Kategori: Catatan Coding

Kemarin saya sempat riset tentang agentic AI coding — tren AI yang lagi ramai dipakai untuk menulis kode. Beda dengan AI generasi lama yang cuma menjawab potongan kode sekali jalan, agentic AI bisa mengerjakan tugas sampai selesai: baca file, edit, jalankan perintah, cari di web, bahkan bertanya balik ke kita. Contohnya OpenCode, Claude Code, Codex CLI, Cursor Agent. Di tulisan ini saya bahas cara kerjanya, dengan OpenCode sebagai studi kasus.

Apa itu Agentic AI Coding?

Perbedaan fundamentalnya begini:

Cara Kerja Inti: Agent Loop

Inti dari semua agentic coding adalah agent loop — siklus yang diulang sampai target tercapai:

1. Konteks — agent diberi instruksi + isi repo, aturan proyek (AGENTS.md/rules), dan riwayat sesi.
2. Putuskan — model memilih: jawab langsung, atau panggil tool.
3. Eksekusi — tool dijalankan (edit file, run test, fetch docs), output dikembalikan ke konteks.
4. Iterasi — ulangi sampai target tercapai, lalu lapor hasil.

Yang membuat loop ini aman dan berguna ada empat dukungan kunci: sistem permissions (apa yang boleh dijalankan tanpa izin), subagent (agent khusus yang didelegasikan), context management (kompaksi saat konteks panjang), dan integrasi LSP/MCP (code intelligence + tool eksternal).

OpenCode sebagai Contoh Nyata

OpenCode (opencode.ai) adalah agentic coding open-source yang cukup populer. Data repo terverifikasi via GitHub API (11 Agustus 2026):

• Repo: anomalyco/opencode — “The open source AI coding agent”
• ~195.800 ⭐, 25.100+ fork, lisensi MIT, bahasa TypeScript
• Dibuat 30 April 2025, masih aktif (push terakhir 10 Agustus 2026)
• Bentuk: TUI (terminal), CLI opencode run, desktop app (beta), ekstensi IDE

Sistem Agent

OpenCode punya dua tipe agent: primary (dipakai langsung, ganti via tombol Tab) dan subagent (dipanggil via @nama atau otomatis oleh agent utama):

Tool Bawaan

Semua tool bisa di-allow/ask/deny satu per satu lewat konfigurasi permission:

Cara kerja khasnya: agent memanggil tool → hasil tool masuk konteks → model menyambung logika → bisa membuat sesi child untuk subagent, lalu kembali ke sesi induk. Modelnya provider-agnostic (Anthropic, OpenAI, OpenRouter, model lokal via Ollama, dll) — tidak terikat satu vendor. Konfigurasi via opencode.json atau file markdown di .opencode/agents/.

Arsitektur Loop: Observe → Think → Act → Tool

Secara lebih rinci, satu iterasi agent loop bisa dipecah jadi empat langkah yang berulang:

Observe — agent membaca konteks saat ini: isi file yang relevan, isi terminal terakhir, riwayat percakapan. Ini seperti programmer yang duduk di depan layar, membaca error log sebelum mulai mengetik. Think — model LLM merencanakan langkah berikutnya: perlu baca file X dulu? Harus edit baris Y? Perlu jalankan test? Act — agent memanggil tool yang dipilih, misalnya write atau bash. Tool result — output tool dikembalikan ke dalam konteks, lalu loop kembali ke Observe.

Yang menarik: tidak ada satu pun komponen di loop ini yang “pintar” sendiri. Model LLM hanya merencanakan — semua eksekusi nyata dilakukan tool. Seperti tech lead yang pintar merencanakan tapi tidak coding langsung: delegation ke tool yang tepat adalah kunci.

Context Management & Memory

Tantangan utama agentic coding adalah context window — LLM punya batas token yang bisa diingat dalam satu sesi. OpenCode menangani ini dengan beberapa strategi:

1. Compaction otomatis — saat konteks mendekati batas, agent tersembunyi “compaction” merangkum seluruh sesi jadi ringkasan singkat, lalu mulai sesi baru dengan ringkasan itu. Seperti menulis catatan rapat lalu memulai rapat baru dengan catatan itu.
2. Subagent delegation — agent utama bisa mendelegasikan sub-tugas ke subagent. Subagent punya konteks sendiri yang terpisah, jadi tidak membebani konteks utama.
3. File-based memory — AGENTS.md, .opencode/rules/, dan SKILL.md persist antar sesi. Agent “membaca” file ini setiap kali mulai, seperti programmer yang baca README sebelum kerja.
4. Todo list — untuk tugas kompleks, todowrite tool membuat checklist yang bisa diakses agent kapan saja, menjaga fokus pada task yang belum selesai.

Error Recovery

Ketika tool gagal — misalnya test error, syntax error, atau permission ditolak — agent tidak berhenti. Strategi error recovery-nya:

• Retry dengan pendekatan berbeda — jika bash mengembalikan error, agent membaca error message, menganalisis penyebab, lalu coba solusi lain. Sama seperti kita baca stack trace lalu fix.
• Fallback ke tool lain — jika edit gagal karena context mismatch, agent bisa baca file dulu dengan read, lalu coba write dengan konten yang benar.
• Ask user — tool question memungkinkan agent bertanya ke user saat buntu. Ini safety net terakhir sebelum agent loop mandek.
• Batas iterasi — ada batas maksimal iterasi loop agar agent tidak infinite loop. Jika mencapai batas, agent lapor status dan berhenti.

Agentic vs IDE Assistance Tradisional

Bandingkan dengan Copilot autocomplete atau ChatGPT di editor: asisten tradisional hanya mengusulkan kode — kita yang harus copy-paste, jalankan test, perbaiki error sendiri. Alurnyaada di manual di tiap langkah.

Agentic coding mengotomasi seluruh siklus itu. Kita beri instruksi tingkat tinggi (“fix bug ini”, “tambah fitur X”), agent mengerjakan loop baca → edit → test → fix sampai selesai. Perbedaannya seperti peta manual vs GPS: dua-duanya bantu navigasi, tapi GPS yang mengeksekusi belokan demi belokan.

Implikasinya: untuk tugas kecil (satu baris autocomplete, quick fix), Copilot tetap lebih cepat. Tapi untuk tugas yang butuh multi-step reasoning — refactor across files, investigasi bug kompleks, setup proyek baru dari nol — agentic coding jauh lebih efisien karena mengurangi context-switching manual manusia.

Limitasi yang Harus Dipahami

• Context window limit — meski sudah compaction, project besar dengan banyak file tetap sulit diakses sekaligus. Agent mungkin melewatkan konteks penting.
• Hallucination risk — agent bisa membuat kode yang terlihat benar tapi sebenarnya tidak berfungsi. Tool bash menjalankan test membantu mitigasi, tapi tidak menjamin semua edge case tertangkap.
• Token cost — satu sesi agentic coding bisa menghabiskan ribuan token per iterasi. Untuk model berbayar (Claude, GPT), biaya bisa signifikan di sesi panjang.
• Keamanan — meski ada permission system, agent tetap punya akses ke filesystem dan shell. Selalu review perubahan yang dibuat agent sebelum commit ke production.
• Tidak bisa ganti domain knowledge — agent membantu eksekusi, tapi tetap kita yang harus tahu arsitektur sistem, requirement bisnis, dan decision-making strategis.

Kapan Pakai Agentic vs Manual?

Catatan Pribadi

Pertama kali pakai agentic coding, saya sempat kaget — agent baca file saya, edit, jalankan test, lalu fix error sendiri dalam hitungan menit. Rasanya seperti pair programming dengan rekan yang sangat cepat tapi butuh banyak arahan di awal. Saya juga sempat tergoda untuk menyerahkan semua task tanpa review, tapi pengalaman itu mengajarkan satu hal: agent itu tool, bukan rekan yang bisa dipercaya 100%. Review tetap wajib, apalagi untuk kode yang akan production.

Yang paling berguna menurut saya adalah saat debugging — agent bisa membaca error log yang panjang, trace ke beberapa file, dan menyarankan fix lebih cepat dari yang bisa saya lakukan manual. Tapi untuk arsitektural decision, tetap manusia yang harus memimpin.

Kesimpulan

Agentic coding pada dasarnya memberi LLM tangan (tools) + aturan (permissions) + ingatan kerja (konteks sesi), lalu membiarkannya mengulang loop eksekusi sampai selesai. OpenCode adalah implementasi open-source yang bagus untuk dipelajari: konsepnya sederhana (loop + tools), tapi lengkap — subagent, MCP, LSP, permission. Yang menarik buat saya: loop yang sama persis juga dipakai asisten riset di mesin ini untuk men-delegate tugas, jadi paham konsep ini ternyata berguna di luar coding.

Sumber

• OpenCode Documentation (Intro, Agents, Tools — last updated 9 Agustus 2026)
• GitHub: anomalyco/opencode (data repo via GitHub API, diambil 11 Agustus 2026)
• opencode.ai

Kumpulan berita coding, web dev & AI paling menarik minggu ini (10 Agustus 2026). Ada kabar besar dari dunia Laravel — mulai dari managed queues di Laravel Cloud sampai Filament yang rilis update performa — plus berita menarik soal Claude Code, browser khusus AI agent dari Cloudflare, dan artikel viral di Hacker News. Ini dia rangkumannya! Minggu ini terasa seperti minggu yang padat bagi developer: banyak release stabil, beberapa pengumuman infrastruktur baru, dan beberapa diskusi hangat di komunitas soal bagaimana AI sudah mulai mengubah cara kita bekerja secara nyata. Kalau kamu belum sempat memantau berita sepanjang minggu, tenang — kita sudah merangkum semuanya di sini.

1. Laravel Cloud Rilis Managed Queues — Worker Otomatis Naik-Turun Sesuai Antrean

Laravel Cloud kini punya managed queues yang menangani background job dengan lebih cerdas. Worker otomatis menyesuaikan skala berdasarkan tekanan antrean (queue pressure) — begitu antrean kosong, worker turun ke nol sehingga biaya komputasi hemat; saat job masuk, worker langsung bangun dalam waktu kurang dari satu detik. Ada juga dashboard bawaan untuk memantau job yang gagal, jadi nggak perlu lagi menggali log secara manual. Baca pengumuman lengkapnya di blog resmi Laravel.

Ini kabar yang ditunggu-tunggu banyak tim Laravel. Sebelum fitur ini rilis, banyak yang masih mengandalkan layanan pihak ketiga seperti Redis atau SQS untuk queue, yang berarti ada biaya tambahan dan konfigurasi ekstra. Dengan managed queues yang langsung terintegrasi di Laravel Cloud, migrasi jadi jauh lebih mulus. Fitur auto-scale ke nol ini juga menunjukkan bahwa Laravel Cloud benar-benar serius bersaing di ruang managed hosting — bukan sekadar PaaS biasa, tapi platform yang memahami kebutuhan developer Laravel secara spesifik.

2. Laravel Boost Project Rules — Ajari AI Agent Konvensi Kode Kamu

Laravel Boost, tool lokal untuk developer Laravel, kini mendukung project rules: konvensi aplikasi kamu disimpan di file .ai/rules dan bisa di-scope per file glob, sehingga AI agent hanya membaca instruksi yang relevan dengan file yang sedang dikerjakan. Cocok banget buat tim yang ingin hasil kerja coding agent tetap konsisten dengan gaya kode mereka. Selengkapnya di Laravel News.

Ini adalah langkah kecil tapi penting dalam adopsi AI untuk development. Salah satu masalah terbesar dalam menggunakan AI coding agent adalah konsistensi — model sering menghasilkan kode yang bertentangan dengan konvensi tim. Dengan adanya project rules, setidaknya ada mekanisme formal untuk mendefinisikan standar kode secara terstruktur. Pendekatan scoping per glob ini juga elegan karena memungkinkan aturan yang berbeda untuk folder yang berbeda, misalnya aturan khusus untuk folder tests/ dibandingkan app/.

3. Filament v4.12 dan v5.7 Rilis Stabil — Performa Naik Drastis, CVE Ditambal

Setelah diuji lewat beta bersama komunitas, peningkatan performa besar-besaran untuk aplikasi Filament yang kompleks akhirnya dirilis ke channel stabil, yaitu di versi v4.12.6 dan v5.7.6. Update ini sekaligus menambal sejumlah CVE, jadi kalau kamu menjalankan Filament v4 atau v5, segera update ya. Detailnya di Laravel News.

Peningkatan performa di panel admin yang kompleks bukan hal sepele. Banyak aplikasi Filament yang punya belasan resource dengan relasi kompleks, dan sedikit perbaikan performa di level framework bisa menghemat waktu load yang signifikan untuk user. Sisi keamanannya juga tidak boleh diabaikan — CVE yang ditambal sebaiknya segera dipatch, terutama untuk aplikasi yang sudah production. Pastikan kamu menjalankan composer update sesegera mungkin.

4. CSS-Tricks Bedah Elemen <dialog> — Modal Native yang Sering Diremehkan

CSS-Tricks menulis catatan mendalam soal elemen <dialog>, elemen HTML native untuk modal yang ternyata punya banyak nuansa — mulai dari top layer, ::backdrop, sampai perilaku focus dan cara styling-nya. Kalau selama ini kamu mengandalkan library cuma untuk bikin modal, artikel ini wajib dibaca. Baca di CSS-Tricks.

Sudah beberapa tahun elemen <dialog> tersedia di browser, tapi banyak developer masih menghindarinya karena terbiasa dengan library seperti Headless UI atau Alpine.js modal plugin. Padahal dengan showModal(), top layer, dan ::backdrop pseudo-element, hampir semua kebutuhan modal bisa ditangani tanpa JavaScript eksternal. Artikel ini bagus karena membahas edge case yang sering terlewat, seperti trap focus dan interaksi dengan scroll. Worth bookmarking.

5. Ship Less JavaScript — Audit Dependency dengan Web Platform Baseline

Jarak antara “kayaknya butuh library” dan “ternyata browser sudah bisa” makin dekat. Smashing Magazine memberikan panduan praktis untuk mengaudit dependency dan mencari tahu fitur apa saja yang sekarang sudah didukung web platform (Baseline), sehingga kamu bisa mengurangi jumlah JavaScript yang dikirim ke browser — hasilnya website lebih cepat. Artikelnya di Smashing Magazine.

Ini pengingat yang bagus untuk semua developer front-end. Sering kali kita menginstal package baru tanpa mengecek apakah browser sudah support fitur yang kita butuhkan secara native. Project Baseline dari Google dan browser vendors memang dirancang untuk membantu masalah ini, tapi realitanya masih banyak yang belum memanfaatkannya. Tips praktis dari artikel ini bisa langsung diterapkan di proyek yang sedang kamu kerjakan — coba audit dependency satu per satu, dan kamu mungkin terkejut berapa banyak yang bisa dihapus.

6. Claude Code Auto Mode Jadi Default — Makin Sedikit Persetujuan Manual

Anthropic mengumumkan auto mode di Claude Code akan menjadi default untuk akun Pro, Max, dan Team mulai 14 Agustus. Dengan auto mode, Claude melanjutkan pekerjaan tanpa meminta persetujuan di setiap langkah — kecuali aksinya dinilai “irreversible, destructive, atau di luar lingkungan kamu”. Menariknya, dalam studi dengan 1.053 tester, auto mode menangkap 89% aksi berbahaya, jauh di atas review manual yang hanya 13,6%. Ada juga fitur keamanan baru seperti screening prompt injection dan hard deny rules. Beritanya di TechCrunch.

Perubahan ini menarik karena menunjukkan tren industri: AI coding tools semakin bergerak ke arah autonomous, tapi dengan safety guardrail yang lebih canggih. Angka 89% vs 13,6% itu cukup mencolok — artinya auto mode justru lebih aman daripada developer yang review manual. Tentu saja, angka ini perlu dilihat lebih kritis, tapi setidaknya ini sinyal bahwa sandboxing dan guardrail untuk AI agent sudah membaik. Peralihan default dari opt-in ke auto mode juga berarti Anthropic cukup percaya diri dengan sistem keamanannya.

7. Cloudflare Rilis Kitesurf — Browser Khusus untuk AI Agent

Cloudflare meluncurkan Kitesurf, browser cloud-hosted yang dirancang untuk AI agent, bukan untuk manusia. Katanya browser ini lebih hemat komputasi dibanding Chromium untuk tugas automasi umum, sehingga memudahkan developer membangun AI agent berbasis browser secara lebih efisien. Selengkapnya di TechCrunch.

Browser untuk AI agent memang sudah jadi topik yang hangat sejak kemunculan tool seperti Browserbase dan Playwright-based cloud browsers. Cloudflare masuk ke arena ini menarik karena mereka punya infrastruktur edge yang masif. Kalau Kitesurf benar-benar lebih hemat komputasi dari Chromium standar, ini bisa jadi pilihan default untuk developer yang membangun automasi berbasis browser. Pertanyaannya sekarang: seberapa jauh API-nya bisa dikustomisasi untuk use case yang spesifik?

8. Belajar Topik Kompleks dengan LLM — Cara Kreatif yang Viral di Hacker News

Seorang engineer membagikan caranya belajar topik kompleks (contohnya proses pembuatan chip) dengan LLM: minta model membangun knowledge base, verifikasi akurasinya, lalu ubah jadi simulasi interaktif bergaya game low-poly yang bisa dieksplorasi. Hasilnya jauh lebih melekat daripada sekadar membaca artikel atau bullet list dari AI. Esai ini ramai dibahas di Hacker News dengan 400+ poin. Baca tulisannya di sini.

Pendekatan ini menarik karena menggabungkan dua kekuatan AI yang sering terpisah: generating knowledge dan membuat konten interaktif. Banyak orang menggunakan LLM hanya untuk bertanya atau mendapatkan penjelasan, tapi engineer ini melangkah lebih jauh dengan mengubah output menjadi pengalaman belajar yang bisa dieksplorasi. Hasilnya lebih immersive dan membantu retensi jangka panjang. Ini juga contoh bagaimana AI paling efektif bukan sebagai pengganti manusia, tapi sebagai tool yang memperkaya cara kita belajar dan bekerja.

Tren Minggu Ini

Beberapa tren menarik yang bisa kita amati dari kumpulan berita minggu ini. Pertama, managed infrastructure makin matang — baik Laravel Cloud dengan managed queues-nya maupun Cloudflare dengan Kitesurf menunjukkan bahwa layanan cloud semakin spesifik dan terkurasi untuk kebutuhan developer tertentu. Kedua, AI agent safety jadi prioritas — dari Claude Code auto mode yang dilengkapi guardrail ketat sampai Laravel Boost project rules yang memastikan AI tetap mengikuti konvensi kode, industri mulai serius menangani risiko autonomous AI. Ketiga, web platform terus mengejar — fitur seperti <dialog> dan Baseline API menunjukkan bahwa banyak hal yang dulunya butuh library kini sudah native di browser. Sebagai developer, ini waktu yang tepat untuk mengecek ulang dependency dan memanfaatkan fitur bawaan sebisa mungkin.

Gimana menurutmu? Ada yang paling menarik minggu ini? Kalau ada berita atau artikel bagus yang terlewat, cerita di kolom komentar ya. Sampai jumpa di edisi minggu depan!

Catatan pribadi: Minggu ini paling menarik bagi saya adalah managed queues dari Laravel Cloud. Sudah lama menunggu fitur ini karena sebagian besar proyek yang saya kerjakan punya background job yang cukup intens — notifikasi email, proses pembayaran, dan sync data. Dengan auto-scale ke nol, biaya operasional bisa jauh lebih terprediksi. Untuk developer yang masih ragu pindah ke Laravel Cloud, managed queues ini mungkin jadi tipping point yang dibutuhkan. Selain itu, artikel soal Claude Code auto mode juga bikin saya berpikir tentang bagaimana workflow coding di masa depan — mungkin dalam setahun ke depan, mayoritas coding akan dilakukan dengan minimal approval manual, dan tugas utama developer beralih ke arahan, review, dan arsitektur.

Dua hari berturut-turut kita membedah QR code dan barcode. Ternyata dua-duanya punya “kakek buyut” yang sama: kode Morse. Ide barcode lahir justru dari kode Morse — Woodland dan Silver memperluas titik dan garis Morse menjadi batang tebal-tipis. Jadi sebelum barcode, ada Morse: bahasa titik dan garis yang menyelamatkan kapal, mengirim telegram, dan menjadi fondasi komunikasi digital. Ini catatan belajarnya.

Sejarah: dari lukisan ke telegraf

Samuel Morse sebenarnya seorang pelukis, bukan insinyur. Perjalanan pulang naik kapal pada 1832 mempertemukannya dengan gagasan telegraf elektrik, dan ia mulai serius menggarapnya bersama fisikawan Joseph Henry dan insinyur mekanik Alfred Vail. Saat itu beberapa sistem telegraf sudah ada di Eropa — Cooke & Wheatstone di Inggris mematenkan telegraf elektromagnetik pada Juni 1837 — tapi yang membedakan Morse adalah kodenya: sinyal sederhana on/off yang bisa dipetakan ke huruf.

Vail menyumbang gagasan penting: ia menghitung frekuensi huruf dalam bahasa Inggris dengan menghitung jenis huruf (movable type) di koran lokal Morristown, New Jersey. Huruf yang paling sering dipakai mendapat kode terpendek — E = titik, T = garis — supaya pesan lebih cepat dikirim. Kode pertama ini dipakai pada 1844 (jaringan telegraf darat, kemudian dikenal sebagai American Morse / Railroad Morse).

Operator-operator awal dengan cepat menyadari mereka bisa mendengar bunyi klik penekan (key) dan menerjemahkannya langsung tanpa kertas — dari sinilah Morse berubah dari “kode grafis” menjadi “kode audio”. Saat radio muncul, titik dan garis dikirim sebagai nada pendek dan panjang. Versi yang dipakai dunia sampai sekarang adalah International Morse, hasil penyempurnaan Friedrich Gerke (1848) dan distandardisasi ITU.

Cara kerja: semua diukur dari “satu unit”

Kode Morse hanya punya dua simbol: titik (dit) dan garis (dah). Yang membuatnya bisa dipahami adalah timing — semuanya diukur dari durasi satu titik (1 unit):

• dit = 1 unit sinyal menyala
• dah = 3 unit sinyal menyala
• jeda antar elemen dalam satu huruf = 1 unit
• jeda antar huruf = 3 unit
• jeda antar kata = 7 unit

Yang menarik: kode Morse adalah kode biner non-seragam — panjang kode tiap huruf berbeda, dan huruf yang sering muncul justru paling pendek (prinsip yang sama dengan kompresi Huffman). Ini bukan sekadar keputusan acak: Vail mendesainnya supaya telegraf bisa mengirim pesan secepat mungkin.

SOS: bukan singkatan

SOS sering dianggap singkatan “Save Our Souls”, padahal bukan. Saat dipilih (awal abad 20) sebagai isyarat marabahaya internasional, pertimbangannya murni teknis: pola … — … (3 titik, 3 garis, 3 titik) sangat sederhana dan sulit salah dengar atau tertukar dengan isyarat lain, bahkan di tengah gangguan. Morse juga melahirkan “prosign” lain seperti ···—· untuk tanda seru dan …-.- untuk “mengerti”.

Tabel kode Morse

Ini tabel International Morse lengkap untuk huruf A-Z dan angka 0-9. Perhatikan polanya: makin sering huruf dipakai, makin pendek kodenya (E = ., T = -):

Morse masih hidup di mana?

Telegraf komersial sudah pensiun, tapi kode Morse tidak mati:

• Radio amatir — Morse (CW) masih jadi mode komunikasi favorit karena bisa menembus gangguan dan butuh daya sangat kecil; di beberapa negara masih bagian ujian lisensi.
• Maritim & darurat — SOS standar internasional; banyak pelampung sinyal darurat (EPIRB) dan sarana keselamatan memakai Morse.
• Penerbangan — beberapa beacon navigasi (NDB/VOR) memancarkan identifikasi Morse dua-tiga huruf.
• Teknologi bantu — alat komunikasi alternatif untuk penyandang disabilitas (mis. mengetik dengan kedipan mata atau sakelar).
• Militer — mode komunikasi cadangan yang sulit disadap oleh pemula dan tahan kondisi ekstrem.

Kecepatan Morse diukur dalam WPM (words per minute) memakai kata standar “PARIS” — mengirim “PARIS” 1× dalam 1 menit = 1 WPM. Operator mahir bisa 20-40 WPM; rekor dunia di atas 70 WPM.

Dari Morse ke Barcode (dan QR code)

Ini koneksi favorit saya di seri ini. Tahun 1948, Norman Woodland mendengar ide sistem pembacaan data otomatis di kasir supermarket. Ia ingat kode Morse — titik dan garis — dan berpikir: bagaimana kalau diperluas jadi batang tebal-tipis yang bisa dicetak dan discan? Dari situ lahirlah barcode (dibahas minggu lalu), dan kemudian QR code yang “menumpuk” datanya jadi dua dimensi (dibahas dua minggu lalu).

Jadi garis besarnya: Morse (1844) → Barcode (1974) → QR Code (1994) — tiga generasi teknologi yang sama-sama mengubah data menjadi pola visual yang bisa dibaca mesin. Yang membedakan hanya dimensi, kapasitas, dan cara mengatasi kesalahan baca.

Kesimpulan

Kode Morse mengajarkan prinsip yang masih dipakai sampai sekarang: enkode informasi menjadi dua simbol dengan timing yang presisi. Ia juga pionir “kode efisien” — huruf sering = kode pendek — yang 100 tahun kemudian menjadi dasar kompresi data modern. Dari titik dan garis di kabel telegraf, sampai piksel QR di layar HP: semua berawal dari satu unit, satu titik.

Sumber

• Wikipedia — Morse code
• Wikipedia — Samuel Morse
• Wikipedia — Alfred Vail
• ITU — standar International Morse
• Artikel seri: Cara Kerja Barcode dan Cara Kerja QR Code