Pelatihan AI Coding untuk Pemula

Ini adalah jalur belajar mandiri yang sepenuhnya public. Tidak ada paywall, syarat login, sertifikat, ujian formal, atau capstone. Ikuti delapan modul secara berurutan dan gunakan sepuluh latihan praktik untuk membuktikan bahwa Anda dapat bekerja dengan aman, bukan sekadar membaca teori.

Estimasi total 12 sampai 18 jam. Materi teks sudah lengkap; video eksternal hanya referensi opsional.

1. Cara Mengikuti Training

Siapkan komputer, browser, satu IDE, Git, runtime sesuai project, dan satu coding agent. Buat repository latihan private dengan data synthetic. Jangan gunakan production secret atau data user nyata.

Setiap modul mengikuti loop:

PELAJARI
-> COBA CONTOH KECIL
-> KERJAKAN LATIHAN
-> PERIKSA HASIL
-> CATAT HAL YANG BELUM DIPAHAMI
-> LANJUTKAN

Tandai latihan secara pribadi. Progress tidak perlu dibagikan dan tidak menentukan akses ke fitur AI Blueprint.

2. Modul 1: Memahami AI Coding

Outcome: Anda dapat membedakan model, provider, coding agent, IDE, context, dan token serta memilih jalur awal yang sesuai.

Pelajari halaman Mulai AI Coding dari Nol dan Model, Token, Context, dan Usage Limits. Pahami bahwa agent hanya melihat context yang diberikan dan hasilnya wajib diverifikasi. Model mahal tidak memperbaiki requirement yang ambigu.

P01: Pilih Tool dan Model Pertama

Tuliskan satu keputusan sederhana:

# Keputusan Tool Awal
- Jalur: local IDE / browser builder
- IDE: ...
- Coding agent: ...
- Model atau mode default: ...
- Batas budget: ...
- Alasan: ...
- Cara melihat usage: ...

Lulus bila Anda dapat menjelaskan perbedaan IDE, agent, dan model tanpa menyebut ketiganya sebagai hal yang sama.

3. Modul 2: Tools dan Workspace

Outcome: Anda dapat memasang IDE, membuka folder yang benar, menjalankan project, membaca error dasar, dan menghentikan dev server.

Ikuti Tools dan IDE Quickstart. Mulai dengan VS Code atau Google Antigravity IDE, Git, dan runtime yang diwajibkan project. Kenali Explorer, Search, Terminal, Problems, Source Control, dan diff viewer.

P02: First Local Run

1. Clone atau buka repository latihan.
2. Baca README dan package.json.
3. Jalankan install dengan package manager yang sesuai lockfile.
4. Jalankan dev server.
5. Buka app dan DevTools Console.
6. Catat URL lokal dan satu warning/error bila ada.
7. Hentikan server dengan aman.

Lulus bila project dapat dijalankan ulang dari terminal baru menggunakan langkah yang Anda catat.

4. Modul 3: Git, GitHub, dan Recovery

Outcome: Anda dapat membuat checkpoint, membaca diff, bekerja di branch, dan memulihkan perubahan tanpa kehilangan pekerjaan lain.

Git adalah safety net utama AI coding. Sebelum agent mengedit, pastikan git status bersih dan buat commit baseline. Jangan memakai reset atau rebase destruktif sebelum memahami dampaknya.

P03: Git Diff dan Restore

1. Commit baseline.
2. Ubah satu file kecil.
3. Jalankan git diff.
4. Pulihkan hanya file tersebut dengan git restore <file>.
5. Ulangi perubahan yang benar, review diff, lalu commit.

P04: Branch dan Merge

Buat feature branch, lakukan satu perubahan, commit, kembali ke main, lalu merge. Periksa graph dengan git log --oneline --graph --decorate.

P05: Merge Conflict Aman

Buat dua branch yang mengubah baris sama pada file latihan. Merge, baca marker <<<<<<<, =======, dan >>>>>>>, tentukan hasil akhir, lalu jalankan test. Ulangi sekali dengan git merge --abort. Gunakan repository synthetic, bukan repository produksi.

5. Modul 4: Prompting, Context, dan AI Skills

Outcome: Anda dapat menulis prompt yang dapat dieksekusi, mengontrol context, dan mengubah workflow berulang menjadi skill kecil yang bisa direview.

Prompt yang baik menyebut tujuan, scope, context, rules, acceptance criteria, serta checks. Mulai read-only untuk repository yang belum Anda kenal. Repository instructions menyimpan aturan stabil; detail satu task tetap berada di prompt atau plan.

P06: Perbaiki Prompt dan Buat Skill

Ubah prompt kabur seperti "buat dashboard bagus" menjadi kontrak kerja:

Tujuan: implement satu dashboard overview responsive.
Context: baca PRD, DESIGN.md, dan component existing.
Scope: overview saja; jangan ubah auth, database, atau dependency.
Acceptance: desktop/mobile, loading/empty/error, keyboard focus.
Checks: lint, typecheck, test relevan, screenshot, git diff.
Stop: laporkan blocker dan jangan memperluas scope.

Lalu buat review-current-diff/SKILL.md yang hanya mengaudit diff saat dipanggil eksplisit. Uji satu prompt yang harus memicu skill dan satu yang tidak. Review file skill untuk command destruktif, network access, secret access, dan instruksi tersembunyi sebelum memasangnya.

6. Modul 5: Memilih Technology Stack

Outcome: Anda dapat memilih stack berdasarkan bentuk produk, bukan tren atau preferensi agent.

Mulai dari pertanyaan: static site atau app dinamis, perlu login atau tidak, data relasional atau dokumen, realtime atau tidak, siapa yang mengoperasikan, dan bagaimana deployment dilakukan. Pertahankan stack yang sudah ditetapkan Project ZIP kecuali ada alasan teknis dan persetujuan yang jelas.

P07: Stack Decision

Bandingkan tiga bentuk produk: landing page, SaaS CRUD multi-user, dan internal data tool. Untuk tiap produk, pilih frontend, backend, database, auth, hosting, testing, serta alasan. Tambahkan apa yang sengaja tidak dipakai, misalnya Docker, microservices, atau realtime.

Lulus bila pilihan Anda adalah stack terkecil yang memenuhi requirement dan team dapat mengoperasikannya.

7. Modul 6: UI Frontend Profesional

Outcome: Anda dapat mengubah direction visual menjadi kontrak desain dan satu screen yang dapat dinilai.

Ikuti Membuat Frontend yang Baik dengan AI. Kumpulkan dua sampai tiga referensi legal, uraikan trait yang relevan, buat DESIGN.md dan ASSETS.md, lalu implement satu vertical slice. Referensi bukan asset produksi.

P08: DESIGN.md dan Satu Screen

Tentukan typography, color roles, spacing, grid, radius, border, component rules, responsive behavior, states, accessibility, motion, asset ownership, serta do/don't. Implement satu screen dengan loading, empty, error, long content, dan mobile state. Bandingkan screenshot hasil dengan kontrak, bukan dengan selera spontan agent.

8. Modul 7: Database, Auth, dan API

Outcome: Anda memahami bahwa login tidak otomatis berarti authorization dan dapat membuktikan isolasi data antar-user.

Gunakan data synthetic. Simpan secret server-only, aktifkan policy seperti RLS bila platform mendukungnya, validasi input di boundary, dan lakukan authorization di server. Migration harus versioned serta memiliki langkah verifikasi.

P09: Protected Data

Buat tabel tasks dengan user_id. Login sebagai User A dan User B. Buktikan A hanya dapat membaca, mengubah, dan menghapus record A; ulangi untuk B. Uji request langsung ke API, bukan hanya menyembunyikan tombol di UI. Catat hasil expected dan actual.

9. Modul 8: Testing, Debugging, dan Deployment

Outcome: Anda dapat mencari root cause, menjalankan quality gate, dan mengirim preview yang aman untuk direview.

Mulai dari evidence: langkah reproduksi, log, network request, stack trace, dan diff terakhir. Minta agent menjelaskan hypothesis sebelum mengedit. Pilih test sesuai risiko: unit untuk logic, integration untuk boundary, E2E untuk alur user penting.

P10: Seeded Bug dan Preview

1. Reproduksi bug dan tulis expected versus actual.
2. Tambahkan test yang gagal karena bug.
3. Implement perbaikan terkecil.
4. Jalankan lint, typecheck, test, dan build yang tersedia.
5. Review diff serta dependency/config changes.
6. Deploy branch ke preview, bukan production.
7. Uji desktop, mobile, loading, error, dan unauthorized state.
8. Simpan link preview dan rollback plan.

10. Checklist Kelulusan Pribadi

• Saya dapat menjelaskan model, provider, agent, dan IDE.
• Saya dapat menjalankan project dari folder yang benar.
• Saya dapat membaca diff dan memulihkan satu file.
• Saya pernah menyelesaikan dan membatalkan merge conflict.
• Prompt saya mempunyai scope, acceptance, checks, dan stop condition.
• Saya dapat mengaudit skill sebelum install.
• Saya memilih stack dari requirement.
• Saya membuat DESIGN.md sebelum scale UI.
• Saya menguji authorization dengan dua user.
• Saya memperbaiki bug dengan evidence dan menguji preview.

Setelah checklist selesai, lanjutkan ke AI Blueprint Project ZIP ke Code dan terapkan workflow pada project nyata dengan secret non-production terlebih dahulu.