TeachingSoftware EngineeringSesi 26 - Emerging Trends in Software Engineering
Workshop

Sesi 26 - Emerging Trends in Software Engineering

1. Memahami Evolusi Teknologi

1.1 S-Curve of Technology Adoption

Setiap teknologi besar mengikuti pola adopsi berbentuk S:

Adoption
  |                              ___________
  |                         ___/
  |                    ____/
  |               ____/
  |          ____/
  |_________/
  +---------------------------------------------------> Time
  Breakthrough → Replicator → Empiricism → Theory → Automation → Maturity
  • Breakthrough: penemuan dasar, hanya diketahui peneliti
  • Replicator: orang mulai copy dan eksperimen
  • Empiricism: trial and error masif, belum ada best practice
  • Theory: best practice mulai terbentuk, framework established
  • Automation: tools yang automate adoption tersedia
  • Maturity: teknologi jadi invisible infrastructure

Contoh AI generatif pada S-Curve:

  • 2017 — Transformer paper (Breakthrough)
  • 2020 — GPT-3 eksperimen (Replicator)
  • 2022 — ChatGPT viral (Empiricism)
  • 2023-2024 — RAG, prompt engineering, fine-tuning jadi established (Theory)
  • 2024-2025 — Copilot, Cursor, AI-native IDE (Automation)

1.2 Gartner Hype Cycle

Framework untuk membaca posisi teknologi di industri:

Visibility
    |        Peak of Inflated
    |           Expectations
    |               /\
    |              /  \
    |             /    \        Plateau of
    |            /      \      Productivity
    |           /        \    Slope of   /‾‾‾‾‾
    |          /          \  Enlighten- /
    |         /            \/ment      /
    |        /      Trough of         /
    |       /       Disillusionment  /
    |______/________________________________> Time
    Technology
    Trigger

Pemetaan teknologi Indonesia:

Fase Teknologi
Plateau of Productivity E-commerce, mobile banking, cloud
Slope of Enlightenment Cloud enterprise, low-code/no-code
Peak of Inflated Expectations AI generatif, AI startup lokal
Trough of Disillusionment Metaverse, NFT, blockchain "untuk semua"
Breakthrough/Replicator Quantum computing, AGI

Takeaway: Slope of Enlightenment adalah sweet spot untuk investasi skill — teknologi sudah terbukti works, tapi supply talent masih rendah sementara demand mulai naik.

2.1 Remote & Distributed Teams

Remote dan hybrid work sudah jadi standar permanen di industri tech global. Dampak langsung ke SE:

  • Tim tidak perlu di kota yang sama — akses talenta lebih luas
  • Tools kolaborasi jadi backbone: GitHub (code), Slack/Discord (komunikasi async), Figma (design), Notion (dokumentasi)
  • Skill yang makin penting: kemampuan menulis dengan jelas — PR description, code review comments, dokumentasi teknis
  • Developer Indonesia bisa bekerja untuk perusahaan Singapura, AS, atau Eropa tanpa pindah negara

2.2 Globalization & Diverse Workforce

Tim internasional berarti perbedaan lebih dari sekadar bahasa:

  • Pola komunikasi berbeda: engineer Jepang cenderung tidak langsung disagree; engineer AS lebih direct
  • Management philosophy yang berbeda
  • Expectation soal feedback dan hierarchy yang berbeda

3. Managing Complexity: Past, Present, Future

3.1 Evolusi Pengelolaan Kompleksitas

Era Pendekatan
Early days Ad-hoc — tidak ada metodologi, tidak ada version control
Sekarang Process & tools — Agile, Git, CI/CD, automated testing
Masa depan AI-assisted — tools yang bantu engineer manage complexity

3.2 AI untuk Software Engineering (Sekarang)

  • Code completion: GitHub Copilot, Cursor, Tabnine — suggest seluruh fungsi berdasarkan konteks
  • Bug detection: Snyk Code, SonarQube — scan kode dan flag vulnerability sebelum production
  • Test generation: AI yang auto-generate unit test berdasarkan kode yang ditulis
  • Project analytics: LinearB, Jellyfish — prediksi apakah sprint akan selesai tepat waktu, identifikasi bottleneck tim
  • Repository mining: pattern dari miliaran baris kode publik jadi basis knowledge Copilot

3.3 Open-World Software

Software modern tidak lagi berjalan di device terisolasi — ia menyatu dengan lingkungan dan beradaptasi sendiri:

  • Ambient Intelligence: sistem yang merespons konteks tanpa dikonfigurasi manual (Google Maps yang auto-alert kemacetan)
  • Context-aware apps: perilaku berubah tergantung waktu, lokasi, aktivitas user (Spotify auto-switch playlist workout)
  • Ubiquitous Computing: software di semua benda — smartwatch, kulkas, lampu, kendaraan
  • Self-organizing systems: algoritma rekomendasi yang tidak di-hardcode, tapi belajar dan reorganize sendiri (TikTok)

4. Open Source

4.1 Mengapa Open Source Penting

Hampir seluruh infrastruktur internet modern berjalan di atas open source:

  • Linux: ada di hampir semua server, Android berbasis Linux
  • Python, PostgreSQL, React, Kubernetes, TensorFlow — semua open source
  • Netflix, TikTok, Instagram menggunakan open source di bawahnya

Vendor lock-in risk: Perusahaan yang build di atas platform proprietary tertutup tidak punya kontrol jika vendor naikkan harga atau tutup. Open source memberikan kontrol penuh dan portabilitas.

4.2 Risiko Open Source yang Sering Diabaikan

Kasus Heartbleed (2014): OpenSSL — library enkripsi yang dipakai hampir seluruh internet — di-maintain oleh dua orang dengan budget tahunan di bawah $2000. Bug Heartbleed mengancam keamanan seluruh internet.

Kasus XZ Utils Backdoor (2024): Maintainer yang sabar membangun reputasi selama dua tahun di komunitas, lalu menyisipkan backdoor yang hampir masuk ke distribusi Linux utama. Ini adalah supply chain attack yang hampir sempurna.

Implikasi: Setiap npm install atau pip install adalah tindakan kepercayaan kepada maintainer yang tidak lo kenal. Developer perlu:

  • Cek siapa maintainer-nya dan apakah masih aktif
  • Perhatikan jumlah dependency dan reputasinya
  • Monitor dependabot atau tools serupa untuk vulnerability alerts
  • Pertimbangkan software composition analysis (SCA) di pipeline CI/CD

5. Cloud Computing & Serverless

5.1 Tiga Model Cloud Service

Model Lo Kelola Provider Kelola Contoh
IaaS App, data, runtime, OS Virtualization, server, storage, network AWS EC2, GCP Compute Engine
PaaS App, data Runtime, OS, virtualization, server Heroku, Render.com, Google App Engine
SaaS Hanya konfigurasi Segalanya Google Workspace, Office 365, Salesforce

Prinsip pemilihan: Makin ke kanan (IaaS → SaaS), makin sedikit kontrol tapi makin cepat time-to-market. Startup early-stage → PaaS dulu untuk speed; scale → pertimbangkan IaaS untuk kontrol dan cost efficiency.

5.2 Deployment Models

  • Public Cloud: shared infrastructure, paling murah, paling fleksibel (AWS, GCP, Azure)
  • Private Cloud: infrastructure sendiri, lebih kontrol, lebih mahal
  • Hybrid Cloud: kombinasi public dan private — banyak dipakai enterprise dan instansi pemerintah
  • Community Cloud: shared infrastructure untuk komunitas tertentu

Konteks Indonesia: Pemerintah Indonesia sedang bangun GovCloud — cloud khusus data pemerintah setelah insiden PDN 2024. Ini adalah bentuk community/private cloud untuk meningkatkan keamanan data negara.

5.3 Serverless Computing

Serverless bukan berarti tidak ada server — server ada, tapi lo tidak perlu tahu atau urus sama sekali.

Cara kerja:

  1. Lo deploy function (bukan aplikasi utuh)
  2. Function "tidur" sampai ada trigger
  3. Trigger masuk → provider jalankan function → function mati
  4. Lo bayar per eksekusi, bukan per jam server running

Karakteristik utama:

  • Event-driven: hanya jalan saat ada trigger (HTTP request, file upload, jadwal)
  • Auto-scaling: ribuan instance otomatis tanpa konfigurasi manual
  • Pay-per-execution: sangat efisien untuk traffic tidak konsisten
  • No server management: tidak ada urusan OS patch, capacity planning

Trade-off:

  • Cold start: pemanggilan pertama setelah lama tidak aktif butuh waktu lebih lama
  • Stateless: function tidak menyimpan state antar eksekusi; state harus disimpan di database atau cache external
  • Vendor lock-in: logika bisnis bisa terikat ke spesifikasi provider tertentu

Contoh provider: AWS Lambda, Google Cloud Functions, Azure Functions, Vercel Functions, Cloudflare Workers

Use case ideal di Indonesia: Webhook dari payment gateway (Midtrans, Xendit) — function hanya aktif saat ada transaksi masuk, proses, lalu mati. Jauh lebih efisien dari server yang standby 24/7.

5.4 FaaS (Functions as a Service)

FaaS adalah implementasi konkret dari serverless — deploy individual functions yang dipicu oleh events spesifik. Ini adalah layer eksekusi di serverless architecture.

6. AI & Machine Learning dalam Software Development

6.1 Pergeseran Fundamental (2014 → 2024)

  • 2014: Task AI seperti image recognition membutuhkan tim riset dan 5 tahun
  • 2024: Task yang sama bisa diselesaikan dengan API call dalam satu sore

Perubahan terbesarnya: AI yang powerful sekarang accessible via API. Engineer tidak perlu PhD atau GPU cluster — cukup tahu cara memanggil endpoint.

Implikasi: Fitur yang dulu dianggap terlalu kompleks untuk tim kecil sekarang jadi ekspektasi standar. User expect aplikasi bisa kenali gambar, transcribe audio, generate teks, deteksi sentimen.

6.2 AI/ML dalam SDLC

Development Phase:

  • GitHub Copilot, Cursor, Tabnine — code completion dan suggestion
  • Claude, ChatGPT — explain code, generate boilerplate, refactoring suggestion
  • AI-powered code review

Testing Phase:

  • Auto-generate unit tests berdasarkan kode yang ada
  • Intelligent test prioritization — test bagian yang paling berisiko dulu
  • Visual regression testing dengan AI

Bug Detection & Security:

  • Snyk Code, SonarQube — static analysis berbasis ML
  • Deteksi security vulnerability secara otomatis
  • Anomaly detection di production logs

Project Management:

  • Predictive analytics untuk timeline dan resource
  • Automatic estimation berdasarkan historical velocity
  • Risk identification di early stage

6.3 Tools & Frameworks

Untuk membangun model ML:

Framework Dibuat oleh Keunggulan Use Case
TensorFlow Google Production-ready, deployment mature (TF Serving, TF Lite) Enterprise, mobile deployment
PyTorch Meta AI Fleksibel, debugging mudah, dynamic computation graph Research, prototyping, makin populer di production
Scikit-learn Community Simple API untuk classical ML Tabular data, non-deep learning tasks
Hugging Face Community Pre-trained models, NLP ecosystem NLP tasks, fine-tuning LLM

Untuk menggunakan AI via API (lebih relevan untuk SE generalist):

  • OpenAI API (GPT-4, DALL-E, Whisper)
  • Anthropic API (Claude)
  • Google AI (Gemini, Vision AI, Speech-to-Text)
  • AWS AI Services (Rekognition, Comprehend, Polly)

Prinsip: Selalu coba API dulu sebelum train model sendiri. Training model sendiri butuh data besar, expertise ML, dan infrastruktur mahal. Hampir selalu ada pre-trained model atau API yang cukup untuk use case umum.

6.4 Tantangan Etis AI dalam SE

  • Algorithmic bias: model belajar dari data historis yang mungkin bias (kasus Xing search ranking)
  • Hallucination: AI bisa generate kode yang terlihat benar tapi salah secara subtle — review tetap diperlukan
  • Over-reliance: engineer yang terlalu bergantung pada AI tanpa memahami kode yang di-generate
  • Security: kode yang di-generate AI bisa punya vulnerability yang tidak terdeteksi

7. Blockchain Technology

7.1 Konsep Inti

Blockchain adalah distributed ledger — database yang disimpan di ribuan node sekaligus, bukan di satu server terpusat.

Tiga prinsip utama:

Prinsip Artinya Implikasi
Decentralization Tidak ada single point of control Tidak bisa dimatikan atau dimanipulasi oleh satu pihak
Immutability Data yang masuk tidak bisa diubah Audit trail permanen; kalau ada kesalahan, hanya bisa ditambah koreksi
Transparency Semua transaksi bisa diaudit Trust tanpa perlu intermediary; identitas bisa pseudonymous

Cara immutability bekerja: Setiap block berisi hash dari block sebelumnya. Mengubah satu block berarti mengubah seluruh chain di semua node secara bersamaan — secara komputasi tidak feasible.

7.2 Use Cases yang Terbukti

Smart Contracts: Kontrak yang otomatis dieksekusi ketika kondisi terpenuhi, tanpa perlu pihak ketiga.

  • Contoh: escrow otomatis — uang hanya dilepas ke seller setelah buyer konfirmasi
  • Platform: Ethereum (public), Hyperledger Fabric (enterprise/private)

Decentralized Applications (dApps): Aplikasi yang backend-nya berjalan di blockchain, bukan di server perusahaan sentral.

  • Tidak bisa di-shutdown oleh satu entitas
  • Transparansi penuh pada business logic

Cryptocurrency & DeFi: Use case paling proven dan paling matang.

Supply Chain Tracking: Melacak produk dari origin ke konsumen dengan audit trail yang tidak bisa dimanipulasi — dipakai di industri makanan, farmasi, dan luxury goods.

7.3 Realita vs Hype

Blockchain sempat di puncak Hype Cycle — diklaim akan merevolusi semua industri. Faktanya:

  • Banyak masalah yang diklaim bisa diselesaikan blockchain lebih efisien diselesaikan dengan database biasa
  • Blockchain hanya relevan ketika: ada multiple parties yang tidak saling percaya, tidak ada trusted central authority, dan immutability benar-benar diperlukan
  • NFT dan metaverse Indonesia sudah di Trough of Disillusionment
  • Blockchain untuk supply chain dan DeFi masih di Slope of Enlightenment

Pertanyaan filter sebelum pakai blockchain: Apakah ada multiple pihak yang tidak saling percaya? Apakah immutability benar-benar dibutuhkan? Apakah decentralization memberikan value nyata? Kalau semua jawabannya tidak — database biasa lebih baik.

8. Quantum Computing

8.1 Konsep Dasar

Classical bit vs Qubit:

  • Classical bit: hanya bisa 0 atau 1
  • Qubit: bisa berada dalam superposition — kombinasi 0 dan 1 secara bersamaan sampai diukur
  • Secara matematis: |ψ⟩ = α|0⟩ + β|1⟩

Tiga prinsip quantum mechanics:

Superposition: Qubit bisa merepresentasikan banyak state sekaligus → quantum computer bisa memproses banyak kemungkinan secara paralel → untuk problem tertentu, jauh lebih efisien dari komputasi klasik.

Entanglement: Dua qubit yang entangled saling terhubung secara instant meski terpisah jarak jauh — state satu mempengaruhi yang lain secara langsung. Ini yang memungkinkan quantum algorithms tertentu bekerja dengan cara yang tidak mungkin di komputasi klasik.

Quantum Interference: Digunakan untuk amplify kemungkinan jawaban yang benar dan cancel kemungkinan yang salah.

8.2 Status Saat Ini (2024-2025)

  • IBM, Google, IonQ sudah punya quantum computer operasional dengan ratusan qubit
  • Google mengklaim "quantum supremacy" untuk task spesifik (2019, 2023)
  • Masih sangat error-prone — "noisy" qubits membutuhkan error correction yang mahal
  • Belum ada practical quantum advantage untuk real-world SE problems secara luas
  • Di Hype Cycle: antara Breakthrough dan Replicator

8.3 Relevansi untuk Software Engineer

Yang sudah relevan SEKARANG:

Ancaman terhadap kriptografi saat ini:

  • Shor's algorithm di quantum computer yang cukup powerful bisa memfaktorkan bilangan besar dengan sangat cepat
  • Ini berarti enkripsi RSA dan ECDSA yang dipakai untuk HTTPS, banking, dan hampir semua keamanan digital bisa dibobol
  • Ini disebut "harvest now, decrypt later" attack — aktor jahat sudah mengumpulkan data terenkripsi sekarang untuk didekripsi ketika quantum computer cukup powerful

Post-Quantum Cryptography (PQC):

  • NIST sudah finalisasi standar PQC di 2024: CRYSTALS-Kyber (key exchange), CRYSTALS-Dilithium (signature)
  • Engineer yang bekerja di security, banking, atau sistem yang perlu aman dalam 10-20 tahun ke depan perlu mulai familiar
  • Migrasi ke algoritma quantum-resistant adalah investasi jangka panjang

Yang relevan di masa depan (5-15 tahun):

  • Optimization problems: route optimization, portfolio optimization, logistics
  • Scientific simulation: drug discovery, materials science
  • ML training acceleration

8.4 Yang Perlu Dipersiapkan Engineer Sekarang

Bukan: belajar quantum programming (terlalu early)

Ya:

  1. Awareness bahwa RSA/ECDSA punya expiry date dalam konteks quantum
  2. Mulai familiar dengan post-quantum cryptography standards
  3. Desain sistem dengan asumsi keamanan perlu di-upgrade — avoid hardcoding algoritma kriptografi
  4. Monitor perkembangan — landscape berubah cepat

9. Low-Code / No-Code

9.1 Apa itu Low-Code/No-Code

  • No-code: membangun aplikasi tanpa menulis kode sama sekali, melalui visual interface
  • Low-code: minimal coding, terutama untuk logika bisnis kompleks
  • Platform: Bubble, Webflow, AppSheet, Microsoft Power Apps, Retool, n8n

9.2 Posisi di Industri

Low-code/no-code berada di Slope of Enlightenment — sudah terbukti works untuk use case tertentu, adoption makin luas.

Cocok untuk:

  • Internal tools (admin dashboard, form processing, workflow automation)
  • Prototyping dan MVP
  • Non-developer yang butuh automate workflow sederhana
  • Startup yang butuh speed tinggi dengan resources terbatas

Bukan pengganti:

  • Sistem kompleks dengan logika bisnis yang sangat custom
  • High-performance applications
  • Sistem dengan security requirements ketat

9.3 Implikasi untuk Engineer

Low-code/no-code tidak menghilangkan kebutuhan software engineer — justru menggeser fokus:

  • Engineer tidak perlu lagi build boilerplate CRUD apps dari nol
  • Lebih banyak waktu untuk problem yang benar-benar kompleks
  • Engineer perlu tahu kapan low-code cukup vs kapan perlu custom development
  • Integrasi antara low-code platform dan sistem lain masih butuh engineering skill

10.1 Arah Perkembangan Software Process Improvement

Tren SPI bergerak dari "ikuti prosedur" ke "capai hasil":

  1. Bottom-up driven: engineer yang tahu prosesnya lemah di mana — perubahan harus datang dari mereka, bukan dipaksakan manajemen
  2. Selective automation: automate bagian yang paling benefit (testing, deployment) — tidak semua bisa atau perlu di-automate
  3. ROI-focused: setiap improvement harus bisa diukur hasilnya (deployment frequency, bug rate, cycle time)
  4. Human-centered: soft skills (komunikasi, empati, manajemen perubahan) sama pentingnya dengan technical skills
  5. New modes of learning: AI tools, komunitas online, peer learning sudah jadi bagian dari cara engineer berkembang

10.2 Grand Challenges dalam SE Modern

Sistem software modern harus menangani tujuh karakteristik sekaligus:

  1. Multifunctionality — satu sistem, puluhan fitur yang jalan bersamaan
  2. Reactivity & Timeliness — response real-time, tidak boleh ada lag yang terasa
  3. New Modes of Interaction — voice, gesture, AR, AI-mediated — terus berubah
  4. Complex Architectures — microservices, event-driven, distributed systems
  5. Heterogeneous Distributed Systems — berbagai bahasa, platform, cloud region
  6. Criticality — downtime punya konsekuensi finansial atau bahkan nyawa
  7. Maintenance Variability — sebagian sistem update setiap hari, sebagian legacy yang tidak berani disentuh

11. Technology Direction: Prinsip Akhir

11.1 SE adalah tentang Manusia, Bukan Teknologi

Survei Standish Group (CHAOS Report) konsisten menunjukkan: mayoritas project software yang gagal bukan karena masalah teknis, tapi karena masalah manusia — komunikasi buruk, requirement tidak jelas, ekspektasi tidak realistis.

Teknologi adalah medium. Yang menentukan keberhasilan adalah kemampuan engineer untuk:

  • Memahami kebutuhan nyata user dan stakeholder
  • Berkomunikasi secara efektif dengan tim yang beragam
  • Navigate ambiguity dan perubahan
  • Membuat keputusan teknis yang berdampak pada manusia

11.2 Perubahan Terjadi Melalui Tipping Points

Adopsi teknologi tidak linear — ada fase lambat panjang, lalu tipping point di mana perubahan terjadi sangat cepat:

  • Git ada sejak 2005, tapi enterprise adoption masif baru ~2015
  • Docker ada sejak 2013, tapi widespread use baru ~2018-2019
  • ChatGPT: 100 juta user dalam 2 bulan — tipping point paling cepat dalam sejarah tech

Implikasi: Teknologi yang terlihat niche hari ini bisa jadi standar industri dalam 3-5 tahun. Menunggu terlalu lama untuk belajar = tertinggal. Belajar terlalu awal = investasi di teknologi yang mati di Trough.

12. Ringkasan: Menjadi Engineer yang Relevan

TECHNICAL CORE
├── Kuasai fundamental yang tidak berubah: data structures, algorithms, system design
├── Pahami cloud & serverless — ini sudah infrastructure standar
├── Bisa integrate AI/ML via API — ini sudah ekspektasi, bukan differentiator
└── Familiar dengan security fundamentals — termasuk post-quantum awareness

ADAPTABILITY
├── Monitor Hype Cycle — investasi skill pada Slope of Enlightenment
├── Blockchain, quantum: awareness > expertise (untuk saat ini)
├── Low-code/no-code: tahu kapan pakai, bukan musuh engineer
└── Selalu tanya "ini di fase mana?" sebelum all-in ke teknologi baru

HUMAN SKILLS
├── Komunikasi async yang jelas — menulis PR, docs, RFC yang bisa dibaca siapa saja
├── Kolaborasi di tim distributed dan diverse
├── Belajar mandiri — komunitas, open source, AI tools
└── Kemampuan framing masalah, bukan hanya solving

PROFESSIONAL ETHICS
└── Semua trend teknis ini membawa tanggung jawab etis baru:
    ├── AI bias dan fairness
    ├── Data sovereignty di cloud
    ├── Open source maintainability
    └── Security di era post-quantum

"Software engineering bukan hanya soal menulis kode yang jalan. Ini soal membangun sistem yang berdampak ke manusia, menggunakan teknologi yang terus berubah, dalam lingkungan yang makin kompleks — dengan tanggung jawab penuh atas konsekuensinya."