Claude Opus 4 dengan Claude Code: Panduan dengan Proyek Demo

Claude Opus 4 adalah model AI paling kuat dan canggih dari Anthropic hingga saat ini, menetapkan standar baru untuk pengodean, penalaran, dan tugas jangka panjang. Model ini memimpin tolok ukur industri dengan skor 72,5% pada SWE-bench dan 43,2% pada Terminal-bench. 

Dirancang untuk kinerja berkelanjutan, Claude Opus 4 dapat menangani tugas pengodean yang kompleks dan berjalan lama secara otonom, tetap fokus dan memberikan hasil yang luar biasa. Model ini hadir dengan peningkatan selera kode dan dukungan 32K output token.

Dalam tutorial ini, kita akan meninjau kapabilitas Claude Opus 4 dengan menguji kemampuannya membuat dan menguji basis kode yang kompleks. Untuk informasi versi Claude terbaru, lihat panduan Claude Opus 4.6 kami.

Kita akan mulai dengan menyiapkan alat CLI Claude Code di Windows 11 menggunakan Windows Subsystem for Linux. Selanjutnya, kita akan meminta Claude Opus 4 untuk membangun proyek machine learning ujung-ke-ujung lengkap dengan banyak file. Setelah membangun proyek, kita akan meminta model untuk menguji fungsionalitasnya dan mendorongnya ke GitHub.

Claude Code adalah alat CLI (Command Line Interface) yang memungkinkan Claude Opus 4 berinteraksi dengan codebase lokal menggunakan Anthropic API. Alat ini bertindak sebagai asisten bertenaga AI untuk mengode, men-debug, dan mengeksekusi tugas langsung dari terminal.

Gambar oleh Penulis

Menyiapkan Claude Code di Windows

Untuk menyiapkan Claude Code di Windows, Anda perlu mengonfigurasi Windows Subsystem for Linux (WSL), memasang Node.js dan npm, serta menautkan akun Anthropic Anda.

Berikut panduan langkah demi langkah untuk memulai.

1. Memasang WSL

Untuk memulai, aktifkan WSL dengan membuka PowerShell sebagai Administrator dan menjalankan perintah wsl --install. Ini akan memasang Ubuntu secara default dan mungkin memerlukan restart sistem. 

Setelah restart, jendela terminal akan meminta Anda menetapkan nama pengguna dan kata sandi untuk distribusi Linux Anda. Anda kemudian dapat mengakses subsistem Linux dengan mengetik wsl di PowerShell atau meluncurkan aplikasi Ubuntu.

2. Memasang Node.js dan npm

Buka terminal Ubuntu dan pasang Node.js serta npm.

sudo apt update
sudo apt install nodejs npm

Versi default Node.js yang dipasang melalui apt mungkin sudah usang. Untuk memasang versi terbaru, gunakan Node Version Manager (nvm):

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

Verifikasi versi yang diperbarui:

node --version
npm --version
v18.20.8
10.8.2

3. Menyiapkan akun Anthropic

Untuk menggunakan Claude Code, Anda memerlukan akun Anthropic API:

1. Buat akun di Anthropic Console.
2. Tambahkan setidaknya $30 dalam kredit ke akun Anda menggunakan kartu kredit atau debit. Perlu diingat bahwa Claude Opus 4 adalah model premium, dan biaya dapat bervariasi tergantung pada kompleksitas proyek Anda.

4. Memasang Claude Code

Setelah Node.js dan npm siap, Anda dapat memasang Claude Code secara global:

npm install -g @anthropic-ai/claude-code

Setelah pemasangan, jalankan Claude Code dengan mengetik:

claude

Alat ini akan meminta Anda mengonfigurasi antarmuka:

5. Menyiapkan Claude Code

Setelah menjalankan Claude Code untuk pertama kali, Anda perlu mengautentikasinya dengan akun Anthropic Anda:

1. Pilih opsi untuk tersambung ke Anthropic Console.
2. Jendela peramban akan terbuka, meminta Anda masuk ke akun Anthropic.
3. Salin kode autentikasi yang dihasilkan oleh konsol dan tempelkan ke terminal Claude Code.

Setelah diautentikasi, Claude Code siap digunakan.

Untuk panduan lebih komprehensif tentang fitur dan penggunaan praktis Claude Code, lihat panduan Claude Code dengan contoh.

Walkthrough Proyek Claude Opus 4

Mari langsung praktik dan membangun proyek machine learning dari nol menggunakan Claude Opus 4.

Langkah-langkahnya mencakup perencanaan, membangun struktur folder, membuat dan menguji model, lalu akhirnya mendorong perubahan ke GitHub. Claude Opus 4 akan bertindak sebagai asisten utama sepanjang proses, mengotomatiskan tugas dan memberikan panduan.

1. Menyiapkan Claude Code dengan Opus 4

Untuk memulai, buka terminal Ubuntu, buat direktori proyek baru, dan inisialisasi Git untuk pengendalian versi.

mkdir DC_Claude_4 
cd DC_Claude_4 
git init

Selanjutnya, jalankan Claude Code dengan model Claude Opus 4 dengan menjalankan perintah berikut:

claude --model claude-opus-4-20250514

Ini akan memulai Claude Code di direktori proyek Anda dengan Claude Opus 4 sebagai model dasar.

2. Merencanakan proyek

Langkah pertama adalah membuat rencana proyek. Kita akan meminta Claude Opus 4 menghasilkan berkas README terperinci yang menguraikan tujuan dan struktur proyek.

Prompt: “Buat berkas README untuk proyek machine learning yang memproses data yfinance, melatih model, mengevaluasinya, dan menyajikan model.”

Claude akan meminta izin untuk membuat file. Anda dapat menyetujui setiap tindakan secara manual atau mengaktifkan otonomi penuh, memungkinkan pembuatan dan pengeditan file tanpa prompt lanjutan.

Claude Opus 4 telah menghasilkan berkas README.md terperinci, termasuk deskripsi proyek, tujuan, dan langkah implementasi.

3. Membangun proyek machine learning

Menggunakan berkas README sebagai panduan, kita akan meminta Claude untuk membuat struktur folder, file, dan codebase awal.

Prompt: “Sekarang, buat folder dan file serta bangun proyek dari nol. Gunakan berkas README sebagai panduan Anda.”

Claude Opus 4 membuat daftar tugas terstruktur dan secara otomatis membangun proyek. 

Anda dapat melihat proyek di editor kode Anda untuk memverifikasi struktur dan kontennya. 

Pada akhirnya, Claude memberikan ringkasan dan instruksi mulai cepat untuk melatih model dan menguji API.

4. Menguji API model

Alih-alih menguji kode secara manual, kita akan meminta Claude Opus 4 menangani proses pengujian.

Prompt: “Mohon uji bahwa semuanya berjalan sempurna. Cobalah gunakan UV sebagai package manager.”

Claude mencoba menjalankan skrip pemrosesan data namun gagal. Setelah itu, ia memperbaiki masalahnya.

Pada akhirnya, semua skrip Python berhasil diuji, termasuk endpoint API:

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory

Model tidak menguji endpoint /predict, jadi saya harus memintanya untuk menguji.

Prompt: “Mohon uji endpoint /predict.”

Sebagai hasilnya, ia menyusun daftar pengujian dan hasilnya berdasarkan berbagai skenario.

Untuk memastikan, saya menguji endpoint /predict secara manual menggunakan perintah curl berikut:

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'

Keluaran:

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}

5. Mendorong perubahan ke GitHub

Sekarang proyek sudah selesai, kita akan melakukan commit perubahan dan mendorongnya ke repositori GitHub publik.

Prompt: “Mohon buat repositori GitHub publik dan dorong semua perubahan ke sana.”

Claude memberikan panduan langkah demi langkah untuk mendorong kode ke GitHub secara manual.

Kita tidak ingin melakukan pekerjaan manual, jadi kita akan meminta Claude menggunakan GitHub CLI untuk membuat repositori baru dan mendorong file.

Prompt: “Mohon gunakan GitHub CLI untuk mendorong proyek.”

Hasilnya, proyek berhasil didorong ke GitHub dan tersedia untuk umum di: https://github.com/kingabzpro/stock-ml-predictor

​​Repositori GitHub yang dibuat oleh Claude Code menggunakan model Opus 4.

6. Finalisasi proyek

Setelah menyelesaikan semua langkah, Anda dapat keluar dari Claude Code dengan menekan Ctrl+C. Claude akan memberikan ringkasan sesi, termasuk total biaya, durasi, dan penggunaan token.

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write

Tampaknya model Opus 4 baru cukup mahal, dan biaya penggunaan API-nya dapat cepat bertambah. Berikut adalah rincian harga:

Untuk mengevaluasi efisiensi biaya dan perbandingan tolok ukur, baca ringkasan Claude 3.7 Sonnet kami untuk wawasan tentang model Claude alternatif.

Opini Penulis

Menggunakan Claude Code untuk proyek lokal saya adalah pengalaman yang menyenangkan dan memberi wawasan. Saya banyak belajar tentang kapabilitas dan keterbatasannya. 

Berikut rincian kelebihan dan kekurangan menggunakannya dengan Claude Opus 4:

Kelebihan:

• Claude Opus 4 sangat andal dalam memanfaatkan alat seperti daftar tugas, menjalankan kode, dan mengeksekusi tugas secara efisien. Ini memiliki alur kerja agentic terbaik yang pernah saya lihat.
• Cepat mengidentifikasi masalah dalam kode dan memberikan solusi yang akurat, menghemat waktu selama pengembangan.
• Bahkan jika Anda tidak memiliki pengalaman pengodean, Anda dapat menggunakan Claude Opus 4 untuk menghasilkan, membangun, dan menerapkan aplikasi hanya dengan menjelaskan kebutuhan Anda.

Kekurangan:

• Claude Opus 4 dapat mengonsumsi token dalam jumlah signifikan bahkan untuk permintaan sederhana, sehingga kurang efisien untuk tugas kecil.
• Meskipun kuat, biaya penggunaan Claude Opus 4 bisa menjadi hambatan. Alternatif yang lebih terjangkau dapat memberikan hasil serupa. 
• Walaupun sangat mahir dalam pemrograman, model ini kurang andal dalam memperbaiki tata bahasa dan ejaan, yang membatasi kegunaannya untuk tugas non-pemrograman.

Bagi yang mencari titik awal yang lebih murah, pertimbangkan versi sebelumnya seperti Claude 3.5 Sonnet, yang masih menawarkan performa solid untuk banyak tugas.

Kesimpulan

Claude Opus 4, dipasangkan dengan CLI Claude Code, mewakili lompatan besar dalam pengembangan perangkat lunak berbantuan AI. Tutorial ini menunjukkan betapa andalnya model ini, mulai dari membangun, menguji, hingga menerapkan proyek machine learning lengkap. Kemampuannya untuk tetap fokus pada tugas jangka panjang, beradaptasi dengan berbagai skenario, dan men-debug kode secara cerdas menetapkan standar baru bagi agen AI dalam rekayasa perangkat lunak.

Namun, dengan kemampuan besar hadir pula biaya yang signifikan. Meskipun Claude Opus 4 memberikan performa dan alur kerja agentic yang tak tertandingi, penetapan harganya membuatnya paling cocok untuk proyek kompleks bernilai tinggi dibanding tugas pengodean sehari-hari.

Pada akhirnya, Claude Opus 4 bukan sekadar alat—melainkan mitra pengembangan. Baik Anda membangun MVP, mengotomatiskan alur kerja, atau mengeksplorasi pemrograman berbantuan AI, model ini menawarkan gambaran menarik tentang masa depan rekayasa perangkat lunak. 

Jika Anda ingin meningkatkan keterampilan dan mengeksplorasi pembangunan sistem cerdas dari nol, lihat jalur Developing AI Applications kami untuk jalur pembelajaran terstruktur yang dirancang membantu Anda membuat alat bertenaga AI yang berdampak. Anda juga dapat melihat artikel kami tentang model Claude 4 baru, Sonnet 4 dan Opus 4.