Model AI seperti ChatGPT atau Claude sangat pandai menyusun bahasa, tetapi punya satu keterbatasan mendasar: mereka terkurung di dalam data pelatihannya. Sebuah model tidak otomatis tahu isi repositori kode Anda, tidak bisa membaca database perusahaan, dan tidak bisa mengirim pesan ke Slack tim, kecuali kita menghubungkannya secara khusus. Selama bertahun-tahun, setiap koneksi semacam itu harus dibangun satu per satu. MCP hadir untuk membereskan kerumitan ini.
Secara singkat, MCP adalah sebuah standar terbuka yang menstandarkan cara aplikasi AI terhubung ke sumber data dan tool eksternal. Singkatan ini kepanjangan dari Model Context Protocol. Perlu dicatat, MCP yang kita bahas di sini adalah protokol di dunia AI. Singkatan ini berbeda dari MCP lain yang juga populer di Indonesia, seperti pusat pemantauan pencegahan korupsi.
Artikel ini membahas MCP dari sisi praktis: apa pengertiannya, masalah apa yang dipecahkannya, bagaimana arsitekturnya, hingga cara kerjanya.
MCP Adalah? Pengertian Model Context Protocol
MCP adalah protokol terbuka yang diperkenalkan dan dibuka kodenya oleh Anthropic pada November 2024. Tujuannya satu: menjadi bahasa bersama agar model AI bisa berbicara dengan layanan apa pun, mulai dari basis data, sistem berkas, hingga aplikasi seperti GitHub dan Slack. Dengan begitu, kita tidak perlu lagi merancang integrasi khusus untuk setiap pasangan aplikasi dan layanan.
Analogi yang paling sering dipakai untuk menggambarkannya adalah USB-C untuk aplikasi AI. Sebelum USB-C, tiap perangkat punya colokan berbeda. Setelah USB-C, satu jenis colokan melayani banyak perangkat. MCP berperan serupa di dunia AI: satu standar koneksi yang menggantikan tumpukan integrasi yang berbeda-beda.
Penting untuk dipahami sejak awal, MCP bukan sebuah model AI dan bukan pula produk. Ia adalah sebuah protokol, yaitu seperangkat aturan komunikasi, sama seperti HTTP yang mengatur komunikasi di web. Perannya menghubungkan, bukan berpikir.
Istilah Penting dalam MCP
Sebelum melangkah lebih jauh, ada beberapa istilah yang akan terus muncul. Mengenalnya lebih dulu akan memudahkan Anda mengikuti pembahasan berikutnya.
- Host: aplikasi AI yang Anda pakai langsung, tempat model berjalan.
- Client: penghubung di dalam host yang memegang satu koneksi ke satu server.
- Server: program yang mengekspos kemampuan sebuah layanan kepada model.
- Primitive: jenis kemampuan yang ditawarkan server, yaitu tools, resources, dan prompts.
- Transport: cara client dan server saling berkirim pesan, misalnya stdio atau HTTP.
Masalah yang Dipecahkan MCP: dari M×N ke M+N
Untuk memahami kenapa MCP penting, kita perlu melihat keadaan sebelumnya. Bayangkan ada sejumlah aplikasi AI dan sejumlah layanan yang ingin dihubungkan. Jika setiap aplikasi harus membangun integrasi sendiri ke setiap layanan, jumlah pekerjaan tumbuh secara perkalian. Lima aplikasi yang masing-masing terhubung ke sepuluh layanan berarti lima puluh integrasi terpisah yang harus dibuat dan dirawat. Inilah yang sering disebut masalah M×N.
MCP mengubah perkalian itu menjadi penjumlahan. Dengan satu standar bersama, sebuah layanan cukup menyediakan satu server MCP, lalu server itu bisa dipakai oleh aplikasi AI mana pun yang mendukung MCP. Sebaliknya, aplikasi AI cukup mendukung MCP sekali untuk langsung bisa terhubung ke semua server yang tersedia.
Hasilnya, beban berubah dari M×N menjadi M+N. Tim yang membuat layanan tidak perlu lagi memikirkan setiap aplikasi AI yang ada, dan pembuat aplikasi AI tidak perlu menulis ulang integrasi untuk tiap layanan baru. Pekerjaan integrasi dipisahkan dengan rapi.
Diagram integrasi MCP menghubungkan aplikasi AI ke berbagai server.
Arsitektur MCP: Host, Client, dan Server
MCP memakai pola client-server, dengan tiga peran yang perlu Anda kenali.
- Host: aplikasi AI yang Anda gunakan secara langsung. Contohnya aplikasi Claude Desktop, editor kode seperti Cursor atau VS Code, atau asisten coding di terminal. Host inilah yang menampung model dan mengelola koneksi.
- Client: komponen di dalam host yang menjaga satu koneksi khusus ke satu server. Jika host terhubung ke tiga server, ada tiga client di dalamnya, masing-masing satu koneksi.
- Server: program ringan yang mengekspos kemampuan tertentu. Misalnya server GitHub yang memberi akses ke repositori, atau server basis data yang bisa menjalankan kueri.
Pembagian ini membuat sistemnya rapi. Host fokus pada pengalaman pengguna dan model, sementara tiap server fokus pada satu layanan. Server bisa dikembangkan oleh siapa saja, termasuk pihak layanan itu sendiri, tanpa perlu tahu host mana yang akan memakainya.
Diagram arsitektur MCP yang menghubungkan host AI dengan server.
Tiga Kemampuan yang Diekspos Server MCP
Sebuah server MCP bisa menawarkan tiga jenis kemampuan, yang dalam spesifikasinya disebut primitives. Mengenal ketiganya membantu Anda memahami apa yang sebenarnya bisa dilakukan MCP.
- Tools (alat): fungsi yang bisa dipanggil model untuk melakukan aksi. Contohnya membuat berkas, menjalankan kueri database, atau mengirim pesan. Inilah yang memberi model kemampuan untuk bertindak, bukan sekadar membaca.
- Resources (sumber daya): data atau konteks yang bisa dibaca model. Contohnya isi sebuah berkas, baris dalam tabel, atau dokumen. Resources memberi model bahan untuk mengetahui sesuatu.
- Prompts (templat): alur kerja atau templat siap pakai yang bisa dipicu pengguna. Contohnya sebuah perintah "ringkas laporan mingguan" yang sudah dirancang langkahnya.
Pembagian ini bukan sekadar istilah. Ia menentukan siapa yang memegang kendali: tools dikendalikan model, resources biasanya dikendalikan aplikasi, dan prompts dipicu pengguna. Struktur ini menjaga agar aksi yang berisiko tidak dijalankan sembarangan.
Diagram tiga kartu primitive MCP: Tools, Resources, dan Prompts.
Cara Kerja MCP: Bagaimana Komunikasinya
Saat host dijalankan, ia menyalakan client untuk tiap server yang dikonfigurasi. Client lalu melakukan handshake, yaitu perkenalan awal, dengan server. Dalam perkenalan ini, server mengumumkan kemampuan apa saja yang ia tawarkan, baik tools, resources, maupun prompts.
Setelah itu, ketika model memutuskan perlu memakai sebuah kemampuan, ia tidak memanggil layanan secara langsung. Permintaan mengalir lewat client ke server, server menjalankannya, lalu hasilnya dikembalikan ke model melalui jalur yang sama. Pola ini memastikan model tidak pernah menyentuh kredensial atau sistem layanan secara langsung.
Di balik layar, pesan-pesan ini dikirim memakai format JSON-RPC 2.0, sebuah standar pemanggilan fungsi jarak jauh berbasis JSON. Untuk jalur pengirimannya, MCP mendukung dua cara utama:
- stdio: dipakai untuk server lokal yang berjalan di mesin yang sama dengan host, lewat standard input/output. Cocok untuk penggunaan pribadi di komputer sendiri.
- HTTP: dipakai untuk server remote yang diakses lewat jaringan. Cara ini memungkinkan satu server dipakai banyak orang dari jarak jauh.
Sebagai gambaran, ketika Anda meminta asisten coding menampilkan isi sebuah berkas, model mengenali bahwa kemampuan itu tersedia di server. Permintaan dikirim lewat client, server membaca berkas, lalu mengembalikan isinya untuk dirangkai model menjadi jawaban. Semua itu terjadi dalam hitungan detik tanpa Anda menulis satu baris kode pun.
Anda tidak perlu menghafal detail teknisnya. Namun memahami alurnya membantu Anda menyadari satu hal penting: model hanya bisa melakukan apa yang diizinkan oleh server, dan setiap aksi melewati jalur yang bisa diawasi.
MCP vs API Biasa: Apa Bedanya?
Pertanyaan yang wajar muncul: bukankah layanan sudah punya API (antarmuka pemrograman) sendiri? Benar, dan MCP justru sering berdiri di atas API yang sudah ada. Perbedaannya terletak pada siapa penggunanya.
API biasa dirancang untuk dipanggil oleh program dengan cara yang sudah pasti, dan pengembang menulis kode untuk setiap pemanggilan. MCP dirancang agar sebuah model AI bisa menemukan dan memakai kemampuan itu sendiri saat dibutuhkan, tanpa kode khusus untuk tiap aksi. Server MCP biasanya membungkus API sebuah layanan, lalu menyajikannya dalam bentuk seragam yang mudah dipahami model. Jadi MCP bukan pengganti API, melainkan lapisan standar di atasnya yang khusus melayani kebutuhan AI.
Hubungan MCP dengan LLM dan AI Generatif
MCP tidak menggantikan model bahasa, melainkan melengkapinya. Sebuah LLM (Large Language Model) hebat dalam memahami dan menghasilkan bahasa, tetapi pengetahuannya berhenti di titik terakhir data pelatihannya, dan ia tidak bisa menyentuh sistem nyata. MCP memberi model semacam "tangan dan mata" untuk membaca data terkini dan menjalankan aksi.
Sebenarnya konsep ini adalah penyempurnaan dari kemampuan yang sudah ada sebelumnya, yaitu tool use atau function calling, di mana model bisa memanggil fungsi yang kita sediakan. Bedanya, MCP menstandarkan cara fungsi-fungsi itu disediakan dan ditemukan, sehingga tidak perlu dirancang ulang untuk tiap aplikasi.
Dengan kata lain, jika kecerdasan buatan generatif adalah otak yang pandai bernalar dengan bahasa, MCP adalah sistem saraf yang menghubungkan otak itu ke dunia luar secara teratur.
Contoh Penerapan dan Ekosistem MCP
Sejak dibuka, ekosistem MCP tumbuh sangat cepat. Banyak layanan populer kini punya server MCP, di antaranya GitHub, Slack, Google Drive, basis data Postgres, dan alat desain seperti Figma. Di sisi host, aplikasi seperti Claude Desktop, Cursor, VS Code, dan Zed telah mendukung MCP. Karena itu, Anda sering menjumpai istilah seperti "Claude MCP" atau "Cursor MCP" yang merujuk pada dukungan ini.
Sebagai gambaran nyata, bayangkan seorang pengembang memakai asisten coding yang terhubung ke server GitHub lewat MCP. Asisten itu bisa membaca isi repositori sebagai resources, lalu memakai tools untuk membuat cabang baru dan mengajukan pull request, semuanya dalam satu percakapan. Tanpa MCP, setiap kemampuan itu harus diprogram khusus untuk asisten tersebut.
Adopsi yang luas inilah yang membuat MCP dengan cepat menjadi semacam standar bersama. Sepanjang 2025, dukungan terhadapnya meluas hingga ke pemain besar lain di luar Anthropic, menjadikannya fondasi penting bagi gelombang AI agent.
Ilustrasi ekosistem MCP dengan ikon layanan kode, pesan, dan awan.
Menjalankan MCP Server Sendiri: Lokal vs Remote
Bagi Anda yang ingin membangun server MCP sendiri, ada dua model penyebaran yang perlu dipertimbangkan, dan keduanya menentukan kebutuhan infrastruktur.
Server lokal berjalan di komputer Anda sendiri lewat transport stdio. Model ini paling sederhana dan cocok untuk kebutuhan pribadi atau pengembangan, karena server hidup di mesin yang sama dengan aplikasi AI dan tidak perlu jaringan.
Server remote berjalan di sebuah server yang diakses lewat HTTP, sehingga bisa dipakai banyak orang atau seluruh tim. Untuk model ini, Anda membutuhkan tempat menjalankan server tersebut secara terus-menerus. Banyak pengembang memilih VPS Indonesia atau server sejenis agar server MCP-nya selalu menyala dan bisa dijangkau, sekaligus memberi kendali penuh atas keamanannya. Pilihan antara lokal dan remote pada dasarnya adalah pilihan antara kesederhanaan dan jangkauan.
Kelebihan MCP
Pertumbuhan MCP yang pesat bukan tanpa alasan. Ada beberapa keunggulan nyata yang membuatnya cepat diadopsi:
- Standar terbuka: MCP bukan milik satu vendor, sehingga mengurangi risiko ketergantungan pada satu perusahaan tertentu.
- Sekali dibuat, dipakai di mana-mana: satu server MCP bisa dipakai oleh aplikasi AI mana pun yang mendukung standar ini.
- Memisahkan urusan dengan rapi: logika integrasi pindah ke server, sehingga aplikasi AI tetap ramping dan mudah dirawat.
- Ekosistem yang cepat tumbuh: makin banyak server siap pakai berarti makin sedikit yang perlu Anda bangun sendiri.
Kekurangan dan Hal yang Perlu Anda Pertimbangkan
Sekuat apa pun gagasannya, MCP masih jauh dari sempurna. Ada beberapa hal yang perlu Anda waspadai sebelum mengandalkannya sepenuhnya.
- Protokol yang masih muda: MCP baru lahir pada akhir 2024 dan masih berkembang cepat. Spesifikasi dan praktik terbaiknya bisa berubah, sehingga sesuatu yang berlaku hari ini mungkin berbeda beberapa bulan kemudian.
- Keamanan adalah tanggung jawab besar: server MCP bisa mendapat akses ke data sensitif. Memasang server dari pihak yang tidak Anda percaya sama saja memberi akses tersebut ke pihak asing, jadi periksa sumbernya dengan teliti.
- Risiko penyalahgunaan lewat instruksi: karena model bisa memanggil aksi, ada celah ketika konten berbahaya menyusupkan perintah tersembunyi. Karena itu otorisasi dan persetujuan pengguna untuk aksi penting tetap diperlukan.
- Kualitas server bervariasi: siapa saja bisa membuat server MCP, sehingga keandalan dan keamanannya tidak seragam.
Memahami batasan ini penting agar Anda memakai MCP secara cerdas, bukan menelan setiap server dan kemampuannya tanpa pertimbangan.
Kesimpulan
MCP adalah standar terbuka yang menghubungkan aplikasi AI ke tool dan data eksternal lewat satu protokol bersama, ibarat colokan USB-C untuk dunia AI. Ia bekerja dengan pola host, client, dan server. Server itu sendiri bisa menawarkan tiga kemampuan: tools untuk bertindak, resources untuk membaca data, dan prompts untuk alur kerja siap pakai. Inti manfaatnya adalah menyederhanakan integrasi dari yang tadinya berlipat-lipat menjadi jauh lebih sederhana.
Sebagai teknologi yang masih muda, MCP membawa harapan besar sekaligus pekerjaan rumah, terutama soal keamanan dan kematangan. Dengan memahami arsitektur sekaligus risikonya, Anda bisa memanfaatkan MCP sebagai jembatan yang andal antara model AI dan sistem yang Anda miliki. Semoga artikel ini membantu.
