Apa itu MCP? Model Context Protocol Dijelaskan

🔌 Apa itu MCP?

The Model Context Protocol (MCP) adalah standar terbuka yang diterbitkan oleh Anthropic pada Desember 2024 yang mendefinisikan antarmuka universal untuk menghubungkan model AI ke alat eksternal, sumber data, dan layanan. Sebelum MCP, setiap integrasi AI adalah implementasi kustom dan sekali pakai. MCP menstandarisasi cara klien AI berkomunikasi dengan kapabilitas eksternal — sehingga satu integrasi berfungsi dengan sistem AI yang kompatibel mana pun.

MCP adalah protokol klien-server: Klien MCP adalah sistem AI (seperti Claude, Cursor, VS Code dengan Copilot) yang ingin menggunakan kapabilitas eksternal. Server MCP adalah layanan yang mengekspos kapabilitas tersebut (GitHub, database, sistem file, browser web) melalui API yang distandarisasi yang dapat digunakan oleh klien MCP mana pun.

🔋 Metafora USB-C

Sebelum USB-C, setiap perangkat memiliki konektor kepemilikan sendiri — pengisi daya ponsel tidak bekerja dengan laptop, kabel display tidak bekerja dengan perangkat penyimpanan. USB-C menyelesaikan ini dengan satu standar universal: satu port, satu kabel, tak terhitung perangkat.

Integrasi AI sebelum MCP mengalami kekacauan yang sama. Menghubungkan Claude ke GitHub membutuhkan kode kustom. Menghubungkan GPT-4 ke API GitHub yang sama membutuhkan kode kustom yang berbeda. Menambah alat baru berarti membangun ulang integrasi dari awal untuk setiap platform AI.

MCP adalah USB-C untuk AI. Satu standar:

• Bangun server MCP sekali — klien MCP mana pun dapat menggunakannya
• Adopsi model AI baru — server MCP Anda yang ada langsung bekerja
• Ekosistem server MCP tumbuh terpisah dari pengembangan model AI

⚙️ Cara Kerja MCP

MCP menggunakan protokol JSON-RPC 2.0 di atas lapisan transport (stdio untuk server lokal, HTTP/SSE untuk server jarak jauh). Komunikasi mengikuti siklus hidup inisialisasi, penemuan kapabilitas, dan penanganan permintaan.

Tiga primitif inti

Alur komunikasi

1. Inisialisasi: Klien terhubung ke server, bertukar versi protokol dan kapabilitas
2. Penemuan: Klien meminta daftar alat, sumber daya, dan prompt yang tersedia
3. Pemanggilan: Model AI memutuskan untuk memanggil alat; klien mengirim permintaan ke server
4. Pengembalian: Server mengeksekusi aksi dan mengembalikan hasil terstruktur ke klien
5. Lanjutan: Model AI menggabungkan hasil dan melanjutkan penalaran

Opsi transport

🔄 MCP vs Function Calling

Function calling (penggunaan alat) adalah fitur bawaan di API AI tertentu — OpenAI, Anthropic, Google — yang memungkinkan Anda mendefinisikan fungsi kustom yang dapat dipanggil model. MCP adalah lapisan di atas atau di samping function calling yang menstandarisasi bagaimana fungsi-fungsi itu ditemukan dan dihubungkan.

Dalam praktiknya, server MCP sering menggunakan function calling secara internal — MCP menyediakan lapisan penemuan dan koneksi, sementara function calling menangani pemanggilan LLM-ke-alat yang sebenarnya.

🏢 Siapa yang Mendukung MCP

Adopsi MCP telah tumbuh pesat sejak peluncurannya pada Desember 2024. Per April 2026, ekosistem mencakup:

Klien AI dengan dukungan MCP

• Claude (Anthropic) — dukungan MCP native di Claude.ai dan Claude Code
• Cursor — server MCP untuk bantuan AI yang paham kode
• VS Code (GitHub Copilot) — integrasi MCP dalam mode agen
• Windsurf (Codeium) — dukungan server MCP
• Continue.dev — asisten IDE open-source dengan MCP

Server MCP populer

• Filesystem — baca/tulis file lokal (resmi Anthropic)
• GitHub — repos, PR, isu, pencarian kode
• PostgreSQL / SQLite — kueri database dan eksplorasi skema
• Brave Search / Exa — pencarian web tanpa API key
• Puppeteer / Playwright — otomasi browser
• Slack / Linear / Notion — integrasi alat produktivitas

🚀 Memulai dengan MCP

Opsi 1: Gunakan server MCP yang ada (5 menit)

Cara tercepat untuk merasakan MCP adalah menggunakan Claude Desktop dengan server pra-bangun. Sunting konfigurasi Claude Desktop Anda di ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/yourname/Documents"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_..." }
    }
  }
}

Opsi 2: Bangun server MCP (30 menit)

SDK resmi tersedia untuk TypeScript, Python, dan Kotlin:

// TypeScript MCP server example
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new Server({ name: "my-server", version: "1.0.0" });

server.setRequestHandler("tools/list", async () => ({
  tools: [{
    name: "get_weather",
    description: "Get current weather for a city",
    inputSchema: {
      type: "object",
      properties: { city: { type: "string" } },
      required: ["city"]
    }
  }]
}));

server.setRequestHandler("tools/call", async (request) => {
  const { city } = request.params.arguments;
  // ... fetch weather data
  return { content: [{ type: "text", text: `Weather in ${city}: sunny, 22°C` }] };
});

const transport = new StdioServerTransport();
await server.connect(transport);

🔐 Pertimbangan Keamanan MCP

Kekuatan MCP — memberi model AI akses ke alat, file, dan layanan — juga memperkenalkan risiko keamanan yang harus dirancang oleh pengembang.

Untuk pembahasan lebih mendalam tentang kerentanan keamanan AI — termasuk bagaimana prompt injection dapat dimanfaatkan melalui hasil alat MCP — lihat panduan kami: Penjelasan Prompt Injection.