MCP Protocol: Cara AI Agents Benar-Benar Mengubah Cara Kita Ngoding

Bayangin lo lagi ngoding, terus AI assistant lo bisa langsung baca file di project lo, query database, bahkan buat PR di GitHub — semua tanpa lo harus copy-paste konteks atau nulis wrapper API satu per satu. Kedengaran kayak fiksi ilmiah? Tapi itulah yang ditawarkan oleh Model Context Protocol (MCP), dan ini bukan gimmick biasa.

MCP adalah standar terbuka yang dirilis oleh Anthropic pada akhir 2024, dan dalam waktu kurang dari dua tahun, protokol ini udah jadi fondasi utama gimana AI agents berinteraksi dengan tools, database, filesystem, dan berbagai layanan eksternal. Kalau lo pernah frustrasi karena AI assistant lo “buta” terhadap konteks project lo yang sebenarnya, MCP adalah jawabannya.

Artikel ini bakal bedah tuntas: apa itu MCP, kenapa ini beda dari API biasa, gimana arsitekturnya, contoh hands-on untuk workflow sehari-hari, perbandingan dengan function calling tradisional, dan ke mana arah ekosistem ini ke depan.

Apa Itu MCP dan Kenapa Ini Beda dari API Biasa

Pada intinya, MCP adalah transport layer universal yang memungkinkan AI model “ngobrol” dengan sumber data dan tools secara terstandarisasi. Bayangin MCP kayak USB-C untuk dunia AI — satu protokol, banyak perangkat.

Kalau lo biasa pakai REST API atau GraphQL, lo tau bahwa setiap integrasi butuh custom code. Mau connect AI ke GitHub? Nulis API wrapper. Mau query PostgreSQL? Nulis lagi. Mau baca filesystem? Nulis lagi. Setiap kali ada layanan baru, lo harus nulis integrasi dari nol.

MCP menghilangkan masalah itu. Dengan satu standar protokol, AI model bisa:

• Membaca dan menulis file di filesystem lo
• Query database tanpa lo harus nulis SQL manual
• Interaksi dengan tools eksternal seperti GitHub, Slack, atau Jira
• Mengakses konteks real-time dari project yang sedang lo kerjakan

Yang bikin MCP beda dari API biasa adalah konsep bidirectional communication. Bukan cuma AI yang minta data ke server — server juga bisa push notifikasi dan resources ke AI. Ini mirip kayak WebSocket, tapi khusus dirancang untuk interaksi AI-tools.

Arsitektur Sederhana MCP

MCP punya tiga komponen utama:

Komponen	Fungsi	Contoh
MCP Client	Sisi AI yang meminta data/tools	Claude Desktop, Cursor, VS Code + Copilot
MCP Server	Sisi yang menyediakan akses ke tools/data	GitHub MCP Server, PostgreSQL MCP Server
Resources	Data dan tools yang diekspos oleh server	File, database tables, API endpoints

Flow-nya sederhana: MCP Client (di sisi AI) mengirim request ke MCP Server, server memproses request tersebut (query database, baca file, dll), lalu mengembalikan hasilnya dalam format yang bisa langsung dipahami oleh AI model.

Yang menarik, MCP Server bisa berjalan secara local (stdio) atau remote (SSE/HTTP). Untuk penggunaan sehari-hari di development environment, kebanyakan server berjalan secara local lewat stdio, yang artinya data lo nggak perlu keluar dari mesin lo.

Ekosistem MCP: Server, Client, dan Resource

Salah satu alasan kenapa MCP berkembang pesat adalah ekosistem server yang udah sangat kaya. Developer nggak perlu bikin MCP Server dari nol untuk setiap layanan — banyak yang udah tersedia.

MCP Server Populer

Beberapa MCP server yang paling banyak dipakai developer:

• GitHub MCP Server — create issues, review PRs, manage repos, search code
• PostgreSQL MCP Server — query database, inspect schema, analisis data
• Filesystem MCP Server — baca/tulis file, cari di direktori, manage project
• Brave Search MCP Server — web search dari dalam AI assistant
• Slack MCP Server — kirim pesan, baca channel, manage workspace
• Docker MCP Server — manage containers, images, volumes

Dan ini baru sebagian kecil. Komunitas open-source udah bikin ratusan MCP server untuk berbagai use case — dari yang sederhana kayak kalkulator sampai yang kompleks kayak Kubernetes management.

Gimana Developer Bisa Bikin MCP Server Sendiri

Salah satu kekuatan terbesar MCP adalah kemudahan bikin server custom. Lo bisa bikin MCP Server dengan TypeScript atau Python dalam hitungan menit:

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new McpServer({
  name: "my-custom-server",
  version: "1.0.0",
});

// Expose a tool
server.tool(
  "get_user_data",
  { userId: { type: "string" } },
  async ({ userId }) => {
    const data = await fetchUserData(userId);
    return { content: [{ type: "text", text: JSON.stringify(data) }] };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

Dengan kode di atas, lo udah punya MCP server yang bisa diekspos ke AI assistant lo. Lo tinggal tambahin tools sesuai kebutuhan — mau connect ke internal API, legacy database, atau bahkan hardware sensor, semua bisa.

Hands-On: Integrasi MCP ke Workflow Sehari-Hari

Oke, sekarang bagian praktisnya. Gimana sih MCP beneran dipake dalam workflow ngoding sehari-hari?

Setup Claude Desktop + MCP Server

Langkah pertama adalah configure MCP server di Claude Desktop (atau client lain yang mendukung MCP). File konfigurasi biasanya ada di ~/.config/claude/claude_desktop_config.json:

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxxxxxxxxxxx"
      }
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres", "postgresql://localhost/mydb"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/home/user/projects"]
    }
  }
}

Setelah restart Claude Desktop, lo bisa langsung ngobrol dengan AI dan minta dia:

• “Cek branch feature/auth di repo gw, review PR-nya, dan kasih saran improvement”
• “Query database users table, cari semua user yang registered dalam 7 hari terakhir”
• “Baca semua file .ts di folder src/utils/ dan cari fungsi yang belum ada test-nya”

Contoh Praktis: Otomatisasi Commit Message

Ini salah satu use case yang paling sering gw pakai. Dengan MCP filesystem + Git server, lo bisa:

1. AI membaca semua perubahan di staging area (git diff --cached)
2. AI menganalisis perubahan tersebut dalam konteks codebase
3. AI generate commit message yang deskriptif dan sesuai konvensi (Conventional Commits)
4. Lo tinggal approve atau minta revisi

Nggak perlu lagi mikir commit message yang bagus — AI lo udah tau konteksnya karena bisa baca seluruh project.

Query Database Tanpa Nulis SQL Manual

Dengan MCP PostgreSQL server, lo bisa ngomong: “Gimana performa penjualan bulan ini dibanding bulan lalu?” dan AI lo akan:

1. Inspect schema database lo
2. Tulis query SQL yang sesuai
3. Execute query dan analisis hasilnya
4. Presentasikan insight dalam format yang mudah dibaca

Ini bukan cuma hemat waktu — ini mengurangi error karena AI bisa validasi schema sebelum nulis query.

MCP vs Function Calling Tradisional

Sekarang pertanyaan penting: kenapa nggak pakai function calling biasa aja? Bukannya OpenAI dan provider lain udah punya fitur function/tool calling?

Fair question. Mari kita bandingkan secara objektif.

Aspek	Function Calling	MCP
Standardization	Proprietary, beda tiap provider	Standar terbuka, interoperable
Discoverability	Harus didefinisikan manual	Tools/resources auto-discoverable
Bidirectional	Unidirectional (client → server)	Bidirectional (client ↔ server)
Context Sharing	Terbatas per request	Persistent context & resources
Ecosystem	Terpisah per platform	Shared ecosystem servers
Setup Complexity	Simpel untuk use case sederhana	Lebih kompleks tapi lebih powerful

Kapan Pakai MCP?

MCP paling cocok ketika:

• Lo butuh integrasi yang deep dengan banyak tools secara bersamaan
• Lo mau AI punya konteks persistent tentang project lo
• Lo butuh bidirectional communication (server bisa push update)
• Lo mau reuse integrasi yang sama di berbagai AI client

Kapan Masih Butuh Function Calling?

Function calling masih lebih baik untuk:

• Use case sederhana yang cuma butuh satu atau dua tools
• API call ringan yang nggak butuh konteks persistent
• Prototyping cepat di mana setup MCP overkill
• Kasus di mana lo butuh full control atas setiap parameter

Realitanya, kedua pendekatan ini bukan kompetitor — mereka komplementer. Banyak developer yang pakai function calling untuk simple tasks dan MCP untuk integrasi yang lebih kompleks.

Masa Depan: Universal Agent Interface

MCP bukan cuma soal hari ini — ini tentang ke mana arah industri. Dalam 12-18 bulan ke depan, gw prediksi beberapa hal bakal terjadi:

1. MCP Jadi Standar De Facto

Dengan adopsi yang terus meningkat dari Anthropic, Microsoft (Copilot), dan komunitas open-source, MCP berpotensi jadi standar de facto untuk AI-tool interaction. Ini mirip gimana LSP (Language Server Protocol) mengubah cara editor kode bekerja — dulu setiap editor punya plugin syntax highlighting sendiri, sekarang semua pakai LSP.

2. Vendor Lock-In Tetap Jadi Risiko

Meskipun MCP adalah standar terbuka, ada risiko vendor lock-in di level implementasi. Kalau lo terlalu bergantung pada MCP server yang dibikin oleh satu vendor, lo bisa terjebak kalau vendor tersebut mengubah pricing atau menghentikan support. Solusinya: selalu punya fallback plan dan kontribusi ke server open-source.

3. Peluang untuk Developer Indonesia

Ini bagian yang paling menarik. MCP membuka peluang besar buat developer Indonesia untuk bikin MCP server yang relevan dengan konteks lokal:

• MCP Server untuk layanan lokal — integrasi dengan Gojek API, Tokopedia, atau layanan e-commerce Indonesia
• MCP Server untuk bahasa Indonesia — NLP tools yang optimized untuk bahasa Indonesia
• MCP Server untuk regulasi lokal — tools yang bantu compliance dengan regulasi Indonesia (pajak, perizinan, dll)
• MCP Server untuk edukasi — integrasi dengan platform edukasi lokal seperti Ruangguru atau Zenius

Bayangin kalau ada MCP server yang bisa query database pajak Indonesia dan bantu developer bikin sistem akuntansi yang compliant — itu value yang sangat besar.

4. Agentic Workflow Jadi Norma

Ke depannya, nggak cuma coding yang bakal diotomasi oleh AI agents. Dengan MCP sebagai fondasi, AI agents bisa handle:

• CI/CD pipeline — monitor build, auto-fix test failures, deploy
• Code review — review PR, kasih feedback, bahkan auto-approve PR yang aman
• Incident response — detect anomaly, analyze logs, suggest fix
• Documentation — auto-generate docs dari code changes

Penutup: Ini Baru Permulaan

MCP bukan silver bullet — ada kompleksitas tambahan, learning curve, dan trade-off yang perlu dipertimbangkan. Tapi sebagai fondasi untuk era AI agents, protokol ini udah menunjukkan potensi yang sangat besar.

Buat developer Indonesia, ini saat yang tepat untuk mulai explore MCP. Lo nggak perlu jadi expert dulu — mulai dari setup MCP server sederhana di project lo, rasakan gimana AI assistant lo jadi jauh lebih kontekstual dan powerful, lalu gradually build up dari situ.

Industri kita lagi berubah, dan MCP adalah salah satu pilar perubahan itu. Pertanyaannya bukan “harus ikut atau nggak” — tapi “seberapa cepat lo bisa adaptasi?”

---

Lo udah coba MCP di workflow lo? Atau masih skeptis? Share pengalaman lo di kolom komentar — gw tertarik dengar gimana developer Indonesia memanfaatkan protokol ini.