Duken Marga

Senior Backend Engineer 👨🏻‍💻 | Write .go .py .ts | Build

[Duken Marga @dukenmarga]

Meskipun sudah intens pakai AI setiap hari, tetap saja tidak pernah terlewat untuk menulis comment atau dokumentasi teknis setiap fungsi.

Yang paling utama:
🤔 Reason: alasan kenapa fungsi itu perlu ada. AI tidak sepenuhnya akan paham kenapa fungsi ini dibuat dan kenapa tidak pakai cara/algoritma lain.
🗒️ Context for human: meskipun sebagian besar kode ditulis dan dibaca oleh AI, tetap saja kita sebagai programmer ada saatnya perlu membaca sebuah fungsi. Di saat inilah comment sangat membantu kita memahami konteks.
🧒 Explain it to us like we are 5 years old: Sering kali juga karena kecanggihan AI, saya suruh buatkan fungsi yang sungguh advance yang saya sendiri tidak pahami sepenuhnya, terutama jika sudah di luar knowledge kita. Misalnya saya mau buat fungsi cut/slice pada potongan grafik 3D jika dipotong dari sudut tertentu. Banyak algoritma yang bisa diexplore dan diimplementasikan. Tapi yang berhasil belum tentu saya paham. Di sinilah kita dengan bantuan AI membuatkan kita sebuah dokumentasi teknis, seolah-olah kita adalah orang yang benar-benar tidak paham sehingga ditulis dengan perumpanaan yang sederhana. Tidak perlu tau teknis/detail implementasi kode, tapi paling tidak kita bisa paham cara kerja algoritma yang dipakai.

[Duken Marga @dukenmarga]

Ada sebuah program yang sedang saya develop dan bisa kita atur mau pakai berapa core CPU. Grafik lamanya proses berlangsung vs CPU core ditampilkan seperti grafik.

1 core → 21.8 detik
2 core → 11.7 detik
4 core → 6.1 detik
8 core → 4.3 detik
16 core → 3.2 detik

Coba hitung berapa kira-kira waktu processing minimum yang bisa dicapai walaupun kita pakai 100 core sekalipun?

[Duken Marga @dukenmarga]

Kayaknya belum deh, Pak. Mungkin untuk kasus yang generic seperti CRUD dan konsep yang sudah matang, mungkin bisa mendekati 95%, tapi kasus tertentu tetap tidak bisa rely ke AI.

Saya sendiri mengalami untuk kasus yang banyak matematika dan numerik, AI tidak selalu menghasilkan output yang baik, mesti banyak double check apakah output sudah benar sesuai design.

[Duken Marga @dukenmarga]

Pengalaman:
- Di site office konstruksi, cuman ada meja, kursi dempet-dempetan tanpa sekat
- Di kantor pusatnya, baru ada sekat

Kalau saya lebih suka tanpa sekat. Yang penting bersih dan rapi.

Tapi, pernah juga liat kantor pemerintahan dinas kota yang tata letak mejanya berantakan banget, kertas numpuk di atas meja triplek dan ditutupi plastik bening yg sudah robek, ada makanan, printer yang berdebu, dan petugas yang merokok. Sungguh tempat bekerja yang tidak ideal. Entah kenapa masih banyak orang berlomba-lomba kerja di sana.

[oxcrow @oxcrows]

Open layout offices are basically hell for neuro-divergent people.

May such employment never find you.

[Duken Marga @dukenmarga]

Alasannya: ekosistem luas, packaging sederhana, banyak library untuk pengolahan data (asumsi orang yg ditraining adalah pekerja yg banyak terlibat dengan data), dan jika perlu masih bisa dideploy sebagai tools internal. Kalau Js/Ts framework lebih fokus ke public service dibanding internal tools.

[Duken Marga @dukenmarga]

@levifikri Pilihan menarik, Pak.
Saya juga mungkin kalau di kondisi yang sama akan pilih fullstack framework. Tapi, mungkin saya akan pilih Python dibanding JS/TS, misalnya palai Reflex.

[Duken Marga @dukenmarga]

@levifikri Diajarinnya pakai web framework apa, Pak? dan apa ada alasan kenapa pilih itu?

[Duken Marga @dukenmarga]

Ternyata ada perbedaan waktu pemrosesan ketika menganalisis gambar pada LLM, apakah lebih baik dikompress (reduksi ukuran bukan resolusi gambar) atau tidak? Kenapa perlu dikompress? Harapannya proses upload ke LLM lebih cepat.

Namun, kompresi gambar justru memperlambat seluruh proses dibandingkan jika tidak dikompress. Total waktu pada chart sudah termasuk waktu untuk mengkompress, lalu upload ke LLM, dan menerima output.

[Duken Marga @dukenmarga]

Aku ga punya Mac, tapi tetap pengen beli suatu saat nanti. Tapi emang Pytorch ga lancar di Mac kah?

[Liu Liu @liuliu]

Hot take: given up PyTorch on Mac as a first-class of library is a strategic mistake on Apple part.

[Duken Marga @dukenmarga]

Entah perasaanku aja, tapi output bahasa Inggris dari Claude sering menggunakan kalimat yang lebih advance. Berbeda jika dibandingkan dengan output DeepSeek yang cenderung sederhana dan mudah dimengerti, terutama untuk pembahasan teknis.

[Duken Marga @dukenmarga]

Wow, sejak kapan Google Map jadi 3D globe kalau di-zoom out?

[Duken Marga @dukenmarga]

Makin ke sini makin banyak model LLM yang pintar. Tapi, di kerjaan sekarang ada kasus di mana kita perlunya model dengan latency kecil, tidak perlu yang paling pintar.

Sudah coba tiny model masing-masing vendor besar: gpt-5.4-nano, gemini-3.1-flash-lite, gemini-2.5-flash, tapi belum ada satupun yang sesuai ekspektasi, bahkan dengan model non-reasoning sekalipun.

Memang, ini kasusnya menganalisis beberapa gambar yang perlu output dari LLM sebagai feedback.
Semuanya rata-rata masih di atas 3 detik. Di tambah lagi ada proses lainnya di luar LLM, sehingga total waktu masih di atas 9 detik.

Apakah ini saatnya deploy model LLM ringan di server sendiri?

[Duken Marga @dukenmarga]

Kalau mau full vibe code:
Pilih gpt 5.5, 5.4 atau opus 4.7.

Model top tier sesuai hasil benchmark ini paling cocok dipakai:
- mau ngoding project/repo baru
- baru join ke project/repo existing dan lagi explore tapi kyknya masih kebanyakan yg mau diexplore, dengan model ini sangat membantu
- mau solve bug, tp ga tau bugnya di sebelah mana atau ga mau tau sama sekali, biar AI aja yg beresin
- mau bikin fitur baru yg kompleks, tp ga tau caranya gimana
- handle security code, tp kita ga mau ambil resiko
- kalau lagi sakit dan tetap disuruh kerja sama kantor

Intinya, semua masalah yg unik yg kita mau semuanya dihandle sama AI, benchmark ini sangat bisa dijadikan referensi.

Benchmark lama seperti SWE-bench, mereka menguji berdasarkan repo publik dan kebanyakan model AI bisa cheat dengan melihat solusi yg sudah ada.

DeepSWE ini dibuat dengan set masalah yg benar-benar baru dan ditest pada lingkungan yg terisolasi, jadi solusinya benar-benar dipikirin dan dicoding sendiri sama AI. Yang ditest juga bukan hasil codenya seperti apa (syntax checking), tapi apakah behaviour codenya sama seperti yang diharapkan, terserah mau pakai arsitektur apa.

[Serena Ge @serenaa_ge]

Today we’re releasing DeepSWE, a new standard for agentic coding benchmarks.

On public leaderboards, top models often look relatively close in capability. DeepSWE shows where they actually diverge, reflecting the realistic experience of developers in their day-to-day work.

[Duken Marga @dukenmarga]

Ga tau lagi mau ngomong apa. Semoga aja model berikutnya udah bisa multimodal dan harganya tetap murah.

[DeepSeek @deepseek_ai]

We are making our discount permanent! 🎉

Enjoy building with DeepSeek-V4-Pro and bring your innovative ideas to life! 🚀

[Duken Marga @dukenmarga]

Tipikal lowongan programmer di 2026 harus bisa:
- Go, Python, TS/JS, C++
- React, Bun, Node.js, Next.js, Vite
- AI, ML, RAG, LLM
- Tensorflow, Keras, Pytorch
- Docker, Kubernetes, CI/CD, DevOps workflow
- AWS/GCP/Azure
- Crypto/Web 3
- Postgre/NoSQL/Redis
- Pengalaman 7 tahun

Makin sulit aja hidup ini.

[Duken Marga @dukenmarga]

Beberapa tips receh agar model bekerja efektif, mengurangi error dan halusinasi, terutama untuk model murah seperti DeepSeek:

🌀 Selalu bekerja dengan Types. Bahasa dengan static type seperti Go punya keunggulan. Type di sini berfungsi sebagai guard dan hint agar setiap data dan operasi bisa dilakukan dengan benar. Lalu gimana dengan bahasa semisal Python? Segera lengkapi, bila perlu perintahkan AI untuk men-generate type setiap variable penting. Di Go ada struct, di Python bisa mengggunakan class + Pydantic agar semua bentuk struktur data lebih jelas, tidak tebak-menebak.

🫵 Explicit is better than implicit. Jika kita sudah tau mau sumber masalah dan kita ingin melakukan perubahan (fix), informasikan ke AI, misal perbaiki isu infinite loop pada file ini line 100-103. AI akan lebih efisien dalam mengisolasi masalah dan mencarikan solusi yang efektif tanpa mengawang-ngawang, dibandingkan perbaiki isu ini tanpa mengatakan di mana masalahnya.

🧑‍💻 Berkaitan dengan poin 2 di atas, penting untuk mengetahui setiap perubahan kode yang dilakukan AI. Jika AI punya context window terbatas (1 juta token), maka kita sebagai programmer perlu mengetahui context secara lebih luas dan dalam lagi, setidaknya kita tau bahwa kode ini berfungsi untuk ini dan itu, sehingga saat debugging dan perlu solving problem, kita sudah paham mana di mana letak isunya dan apa yang harus diperbaiki. Sehingga perlu pemahaman yang baik dan mendalam tentang pemrograman dan algoritma sebelum masuk ke dalam vibe coding.

[Duken Marga @dukenmarga]

Tidak sedang mengultuskan model Chinese. Tapi, model murah sangat dibutuhkan dalam jangka panjang. Kita bakal hidup di era AI. Model dengan harga terjangkau adalah kuncinya. GPT 5.5 paling pintar, tapi terlalu overkill untuk 90% kasus, kecuali kalo mau dipakai riset Master/PhD.

Tapi bukan berarti model mahal itu ga berguna ya. Tetap perlu terutama untuk planning dan menyusun strategi. Bahkan kalau perlu kolaborasi model sangat bagus/mahal dan model bagus/murah itu sudah jadi hal yang umum sekarang ini.

[antirez @antirez]

@deepseek_ai 我衷心地感谢你们：你们的工作正在让人工智能及其理解为所有人所用。

[Duken Marga @dukenmarga]

@dalangcloud @Windalfin Kalau dalang mau ke arah sana, bisa jadi harganya malah mendekat ke global provider, karna biasanya ini yang bikin mahal.

[Duken Marga @dukenmarga]

I made an quick comparison table for some trending AI models these days. Pricing is based on their official website (there is variation depend on input token, but that's okay).

Saya pribadi cuman pernah pake keluarga Gemini, Deepseek (favorite so far 🤟), & openAI.

[Duken Marga @dukenmarga]

@bukanpamanmu Pake Deepseek v4, tapi ga multi modal.

https://t.co/NOJIq0LB7u

[Duken Marga @dukenmarga]

Deepseek V4 Flash: Super 🚀

Ternyata saya punya sisa credit dari tahun lalu. Pas saya coba, wow ini model ga kaleng2. Model berpikirnya terstruktur, melihat berbagai possibility, namun tetap bisa memutuskan apa solusi yang dicari.

Dengan harga yang super cheap, ini warbiasa sih