# Membangun AI Agent untuk Mendapatkan Penghasilan dari Open Source — Sebuah Pengalaman Nyata > Source: > Published: 2026-05-30 09:07:52+00:00 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. 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: Yang mengejutkan, **nilai bounty yang ditawarkan tidak main-main:** 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?" 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: Kedengarannya mudah? **Kenyataannya jauh dari kata mudah.** 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. Saya mulai serius membangun sistem yang benar-benar **memahami kode:** ``` python 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: Setelah berjalan selama 2 minggu, berikut adalah hasil yang dicapai oleh ZKA: **Kurang lebih 3-4 jam.** Sisanya seluruh proses berjalan secara mandiri. 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 python 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 ini merupakan yang paling krusial. Agent harus **benar-benar memahami** apa yang diminta, bukan sekadar pencocokan pola. Saya menggunakan LLM (Large Language Model) untuk: Setelah memiliki rencana, agent akan: **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. **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. Buat akun GitHub jika belum memilikinya. Install `gh` CLI: ``` # macOS brew install gh # Linux (Debian/Ubuntu) sudo apt install gh # Autentikasi gh auth login ``` Mulailah dari platform berikut: `label:bounty state:open` Jika Anda menguasai Python, carilah bounty dengan label `python` . Jika JavaScript, carilah yang `javascript` . Jangan langsung mengambil tugas dalam bahasa pemrograman yang belum dikuasai. ``` # 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" ``` 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. Secara realistis, berikut adalah ekspektasi penghasilan dari bounty hunting: Angka-angka di atas hanya dari **bounty**. Belum termasuk manfaat lain berupa: 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: 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](https://github.com/unsiqasik) atau [Dev.to](https://dev.to/zeroknowledge0x). *Artikel ini merupakan bagian dari challenge #hermesagentchallenge dan #githubchallenge di Dev.to.*