Migrasi kode lama dengan AI: peluang dan jebakannya
Oleh Dedi NugrohoTerbit 15 menit baca

Daftar isi
Migrasi kode lama dengan AI bisa mempercepat pekerjaan yang membosankan, seperti menerjemahkan model data dan memperbarui pemanggilan pustaka. Masalahnya, kode hasil terjemahan bisa lolos kompilasi tetapi berperilaku lain. AI aman dipakai kalau kamu punya inventaris kode, alat uji perilaku, dan target yang terbatas.
Tesis artikel ini: yang menentukan keberhasilan migrasi dengan AI adalah cara kamu membuktikan hasilnya sama, dan model AI-nya hanya faktor kedua. Contoh terbaru dari AWS dan studi Google sama-sama mengarah ke kesimpulan itu. Keduanya menaruh tenaga manusia di awal, untuk inventaris dan pengujian, lalu membiarkan AI mengerjakan bagian yang berulang.
Yang perlu diluruskan dulu
Banyak orang membayangkan migrasi dengan AI seperti menekan satu tombol. Kode PHP masuk, kode Java keluar, lalu aplikasi langsung jalan. Bayangan ini wajar karena demo AI coding biasanya menunjukkan berkas yang diterjemahkan dalam hitungan detik.
Migrasi kode adalah pekerjaan mengubah sistem yang sudah berjalan tanpa mengubah apa yang dilakukannya. Contohnya pindah bahasa pemrograman, pindah framework, atau naik versi pustaka. Kata kuncinya ada di bagian "tanpa mengubah apa yang dilakukannya", karena menulis kode baru itu mudah, sedangkan membuktikan kode baru setara dengan yang lama itu sulit.
Artikel ini membahas dua sumber utama. Pertama, tulisan AWS tentang mesin migrasi PHP ke Java dengan Kiro, rilis 29 Oktober 2026. Kedua, makalah tim Google tentang proyek migrasi kode internal berskala besar dengan bantuan LLM. LLM (large language model) adalah model AI pengolah teks yang menjadi otak alat seperti Claude atau ChatGPT.
| Bab | Pertanyaan yang dijawab |
|---|---|
| Kenapa migrasi sulit | Apa yang membuat kode lama susah dipindahkan, dengan atau tanpa AI? |
| Contoh AWS dan Kiro | Seperti apa alur migrasi berbantuan AI yang dirancang serius? |
| Peluang nyata | Bagian mana yang benar-benar dipercepat AI? |
| Jebakan | Di mana migrasi dengan AI paling sering gagal? |
| Cara memilih | Kapan pakai AI, kapan tulis ulang, kapan biarkan saja? |
| Ringkasan | Apa yang dicek sebelum mulai? |
Catatan jujur. Artikel ini ditulis 2 November 2026. Fakta tentang Kiro dan AWS Transform diambil dari blog resmi AWS dan dokumentasi Kiro. Angka dari AWS adalah klaim dan deskripsi vendor tentang contoh mereka sendiri. Angka dari Google berasal dari makalah yang ditulis tim Google tentang proyek mereka sendiri, dan sebagian berupa perkiraan pengembang yang terlibat. Saya belum menjalankan repositori contoh AWS itu, jadi tidak ada hasil uji pribadi di artikel ini.
Artikel ini untuk kamu yang memegang aplikasi lama: sistem kasir, web sekolah, aplikasi internal kantor, atau proyek klien yang dibuat bertahun-tahun lalu. Juga untuk pemilik usaha yang ditawari "migrasi cepat dengan AI" oleh vendor. Artikel ini tidak cocok kalau kamu mencari panduan teknis langkah demi langkah. Di sini tidak ada perintah instalasi atau potongan kode.
Kenapa kode lama susah dipindahkan
Aplikasi yang sudah berjalan lima atau sepuluh tahun menyimpan keputusan bisnis di tempat yang tidak terduga. Aturan diskon bisa tersembunyi di fungsi pembantu, sementara validasi data bisa ada di lapisan database. Sebagian perilaku bahkan muncul dari kebiasaan framework yang tidak ditulis siapa pun secara sadar.
Tulisan AWS tentang migrasi PHP ke Java dengan Kiro menyebut masalah ini terang-terangan. Aplikasi PHP yang dibangun dengan Laravel, Symfony, atau Doctrine menyimpan aturan bisnis di tempat yang tidak jelas, dari trait Eloquent sampai berkas pemetaan XML. Akibatnya, port Java yang strukturnya mirip bisa dikompilasi dengan bersih tetapi tetap berperilaku berbeda.
Kalimat itu menurut saya inti seluruh topik ini. Kompilator hanya memeriksa apakah kode sah secara bahasa. Ia tidak tahu bahwa kolom harga di aplikasi lama dibulatkan ke atas, atau bahwa data tertentu disembunyikan dari API.
Tiga lapis pengetahuan yang hilang saat migrasi
Saya membagi pengetahuan di aplikasi lama menjadi tiga lapis. Pembagian ini pendapat saya, bukan istilah resmi.
- Yang tertulis di kode. Fungsi, kelas, kueri. AI cukup baik membaca dan menerjemahkan lapis ini.
- Yang tertulis di konfigurasi dan konvensi framework. Misalnya daftar kolom yang boleh diisi, kolom yang disembunyikan saat data dikirim, atau relasi antar tabel. Lapis ini sering tersebar di banyak berkas dan mudah terlewat.
- Yang hanya ada di kepala orang. Misalnya "laporan ini memang selisih satu hari karena dulu klien minta begitu". Lapis ini tidak bisa dibaca AI sama sekali.
Migrasi tanpa AI pun gagal di lapis kedua dan ketiga. AI tidak menghilangkan masalah itu, ia hanya mempercepat lapis pertama, sehingga kamu lebih cepat sampai ke titik ketika kesalahan di lapis kedua dan ketiga muncul.
Contoh nyata: mesin migrasi PHP ke Java dari AWS
Contoh AWS ini menarik karena dirancang dengan asumsi bahwa AI bisa salah. Kiro adalah IDE berbasis AI milik AWS, yaitu editor kode yang memasangkan agen AI dengan basis kode untuk menjalankan tugas bertahap. Dalam contoh ini, Kiro dipakai untuk memindahkan aplikasi PHP ke Spring Boot, framework Java yang populer untuk aplikasi web.
Pengetahuan migrasi disimpan sebagai berkas
Seluruh metode migrasi dikemas sebagai skill dan steering. Menurut dokumentasi Agent Skills Kiro, skill adalah paket instruksi portabel yang mengikuti standar terbuka Agent Skills. Isinya instruksi, skrip, dan templat yang dimuat hanya ketika permintaanmu cocok dengan deskripsinya. Sementara itu, dokumentasi Steering Kiro menjelaskan steering sebagai berkas markdown yang memberi Kiro pengetahuan tetap tentang proyek, seperti konvensi dan standar tim.
Di repositori contoh AWS, ada dua skill bersama. Yang pertama, php-model-discovery, berisi pemindai. Yang kedua, php-to-java-migration, berisi panduan delapan fase. Satu berkas steering mengatur alur kerja. Setiap proyek migrasi punya folder sendiri untuk kode PHP, kode Java, dan spesifikasinya. AWS menyebut prinsip ini "satu otak bersama, banyak proyek".
Menurut saya, ini bagian paling berguna untuk ditiru, apa pun alat AI-mu. Metode migrasi yang tertulis bisa diperbaiki, ditinjau, dan dipakai ulang. Metode yang hanya ada di riwayat chat akan hilang begitu sesi ditutup.
Inventaris sebelum terjemahan
Aturan pertama di mesin ini tegas: jangan membaca, menebak, atau menerjemahkan berkas model sebelum pemindai berjalan. Pemindainya adalah satu berkas PHP tanpa dependensi yang hanya membaca teks sumber dan tidak menjalankan kodenya.
Pemindai mencari model dengan tiga cara: model Eloquent, atribut entitas Doctrine, dan berkas pemetaan XML. Hasilnya satu manifest JSON berisi setiap kolom, relasi, dan aturan visibilitas. Bagian yang ambigu tidak ditebak. Bagian itu diberi tanda dalam bahasa biasa dan masuk antrean tinjauan manusia.
Pilihan desain ini jujur. Pemindai mekanis tidak pintar, tetapi ia konsisten dan tidak berhalusinasi. AI baru diberi tugas setelah ada peta yang bisa diperiksa manusia.
Delapan fase, dengan hakim dibangun lebih dulu
AWS menyebutnya alur delapan fase, ditambah fase 0 sebagai persiapan. Fase 0 sampai 3 memusatkan keahlian manusia, sedangkan fase 4 sampai 8 sebagian besar berupa putaran otomatis.
| Fase | Nama | Hasil |
|---|---|---|
| 0 | Penilaian dan penemuan | Manifest model, inventaris, pilihan cara peralihan |
| 1 | Membangun hakim | Parity harness yang bisa dijalankan ke PHP dan Java |
| 2 | Rulebook dan daftar celah | Berkas aturan terjemahan dan daftar celah |
| 3 | Menguji rulebook | Rulebook yang sudah dicoba ke berkas perwakilan |
| 4 | Kerangka | Proyek Spring Boot yang bisa dikompilasi |
| 5 | Model data | Entitas JPA dan skema awal |
| 6 | Lapisan masuk-keluar | Controller, keamanan, templat |
| 7 | Logika bisnis | Logika terkonversi, tes lulus |
| 8 | Bukti kesetaraan dan peralihan | Laporan parity dan checklist peralihan |
Parity harness adalah alat uji yang mengirim permintaan yang sama ke aplikasi lama dan aplikasi baru, lalu membandingkan jawabannya. AWS mensyaratkan harness ini lolos ketika dijalankan ke aplikasi PHP yang sehat. Harness juga harus gagal ketika aplikasi itu sengaja dirusak. Harness yang tidak bisa mendeteksi kerusakan buatan dianggap tidak bisa dipercaya.
Dua prinsip mengatur putaran otomatisnya. Pertama, kode PHP adalah spesifikasinya. Port dianggap selesai ketika hakim setuju, atau ketika setiap perbedaan dicatat sebagai perubahan yang disetujui. Kedua, "perbaiki putarannya, bukan kodenya". Kalau kesalahan yang sama muncul di banyak berkas, rulebook yang diubah, lalu kode dibuat ulang. Kode hasil tidak ditambal satu per satu.
Bagian yang paling jujur dari tulisan AWS
Contoh berjalan di tulisan itu memakai potongan aplikasi Laravel sumber terbuka yang hanya bisa dibaca (read-only). Empat model, yaitu Book, Chapter, Page, dan User, dipindahkan ke Spring Boot 3.4.1 di Java 21. Lalu ada kalimat yang menurut saya paling penting di seluruh tulisan. Spesifikasinya mengakui hanya 4 dari 37 model yang dipindahkan. Parity harness untuk potongan itu juga belum pernah dibangun, dan dokumen itu sendiri menyebutnya "celah terbesar".
Jadi contoh berjalan yang dipakai untuk menjelaskan metode "hakim dibangun lebih dulu" justru belum punya hakim. README repositorinya mencantumkan parity harness untuk proyek lain di repositori yang sama (Symfony Demo), tetapi tulisan blognya tidak melaporkan hasil harness itu. Saya tidak menganggap ini aib karena AWS mencatatnya secara terbuka. Ini pengingat bahwa demo migrasi, sebagus apa pun, biasanya potongan kecil yang dipilih.
Peluang: di mana AI benar-benar membantu
Kalau contoh AWS menunjukkan cara merancang, makalah Google menunjukkan apa yang terjadi setelah dipakai setahun. Makalah Migrating Code At Scale With LLMs At Google, terbit April 2025, membahas proyek migrasi internal yang mahal dan dulunya dikerjakan manual.
Angka yang dilaporkan cukup spesifik. Jenis migrasinya sempit: mengubah tipe ID dari bilangan 32-bit ke 64-bit di seluruh basis kode, supaya ID tidak habis. Ada 39 migrasi berbeda yang dikerjakan tiga pengembang selama dua belas bulan. Hasilnya 595 perubahan kode dengan 93.574 suntingan. Sebanyak 74,45 persen perubahan kode dan 69,46 persen suntingan dibuat oleh LLM. Para pengembang memperkirakan waktu total turun sekitar 50 persen dibanding migrasi manual sebelumnya.
Dua hal perlu dibaca hati-hati. Angka 50 persen adalah perkiraan pengembang, bukan pengukuran waktu yang terkontrol. Lalu, alurnya juga tidak menyerahkan semuanya ke LLM. Makalah itu menggabungkan penemuan lokasi perubahan dengan LLM. Artinya, sistem lebih dulu menentukan di mana kode harus diubah, baru LLM mengerjakan perubahannya. Sistem itu berjalan setiap malam, dan hanya perubahan yang lolos semua validasi otomatis yang diteruskan ke pengembang untuk ditinjau.
Polanya sama dengan AWS: bagian mekanis ditangani alat yang bisa diprediksi, LLM mengisi bagian yang berulang, manusia memegang keputusan.
Jenis pekerjaan yang paling cocok
Dari dua sumber itu, saya menyimpulkan AI paling membantu di pekerjaan yang punya ciri berikut:
- Polanya berulang di banyak berkas. Misalnya mengganti pemanggilan pustaka lama dengan yang baru di ratusan tempat.
- Ada pemetaan yang jelas. Contoh AWS menyebut pemetaan yang mekanis, misalnya namespace PHP menjadi package Java, dan model Eloquent menjadi entitas JPA.
- Hasilnya bisa diperiksa otomatis. Ada tes, ada kompilator, ada pembanding keluaran.
- Skalanya terlalu membosankan untuk manusia. Makalah Google menyebut pengembang tidak merasa pekerjaan migrasi semacam itu memuaskan, dan bisa memakan waktu bertahun-tahun.
Untuk aplikasi kecil di Indonesia, contoh yang realistis adalah naik versi framework, mengganti pustaka yang sudah tidak dirawat, atau memindahkan satu modul ke layanan terpisah. Menulis ulang seluruh aplikasi dari PHP ke bahasa lain jarang masuk kategori ini.
Jebakan yang paling sering terlewat
Bagian ini berisi pola kegagalan yang bisa diturunkan dari kedua sumber dan dari cara kerja LLM. Daftar ini analisis saya, bukan daftar resmi dari AWS atau Google.
Jebakan 1: kode lolos kompilasi dianggap selesai
Ini jebakan nomor satu: kode Java yang rapi dan bisa dikompilasi terasa seperti kemajuan besar. Padahal tulisan AWS sudah memperingatkan bahwa port yang strukturnya mirip bisa berperilaku lain. Tanpa pembanding perilaku, kamu hanya tahu kodenya sah, bukan benar.
Jebakan 2: AI dibiarkan menebak struktur
Kalau AI disuruh langsung membaca berkas model dan menerjemahkannya, ia akan mengisi celah dengan tebakan yang masuk akal. Tebakan itu sering terlihat benar, dan contoh AWS menunjukkan kasus kecil yang mudah meleset. Kolom html, markdown, dan text di model Page sengaja disembunyikan saat data dikirim, karena tercatat di daftar $hidden. Sebaliknya, kolom deskripsi Book sengaja tidak disembunyikan. Kesalahan kecil seperti ini bisa membocorkan data atau merusak tampilan.
Jebakan 3: menambal hasil, bukan memperbaiki aturan
Ketika AI salah menerjemahkan satu pola, refleks pertama adalah memperbaiki berkas itu secara manual. Masalahnya, pola yang sama kemungkinan salah juga di puluhan berkas lain. Prinsip "perbaiki putarannya" dari AWS menjawab ini: ubah instruksinya, lalu buat ulang. Untuk tim kecil, padanannya sederhana: simpan catatan kesalahan berulang di satu berkas aturan yang selalu dibaca AI.
Jebakan 4: tidak ada spesifikasi selain kode lama
Kode lama memang spesifikasi paling lengkap, tetapi ia tidak menjelaskan alasannya. Kalau ada perilaku aneh, kamu tidak tahu apakah itu fitur atau bug lama. Tanpa catatan dari pemilik bisnis, AI akan memindahkan bug lama dengan setia, atau malah "memperbaikinya" tanpa izin.
Jebakan 5: percaya angka hemat waktu dari vendor
Vendor alat migrasi punya kepentingan menunjukkan angka besar. Angka dari Google pun berasal dari satu perusahaan dengan infrastruktur, tim, dan jenis migrasi yang sangat khusus. Angka itu tidak otomatis berlaku untuk aplikasi Laravel klien kamu. Saya sarankan menilai alat dari satu modul percobaan milikmu sendiri.
Jebakan 6: memindahkan semuanya sekaligus
Cara peralihan menentukan risiko. Contoh AWS menjadikan pilihan cara peralihan sebagai salah satu hasil fase 0. Memindahkan semua fitur dalam satu malam berarti tidak ada jalan mundur kalau muncul masalah. Memindahkan per modul, dengan aplikasi lama tetap hidup, jauh lebih aman walau terasa lambat.
Cara memilih: AI, tulis ulang, atau biarkan saja
Tidak semua kode lama perlu dimigrasi. Pertanyaan pertama seharusnya "apa masalah bisnis yang mau diselesaikan?". Pertanyaan alat apa yang dipakai datang belakangan. Aplikasi lama yang stabil, aman, dan jarang diubah sering lebih murah dibiarkan.
Berikut pegangan yang saya pakai untuk memutuskan:
| Kondisi aplikasi | Saran saya | Alasan |
|---|---|---|
| Stabil, jarang diubah, versi masih didukung | Biarkan, cukup rawat | Migrasi menambah risiko tanpa manfaat jelas |
| Framework atau pustaka sudah tidak didukung, tes cukup lengkap | Migrasi bertahap dengan AI | Pola berulang, hasil bisa diperiksa otomatis |
| Framework usang, hampir tanpa tes | Tulis tes perilaku dulu, baru migrasi | Tanpa tes, kamu tidak tahu kapan AI salah |
| Pindah bahasa total, aturan bisnis tidak terdokumentasi | Dokumentasikan dulu, lalu nilai ulang | Kode lama saja tidak cukup sebagai spesifikasi |
| Aplikasi kecil, fitur akan berubah banyak | Pertimbangkan tulis ulang dari spesifikasi baru | Memindahkan fitur yang akan dibuang adalah kerja sia-sia |
Pendapat saya untuk kebanyakan pembaca eduwebmu: mulailah dari migrasi kecil yang punya batas jelas, jangan dari penulisan ulang total. Naik versi framework di satu proyek lebih berguna sebagai latihan daripada memindahkan seluruh sistem ke bahasa baru. Dari situ kamu belajar cara kerja AI di migrasi, dan kerusakannya tetap terbatas.
Alat tidak menentukan, cara kerja yang menentukan
Kiro bukan satu-satunya pilihan. Dokumentasi Kiro sendiri menyebut skill mengikuti standar terbuka Agent Skills, sehingga bisa dibagikan dengan alat AI lain yang kompatibel. Yang perlu kamu tiru dari contoh AWS adalah urutannya:
- Buat inventaris dengan cara mekanis, bukan dengan menebak.
- Bangun alat pembanding perilaku sebelum kode baru ditulis.
- Tulis aturan terjemahan di berkas, lalu uji ke beberapa berkas perwakilan.
- Terjemahkan bertahap, dan perbaiki aturan kalau kesalahan berulang.
- Buktikan kesetaraan, catat perbedaan yang disengaja, baru beralih.
Kalau kamu memakai alat yang tidak punya fitur skill, cukup simpan aturan itu di berkas teks yang selalu disertakan ke AI. Mekanismenya berbeda, tetapi prinsipnya sama.
Satu batas lagi yang sering diabaikan: biaya. Tulisan AWS maupun makalah Google tidak mencantumkan biaya pemakaian model AI untuk migrasinya. Saran saya, hitung biayanya dari percobaan satu modul sebelum menyetujui proyek besar.
Ringkasan dan langkah berikutnya
Migrasi kode dengan AI bukan soal model mana yang paling pintar menerjemahkan. Yang menentukan adalah apakah kamu punya inventaris, alat uji perilaku, dan aturan terjemahan yang tertulis. Contoh AWS dan studi Google sama-sama menaruh tenaga manusia di awal, dan keduanya mengakui batasnya.
Checklist sebelum migrasi dengan AI
- Alasan bisnis migrasi sudah jelas dan tertulis
- Aturan bisnis penting dan perilaku yang tidak boleh berubah sudah dicatat bersama pemilik aplikasi
- Ada inventaris model, kolom, dan relasi yang dibuat secara mekanis
- Ada tes atau alat pembanding perilaku antara aplikasi lama dan baru
- Alat uji itu terbukti gagal ketika aplikasi lama sengaja dirusak
- Aturan terjemahan disimpan di berkas, bukan hanya di riwayat chat
- Cara peralihan sudah dipilih, dan ada jalan mundur
- Kebijakan data alat AI sudah dibaca sebelum kode produksi dibuka
Cheat sheet
| Situasi | Yang dilakukan |
|---|---|
| AI salah di satu pola berulang | Perbaiki berkas aturan, lalu buat ulang |
| Bagian struktur ambigu | Tandai untuk ditinjau manusia, jangan ditebak |
| Ada perbedaan perilaku yang disengaja | Catat sebagai perubahan yang disetujui |
| Vendor menyebut angka hemat waktu | Anggap klaim, uji di satu modul milikmu |
| Kode lolos kompilasi | Baru setengah jalan, jalankan pembanding perilaku |
| Tidak ada tes sama sekali | Tunda migrasi, tulis tes perilaku dulu |
Langkah pertama yang paling murah adalah menuliskan apa yang sebenarnya dilakukan aplikasi lama. Gunakan AI PRD Generator di eduwebmu untuk menyusun dokumen kebutuhan dari deskripsi aplikasimu: fitur, alur pengguna, dan aturan yang tidak boleh berubah. Dokumen itu menjadi patokan saat menilai hasil migrasi, dan bisa disertakan ke alat AI sebagai konteks. Periksa lagi isinya bersama pemilik aplikasi, karena generator tidak tahu aturan yang hanya ada di kepala orang.
Pertanyaan yang sering diajukan
Apakah AI bisa memindahkan seluruh aplikasi lama ke bahasa lain secara otomatis?
Bisa menghasilkan banyak kode, tetapi belum bisa dijamin benar tanpa pengujian perilaku. Di contoh Laravel pada tulisan AWS, spesifikasinya mengakui baru 4 dari 37 model yang dipindahkan dan alat uji kesetaraannya belum dibangun.
Apa itu parity harness?
Alat uji yang mengirim permintaan yang sama ke aplikasi lama dan aplikasi baru, lalu membandingkan jawabannya. Kalau hasilnya berbeda, migrasi belum selesai.
Berapa banyak waktu yang bisa dihemat dengan AI saat migrasi?
Tidak ada angka umum yang bisa dipegang. Studi Google melaporkan perkiraan hemat sekitar 50 persen menurut perkiraan pengembangnya sendiri, untuk satu jenis migrasi tertentu di dalam Google.
Apakah migrasi dengan AI cocok untuk tim kecil atau freelancer?
Cocok untuk migrasi yang terbatas dan bisa diuji, seperti naik versi framework atau memindahkan satu modul. Untuk menulis ulang seluruh aplikasi bisnis tanpa tes, risikonya terlalu besar.
Apakah harus memakai Kiro untuk migrasi kode dengan AI?
Tidak. Pola kerjanya, yaitu inventaris dulu, buat alat uji dulu, lalu terjemahkan bertahap, bisa diterapkan dengan alat AI coding lain. Kiro hanya contoh yang dokumentasinya terbuka.
Apa langkah pertama sebelum migrasi kode dengan AI?
Tuliskan apa yang sebenarnya dilakukan aplikasi lama: fitur, aturan bisnis, dan perilaku yang tidak boleh berubah. Dokumen itu menjadi patokan untuk menilai hasil migrasi.
Sumber dan referensi
Semua sumber diakses 2 November 2026.
- 1.AWS Machine Learning Blog, "Build a repeatable PHP-to-Java migration engine with Kiro" (29 Oktober 2026)aws.amazon.com(buka di tab baru)
- 2.Kiro Docs, "Agent Skills"kiro.dev(buka di tab baru)
- 3.Kiro Docs, "Steering"kiro.dev(buka di tab baru)
- 4.Ziftci dkk., "Migrating Code At Scale With LLMs At Google", arXiv:2504.09691 (April 2025)arxiv.org(buka di tab baru)
- 5.AWS Samples, repositori "sample-php-to-java-migration" (README)raw.githubusercontent.com(buka di tab baru)
migrasi kodelegacy codekiroai coding


