Krisis Vibe Coding: Mengapa Lulusan CS Tidak Lagi Bisa Membuat Kode Tanpa AI

Dalam sebuah utas Reddit pada Maret 2026, yang dengan cepat melampaui 8.000 upvote, seorang insinyur senior di startup Series-B memposting skenario tugas rumah yang baru saja ditolaknya. Kandidat tersebut, seorang lulusan baru CS dengan IPK 3,9 dari program studi yang dihormati, telah mengirimkan kode yang berjalan sempurna di bawah kondisi ideal (happy path) tetapi secara diam-diam merusak data pada setiap kasus batas (edge case). Ketika kandidat diminta untuk menjelaskan logika dalam panggilan tindak lanjut, ia tidak dapat menjelaskan mengapa salah satu fungsinya sendiri menggunakan rekursi. Kalimat yang membuat utas tersebut meledak adalah jawaban jujurnya: “Saya hanya memberi tahu Claude apa yang kami butuhkan dan ia menulis ini. Saya biasanya hanya membaca kode jika tidak berfungsi.”

Ini adalah krisis vibe coding, dan pada tahun 2026 krisis ini telah bermigrasi dari Twitter pengembang ke proses rekrutmen, evaluasi setelah wawancara, dan semakin sering ke kantor para kepala departemen CS yang mencoba memahami apa yang baru saja terjadi pada para lulusan mereka. Istilah ini diciptakan oleh Andrej Karpathy pada Februari 2025 untuk menggambarkan cara kerja baru yang positif: jelaskan niat Anda, terima apa yang dihasilkan model, kirimkan. Dalam waktu satu tahun, frasa yang sama menjadi sebutan industri untuk generasi pemrogram yang dapat menulis prompt dengan lancar tetapi tidak dapat menalar tentang apa yang sebenarnya dilakukan oleh kode mereka.

Bagi pengajar pemrograman, ini bukanlah masalah hipotetis tentang masa depan pekerjaan. Ini adalah keadaan darurat pedagogis saat ini mengenai mahasiswa yang Anda luluskan sekarang. Artikel ini membahas apa yang sebenarnya ditunjukkan oleh penelitian dan laporan lapangan tentang penyusutan kompetensi (atrophy) akibat AI, mengapa CS1 hingga proyek akhir tahun terakhir sangat rentan, dan bagaimana sekelompok kecil pengajar yang terus bertambah menyusun kembali mata kuliah mereka untuk memastikan mahasiswa lulus dengan kemampuan mengode — bukan hanya dengan kemampuan menulis prompt.

Apa Arti Vibe Coding Sebenarnya (Dan Mengapa Karpathy Mengatakan Itu Seharusnya Menyenangkan)

Kerangka awal Karpathy bersifat spesifik. Vibe coding berarti menerima bahwa pemrograman untuk proyek pribadi sekarang dapat dirasakan sebagai permainan kreatif: Anda memberi tahu model apa yang Anda inginkan, ia menghasilkan kode, Anda menyesuaikan prompt daripada kodenya, dan Anda mengirimkan sesuatu yang berfungsi. Ia mencatat secara eksplisit bahwa ia tidak lagi membaca kode baris demi baris untuk proyek sampingannya sendiri. Kerangka tersebut adalah tentang kegembiraan, produktivitas, dan observasi sah bahwa untuk proyek sekali pakai yang kurang penting, tinjauan manual yang cermat adalah hal yang berlebihan.

Istilah tersebut kemudian menyebar ke bidang yang lebih luas, di mana ia mendarat dalam dua konteks yang sangat berbeda:

• Insinyur senior yang menggunakannya secara sadar: Memperlakukan kode buatan AI sebagai draf, membaca dan merestrukturisasinya sebelum commit, menggunakan AI untuk menghindari penulisan kode boilerplate yang rutin, tetapi menerapkan pengenalan pola selama beberapa dekade untuk mengevaluasi hasilnya. Ini adalah apa yang dijelaskan Karpathy, dan ini berfungsi.
• Insinyur junior dan mahasiswa yang mengadopsinya sebagai mode default mereka: Memperlakukan kode buatan AI sebagai hasil akhir, menerimanya tanpa membaca, melakukan debug hanya ketika pengujian gagal, beralih ke senior atau pengajar hanya ketika AI tidak dapat memperbaiki kodenya sendiri. Ini adalah apa yang tidak dijelaskan Karpathy, dan ini tidak berfungsi.

Masalah pedagogisnya adalah kelompok kedua, dan mereka merupakan mayoritas dari mahasiswa yang mulai masuk ke program CS pada tahun 2026. Karpathy sendiri menarik kembali kerangkanya pada akhir tahun 2025, mencatat bahwa vibe coding masuk akal bagi para ahli untuk proyek pribadi tetapi berbahaya bagi orang lain.

Penyusutan Kompetensi dalam Angka Nyata

Buktinya sekarang substansial, dan semuanya menunjuk ke satu arah. Analisis pada Desember 2025 yang diterbitkan oleh CodeRabbit, yang memeriksa pull request di ratusan repositori sumber terbuka, menemukan bahwa kode yang ditulis bersama AI generatif mengandung sekitar 1,7x lebih banyak masalah “besar” daripada kode yang ditulis manusia. Kesalahan logika (ketergantungan yang salah, alur kontrol yang cacat) dan kerentanan keamanan keduanya meningkat secara signifikan, dengan celah keamanan muncul pada tingkat 2,74x dibandingkan dengan kode buatan manusia saja.

Sebuah laporan TechSpot pada akhir tahun 2025 menyurvei para pengembang profesional tentang efek kognitif dari alur kerja vibe coding yang dipaksakan. Pola umum yang dilaporkan: waktu debugging yang meningkat, penurunan kemampuan untuk mensimulasikan kode secara mental, dan melemahnya intuisi tentang bagaimana kode berkualitas produksi seharusnya terlihat. Seorang pengembang menggambarkan pengalamannya setelah enam bulan kerja vibe-first sebagai kehilangan "memori otot" sepenuhnya untuk pemecahan masalah.

Ilustrasi paling jelas datang dari seorang pengembang yang menjalankan eksperimen 30 hari pada awal tahun 2026: tidak ada bantuan AI selama sebulan, lalu merefleksikan perbedaannya. Tulisan di dev.to, I Coded Without AI for 30 Days: The Results Were Embarrassing, menjadi salah satu esai pengembang yang paling banyak dibagikan tahun itu. Hasil sentral: seorang insinyur senior yang aktif bekerja dengan delapan tahun pengalaman tidak bisa lagi menulis penelusuran pohon biner (binary tree traversal) sederhana dari ingatan. Keterampilan tersebut telah diserahkan ke pihak luar lalu perlahan menyusut.

Jika otot debugging seorang insinyur senior yang aktif bekerja menyusut dalam beberapa bulan karena ketergantungan pada AI, bayangkan lintasan seorang mahasiswa CS1 yang tidak pernah memiliki otot itu sejak awal — yang seluruh pengalaman pemrogramannya telah dimediasi melalui LLM yang menghasilkan solusi berfungsi dalam sepuluh detik setelah melihat pernyataan masalah.

Mengapa Pendidikan Pemrograman Sangat Rentan?

Disiplin ilmu lain menangani AI dalam pendidikan secara tidak sempurna, tetapi sebagian besar masih memiliki kerangka penilaian yang utuh. Seorang mahasiswa sastra masih dapat diminta untuk mendiskusikan suatu bagian dalam seminar. Seorang mahasiswa kimia masih dapat diminta untuk melakukan prosedur laboratorium. Seorang mahasiswa matematika masih dapat diminta untuk menurunkan bukti di papan tulis. Pendidikan pemrograman tidak memiliki satu pun dari mode evaluasi yang utuh ini. Hampir setiap tugas pemrograman adalah pekerjaan rumah, dievaluasi berdasarkan apakah kode tersebut lulus pengujian — dan AI pada tahun 2026 lulus pengujian tersebut dengan sangat mudah.

Ini menciptakan tiga sårbaritas yang spesifik untuk pemrograman:

• Siklus tugas-pengujian sepenuhnya dapat diotomatisasi. Codex, Claude Code, dan Cursor membaca tugas, menulis kode, menjalankan test suite, melakukan iterasi pada kegagalan, dan mengirimkan solusi berfungsi. Siklus penuh yang diharapkan dilakukan mahasiswa — memahami persyaratan, merancang solusi, mengimplementasikannya, melakukan debug — dapat dilakukan oleh AI lebih cepat daripada waktu mahasiswa membaca spesifikasi.
• Evaluasi langsung secara logistik mahal. Kelas CS1 dengan 200 mahasiswa tidak dapat secara realistis melakukan pertahanan lisan lima menit pada setiap tugas tanpa menghabiskan dua puluh jam waktu asisten pengajar per siklus tugas. Model ekonomi dari kursus CS besar mengasumsikan penilaian pekerjaan rumah asinkron.
• Kecurangan tidak terlihat oleh mahasiswa. Seorang mahasiswa yang menyalin esai tahu bahwa mereka menyontek. Seorang mahasiswa yang mempromosikan AI untuk menyelesaikan tugas mungkin tidak menganggapnya sebagai menyontek — norma sosial telah bergeser lebih cepat daripada kebijakan, dan tindakan tersebut terasa tidak ada bedanya dengan mencari sesuatu. Ketika mereka mencapai tahun terakhir dan harus berpikir sendiri, mereka telah menghabiskan empat tahun tanpa membangun keterampilan yang relevan.

Hasilnya adalah rantai evaluasi yang menghasilkan mahasiswa dengan kualifikasi yang tidak lagi berkorelasi dengan keterampilan. Manajer perekrutan pada tahun 2026 semakin melewati CV dan IPK untuk memilih evaluasi teknis langsung, justru karena sistem kualifikasi telah terputus dari kemampuan dasar.

Bagaimana “Tidak Belajar Apa Pun” Terlihat pada Jam Kerja CS

Jika Anda mengajar pemrograman, Anda mungkin telah melihat pola ini, bahkan jika Anda belum menamainya. Kami telah mengumpulkan sinyal diagnostik yang paling umum dari pengajar di CS1, struktur data, dan kelas proyek akhir selama akhir tahun 2025 dan awal tahun 2026.

• Mahasiswa tidak dapat menemukan bug mereka sendiri. Kiriman berjalan sempurna. Uji unit baru gagal. Mahasiswa membuka file, melihat kode seolah-olah baru pertama kali melihatnya, menggulir ke atas dan ke bawah tanpa hipotesis, dan akhirnya mengatakan “Saya hanya bertanya pada Claude apa yang salah.” Reaksi pertama terhadap pengujian yang gagal adalah beralih ke AI daripada merumuskan hipotesis.
• Mahasiswa tidak dapat menjawab "mengapa". Ketika ditanya “mengapa Anda menggunakan hash map di sini daripada array,” jawabannya adalah “itulah yang disarankan oleh AI.” Pilihan dibuat; alasan di baliknya tidak pernah diinternalisasi. Tidak ada model kognitif di bawah kode.
• Mahasiswa tidak dapat membuat variasi kecil. “Modifikasi ini agar juga menangani angka negatif” seharusnya menjadi pengeditan tiga puluh detik. Bagi mahasiswa yang bergantung pada AI, ini menjadi sesi prompt lima menit karena mereka harus memasukkan batasan ke dalam model daripada memikirkan di mana dalam kode yang ada perubahan tersebut harus dibuat.
• Mahasiswa fasih dalam alat, buta huruf dalam masalah. Mereka dapat mengonfigurasi Vercel, membangun komponen React, menyiapkan database Postgres, menerapkan dengan Docker. Mereka dapat menggunakan seluruh rantai alat modern. Minta mereka mengimplementasikan quicksort. Keheningan.
• Pengungkapan proyek akhir. Proyek akhir tahun terakhir, momen di mana akumulasi keterampilan seharusnya membuahkan hasil, semakin menjadi momen di mana akumulasi kurangnya keterampilan terungkap. Tim yang melakukan vibe coding dari CS1 hingga tahun ketiga tiba di proyek akhir tanpa kemampuan merancang sistem, tanpa kemampuan memecah fungsi, tanpa kemampuan menangani bagian pengkodean yang paling buruk dilakukan AI.

Solusi Pedagogis: Perlakukan Kefasihan AI Sebagai Keterampilan Nyata (Dan Buat Itu Layak Diterima)

Para pengajar yang menangani transisi ini dengan baik bukanlah mereka yang memiliki larangan AI paling ketat. Merekalah yang telah membangun kembali mata kuliah mereka di sekitar perbedaan yang jelas: AI adalah alat yang harus dipelajari mahasiswa untuk digunakan dengan baik, DAN mahasiswa harus secara mandiri mendemonstrasikan keterampilan kognitif yang dilakukan AI. Kedua persyaratan tersebut tidak bertentangan — mereka saling melengkapi, dan mata kuliah yang melakukannya dengan benar menghasilkan lulusan yang berkinerja lebih baik daripada kelompok vibe coder maupun kelompok yang melarang AI.

Pola desain spesifik yang kami lihat berhasil dalam mata kuliah pemrograman tahun 2026:

• 1. Tugas dua jalur. Setiap tugas memiliki bagian “solo” (tidak ada AI yang diizinkan, sering kali merupakan bagian kecil di kelas) dan bagian “alat” (AI diizinkan tetapi didokumentasikan). Bagian solo menangkap apa yang sebenarnya dapat dilakukan mahasiswa. Bagian alat mengajarkan mereka untuk melakukan lebih banyak.
• 2. Kefasihan AI sebagai kompetensi yang dinilai. Mahasiswa mengirimkan prompt AI yang mereka gunakan, jawaban yang mereka terima, dan analisis tentang di mana AI salah atau tidak efisien. Membaca output AI secara kritis diperlakukan sebagai tujuan mata kuliah, bukan jalan pintas.
• 3. Penilaian khusus debugging. Mahasiswa diberikan kode buatan AI yang berfungsi dengan bug halus (off-by-one, kasus dasar yang salah, pemeriksaan null yang hilang, kerentanan keamanan) dan dinilai berdasarkan kemampuan mereka untuk menemukan dan memperbaikinya. Ini melatih keterampilan yang paling buruk dilakukan AI dan paling dihargai oleh pemberi kerja.
• 4. Penilaian proses yang ketat. Riwayat commit yang diwajibkan, komentar wajib yang mendokumentasikan keputusan desain, rekaman penjelasan. Kode sumber saja tidak lagi menjadi nilai akhir.
• 5. Percakapan teknis langsung. Bagian lisan singkat dan terstruktur pada setiap tugas besar. Lima menit per mahasiswa, difokuskan pada satu atau dua pertanyaan diagnostik. Hambatan itu nyata; sinyalnya luar biasa.
• 6. Verifikasi keaslian tingkat sistem. Alat seperti Plagly.ai memindai kiriman untuk pola pembuatan AI, keseragaman stilistik tingkat kelompok, dan tidak adanya jejak pembuatan iteratif yang biasanya ditunjukkan oleh karya mahasiswa asli. Ini bukan nilai; ini adalah bendera yang menyoroti kiriman yang layak untuk percakapan jam kerja.

Lapisan Alat yang Membuat Ini Praktis

Keberatan terbesar terhadap model di atas adalah logistik. Kelas nyata memiliki ratusan mahasiswa; pengajar nyata tidak memiliki waktu untuk membaca setiap kiriman baris demi baris, melakukan pertahanan lisan pada setiap tugas, atau melihat pola tingkat kelompok dengan mata telanjang. Alat harus melakukan pemindaian permukaan sehingga manusia dapat menerapkan penilaian pada kasus-kasus yang penting.

Berikut adalah tampilan praktisnya untuk kohort CS1 dengan 200 mahasiswa:

• Pemindaian Kiriman Otomatis: Setiap file yang diunggah melewati deteksi AI yang mengembalikan skor keyakinan dan bendera per blok. Plagly.ai melakukan analisis ini dengan akurasi 99% di seluruh GPT-5.5, Claude 4.6, Gemini 3.1, dan model terkemuka lainnya, termasuk varian kode khusus yang disukai model-model tersebut.
• Dasbor Tingkat Kelompok: Pengajar melihat pengelompokan pola stilistik di seluruh kelompok. Ketika delapan kiriman berbagi frasa idiomatis, kepadatan komentar yang identik, dan pola kasus batas defensif yang sama, kelompok tersebut diangkat untuk ditinjau.
• Jejak Pembuatan: Agentic Council Plagly.ai — tujuh model ahli yang menganalisis kiriman berdasarkan kualitas penulisan, struktur, deteksi AI, orisinalitas, dan konsistensi — menghasilkan laporan berreferensi. Laporan tersebut tidak menuduh ketidakjujuran akademik; ia mendokumentasikan pola yang dapat diselidiki oleh pengajar.
• Percakapan Jam Kerja yang Ditargetkan: Mahasiswa yang kirimannya diangkat mendapatkan pemeriksaan lisan lima menit. Sebagian besar selesai dengan cepat; sejumlah kecil yang tidak selesai menjadi kasus yang dikelola pengajar secara matang dan formal.

Poinnya bukan untuk menangkap setiap pelanggar aturan. Poinnya adalah untuk menjaga siklus pembelajaran tetap utuh bagi mahasiswa yang ingin belajar. Kelas tanpa verifikasi adalah kelas di mana mahasiswa yang mengeksploitasi sistem menetapkan norma dan mahasiswa yang bekerja jujur menjadi pecundang. Kelas dengan verifikasi adalah kelas di mana norma sosial bertahan — tugas masih mengajarkan sesuatu, nilai masih berarti sesuatu, dan lulusan masih dapat mengode.

Pandangan 18 Bulan untuk Pendidikan Pemrograman

Sebagian besar pengajar pemrograman aktif yang kami ajak bicara pada tahun 2026 berbagi perasaan bahwa situasi saat ini tidak berkelanjutan. Tugas rumah yang dievaluasi melalui pengujian yang lulus secara struktural tidak kompatibel dengan keberadaan alat pengkodean mandiri. Sesuatu harus mengalah. Tiga arah yang mungkin, dalam urutan probabilitas yang meningkat:

• Larangan AI Total: Beberapa institusi akan mencoba, dan sebagian besar akan gagal. Larangan tersebut tidak dapat diterapkan, kebijakan menjadi tidak konsisten, dan mahasiswa yang mengikuti aturan lulus dengan keterampilan yang kurang daripada mereka yang tidak. Ini adalah hasil terburuk dari kedua dunia dan telah mendiskreditkan dirinya di beberapa universitas yang mencoba pada tahun 2023-2024.
• Pergeseran Keterampilan ke Bawah dalam Kurikulum: CS1 dimulai lebih lambat, dengan lebih banyak penekanan pada landasan konsep. CS2 mencakup apa yang biasa dicakup oleh CS1. Kursus tingkat lanjut menjadi lebih teoritis karena bagian implementasi bukan lagi tempat pembelajaran terjadi. Ini terjadi, secara lambat.
• Pergeseran Evaluasi ke Demonstrasi Langsung: Tugas rumah menjadi formatif. Nilai sumatif ditentukan oleh pengodean langsung di bawah pengawasan, pertahanan lisan, dan pekerjaan proses yang ketat. Ini adalah arah yang sudah diambil oleh program CS terkuat, dan ini adalah arah yang kami yakini akan menjadi tempat sebagian besar program akhirnya mendarat.

Tidak ada satu pun dari skenario ini yang menyelesaikan pertanyaan tentang apa yang harus dilakukan semester ini, dengan mahasiswa yang Anda miliki. Untuk itu, langkah praktisnya adalah hybrid: pertahankan tugas Anda saat ini, tambahkan lapisan verifikasi yang menangkap kasus-kasus terburuk, tambahkan satu atau dua komponen penilaian langsung per mata kuliah, dan mulailah pekerjaan yang lebih lambat untuk mendesain ulang kurikulum untuk dunia di mana AI mandiri adalah garis dasar. Alat verifikasi memberi Anda waktu untuk mendesain ulang kurikulum tanpa kehilangan kohort ini ke vibe coding sementara itu.

Pertanyaan yang Sering Diajukan

Apakah vibe coding selalu buruk, atau terkadang legitim?

Ini legitim bagi pengembang berpengalaman yang mengerjakan proyek pribadi berisiko rendah di mana biaya bug rendah dan pengembang memiliki keterampilan dasar untuk mengevaluasi hasilnya ketika itu penting. Ini merusak bagi mahasiswa yang masih membangun keterampilan dasar, karena ini memotong pekerjaan kognitif yang seharusnya dikembangkan oleh pendidikan pemrograman. Perbedaannya kira-kira sama dengan perbedaan antara seorang koki memesan makanan bawa pulang (sangat boleh) dan seorang mahasiswa kuliner memesan makanan bawa pulang untuk ujian akhir mereka (tidak boleh). Keduanya melibatkan penerimaan makanan yang tidak mereka masak sendiri. Hanya satu yang merusak pembelajaran.

Dapatkah mahasiswa mengklaim bahwa mereka menulis kode yang terdeteksi AI sendiri?

Mereka bisa, dan terkadang mereka benar. Positif palsu pada deteksi kode paling sering terjadi ketika mahasiswa menulis kode dengan gaya buku teks yang kebetulan cocok dengan pola yang biasanya dihasilkan AI. Alur kerja yang dapat dipertahankan tidak memperlakukan skor deteksi sebagai keputusan — ia memperlakukannya sebagai titik awal untuk percakapan lima menit. Seorang mahasiswa yang menulis kodenya sendiri dapat menjelaskannya, memodifikasinya di tempat, dan melacak eksekusinya. Seorang mahasiswa yang mempromosikannya hampir tidak pernah bisa. Percakapan, bukan skornya, adalah apa yang menyelesaikan pertanyaan. Laporan Plagly.ai dirancang untuk mendukung percakapan itu, bukan untuk menggantikannya.

Bagaimana deteksi AI untuk kode berbeda dari deteksi AI untuk prosa?

Deteksi kode menggunakan landasan statistik yang serupa — perplexity, burstiness, sidik jari stilometris — tetapi menerapkannya pada karakteristik permukaan yang berbeda. Dalam kode, sinyal yang paling informatif adalah struktural daripada leksikal: pola penamaan variabel, kepadatan dan gaya komentar, pilihan perpustakaan idiomatis, templat penanganan kesalahan, dan pilihan konstruksi idiomatis. Detektor tingkat atas multi-model mencapai akurasi 90-95% pada kiriman kode tunggal pada tahun 2026, dan naik jauh di atas 95% ketika analisis pola tingkat kelompok digabungkan dengan penilaian tingkat file.

Bagaimana dengan mahasiswa yang secara sah menggunakan AI sebagai tutor tanpa menyalin outputnya?

Ini adalah kelompok yang secara eksplisit dirancang oleh lapisan verifikasi untuk tidak dihukum. Seorang mahasiswa yang menggunakan AI untuk memahami suatu konsep lalu menulis solusinya sendiri menghasilkan kode yang tidak cocok dengan pola pembuatan AI tingkat baris. Sinyal deteksi menangkap hasilnya, bukan proses penelitiannya. Jika kebijakan mata kuliah Anda mengizinkan AI sebagai tutor — dan kami pikir itu harus dilakukan — alur kerja akan terus berjalan. Anda mengontrol kirimannya, bukan metode pembelajaran mahasiswa.

Apakah ini berfungsi untuk mata kuliah berbasis proyek dan proyek akhir?

Ya, dengan penyesuaian. Untuk proyek multi-minggu, multi-file, sinyal yang paling berguna bergeser ke keaslian proses: analisis riwayat commit (apakah kode muncul dalam satu commit besar, atau berkembang dari waktu ke waktu?), konsistensi kepenulisan lintas file (apakah kode dasar terbaca seolah-olah satu orang menulisnya, atau apakah terlihat seperti tambalan yang dijahit bersama?), dan dokumentasi keputusan desain (dapatkah mahasiswa menjelaskan mengapa pilihan arsitektur tertentu dibuat?). Proyek akhir mendapat manfaat paling tinggi dari pertahanan lisan terstruktur ditambah pembenaran desain tertulis, dengan deteksi AI sebagai sinyal tersier daripada yang utama.