Pengenalan MCP

Apa Itu MCP

Bayangkan AI agent-mu bisa baca file dan menjalankan perintah, tapi buta terhadap dunia luar: tidak bisa cek database, tidak bisa lihat issue di GitHub, tidak bisa baca dokumentasi terbaru. MCP (Model Context Protocol) adalah standar terbuka (dibuat Anthropic, lalu diadopsi luas) yang memberi agent "indera tambahan": cara standar bagi aplikasi (database, GitHub, browser, API apa pun) untuk menyodorkan data dan aksi ke AI agent.

Analogi sederhananya: kalau USB adalah standar colokan untuk hardware, MCP adalah standar colokan untuk AI. Sebelum ada USB, tiap perangkat butuh colokan dan driver sendiri-sendiri. Sebelum MCP, tiap integrasi agent-butuh-aplikasi harus dibuat khusus per tools. Dengan MCP, pembuat aplikasi cukup membuat satu "MCP server", dan semua agent yang mendukung MCP langsung bisa memakainya.

Kenapa Ini Penting Buat Kamu

MCP mengubah agent dari "pintar tapi terisolasi" jadi "pintar dan terhubung". Contoh nyata yang segera terasa: agent dengan MCP GitHub bisa membaca issue dan membuat PR tanpa kamu copy-paste; agent dengan MCP database bisa mengecek skema tabel langsung saat menulis query; agent dengan MCP browser bisa membuka dokumentasi terbaru (mengatasi masalah knowledge cutoff!). Buat pemula, kabar baiknya: kamu tidak perlu membangun MCP server dulu, cukup memakai yang sudah ada, dan itu semudah menginstal dan mengaktifkan.

Contoh 1: Memakai MCP Server yang Sudah Ada (Langkah Bertahap)

Skenario: kamu ingin agent bisa membaca dokumentasi web terbaru. Banyak agent (termasuk OpenCode dan Claude Code) mendukung MCP fetch/playwright.

Langkah 1, cari MCP server yang kamu butuhkan. Ada direktori publik berisi ratusan MCP server: untuk GitHub, Postgres, SQLite, browser automation, Google Drive, dan lainnya. Pilih yang resmi atau populer (perhatikan jumlah bintang dan maintainer-nya).

Langkah 2, pasang dan konfigurasi. Umumnya sesederhana menambah konfigurasi JSON di tools agent-mu:

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_TOKEN": "token-kamu-di-sini" }
    }
  }
}

Langkah 3, verifikasi ia bekerja. Tanya agent: "tools apa saja yang kamu punya sekarang?" Ia seharusnya mendaftar tools baru seperti github_list_issues. Lalu coba tugas nyata: "tampilkan 3 issue terbaru di repo X dan ringkas masalahnya."

Langkah 4, pakai untuk tugas gabungan. "Baca issue #12 di repo X, lalu buatkan branch dan perbaikannya di kode lokal." Agent kini menjembatani dunia luar (GitHub) dan duniamu (file lokal) dalam satu alur. Inilah kekuatan MCP yang sebenarnya.

Contoh 2: Memahami Batasnya (Eksperimen Keamanan)

MCP memberi agent kekuatan baru, dan kekuatan baru = risiko baru. Lakukan eksperimen berpikir ini sebelum memasang MCP server apa pun:

Tanya ke diri sendiri untuk tiap MCP server:

1. Data apa yang bisa ia baca? (MCP database = seluruh isi database-mu. MCP GitHub = repo privatmu.)
2. Aksi apa yang bisa ia lakukan? (Ada MCP yang bisa menghapus data, mengirim pesan, atau mengubah konfigurasi.)
3. Siapa yang membuat server ini? MCP server dari pihak ketiga yang tidak dikenal bisa mencuri token atau data yang lewat.

Aturan praktis: pasang MCP server dari sumber terpercaya saja, beri token/izin seminimal mungkin (token GitHub read-only kalau cuma butuh baca), dan JANGAN pernah memasang MCP server yang meminta kredensial super-admin untuk fungsi sepele. Prinsip least privilege ini dibahas lebih dalam di modul keamanan-ai-coding.

Catatan teknis: Arsitektur MCP sederhana: MCP server (menyediakan "tools", "resources"/data, dan "prompts") berkomunikasi dengan MCP client (di dalam aplikasi agent-mu, misal OpenCode) lewat protokol JSON-RPC, biasanya via stdio (proses lokal) atau HTTP. Saat agent butuh data, client memanggil tool di server, server mengeksekusi (query database, panggil API GitHub), dan hasilnya kembali sebagai konteks ke model. Model tidak pernah "menyentuh" langsung aplikasinya; semua lewat tools terstandar. Inilah kenapa MCP aman secara desain (selama server-nya jujur): izinnya eksplisit per tool.

Kesalahan Umum

1. Memasang semua MCP server yang menarik. Tiap server menambah konteks dan tools yang harus diproses model (boros token, bikin bingung). Pasang hanya yang kamu butuhkan untuk tugas saat ini.
2. Memberi token dengan izin berlebihan. Token GitHub dengan akses tulis+hapus untuk tugas "baca issue" = risiko yang tidak perlu. Selalu mulai dari izin terkecil.
3. Percaya buta pada hasil MCP. Data dari MCP server pihak ketiga bisa basi atau salah. Verifikasi silang untuk keputusan penting, sama seperti kamu memverifikasi jawaban AI biasa.
4. Mengira MCP = AI jadi tahu segalanya. MCP hanya memberi akses ke sumber yang kamu pasang. Agent tetap tidak tahu hal di luar sumber-sumber itu.

Rangkuman

MCP = standar colokan universal yang menghubungkan AI agent ke aplikasi dunia nyata (GitHub, database, browser). Pakai yang sudah ada dulu: pasang dari sumber terpercaya, beri izin minimal, verifikasi ia bekerja, lalu nikmati agent yang tidak lagi buta dunia luar. Pahami arsitekturnya (server menyediakan tools, client memanggil, model menalar) supaya kamu bisa menilai risikonya dengan jernih.