Di era AI, ada empat skill yang semakin relevan: dekomposisi masalah, komunikasi teknis yang presisi, pemahaman konsep dasar, dan mindset code review & debugging.

Tapi tahu apa yang lebih penting dari sekadar tahu bahwa skill-skill itu penting?

Tahu bagaimana cara melatihnya.

Artikel ini fokus ke sana — tanpa hype, tanpa teori. Langsung ke panduan praktisnya.

1. Dekomposisi Masalah: Dari Samar Jadi Konkret

Kenapa ini sulit?

Kita sering menerima requirement yang samar: "Buat fitur notifikasi," "Tambahkan filter di halaman ini," "Perbaiki masalah performa." Tanpa skill dekomposisi, kita langsung loncat ke solusi — dan sering kali salah arah.

Cara melatihnya:

Latihan "5 Whys" Setiap kali ada masalah atau requirement baru, tanyakan "kenapa" minimal 5 kali sebelum mulai coding. Ini memaksamu sampai ke akar masalah, bukan cuma permukaannya.

Contoh:

• "Perbaiki bug login yang lambat" → Kenapa lambat? → Query database tidak ada indexnya → Kenapa tidak ada index? → Schema tidak pernah di-review → Kenapa? → Tidak ada proses schema review di tim.
• Solusinya bukan hanya "tambah index," tapi juga memperbaiki proses review-nya.

Latihan Dekomposisi Harian Sebelum mulai task apapun, tuliskan langkah-langkahnya dulu di kertas atau Notion. Buat minimal 5-7 langkah konkret. Kalau tidak bisa, artinya kamu belum cukup paham masalahnya.

Rubber Duck Debugging Jelaskan masalahmu ke "bebek karet" — bisa teman, AI, atau bahkan tembok. Proses verbalisasi memaksa otakmu untuk mereorganisasi pemahamannya. Sering kali solusinya muncul di tengah-tengah penjelasan.

Latihan dengan Pertanyaan System Design Coba jawab pertanyaan seperti "Bagaimana kamu mendesain URL shortener?" atau "Bagaimana sistem notifikasi real-time bekerja?" Jawab secara lisan atau tertulis — bukan langsung coding.

2. Komunikasi Teknis yang Presisi

Kenapa ini sulit?

Kita sering tahu sesuatu secara intuitif, tapi susah mengungkapkannya dengan jelas. Dan di era AI, kejelasan komunikasi = kualitas output yang kamu dapatkan.

Cara melatihnya:

Tulis PR Description yang Baik Mulai sekarang, setiap pull request yang kamu buat harus punya deskripsi yang menjawab: apa yang diubah, kenapa diubah, apa dampaknya, dan bagaimana cara mengetesnya. Ini latihan komunikasi teknis yang paling underrated.

Latih Prompt Engineering Secara Sadar Setiap kali pakai AI (Copilot, ChatGPT, Claude), jangan asal ketik. Coba tulis prompt-nya di draft dulu, review, perbaiki — baru kirim. Perhatikan perbedaan output antara prompt yang samar dan yang presisi.

Buat Architecture Decision Records (ADRs) Untuk setiap keputusan teknis yang kamu buat — sekecil apapun — coba tulis: apa konteksnya, opsi apa saja yang dipertimbangkan, dan kenapa kamu memilih solusi ini. Ini melatih kemampuanmu mengartikulasikan alasan teknis.

Berikan (atau Dapatkan) Code Review yang Substantif Jangan hanya tulis "LGTM" di review. Dorong dirimu untuk menulis minimal satu komentar yang menjelaskan kenapa satu pendekatan lebih baik dari yang lain — dengan referensi yang jelas ke suatu konsep atau trade-off.

3. Memahami Konsep Dasar, Bukan Menghafal Sintaks

Kenapa ini sulit?

Kita terbiasa Googling atau tanya AI untuk hal-hal spesifik. Itu bagus. Tapi ada bedanya antara tahu cara menggunakan sesuatu dan tahu cara kerjanya. Yang kedua itulah yang tidak bisa digantikan oleh AI.

Cara melatihnya:

Pelajari "Satu Layer Di Bawah" Apa yang Kamu Pakai Kalau pakai React, pelajari bagaimana Virtual DOM dan reconciliation bekerja. Kalau pakai Prisma, pelajari query SQL yang dihasilkannya. Kalau pakai fetch, pelajari bagaimana HTTP bekerja di baliknya.

Bangun Mini Implementasi dari Nol Coba bangun versi sederhana dari tool yang sering kamu pakai: mini router, mini state manager, mini promise. Tidak harus sempurna — tujuannya adalah memahami mekanisme di baliknya.

Baca Source Code Library yang Kamu Pakai Pilih satu library yang sering kamu gunakan. Baca source code-nya — tidak perlu semuanya, cukup bagian yang paling sering kamu pakai. GitHub tersedia; tidak ada alasan untuk tidak melakukannya.

Terapkan Teknik Feynman Coba jelaskan suatu konsep teknis dengan bahasa yang bisa dipahami orang non-teknis. Kalau tidak bisa menjelaskannya dengan sederhana, artinya kamu belum benar-benar memahaminya.

4. Mindset Code Review & Debugging

Kenapa ini sulit?

Membaca kode orang lain (terutama kode yang dihasilkan AI) butuh mindset yang berbeda dari menulis kode. Kamu harus aktif mencari masalah, bukan sekadar membaca secara pasif.

Cara melatihnya:

Jadikan Dirimu "Skeptis yang Konstruktif" Setiap kali me-review kode — termasuk kodemu sendiri — tanyakan tiga hal: Apa yang bisa salah di sini? Apakah edge case sudah ditangani? Kalau volumenya 100x, apakah ini masih akan bekerja?

Debug Tanpa Langsung Lari ke AI Tantang dirimu sendiri: sebelum tanya AI atau Stack Overflow, coba telusuri masalahnya sendiri minimal 15 menit. Baca pesan error dengan teliti. Periksa asumsimu. Tambahkan log. Isolasi masalahnya. Proses itulah yang membangun intuisi debugging.

Review Kode Open Source Buka repository proyek open source yang kamu minati. Baca issue yang dilaporkan, lalu coba telusuri di kodenya — di mana masalahnya? Tidak perlu diperbaiki, tapi proses penelusuran itu membangun kemampuanmu membaca dan memahami kode yang belum pernah kamu lihat.

Personal Post-Mortems Setiap kali menemukan atau memperbaiki bug, tulis catatan singkat: apa bug-nya, kenapa terjadi, bagaimana kamu menemukannya, dan apa yang bisa dilakukan untuk mencegahnya di masa depan. Ini membangun mental model tentang pola-pola error yang umum.

Tidak Perlu Dilakukan Semua Sekaligus

Keempat skill ini tidak perlu dilatih secara bersamaan. Pilih yang terasa paling lemah untukmu, fokus selama sebulan, lalu lanjut ke berikutnya.

Konsistensi lebih penting dari intensitas yang meledak-ledak sesaat.

Programmer yang bertahan di era AI bukan yang paling banyak menghafal sintaks — tapi yang paling mahir memahami, mendekomposisi, berkomunikasi, dan memvalidasi.

Dan semua itu bisa dilatih.