--- title: "Mencari Model AI China Terbaik untuk Ngoding" description: "Mencari model AI asal China yang paling efisien untuk melengkapi coding workflow dengan konsep SAGE (Small and Good Enough). Uji tanding DeepSeek, Qwen, & Mimo." publishedAt: 2026-05-26 locale: id urlSlug: mencari-model-ai-china-terbaik-untuk-ngoding isDraft: false defaultLocale: en --- [TOC] Kalau kalian rajin mengikuti perkembangan AI akhir-akhir ini, pasti ngeh kalau peta kekuatan LLM sudah mulai bergeser. Kita gak lagi cuma terpaku sama model-model raksasa dari US. Model dari China mulai unjuk gigi dengan performa yang gila-gilaan tapi dengan harga yang miring banget. Tulisan ini terinspirasi dari postingan menarik Mas Ariya Hidayat tentang "Perang Tanding Sonnet 4.6 vs Kimi"[^fn:1] dan juga cuitan Rachel Nabors tentang konsep **SAGE (Small and Good Enough)**[^fn:2]. Di workflow ngoding sehari-hari, aku mulai mikir: *“Gak harus selalu pakai frontier model yang mahal kan? Bisa gak ya kita pakai model yang lebih murah tapi 'good enough' buat beresin kerjaan?”* Untuk menjawab rasa penasaran itu, aku bikin sebuah proyek benchmark kecil-kecilan bernama **Incident Desk** di repositori [deno-starter-llm-bench](https://github.com/wayanjimmy/deno-starter-llm-bench)[^fn:3]. Tujuannya simpel: menguji tiga model AI asal China untuk mengimplementasikan aplikasi incident management di atas tech stack Deno & Fastify, lalu membandingkannya dengan baseline model US andalanku, **Gemini 3.5 Flash**. Berikut hasil pertandingan dan analisisnya! wqwq. --- ## Arena Pertandingan & Spesifikasi Aplikasi yang harus dibangun oleh para agent AI ini adalah **Incident Desk**—sebuah sistem manajemen insiden sederhana dengan entitas User, Team, Incident, Comment, dan Activity Event. Meskipun aplikasinya terlihat simpel, ada beberapa aturan ketat (*locked constraints*) yang sengaja dipasang biar AI-nya gak gampang "curang": * **Runtime:** Deno dengan Fastify (TypeScript). * **Rendering:** Harus server-side HTML string (SSR) murni tanpa framework SPA atau template engine tambahan. * **Client JS:** Hanya boleh digunakan untuk *progressive enhancement* (misalnya debounced search). * **Database:** Cukup in-memory saja (tidak pakai DB eksternal). * **Domain Invariant (Authorization):** Agen hanya boleh membaca/mengubah insiden milik tim mereka sendiri, termasuk saat membuat insiden baru. Hanya level Manager yang bisa melakukan re-assign lintas tim. Mocin (Model Cina) yang diadu: 1. **DeepSeek** (`deepseek/deepseek-v4-flash`) 2. **Qwen** (`qwen/qwen3.6-plus`) 3. **Mimo** (`xiaomi/mimo-v2.5`) Dan sebagai baseline pembanding, aku pakai **Gemini 3.5 Flash** (`antigravity/gemini-3.5-flash`). --- ## Data Hasil Pertandingan (Metrik & Cost) Setelah menjalankan pengujian *end-to-end* (E2E) menggunakan test harness khusus (`scripts/eval-e2e.ts`)[^fn:4], performa masing-masing model dicatat secara detail. Biar gampang dibaca, aku rangkum dalam tabel di bawah ini: | Model | Durasi Kerja | Jumlah Calls | Token Basis | Estimasi Biaya | Skor E2E | | :--- | :--- | :--- | :--- | :--- | :---: | | **DeepSeek** | 15m 54s | 32 | Pi session cumulative | **~$0.21** | **90/100** | | **Mimo** | 1h 05m | 89 | Pi session cumulative | ~$0.50* | **90/100** | | **Qwen** | 45m 37s | 93 | Pi session cumulative | ~$2.36 | **90/100** | | **Gemini 3.5 Flash** | **~5m 23s\*\*** | **80\*\*** | agy CLI snapshot | ~$0.73\*\*\* | **100/100** | > **Beberapa catatan penting dari metrik di atas:** > > * **(\*)** *Biaya Mimo disesuaikan berdasarkan pricing terbaru models.dev ($0.40/1M input, $2.00/1M output).* > * **(\*\*)** *Durasi Gemini mencerminkan fase implementasi utama. Total percakapan lengkap sekitar 15m 10s dengan 89 calls.* > * **(\*\*\*)** *Gemini diukur sebagai baseline dengan skor 100/100. Data pengukurannya menggunakan snapshot context window (agy CLI) yang basis tokennya berbeda dengan pelacakan kumulatif Pi session milik trio model China lainnya.* --- ## Siapa yang paling worth it ? Hal paling menarik dari hasil tes ini adalah **ketiga model utama (DeepSeek, Qwen, Mimo) sama-sama meraih skor fungsional 90/100**. Namun, cara mereka mencapai nilai tersebut sangatlah berbeda. ### DeepSeek: Sang Jawara Efisiensi ($0.21) Kalau ditanya mana model yang paling mendekati definisi **SAGE (Small and Good Enough)**, jawabannya mutlak **DeepSeek**. * **Kelebihan:** Cuma butuh waktu 15 menit dan 32 kali pemanggilan untuk menyelesaikan tugas dengan skor solid 90/100. Biayanya cuma **Rp 3.000-an ($0.21)**! Ini murah banget dibanding yang lain. * **Visual:** Layout dashboard managernya sangat ekspansif dan padat informasi, meskipun jarak navigasinya agak terlalu mepet. ![Tampilan Insiden DeepSeek](/static/benchmark/deepseek-incidents.png) ### Qwen: Solid tapi Boros Kantong ($2.36) Qwen menghasilkan antarmuka Pico-style yang fungsional dan secara umum mirip dengan hasil Mimo. * **Kelebihan:** Tabelnya memakai *zebra striping*, jadi baris data sedikit lebih mudah dipindai. * **Kekurangan:** Boros banget! Qwen butuh 93 calls dan menghabiskan hampir 6.7 juta token kumulatif. Biayanya membengkak sampai **$2.36**. Untuk UI yang tidak jauh berbeda dari output model China lainnya, Qwen kurang cocok buat dijadikan pekerja harian yang hemat wqwq. ![Tampilan Insiden Qwen](/static/benchmark/qwen-incidents.png) ### Mimo: Lambat tapi Konsisten ($0.50) Model besutan Xiaomi ini menunjukkan performa yang cukup tangguh, tapi jalannya sangat lambat. * **Kelemahan:** Menghabiskan waktu lebih dari 1 jam (1h 05m) untuk beresin kode. UI yang dihasilkan juga sangat polos dan minimalis dibanding Qwen. * **Kelebihan:** Harganya masih masuk akal (~$0.50), menjadikannya alternatif SAGE yang lumayan kalau kalian gak diburu-buru waktu. ![Tampilan Insiden Mimo](/static/benchmark/mimo-incidents.png) ### Baseline: Gemini 3.5 Flash Gemini tetap menunjukkan kelasnya sebagai model frontier. Dia adalah yang tercepat dalam menulis kode dasar (hanya ~5 menit) dan menghasilkan tata letak visual/hierarki peran yang paling rapi dan profesional. Namun, biaya per token output-nya yang tinggi membuatnya terasa kurang ekonomis jika dipakai terus-menerus untuk iterasi coding yang panjang. ![Tampilan Insiden Gemini 3.5 Flash](/static/benchmark/gemini-incidents.png) --- ## Pelajaran Krusial: Detail Kecil yang Sering Lolos Meskipun skornya 90/100, ada **10 poin** yang gagal diselesaikan oleh ketiga model utama tersebut. Celah-celah ini menarik banget buat dipelajari karena sering kali merupakan kelemahan umum AI coder saat ini: 1. **Authorization Lintas Tim (Security Bug - 2 pts):** Ini kesalahan paling fatal. Para model berhasil membatasi aksi edit/baca insiden, tapi mereka lupa membatasi pembuatan insiden (*create incident*). Hasilnya, akun Platform Agent masih bisa membuat insiden baru untuk tim Infra. 2. **Asset serving (Infrastructure Bug - 3 pts):** Ketiganya lupa mendaftarkan static asset router di Fastify untuk berkas `/public/app.js`. Karena berkasnya gagal dimuat (HTTP 404), fitur progressive enhancement jadi mati total. 3. **Debounced Search (UX Bug - 5 pts):** Taktik progressive enhancement untuk pencarian debounce gagal meng-update URL browser ke `/incidents?q=...`. Ini membuktikan bahwa kita tetap butuh mekanisme verifikasi mandiri atau *back pressure*[^fn:5] di kontrak prompt kita. Jangan cuma menyuruh AI *"buatkan aplikasi A"*, tapi paksa mereka untuk membuktikan kalau tidak ada kebocoran authorization secara server-side. --- ## Kesimpulan: Pilihan Akhir Workflow-ku Pengujian ini membuka mataku kalau **DeepSeek** beneran siap dipakai di workflow ngoding sehari-hari. Dengan biaya yang cuma sepeser ($0.21), performa kodingnya setara dengan model yang harganya 10x lipat lebih mahal. Untuk workflow-ku sekarang, skema idealnya adalah menggunakan **DeepSeek** sebagai *daily driver* untuk eksplorasi kode awal dan menulis draf modular, lalu membawa catatan serah terima (*handoff notes*) ke **Gemini 3.5 Flash** jika butuh polesan visual UI kelas premium atau pemecahan logika arsitektur yang super rumit. Kalau kalian sendiri, sudah coba pakai model China yang mana buat ngebantu ngoding? [^fn:1]: [Perang Tanding Sonnet 4.6 vs Kimi — Ariya Hidayat (Substack)](https://dekontaminasi.substack.com/p/perang-tanding-sonnet-46-vs-kimi) [^fn:2]: [Rachel Nabors tweet on SAGE (Small and Good Enough)](https://x.com/rachelnabors/status/2057123652626256360) [^fn:3]: [wayanjimmy/deno-starter-llm-bench (GitHub)](https://github.com/wayanjimmy/deno-starter-llm-bench) [^fn:4]: [Git branch dan hasil implementasi benchmark lengkap (GitHub)](https://github.com/wayanjimmy/deno-starter-llm-bench/branches) [^fn:5]: [Evolusi Workflow Coding Agent: Dari Cody, Amp, ke Pi — Wayan Jimmy](/id/posts/evolusi-workflow-coding-agent)