zk0x /// ℹ️

Posted on May 30

Membangun AI Agent untuk Mendapatkan Penghasilan dari Open Source — Sebuah Pengalaman Nyata

#ai #opensource #indonesia #money

Bagaimana Seorang Mahasiswa Membangun AI Agent yang Bekerja 24/7 Mencari Bounty di GitHub

Pernahkah Anda membayangkan sebuah AI yang dapat menghasilkan uang secara mandiri? Sebuah sistem yang secara otomatis mengirimkan Pull Request ke repositori open source, menulis artikel, dan berburu bounty — semuanya berjalan tanpa intervensi manusia, bahkan saat Anda sedang tidur.

Saya pernah menganggap hal tersebut hanya sebagai khayalan. Ternyata, anggapan tersebut keliru.

Cerita ini bermula dari kebutuhan yang sederhana: kebutuhan akan penghasilan.

Saya adalah seorang mahasiswa Teknik Informatika semester 6 di Universitas Sains Al-Quran (UNSIQ), Wonosobo, Jawa Tengah. Bukan mahasiswa dari universitas ternama, bukan pula anak Jakarta yang telah menjalani magang di startup unicorn. Saya hanyalah seorang mahasiswa biasa yang memiliki ketertarikan pada pemrograman dan rasa ingin tahu yang besar terhadap kecerdasan buatan.

Suatu hari, saya menemukan sesuatu yang mengubah cara pandang saya terhadap uang dan teknologi.

Open Source Tidak Selalu Gratis

Selama ini, banyak orang menganggap bahwa kontribusi open source dilakukan secara sukarela tanpa imbalan materi. Namun pada kenyataannya, di tahun 2026 telah terbentuk ekosistem bounty yang sangat besar.

Platform seperti Algora, Gitcoin, dan berbagai repositori di GitHub memberikan kompensasi finansial kepada kontributor yang berhasil menyelesaikan tugas-tugas berikut:

Memperbaiki bug
Menambahkan fitur baru
Menerjemahkan dokumentasi
Melakukan code review
Bahkan sekadar membuat issue yang berkualitas

Yang mengejutkan, nilai bounty yang ditawarkan tidak main-main:

$50 untuk memperbaiki typo dalam dokumentasi
$200 untuk membuat client library baru
$500 hingga $1000 untuk mengimplementasikan fitur kompleks

Namun terdapat satu permasalahan: proses mencari bounty sangat memakan waktu. Anda harus menelusuri ratusan repositori, memfilter berdasarkan label, memverifikasi apakah bounty masih aktif, memahami issue yang diajukan, dan baru kemudian dapat mulai bekerja.

Di sinilah ide untuk membangun sebuah AI agent muncul.

"Bagaimana jika saya membangun AI yang dapat melakukan semua hal tersebut secara otomatis?"

Lahirnya ZKA — Zero Knowledge Agent

Saya menamai agent tersebut ZKA (Zero Knowledge Agent). Meskipun terdengar canggih, pada awalnya ia hanyalah sebuah script Python yang masih sangat sederhana.

Konsep dasarnya cukup sederhana:

Memindai GitHub untuk menemukan repositori dengan label "bounty", "good first issue", atau "help wanted"
Memfilter berdasarkan keahlian yang relevan (Python, TypeScript, Rust)
Mengkloning repositori, membaca kode, dan memahami issue
Memperbaiki permasalahan yang ditemukan
Mengirimkan Pull Request
Mengulangi proses tersebut secara terus-menerus, 24 jam sehari 7 hari seminggu

Kedengarannya mudah? Kenyataannya jauh dari kata mudah.

Percobaan Pertama: Kegagalan Total

Agent pertama yang saya buat hanya mampu melakukan satu hal: git clone kemudian grep untuk mencari string yang mirip dengan error message. Hasilnya? Pull Request yang berisi penggantian string secara acak yang justru merusak kode orang lain.

Pernah mengalami maintainer membalas Pull Request Anda dengan respons "What is this?" disertai emoji bingung? Saya sudah pernah mengalaminya.

Percobaan Kedua: Lebih Terstruktur

Saya mulai serius membangun sistem yang benar-benar memahami kode:

def analyze_issue(repo, issue):
    # Membaca konteks issue
    title = issue['title']
    body = issue['body']

    # Mengkloning dan membaca file yang relevan
    files = get_relevant_files(repo, issue)

    # Menghasilkan perbaikan menggunakan AI
    fix = generate_fix(title, body, files)

    # Memvalidasi bahwa perbaikan tidak merusak kode
    if validate_fix(fix, files):
        return fix
    return None

Yang paling penting adalah penambahan guardrails — Agent tidak diperbolehkan mengirimkan Pull Request apabila:

Unit test gagal
Terdapat error pada code linting
Perubahan terlalu besar (lebih dari 500 baris)
Agent tidak memahami konteks permasalahan dengan baik

Hasil Nyata: Angka yang Transparan

Setelah berjalan selama 2 minggu, berikut adalah hasil yang dicapai oleh ZKA:

GitHub Bounties

47+ Pull Request dikirimkan ke berbagai repositori
7 Pull Request berhasil di-merge (Aigen-Protocol, HELPDESK.AI, mergeos, dan lainnya)
3 Pull Request mendapatkan kompensasi (50-200 AIGEN token per PR)
$500+ total pipeline (bounty yang menunggu review dan yang telah dibayarkan)

Artikel dan Konten

19 artikel dipublikasikan di Dev.to
61+ views organik (baru 2 hari sejak publikasi)
2 entri challenge (#hermesagentchallenge dan #githubchallenge)

Poker AI

Agent poker saya menempati peringkat ke-4 dari 40+ agent di dev.fun Arena
+20.5 bb/100 win rate (artinya menang lebih sering daripada kalah)
Bermain 5000+ hands secara otomatis

Total Waktu yang Dihabiskan?

Kurang lebih 3-4 jam. Sisanya seluruh proses berjalan secara mandiri.

Arsitektur Sistem

Anda tidak perlu menjadi seorang ahli AI untuk membangun sistem ini. Berikut adalah arsitektur yang saya gunakan:

┌─────────────┐     ┌──────────────┐     ┌─────────────┐
│   Scanner   │────▶│   Analyzer   │────▶│   Builder   │
│  (GitHub)   │     │   (AI/LLM)   │     │   (Code)    │
└─────────────┘     └──────────────┘     └─────────────┘
       │                    │                    │
       ▼                    ▼                    ▼
   Mencari bounty     Memahami issue      Menghasilkan fix
   Memfilter label    Membaca kode        Menulis test
   Memeriksa status   Merencanakan solusi Mengirim PR

Komponen 1: Scanner

def scan_bounties():
    queries = [
        'label:bounty state:open',
        'label:"good first issue" state:open',
        'label:"help wanted" language:python',
    ]
    for q in queries:
        issues = github.search_issues(q)
        for issue in issues:
            if is_worth_working(issue):
                yield issue

Komponen 2: Analyzer

Komponen ini merupakan yang paling krusial. Agent harus benar-benar memahami apa yang diminta, bukan sekadar pencocokan pola.

Saya menggunakan LLM (Large Language Model) untuk:

Membaca issue dan memahami konteksnya
Membaca file yang relevan dalam repositori
Merencanakan solusi yang tepat
Menghasilkan kode perbaikan

Komponen 3: Builder

Setelah memiliki rencana, agent akan:

Mengkloning repositori
Membuat branch baru
Menerapkan perbaikan
Menjalankan test
Mengirimkan Pull Request melalui GitHub API

Pelajaran yang Didapat

Hal yang Berhasil

1. Mulai dari yang Kecil
Jangan langsung menargetkan bounty senilai $1000. Mulailah dari "good first issue" yang bernilai $10-50. Anda akan mempelajari workflow-nya, dan maintainer akan lebih menerima kontributor baru yang memulai dari hal kecil.

2. Kualitas Lebih Penting daripada Kuantitas
10 Pull Request yang berkualitas jauh lebih baik daripada 100 Pull Request yang asal-asalan. Maintainer dapat dengan mudah mengenali mana PR yang dikerjakan dengan serius dan mana yang tidak.

3. Baca Terlebih Dahulu, Baru Kode
Sebelum menulis satu baris kode pun, bacalah CONTRIBUTING.md, pahami issue dengan seksama, dan pelajari kode yang sudah ada. Perbandingan yang ideal adalah 80% waktu untuk membaca, 20% untuk menulis kode.

Hal yang Tidak Berhasil

1. Mengirimkan Tanpa Review
Pada awalnya, saya mengatur agent untuk mengirimkan semua Pull Request secara otomatis. Hasilnya? 30% PR langsung ditutup karena tidak sesuai. Saat ini saya telah menambahkan tahap review manual sebelum pengiriman.

2. Mengejar Kuantitas
Pernah suatu kali saya mendorong agent untuk mengirimkan 20 PR dalam satu hari. Hasilnya? Semua PR berkualitas buruk, tidak ada yang di-merge. Lebih baik 3 PR yang berkualitas daripada 20 PR yang asal-asalan.

3. Mengabaikan CONTRIBUTING.md
Setiap repositori memiliki aturan yang berbeda-beda. Ada yang mensyaratkan format commit message tertentu, ada yang memerlukan test, ada yang mengharuskan issue di-assign terlebih dahulu. Mengabaikan hal ini akan berakibat pada penolakan PR secara langsung.

Panduan Memulai

Langkah 1: Persiapan GitHub

Buat akun GitHub jika belum memilikinya. Install gh CLI:

# macOS
brew install gh

# Linux (Debian/Ubuntu)
sudo apt install gh

# Autentikasi
gh auth login

Langkah 2: Mencari Bounty

Mulailah dari platform berikut:

Algora.io — marketplace bounty terbesar
GitHub — cari dengan query label:bounty state:open
Gitcoin — bounty dan grants

Langkah 3: Pilih yang Sesuai Keahlian

Jika Anda menguasai Python, carilah bounty dengan label python. Jika JavaScript, carilah yang javascript. Jangan langsung mengambil tugas dalam bahasa pemrograman yang belum dikuasai.

Langkah 4: Baca, Pahami, Kerjakan

# Kloning repositori
git clone https://github.com/org/repo.git
cd repo

# Baca panduan kontribusi
cat CONTRIBUTING.md

# Baca issue yang akan dikerjakan
gh issue view 123

# Buat branch baru
git checkout -b fix/issue-123

# Kerjakan perbaikan
# ...

# Kirim Pull Request
gh pr create --title "fix: deskripsi perbaikan" --body "Fixes #123"

Langkah 5: Otomasi (Opsional)

Jika Anda sudah memahami workflow-nya, Anda dapat mulai mengotomasi proses tersebut. Saya menggunakan Python, GitHub API, dan LLM untuk membangun agent. Namun ini adalah langkah terakhir, bukan yang pertama.

Tentang Penghasilan

Secara realistis, berikut adalah ekspektasi penghasilan dari bounty hunting:

$50-200 per bulan — target realistis untuk pemula
$500-1000 per bulan — jika sudah memahami proses dan konsisten
$2000+ per bulan — jika memiliki agent yang berjalan 24/7

Angka-angka di atas hanya dari bounty. Belum termasuk manfaat lain berupa:

Reputasi yang dibangun di komunitas open source
Keahlian yang diperoleh (code review, debugging, arsitektur perangkat lunak)
Jaringan profesional yang terbentuk (maintainer mengenal Anda)
Portofolio yang jauh lebih berharga daripada CV

Penutup

Saya bukanlah orang yang paling pintar. Bukan pula mahasiswa dari universitas ternama. Saya hanyalah seorang mahasiswa biasa yang memiliki rasa ingin tahu dan keberanian untuk mencoba.

Jika saya bisa melakukannya, Anda pun pasti bisa.

Yang Anda butuhkan:

Laptop (tidak perlu spesifikasi tinggi)
Koneksi internet
Akun GitHub (gratis)
Kemauan untuk belajar
Konsistensi

Mulailah dari yang kecil. Kirimkan Pull Request pertama Anda. Jangan takut untuk ditolak. Setiap PR yang ditolak merupakan satu pelajaran berharga yang diperoleh secara cuma-cuma.

Dan ketika Anda sudah siap, cobalah membangun agent sendiri. Siapa tahu ia juga dapat menghasilkan penghasilan untuk Anda.

Tentang Penulis:
Rakha — mahasiswa Teknik Informatika semester 6 di UNSIQ Wonosobo. Membangun AI agent yang berburu bounty selama 24 jam sehari. Jika Anda ingin berdiskusi tentang AI, open source, atau pemrograman, silakan terhubung dengan saya di GitHub atau Dev.to.

Artikel ini merupakan bagian dari challenge #hermesagentchallenge dan #githubchallenge di Dev.to.

DEV Community