Memanfaatkan Claude Code & MCP untuk Akselerasi Pekerjaan QA

Kecerdasan buatan (AI) kini telah bergeser dari sekadar alat tanya-jawab pasif (seperti ChatGPT biasa) menjadi agen aktif yang dapat berinteraksi langsung dengan lingkungan kerja, *codebase*, dan infrastruktur kita. Bagi seorang QA Engineer, pergeseran ini membuka peluang luar biasa untuk mengotomatisasi tugas-tugas repetitif yang biasanya memakan waktu berjam-jam.

1. Apa itu Claude Code & Model Context Protocol (MCP)?

Claude Code adalah alat berbasis CLI (Command Line Interface) dari Anthropic yang memungkinkan model AI Claude untuk membaca, mengedit, dan mengeksekusi perintah langsung di terminal lokal Anda. Namun, sihir sesungguhnya terletak pada MCP (Model Context Protocol).

Secara sederhana, MCP adalah "jembatan standar" yang mengizinkan AI untuk berbicara dengan berbagai aplikasi eksternal (seperti database, Google Drive, Slack, JIRA, dll) secara aman dan terstruktur tanpa harus membuat integrasi API yang rumit dari nol.

2. Daftar AI Assistant Terbaik untuk Akselerasi Coding & QA

Sebelum masuk ke MCP, jika Anda ingin mempercepat penulisan skrip otomasi (seperti Playwright/Cypress), berikut adalah jajaran AI terbaik saat ini:

3. Daftar Server MCP yang Wajib Digunakan oleh QA & Developer

Dengan menginstal server MCP, AI Anda (seperti Claude Desktop atau Cursor) bisa mengakses *tools* ini secara instan:

4. AI Bawaan vs MCP: Mengapa Kita Tetap Butuh MCP?

Sering muncul pertanyaan kritis: "Kalau di Google Sheets atau Excel sudah ada AI bawaan (seperti Gemini atau Copilot), buat apa repot-repot pakai MCP?"

Jawabannya ada pada domain kendali. AI bawaan sangat hebat untuk mengolah data, tetapi mereka "terkurung" di dalam aplikasi cloud tersebut. Mereka tidak bisa membaca folder di laptop Anda, menulis kode di IDE Anda, atau menjalankan perintah di terminal.

Sebaliknya, MCP bertindak sebagai jembatan ke *Local Environment* Anda. Sebagai contoh dalam Data-Driven Testing: Alih-alih mengunduh CSV dari Sheets secara manual lalu membuat *script parser*, Anda bisa menyuruh agen AI (lewat terminal/Cursor): "Tolong baca data uji dari Spreadsheet X via MCP, tuliskan skrip otomatisasi Playwright di `login.spec.ts` menggunakan data tersebut, lalu jalankan eksekusinya." MCP mengizinkan AI mengontrol alur kerja lintas aplikasi secara *end-to-end*.

5. Bagaimana Cara Menghubungkan MCP ke AI Assistant Kita?

Menghubungkan MCP sama sekali tidak memerlukan keahlian *coding* yang rumit. Biasanya, pengaturan dilakukan melalui dua cara sederhana:

A. Menggunakan Claude Code (via CLI)

Jika Anda menggunakan terminal, Anda cukup menambahkan server menggunakan perintah mcp add. Contohnya, jika kita ingin menambahkan kemampuan membaca database SQLite:

claude mcp add sqlite npx -y @modelcontextprotocol/server-sqlite --db /path/to/database.db

Perintah di atas akan otomatis mengunduh dan menyambungkan server ke agen Claude Anda di terminal tersebut.

B. Menggunakan File Konfigurasi (Claude Desktop / Cursor)

Jika Anda menggunakan GUI seperti Claude Desktop atau Cursor IDE, Anda hanya perlu menambahkan *script* eksekusi ke dalam file claude_desktop_config.json (atau pengaturan MCP UI pada Cursor):

{
  "mcpServers": {
    "sqlite": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-sqlite",
        "--db",
        "/path/to/database.db"
      ]
    }
  }
}

6. Best Practice & Tantangan Implementasi: Token dan Autentikasi

Sebelum Anda menjalankan MCP, ada dua tantangan arsitektural yang wajib dipahami oleh praktisi QA untuk menghindari masalah biaya dan kegagalan eksekusi:

A. Hati-hati "Jebakan Token" (Cost Awareness)

Perlu diingat: MCP itu gratis, tetapi "otak" AI yang memproses datanya menggunakan token yang terbatas/berbayar. Saat MCP menarik data, data tersebut dimasukkan ke dalam context window AI. Jika Anda menyuruh AI membaca 10.000 baris Excel secara brutal, kuota chat gratis Anda akan langsung habis, atau tagihan API Anda akan membengkak drastis.

💡 Solusi: Gunakan *prompt* yang spesifik dan berikan filter. Jangan gunakan "Baca semua data dari tabel users", melainkan "Gunakan MCP untuk query tabel users, tapi ambil 10 data teratas saja yang berstatus error."

B. Menghadapi Tembok Login, OTP, dan MFA

Banyak yang bertanya, bagaimana jika *database*, Spreadsheet, atau *website* yang diuji butuh login dan OTP? AI secanggih apa pun tidak bisa mengambil kode OTP dari SMS Anda. Berikut solusinya:

• Autentikasi Integrasi Data (JIRA / Sheets): Server MCP tidak melewati layar UI. Anda menggunakan API Key, OAuth Token, atau Personal Access Token (PAT) yang disuntikkan ke dalam environment variables. Ini langsung memberikan AI akses ke backend aplikasi.
• Autentikasi Browser UI (Puppeteer / Playwright): Jangan menyuruh AI memecahkan MFA. Gunakan teknik Session Reuse. Di Playwright, Anda login manual sekali, simpan *session/cookies* ke file auth.json, lalu perintahkan AI: "Gunakan storageState `auth.json` agar langsung masuk ke dashboard tanpa login." Atau, siapkan Static OTP khusus akun QA di environment *staging*.

Kesimpulan

Integrasi AI Coding Assistants dan ekosistem MCP tidak akan menggantikan peran QA, melainkan mengubah posisi QA dari seorang "Test Script Writer" menjadi seorang "Quality Architect". Kita tidak lagi pusing memikirkan sintaks atau memindahkan data dari Excel ke skrip secara manual; kita cukup mendesain strateginya, menangani arsitektur sistemnya secara aman, dan membiarkan agen AI mengeksekusi integrasinya.