Saya pertama kali coba Claude API bukan karena lagi membuat startup besar. Saya coba karena capek menulis summary email klien yang formatnya selalu sama. Kira-kira 15 menit per hari, lima hari seminggu — itu lebih dari satu jam seminggu untuk hal yang bisa diotomasi.

Dan ternyata, setup Claude API untuk usecase sederhana seperti itu tidak serumit yang saya bayangkan.

Artikel ini bukan tentang membangun AI assistant yang canggih. Ini tentang usecase praktis sehari-hari yang bisa langsung kamu terapkan.

Sebelum Mulai: Apa yang Kamu Butuhkan

• Akun Anthropic (daftar di console.anthropic.com)
• API key (dibuat di dashboard setelah akun aktif)
• Sedikit budget — Claude API berbayar per token, tapi untuk usecase ringan biayanya sangat terjangkau
• Python atau Node.js terinstall di komputer kamu

Untuk skala personal/freelance, budget $5-10/bulan sudah lebih dari cukup untuk eksperimen dan pemakaian rutin.

Konsep Dasar: Token dan Model

Claude menghitung biaya berdasarkan token — bukan per request, bukan per kata. Token itu kira-kira 3-4 karakter atau sekitar 0.75 kata.

Ada beberapa model yang tersedia:

• Claude Sonnet — sweet spot antara kemampuan dan kecepatan, ini yang paling banyak saya pakai
• Claude Opus — paling canggih, untuk task yang butuh reasoning kompleks
• Claude Haiku — paling cepat dan murah, untuk task sederhana dan volume tinggi

Untuk otomasi sehari-hari, Claude Haiku atau Sonnet biasanya lebih dari cukup.

Setup Awal: 10 Menit Pertama

Pertama, install SDK-nya. Saya akan pakai Python di contoh ini, tapi logika yang sama berlaku untuk Node.js.

pip install anthropic

Kemudian set API key kamu sebagai environment variable:

export ANTHROPIC_API_KEY="sk-ant-xxxxxxxxxxxxx"

Sekarang test apakah semuanya jalan:

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
model="claude-3-5-haiku-20241022",
max_tokens=1024,
messages=[
{"role": "user", "content": "Hei, kamu bisa bantu saya?"}
]
)

print(message.content[0].text)

Kalau responnya muncul, berarti setup sudah berhasil.

Usecase 1: Summarize Email atau Dokumen Panjang

Ini yang paling sering saya pakai. Saya punya script yang terima input teks panjang dan output-nya summary dalam format yang saya tentukan.

import anthropic

def summarize_text(text: str, format: str = "bullets") -> str:
client = anthropic.Anthropic()

prompt = f"""Buatkan ringkasan dari teks berikut dalam bahasa Indonesia.
Format: {format}
Maksimal 5 poin utama.

Teks:
{text}"""

message = client.messages.create(
model="claude-3-5-haiku-20241022",
max_tokens=500,
messages=[
{"role": "user", "content": prompt}
]
)

return message.content[0].text

Contoh penggunaan
teks_panjang = """... paste email atau dokumen kamu di sini ..."""
hasil = summarize_text(teks_panjang)
print(hasil)

Script ini bisa dikembangkan jadi CLI tool, atau diintegrasikan ke workflow yang lebih besar.

Usecase 2: Generator Template Konten

Kalau kamu sering menulis konten berformat sama — laporan mingguan, catatan meeting, reply template — Claude API bisa otomasi ini.

import anthropic
from datetime import datetime

def generate_weekly_report(accomplishments: list, challenges: list) -> str:
client = anthropic.Anthropic()

acc_text = "\n".join(f"- {item}" for item in accomplishments)
chal_text = "\n".join(f"- {item}" for item in challenges)

prompt = f"""Buat laporan mingguan profesional dalam bahasa Indonesia berdasarkan input berikut.
Tanggal: {datetime.now().strftime('%d %B %Y')}

Pencapaian minggu ini:
{acc_text}

Tantangan:
{chal_text}

Format output: Laporan formal, paragraf singkat, maksimal 200 kata."""

message = client.messages.create(
model="claude-3-5-haiku-20241022",
max_tokens=400,
messages=[
{"role": "user", "content": prompt}
]
)

return message.content[0].text

Usecase 3: Classifier Otomatis

Saya punya usecase di mana saya perlu kategorikan feedback dari user ke dalam beberapa bucket (bug, feature request, pertanyaan umum, dll). Dulu ini manual — sekarang otomatis.

import anthropic
import json

def classify_feedback(feedback: str) -> dict:
client = anthropic.Anthropic()

prompt = f"""Kategorikan feedback user berikut ke dalam salah satu kategori:

bug_report
feature_request  
general_question
complaint
praise


Berikan juga confidence score (0-100) dan alasan singkat.

Feedback: "{feedback}"

Jawab dalam format JSON:
{{"category": "...", "confidence": 0, "reason": "..."}}"""

message = client.messages.create(
model="claude-3-5-haiku-20241022",
max_tokens=200,
messages=[
{"role": "user", "content": prompt}
]
)

return json.loads(message.content[0].text)

Tips Penting: Prompt Engineering untuk Hasil Konsisten

Supaya output Claude konsisten dan bisa diandalkan untuk otomasi:

1. Spesifik soal format output. Kalau kamu butuh JSON, minta JSON. Kalau butuh bullet points, bilang bullet points. Jangan biarkan format output ambigu.

2. Kasih contoh kalau bisa. “Format seperti ini: [contoh]” jauh lebih efektif daripada deskripsi verbal.

3. Set batasan yang jelas. “Maksimal 100 kata”, “5 poin saja”, “dalam satu kalimat”. Batasan itu membantu Claude fokus.

4. Gunakan system prompt untuk konteks permanen. Kalau kamu punya aturan yang selalu berlaku (misal: “selalu jawab dalam bahasa Indonesia”), taruh di system prompt, bukan di setiap user message.

message = client.messages.create(
model="claude-3-5-haiku-20241022",
max_tokens=1024,
system="Kamu adalah asisten yang selalu menjawab dalam bahasa Indonesia yang formal.",
messages=[
{"role": "user", "content": "Hello, can you help me?"}
]
)

Estimasi Biaya untuk Pemakaian Personal

Untuk gambaran kasar (per Juni 2026, cek harga terbaru di anthropic.com/pricing):

• Claude Haiku: sangat murah, cocok untuk volume tinggi dan task sederhana
• Claude Sonnet: sweet spot untuk sebagian besar usecase
• Claude Opus: untuk task yang butuh kemampuan reasoning tinggi

Untuk pemakaian personal/freelance yang moderat (ratusan request per bulan), biaya tipikalnya jauh di bawah $10/bulan. Dibanding waktu yang dihemat, ROI-nya sangat jelas.

Langkah Selanjutnya

Setelah paham dasarnya, beberapa arah pengembangan yang menarik:

• Integrasikan dengan webhook — trigger otomasi dari event eksternal (email baru, form submission, dll)
• Simpan conversation history — untuk chatbot atau asisten yang perlu ingat konteks
• Tool use / function calling — biarkan Claude “panggil” fungsi kamu berdasarkan konteks
• Batch processing — proses banyak item sekaligus dengan efisien

API adalah pintu masuk. Begitu kamu comfortable dengan basicnya, kemungkinan yang bisa diotomasi jauh lebih besar dari yang kamu bayangkan sekarang.

---

Punya ide otomasi yang ingin kamu eksplorasi tapi tidak tau mulai dari mana? Atau sudah mulai tapi stuck di implementasi tertentu? Hubungi mafadev — saya senang bantu brainstorming dan, kalau perlu, bantu implementasinya.