkan ke AI

Video ini tidak berhenti di level “AI menulis kode”. Eko menunjukkan bahwa AI juga dapat:

• Mencari bug dengan memicu skenario error, misalnya mengirim nama terlalu panjang hingga melampaui batas kolom database.
• Menjelaskan akar masalah (mismatch validasi di layer API vs constraint database).
• Menghasilkan GitHub Issue khusus “bug fix” lengkap dengan langkah perbaikan.
• Mengimplementasikan perbaikan di branch terpisah dan membuat pull request.

Untuk pengujian, Eko meminta AI mengenerate unit test lengkap menggunakan Bun test untuk seluruh API yang sudah dibuat. Hasilnya adalah file test ratusan baris berisi berbagai skenario: sukses, data kosong, format tidak valid, konflik email, token tidak valid, hingga unauthorized.

Ia juga mendemonstrasikan code review oleh AI model lain: pull request yang sudah dibuat dinilai kembali oleh model yang lebih kuat, yang kemudian memberikan komentar perbaikan (misalnya menghindari duplikasi logika ekstraksi token) dan menyarankan refactor.

Dokumentasi, Swagger, dan materi belajar dari kode sendiri

Bagian akhir video menyorot bagaimana dokumentasi pun bisa “dipindahkan” ke AI:

• README proyek di-generate ulang dengan penjelasan lengkap: deskripsi aplikasi, stack teknologi, arsitektur, struktur folder, skema database, daftar endpoint, dan cara menjalankan serta mengetes aplikasi.
• Komentar-komentar bermakna ditambahkan ke fungsi-fungsi penting di service.
• Dokumentasi Swagger diintegrasikan ke ElysiaJS sehingga semua endpoint bisa dieksplorasi dan dites lewat antarmuka web dengan contoh request/response yang jelas.

AI juga dimanfaatkan sebagai partner belajar. Eko memperlihatkan bagaimana developer bisa:

• Meminta AI menjelaskan alur registrasi user langkah demi langkah.
• Menanyakan konsep keamanan seperti hashing password dengan bcrypt, alasan faktor “cost”, dan implikasi brute force attack.
• Meminta AI membuat diagram sequence/flow (misalnya dengan Mermaid) berdasarkan kode yang sudah ada.
• Menguji klaim arsitektur—misalnya ketika AI menyebut pola layered architecture sebagai best practice, Eko minta referensi buku dan sumber yang mendukung.

Peringatan: jangan buta percaya AI, dan jangan bawa AI ke production tanpa batas

Di bagian “Yang Perlu Diperhatikan”, Eko mengingatkan beberapa risiko utama:

• Hallucination – AI bisa mengarang skema, field, atau alur yang tidak pernah diminta jika konteks/prompt terlalu umum.
• Keamanan – Jangan memberikan akses AI ke database production atau data sensitif; gunakan lingkungan lokal atau dummy data.
• Over-reliance – Programmer tetap wajib memahami arsitektur dan logika bisnis. AI membantu, tapi keputusan akhir dan review harus tetap di tangan manusia.

Ia juga menekankan pentingnya meminta referensi dan alasan dari setiap “best practice” yang diklaim AI, terutama terkait arsitektur dan keamanan.

Programmer yang pakai AI vs yang tidak

Sebagai penutup, Eko menyampaikan pandangan bahwa programmer tidak otomatis tergantikan AI, asalkan mau bergeser peran:

• Programmer yang bertahan sebagai “tukang” penulis kode manual akan mudah disaingi AI.
• Programmer yang naik kelas menjadi “arsitek” dan “mandor” yang memanfaatkan AI sebagai force multiplier justru bisa menjadi jauh lebih produktif.

Ia mendorong programmer untuk mulai mencoba satu proyek end-to-end dengan pola vibe coding: dari scaffolding, implementasi fitur, debugging, pengujian, hingga dokumentasi, semuanya diarahkan lewat AI, sambil tetap menjaga standar engineering dan keamanan.