Apa itu MCP? Panduan Model Context Protocol dari Praktisi SEO

Setahun terakhir saya memindahkan hampir seluruh alur kerja SEO saya ke AI yang bisa menyentuh data asli — bukan AI yang cuma bisa saya ajak ngobrol. Yang membuat itu mungkin adalah MCP.

MCP adalah singkatan dari Model Context Protocol, sebuah standar terbuka yang memungkinkan aplikasi AI terhubung ke sumber data dan tools di luar dirinya. Anthropic memperkenalkannya pada November 2024, lalu dipakai luas: Claude, ChatGPT, VS Code, dan Cursor semuanya mendukungnya sekarang.

Artikel ini menjelaskan apa itu MCP dari sudut pandang orang yang memakainya untuk kerja harian, bukan dari sudut pandang dokumentasi. Saya sudah membangun lima MCP server sendiri dan memakai beberapa lagi milik orang lain, jadi bagian contohnya berisi angka yang saya ukur sendiri.

MCP Singkatan dari Apa?

MCP = Model Context Protocol.

Sebelum lanjut, satu hal yang perlu diluruskan karena sering tertukar di pencarian Google. Di Indonesia, singkatan “MCP” juga dipakai untuk Monitoring Center for Prevention, sistem pemantauan pencegahan korupsi milik KPK yang menilai tata kelola pemerintah daerah. Dua hal yang sama sekali berbeda.

Artikel ini membahas MCP yang pertama — yang berhubungan dengan AI. Kalau kamu mencari MCP KPK, kamu salah halaman.

Apa Itu MCP? Analogi yang Paling Masuk Akal

Dokumentasi resminya memakai analogi port USB-C, dan menurut saya itu memang analogi terbaik.

Sebelum USB-C, setiap perangkat punya colokan sendiri. Printer satu jenis, kamera lain, HP lain lagi. Kamu harus menyimpan laci penuh kabel. Setelah USB-C, satu bentuk colokan melayani semuanya.

Model bahasa punya masalah yang sama persis. Model seperti Claude atau GPT sangat pintar mengolah teks, tapi mereka lahir dalam kotak tertutup: pengetahuannya berhenti di tanggal training, dan mereka tidak bisa menyentuh apa pun di luar percakapan. Mau AI membaca file di komputermu? Butuh integrasi. Mau AI menarik data Search Console? Integrasi lain lagi. Mau AI menulis ke WordPress? Integrasi lain lagi.

MCP adalah bentuk colokan standar itu. Sekali sebuah layanan menyediakan MCP server, semua aplikasi AI yang mendukung MCP bisa memakainya — tanpa siapa pun menulis integrasi khusus.

Masalah yang Sebenarnya Diselesaikan MCP

Kalau ada M aplikasi AI dan N layanan yang ingin dihubungkan, tanpa standar kamu butuh M × N integrasi. Sepuluh aplikasi AI dan dua puluh layanan berarti 200 integrasi yang harus ditulis dan dirawat oleh seseorang.

Dengan MCP, angkanya jadi M + N. Setiap aplikasi AI cukup bicara MCP sekali. Setiap layanan cukup menyediakan MCP server sekali. Selesai.

Ini bukan inovasi yang glamor. Ini pekerjaan pipa ledeng. Tapi justru karena itu dampaknya besar — sama seperti RSS, atau sitemap XML, atau USB-C.

Apa Itu MCP Server, Client, dan Host?

Tiga istilah ini paling sering bikin bingung, padahal pembagiannya sederhana.

Jadi ketika orang bertanya “apa itu MCP server”, jawabannya: program yang mengekspos data atau kemampuan tertentu supaya bisa dipakai AI. Server GitHub mengekspos repositori. Server filesystem mengekspos folder di komputermu. Server yang saya bangun mengekspos WordPress dan Google Search Console.

Satu host bisa terhubung ke banyak server sekaligus, masing-masing lewat client-nya sendiri.

Tiga Hal yang Bisa Diberikan Sebuah Server

Server tidak asal mengirim data. MCP mendefinisikan tiga bentuk baku, disebut primitives:

• Tools — fungsi yang bisa dijalankan AI untuk melakukan sesuatu. Contoh: create_post, get_search_analytics, upload_media. Ini yang paling sering dipakai.
• Resources — sumber data yang dibaca sebagai konteks. Contoh: isi file, skema database, hasil API.
• Prompts — template instruksi siap pakai yang disediakan server.

Kalau kamu baru mulai, praktis kamu hanya akan berurusan dengan Tools.

Dua Cara Server Terhubung

• Stdio — server berjalan sebagai proses lokal di komputer yang sama. Cepat, tanpa jaringan, cocok untuk hal seperti akses filesystem.
• Streamable HTTP — server berjalan di remote, diakses lewat HTTP. Cocok untuk layanan yang dipakai banyak orang, dan mendukung autentikasi standar seperti bearer token atau OAuth.

Server saya berjalan di Cloudflare Workers, jadi semuanya pakai Streamable HTTP.

Apa Bedanya MCP dan API?

Ini pertanyaan yang paling sering muncul, dan jawaban pendeknya: MCP tidak menggantikan API, MCP adalah lapisan di atas API.

Bedanya ada di siapa yang jadi pembaca dokumentasi.

API dirancang untuk dibaca manusia. Kamu membuka dokumentasinya, memahami endpoint-nya, menulis kode yang memanggilnya, lalu menangani responsnya. Setiap API punya gaya sendiri — otentikasi beda, format beda, penamaan beda.

MCP dirancang untuk ditemukan sendiri oleh mesin. Aplikasi AI mengirim satu permintaan tools/list, dan server menjawab dengan daftar lengkap kemampuannya beserta skema parameternya dalam format yang sama untuk semua server. AI membaca daftar itu dan langsung tahu apa yang bisa dilakukan, tanpa ada yang perlu menuliskan instruksi khusus.

Analoginya: API itu buku manual, MCP itu menu yang bisa dibacakan sendiri oleh pelayannya.

Di baliknya, sebagian besar MCP server memang cuma membungkus API biasa. Server Search Console saya memanggil Google Search Console API. Bedanya, saya menulis pembungkus itu sekali, lalu semua aplikasi AI saya bisa memakainya.

Contoh MCP dalam Pekerjaan SEO Saya

Bagian ini yang jarang ada di artikel MCP lain, karena hampir semuanya ditulis untuk developer. Saya bukan developer — saya SEO specialist yang belajar ngoding secukupnya.

Ini yang berjalan di workspace saya sekarang:

Efeknya bukan “AI jadi bisa menulis artikel” — itu sudah bisa dari dulu. Efeknya adalah AI bisa memeriksa keadaan sebenarnya sebelum bertindak. Sebelum menyisipkan internal link, ia membaca artikel aslinya dulu. Sebelum memutuskan artikel mana yang perlu dioptimasi, ia menarik data Search Console tiga bulan terakhir. Sebelum menulis, ia mengecek SERP yang sedang ranking.

Angka yang Membuat Saya Berhenti Meremehkan Desain Tool

Ini pelajaran paling mahal yang saya dapat, dan hampir tidak pernah dibahas orang.

Awalnya WordPress MCP server saya cuma punya get_post dan update_post. Mau memperbaiki satu kalimat? Unduh seluruh artikel, ubah, kirim balik seluruhnya. Berfungsi, tapi boros: mengubah 40 karakter memakan 4.800–13.400 token — saya ukur langsung di artikel nyata, dan makin panjang artikelnya makin mahal.

Saya lalu menambah dua tool: find_in_post untuk mencari teks tanpa mengunduh artikelnya, dan edit_post untuk mengganti potongan tertentu saja. Perubahan yang sama sekarang habis 700–1.200 token, dan angkanya nyaris tidak naik walau artikelnya panjang.

Empat sampai sepuluh kali lebih murah, hanya karena tool-nya dirancang ulang. Pelajarannya: MCP server yang bagus bukan yang tool-nya paling banyak, tapi yang tool-nya paling pas dengan bentuk pekerjaan yang sebenarnya.

Cara Memasang MCP Server

Untuk server lokal, kamu menambahkannya ke file konfigurasi aplikasi AI-mu. Bentuknya seperti ini:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/nama-kamu/Documents"
      ]
    }
  }
}

Untuk server remote, lebih pendek lagi:

{
  "mcpServers": {
    "gsc": {
      "type": "http",
      "url": "https://contoh-server.workers.dev/mcp"
    }
  }
}

Restart aplikasinya, dan tool-nya langsung muncul. Tidak ada langkah lain.

Yang perlu diperhatikan: argumen terakhir pada contoh filesystem itu menentukan folder mana yang boleh dibaca. Jangan arahkan ke root direktori hanya karena lebih praktis.

Risiko dan Hal yang Sering Diabaikan

Hampir semua artikel MCP berhenti di “wah keren”. Padahal begitu AI punya tangan, salah langkahnya jadi nyata.

MCP server adalah kode yang berjalan di mesinmu. Memasang server dari repositori acak sama saja dengan menjalankan program asing dengan akses ke datamu. Baca dulu sumbernya, atau pakai yang resmi.

Izin cenderung terlalu longgar. Gampang sekali memberi server filesystem akses ke seluruh home directory karena tidak mau repot. Batasi ke folder yang benar-benar perlu.

Kredensial berpindah tempat. Server remote memegang token API-mu. Kalau kamu deploy sendiri, itu tanggung jawabmu — dan seperti kredensial mana pun, jangan pernah masuk ke repositori.

Tool yang menulis butuh perlakuan beda dari tool yang membaca. Salah baca data cuma bikin jawaban keliru. Salah tulis bisa menerbitkan artikel setengah jadi ke situs live. Server saya yang bisa publish selalu saya beri langkah konfirmasi.

Kapan MCP Tidak Perlu Dipakai

Jujur saja, MCP tidak selalu jawabannya.

Kalau kamu hanya butuh satu integrasi antara satu aplikasi dan satu layanan, panggil API-nya langsung. MCP baru berguna kalau kamu punya banyak kombinasi, atau kalau kamu ingin AI yang menentukan sendiri tool mana yang dipakai.

Kalau pekerjaannya deterministik — tarik data ini, hitung itu, tulis ke sana, urutannya selalu sama — script biasa lebih murah, lebih cepat, dan lebih bisa diprediksi. Saya masih pakai Python biasa untuk banyak hal.

MCP menang ketika langkahnya tidak bisa ditentukan di depan.

Yang Berubah di Spesifikasi Terbaru

Kalau kamu membaca artikel MCP yang ditulis tahun 2025, sebagian isinya sudah kedaluwarsa. Spesifikasi versi 2026-07-28 membawa beberapa perubahan besar:

• MCP sekarang protokol stateless. Setiap permintaan membawa sendiri versi protokol dan capability yang relevan, jadi server tidak perlu mengingat permintaan sebelumnya. Ini bikin server remote jauh lebih gampang diskalakan.
• Ada server/discover, satu permintaan wajib yang mengembalikan identitas, versi yang didukung, dan capability server sekaligus.
• sampling dan logging sudah deprecated. Implementasi baru disarankan langsung memakai API penyedia LLM, dan menulis log ke stderr atau OpenTelemetry.
• Notifikasi jadi opt-in. Client harus membuka stream subscriptions/listen dan menyebutkan jenis notifikasi yang ingin diterima.
• Elicitation kini jadi satu-satunya primitive client, dipakai server untuk meminta input atau konfirmasi tambahan dari pengguna.

Kalau kamu sekadar memakai MCP server, kamu tidak perlu memikirkan ini. Kalau kamu membangunnya, kamu perlu.

Kesimpulan

Apa itu MCP, dalam satu kalimat: standar yang membuat AI bisa menyentuh data dan tools nyata tanpa seseorang menulis integrasi khusus untuk setiap pasangan.

Yang berubah bagi saya bukan kualitas tulisan AI-nya. Yang berubah adalah AI berhenti menebak. Ia sekarang membaca artikel sebelum mengeditnya, mengecek Search Console sebelum memberi rekomendasi, dan melihat SERP sebelum menyusun outline.

Kalau kamu bekerja di SEO dan penasaran ingin mulai dari mana: pasang satu MCP server yang membaca saja — Search Console atau filesystem — dan pakai selama seminggu. Bagian yang sulit bukan teknisnya. Bagian yang sulit adalah berhenti memperlakukan AI sebagai tempat bertanya, dan mulai memperlakukannya sebagai sesuatu yang bisa memeriksa jawabannya sendiri.

Gambar sampul: Addy Osmani.