Cara Realistis Menghemat Biaya Saat Memperbaiki Legacy Code dengan Claude Code

Interoperabilitas Dual-Model: Tingkatkan Kecerdasan, Pangkas Biaya

Hal yang paling menakutkan saat memulai coding berbasis agen bukanlah performanya, melainkan tagihan kartu kredit bulan depan. Agen ganda yang Anda lihat di video memang fantastis, tetapi jika digunakan tanpa perhitungan, Anda akan terkena bom biaya API. Pada tahun 2026 ini, harga input Claude 4.6 Opus adalah $5.00 per 1 juta token, lebih mahal 60$3.00). Biaya output bahkan melonjak hingga $25.00. Dalam proyek legacy yang melebihi 100.000 token, setiap kali loop berjalan, biayanya setara dengan secangkir kopi.

Untuk mengendalikan biaya, jangan hanya terpaku pada Opus, tetapi gunakan metode alokasi slot. Tempatkan Opus hanya untuk desain dan keputusan arsitektur (20% dari total pekerjaan), dan serahkan implementasi sederhana sisanya (80%) kepada Sonnet.

• Metode: Pasang batas anggaran (Usage Limit) per proyek di Anthropic Console terlebih dahulu. Biarkan model default di pengaturan Claude Code tetap Sonnet, lalu tingkatkan secara manual dengan flag --model opus hanya pada sesi dengan logika kompleks yang rumit. Biasakan untuk membuka laporan API setiap Senin pagi guna memastikan pengeluaran aktual sesuai dengan kurva estimasi.
• Hasil: Anda tetap mendapatkan kualitas penalaran tingkat tinggi sambil memangkas biaya API keseluruhan sebesar 40% hingga 70%.

Pemetaan Topografi Codebase untuk Mencegah Pemborosan Token

Faktanya, 70% token yang digunakan agen terbuang sia-sia hanya untuk mencari file yang tidak perlu dan menjelajahi direktori. LLM menunjukkan fenomena "tebing performa" di mana konsentrasi menurun tajam saat konteks melebihi 100.000 token. Memasukkan seluruh source code adalah jalan pintas untuk membuang uang dan merusak performa. Hasil pengujian internal Anthropic menunjukkan bahwa ketika konteks dikirimkan dalam bentuk terkompresi, kualitas penalaran tetap terjaga sementara biaya input berkurang lebih dari 50%.

Berikan peta kepada agen dengan membuat spesifikasi khusus AI, yaitu ARCH.md.

• Metode: Pertama, ekstrak kerangka proyek dengan perintah tree -L 3 -I 'node_modules|dist|.git' > tree.md. Kemudian, gunakan alat seperti Repomix untuk membuat peta signature yang menyisakan definisi antarmuka dan signature fungsi saja tanpa menyertakan logika aktual. Terakhir, tuliskan aset seperti .svg atau .json dengan jelas di file .claudeignore untuk menyingkirkannya dari pandangan agen.
• Hasil: Mengurangi tahap eksplorasi awal, menghemat konsumsi token input per sesi lebih dari 50%, dan mempercepat waktu respons hampir dua kali lipat.

Otomatisasi Tinjauan Kritis untuk Mengurangi Bug Pasca-Rilis

Inti dari agen ganda adalah memisahkan Desain (Advisor) dan Implementasi (Executor) untuk membuat sistem pengaman. Jika Anda hanya meminta "tolong review kodenya", Anda hanya akan mendapatkan jawaban hambar seperti "kodenya terlihat bersih". Sebagai senior engineer, Anda harus memaksa Advisor untuk berperan sebagai kritikus yang cerewet. Melalui tahap ini saja, Anda dapat secara drastis mengurangi waktu perbaikan bug pasca-rilis yang biasanya memakan waktu lebih dari 5 jam setiap minggu.

Buatlah mekanisme di mana Opus melakukan tinjauan kritis sebelum model eksekusi menyentuh kode.

• Metode: Daftarkan prompt 'Critical Review' pada custom skill Claude Code. Pastikan untuk memeriksa tiga poin wajib: integritas data (Race Condition), celah keamanan, dan penurunan performa (N+1 Query). Tetapkan aturan bahwa perintah eksekusi hanya diberikan jika tinjauan ini menyatakan tidak ada cacat serius.
• Hasil: Cacat logis berkurang drastis, dan tingkat kegagalan di lingkungan produksi menurun lebih dari 30%.

Solusi Bottleneck pada Pekerjaan Skala Besar

Jika Advisor dan Executor disusun secara berurutan, akan muncul waktu tunggu setiap kali verifikasi dilakukan. Metode ini terlalu lambat untuk refactoring skala besar yang melibatkan ratusan file. Saat memigrasi library dengan lebih dari 50.000 baris kode, diperlukan orkestrasi yang memecah tugas dan menjalankannya secara paralel.

Susun proses paralel untuk meningkatkan kecepatan kerja sebagai berikut:

• Metode: Buat direktori independen per fitur dengan perintah git worktree add. Jalankan sesi Claude Code terpisah di setiap worktree untuk melakukan refactoring pada modul yang berbeda secara bersamaan. Terakhir, gabungkan ke branch utama sambil menangani konflik antar worktree menggunakan alat seperti Clash.
• Hasil: Pekerjaan refactoring yang biasanya memakan waktu berminggu-minggu dapat diselesaikan dalam waktu sekitar 20 jam kerja intensif.

Audit Arsitektur Mingguan untuk Mencegah Utang Teknis AI

Seiring menumpuknya kode yang dibuat AI, suatu saat akan muncul utang teknis di mana struktur keseluruhan menjadi berantakan. Agen mungkin memperbaiki satu file dengan sangat baik, tetapi mereka tidak bertanggung jawab atas arah sistem secara keseluruhan. Tugas nyata seorang senior engineer di tahun 2026 bukanlah mengetik kode secara langsung, melainkan mengelola keselarasan (alignment) dari hasil kerja para agen.

Jalankan rutinitas 'Audit Arsitektur' setiap hari Jumat sebelum pulang kerja.

• Metode: Masukkan semua commit yang berubah selama seminggu ke Opus dan minta untuk mencari bagian yang melanggar konvensi yang ada (misalnya: pola Early Return). Identifikasi fungsi dengan kompleksitas terlalu tinggi atau modul tanpa pengujian, lalu buat 'Daftar Utang'. Daftar ini akan menjadi tugas pertama agen di minggu berikutnya.
• Hasil: Mencegah pembusukan codebase dan menjaga kondisi bersih seperti saat pertama kali AI diperkenalkan dalam jangka panjang.