Setelah 2 Tahun Pakai AI Tools: Kenapa Kuliah Ilmu Komputer Justru Makin Penting

Sebagai programmer yang sudah hampir dua tahun mengintegrasikan AI tools dalam workflow sehari-hari, saya awalnya optimis ketika Jensen Huang menyatakan bahwa coding akan sepenuhnya digantikan AI. GitHub Copilot membantu menulis boilerplate code dengan cepat. ChatGPT bisa menghasilkan kode sederhana dalam hitungan detik. Claude Code dan Cursor bahkan bisa memahami codebase yang sudah dibuat sebelumnya serta menambahkan koding atau debugging secara otomatis pada existing code.

Namun setelah menggunakan berbagai AI coding tools secara ekstensif untuk proyek nyata, saya menemukan pola yang menarik: programmer dengan pondasi ilmu komputer yang kuat justru mendapat manfaat maksimal dari AI tools, sementara mereka yang hanya mengandalkan AI tanpa memahami prinsip fundamental pemrograman sering kali terjebak dalam masalah yang lebih kompleks.

Realitas di Lapangan: AI Tools vs Problem Solving Nyata

Pengalaman pertama yang membuka mata saya adalah ketika mengembangkan sistem ERP untuk kampus menggunakan berbagai AI coding tools. AI dapat menghasilkan kode yang terlihat clean dan mengikuti best practices, namun sering kali gagal memahami konteks bisnis yang spesifik. Ketika diminta membuat modul pengelolaan nilai mahasiswa, AI berhasil menulis adalah puluhan fungsi redundan yang menangani kasus ekstrem yang tidak relevan dengan sistem akademik Indonesia, sementara business logic kritis seperti perhitungan SKS dan validasi prasyarat mata kuliah justru tidak diimplementasikan dengan benar. Pemahaman tentang arsitektur sistem, desain basis data, dan domain knowledge menjadi krusial untuk mengarahkan AI tools menghasilkan solusi yang benar-benar applicable.

Pengalaman saya ini ternyata bukan kasus terisolasi. Belakangan ini sering viral di sosial media kasus-kasus developer yang mengandalkan AI tools tanpa fundamental knowledge yang memadai. Ada yang aplikasinya di-hack karena implementasi otentikasi pengguna yang vulnerable, padahal kodingnya terlihat rapi hasil generate AI. Ada pula yang kaget dengan tagihan server melonjak hingga puluhan juta rupiah karena aplikasinya melakukan akses database yang tidak optimal, menyebabkan konsumsi resource yang berlebihan. Mereka bisa membuat aplikasi yang berfungsi, tetapi ketika menghadapi audit keamanan atau scaling issues, mereka kesulitan mendiagnosis masalah karena (developer/vibe coder) tidak memahami underlying concepts tentang praktek keamanan, optimasi basis data, atau arsitektur sistem.

Sebaliknya, programmer dengan pondasi ilmu komputer yang solid, menggunakan AI tools sebagai akselerator, bukan pengganti untuk proses berfikir. Dalam proyek ERP kampus tadi, pemahaman tentang arsitektur sistem membantu saya mengarahkan AI untuk menghasilkan desain modular yang sesuai dengan kompleksitas bisnis proses akademik. Ketika AI menyarankan implementasi yang terlihat elegan tapi berpotensi menimbulkan permasalahan keamanan atau penggunaan resource yang inefisien, background knowledge tentang praktik koding secara aman dan optimasi basis data membantu saya mengevaluasi dan memperbaiki saran implementasi tersebut. AI tools membantu mempercepat implementasi, tetapi keputusan tentang arsitektur, pertimbangan keamanan, dan performance trade-offs tetap membutuhkan penilaian manusia yang berpengalaman.

Ilusi Keahlian Instan

Jensen Huang mungkin melihat masa depan di mana AI bisa menghasilkan aplikasi lengkap dari prompts menggunakan bahasa natural sehari-hari. Namun realitas saat ini masih jauh dari visi tersebut. Yang sering terjadi adalah ilusi keahlian instan, seseorang merasa bisa memprogram karena AI tools menghasilkan code yang berfungsi, padahal mereka tidak memahami bagaimana and kenapa kode tersebut bekerja.

Saya pernah membantu debugging aplikasi yang dibangun seseorang menggunakan AI tools tanpa latar belakang pemrograman yang memadai. Kodingnya berfungsi untuk happy path scenarios, tetapi banyak sekali kondisi alternatif dan kondisi ekstrem yang tidak dihandle, security vulnerabilities, dan terdapat fungsi-fungsi redundan yang membuat aplikasi sulit di-maintain dalam jangka panjang.

Ini seperti pengemudi ojek online yang buta arah dan hanya mengandalkan GPS. Selama aplikasi berfungsi normal, mereka bisa mengantar penumpang dengan lancar. Tapi ketika sinyal hilang di area tertentu, peta belum update karena ada jalan baru, atau pelanggan salah menaruh titik jemput, pengemudi yang tidak memahami geografis dan landmark sekitar akan kebingungan dan bahkan bisa rugi karena membuang waktu dan bensin untuk mencari rute yang benar.

Kuliah Ilmu Komputer: Evolusi, Bukan Revolusi

Evolusi kurikulum perguruan tinggi untuk adaptasi AI

Insight ini sebenarnya memberi perspektif berbeda tentang masa depan perkuliahan ilmu komputer. Bukan tentang apakah jurusan ilmu komputer masih relevan, tetapi bagaimana kurikulum ilmu komputer harus berevolusi untuk menghasilkan lulusan yang bisa memaksimalkan efektifitas AI tools.

Pondasi pengetahuan tentang algoritma, struktur data, prinsip software engineering, dan desain sistem bukan menjadi kedaluwarsa, justru menjadi faktor pembeda antara AI-assisted programmer yang efektif dengan yang sekadar copy-paste AI-generated code.

Tantangan untuk institusi pendidikan adalah bagaimana mengintegrasikan AI tools dalam pembelajaran sambil tetap memperkuat pemahaman fundamental. Mahasiswa perlu belajar bagaimana berkolaborasi dengan AI untuk menyelesaikan permasalahan kompleks, bukan bergantung pada AI untuk berfikir dan analisis.

Transformasi yang Dibutuhkan Universitas Indonesia

Berdasarkan pengalaman menggunakan AI tools dalam real-world projects, beberapa area yang perlu mendapat perhatian khusus dari universitas di Indonesia:

Pertama, curriculum perlu lebih menekankan pada metodologi problem-solving dan sistem berfikir yang kritis, bukan sekedar penekanan pada sintaksis penulisan koding. Mahasiswa harus belajar bagaimana breakdown permasalahan yang kompleks, melakukan analisis terhadap potensi trade-offs, dan mendesain solusi yang adaptif, scalable dan maintainable.

Kedua, assessment methods harus berevolusi dari "menulis koding tanpa asisten" menjadi "pemecahan masalah secara efektif meggunakan tools yang tersedia". Mahasiswa perlu diajari bagaimana cara penggunaan AI tools yang lebih efektif, mengevaluasi kualitas kode dari AI, dan mengintegrasikan AI assistance dalam development workflow yang professional.

Ketiga, practical experience dengan real-world problems yang komplek harus lebih diperbanyak. AI tools sangat membantu untuk pekerjaan rutin, tetapi untuk novel problems yang memerlukan solusi kreatif dan dan pemahaman mendalam terhadap domain-specific requirements, masih memerlukan keahlian manusia yang belum tergantikan.

Perspektif dari Lapangan

Setelah menggunakan AI tools secara ekstensif dalam pengembangan software, saya melihat mereka sebagai powerful productivity multipliers, bukan pengganti untuk pengetahuan fundamental. Programmer yang memahami prinsip ilmu komputer bisa memanfaatkan AI tools untuk meraih 30% hingga 50% peningkatan produktivitas, sementara mereka yang hanya mengandalkan AI tanpa pondasi pengetahuan sering kali stuck ketika menghadapi permasalahan yang sedikit berbeda dari data training AI.

Jensen Huang mungkin benar bahwa pendekatan kita pada pemrograman akan berubah secara dramatis. Tetapi asumsi bahwa pondasi ilmu komputer menjadi irelevan adalah premature. Sebaliknya, di era di mana setiap orang bisa generate code dengan AI assistance, mereka yang memahami prinsip-prinsip yang mendasarinya akan memiliki competitive advantage yang signifikan.

Pendidikan ilmu komputer tidak perlu melakukan revolusi, tetapi perlu evolusi yang bijaksana dengan merekognisi AI tools sebagai powerful assistants sambil memperkuat fundamental pengetahuan yang membuat human programmers tidak tergantikan untuk pemecahan masalah yang kompleks dan kreatif.

Universitas-universitas di Indonesia memiliki kesempatan emas selama 3-5 tahun ke depan untuk melakukan transformasi ini sebelum gap dengan kebutuhan industri menjadi terlalu lebar. Yang dibutuhkan bukan panic response terhadap statement Jensen Huang, melainkan adaptasi strategis yang bijaksana dan terukur.