Kode Ditulis AI, Lalu Siapa yang Menjamin Kualitasnya?
AI mempercepat penulisan kode, tetapi kualitas, keamanan, dan kesesuaiannya tetap harus diuji serta ditinjau oleh manusia.
Bagi mahasiswa informatika, meminta AI menuliskan fungsi login atau query database sudah jadi hal biasa. Survei Stack Overflow 2025 mencatat 84 persen pengembang sudah atau berencana memakai alat AI. Namun, ada pertanyaan yang jarang diajukan: kalau kodenya ditulis mesin, siapa yang memastikan kode itu benar dan aman?
Cepat, tapi Belum Tentu Benar
Survei yang sama memperlihatkan paradoks. Hanya sekitar 33 persen responden yang memercayai akurasi keluaran AI, sementara sekitar 46 persen tidak percaya. Keluhan terbesar, disebut 66 persen pengembang, adalah solusi AI yang “hampir benar, tapi tidak sepenuhnya”. Kode semacam ini berbahaya karena tampak meyakinkan: bisa dijalankan, tetapi menyimpan cacat yang baru muncul belakangan.
Dari sisi keamanan, laporan Veracode 2025 yang menguji lebih dari 100 model bahasa besar menemukan bahwa kode hasil AI memuat celah keamanan pada 45 persen kasus. Pembaruannya pada Maret 2026 menunjukkan angka yang hampir tidak bergeser. Artinya, AI mempercepat produksi kode, tetapi tidak otomatis mempercepat produksi kode yang berkualitas.
Kualitas Butuh Bukti
Standar IEEE 730, sebagaimana dibahas Laporte dan April dalam Software Quality Assurance (2018), mendefinisikan penjaminan kualitas perangkat lunak (SQA) sebagai serangkaian aktivitas untuk menghasilkan bukti bahwa proses dan produk perangkat lunak sesuai dengan tujuannya. Kalimat “kodenya jalan di laptop saya” bukan bukti, apalagi “kodenya dibuat model AI terbaru”.
Buku yang sama mengutip estimasi Capers Jones: memperbaiki cacat pada tahap kebutuhan dan desain diperkirakan menelan sekitar 139 dolar, sedangkan cacat yang lolos hingga tahap operasional bisa lebih dari 14.000 dolar, sekitar seratus kali lipat. Angkanya memang berbasis dolar tahun 1981, tetapi polanya tetap berlaku: makin lambat cacat ditemukan, makin mahal harganya. Ini kabar buruk bagi kebiasaan “generate dulu, perbaiki nanti”.
Laporte dan April juga memaparkan studi kasus yang menunjukkan sekitar 70 persen cacat sudah tertanam sebelum kode ditulis, yaitu pada tahap kebutuhan dan desain. Dalam konteks AI, pelajarannya jelas: prompt adalah spesifikasi. Jika kebutuhannya kabur, AI akan dengan patuh menghasilkan kode yang salah, hanya lebih cepat.
Penulis Sulit Menilai Karyanya Sendiri
Daniel Galin dalam Software Quality Assurance: From Theory to Implementation (2004) menekankan bahwa pembuat sebuah dokumen cenderung tidak mampu menemukan sebagian kesalahannya sendiri. Karena itu dibutuhkan peninjau lain dengan sudut pandang berbeda. Prinsip ini bisa dianalogikan ke praktik sekarang: meminta AI memeriksa kode buatannya sendiri berguna, tetapi tidak cukup. Peninjauan oleh manusia lain dan alat analisis independen tetap diperlukan.
Apa yang Bisa Dilakukan Mahasiswa?
Menolak AI bukan jawabannya. Yang perlu diubah adalah cara kita memperlakukan hasilnya:
- Perlakukan kode AI seperti kode dari orang asing. Baca dan pahami sebelum digabungkan. Jangan menyimpan baris yang tidak bisa kamu jelaskan.
- Tulis kebutuhan sebelum prompt. Tentukan kriteria penerimaan dan kasus batas, misalnya input kosong atau pengguna tanpa hak akses.
- Jadikan pengujian sebagai bukti. Buat unit test, termasuk skenario gagal. AI boleh membantu, tetapi manusia yang memutuskan apa yang harus diuji.
- Libatkan peninjau lain. Lakukan code review bersama tim, serta gunakan alat analisis statis dan pemindai dependensi.
- Sesuaikan ketelitian dengan risiko. IEEE 730 menyatakan kedalaman aktivitas SQA harus sebanding dengan risiko produk. Aplikasi catatan pribadi tentu berbeda dengan sistem pembayaran.
Penutup
AI mengubah siapa yang mengetik kode, tetapi tidak mengubah siapa yang bertanggung jawab atas kualitasnya. Ketika menulis kode makin murah, kemampuan yang makin langka adalah menilai apakah kode itu layak dipakai. Bagi mahasiswa, memahami penjaminan kualitas perangkat lunak bukan sekadar materi ujian, melainkan bekal agar tetap relevan.
Referensi
Galin, D. (2004). Software Quality Assurance: From Theory to Implementation. Pearson/Addison-Wesley.
IEEE. (2014). IEEE Std 730-2014: IEEE Standard for Software Quality Assurance Processes. Dikutip melalui Laporte & April (2018).
Laporte, C. Y., & April, A. (2018). Software Quality Assurance. Wiley–IEEE Computer Society Press.
Stack Overflow. (2025). 2025 Developer Survey: AI. https://survey.stackoverflow.co/2025/ai
Veracode. (2025, 30 Juli). AI-Generated Code Poses Major Security Risks in Nearly Half of All Development Tasks [Siaran pers]. https://www.businesswire.com/news/home/20250730694951/en/
Veracode. (2026, 24 Maret). Spring 2026 GenAI Code Security Update. https://www.veracode.com/blog/spring-2026-genai-code-security/
