Di blog Artificial Intelligence, rekan saya Yann Debray dan Akshay Paul mengumumkan rilis MATLAB MCP Core Server, yaitu MCP Server pertama dari MathWorks. MCP (Model Context Protocol) adalah standar terbuka yang dikenalkan Anthropic pada November lalu. Fungsi MCP adalah menjadi “USB-C untuk AI”—artinya, sebuah cara standar agar model AI bisa terhubung ke alat eksternal dan data.
Banyak orang membahas MCP secara mendalam, tapi intinya sederhana: MCP membuat AI bisa menggunakan alat atau aplikasi lain dengan cara yang terstandarisasi.
MATLAB MCP Core Server: Membuat AI Bisa Menggunakan MATLAB
Sebenarnya, kemampuan ini bukan hal baru. Sebelumnya saya pernah mendemonstrasikan bagaimana Ollama dapat memanggil tool MATLAB. Untuk ChatGPT, Claude, Gemini, dan AI lain, saya juga bisa melakukannya—tapi harus mengubah sedikit kode pada masing-masing.
Dengan MCP, kita cukup membuat definisi tool satu kali saja, dan tool tersebut bisa digunakan oleh berbagai model AI tanpa perubahan tambahan. MATLAB MCP Core Server adalah server MCP yang bisa digunakan oleh klien seperti VSCode, Claude Desktop, dan Gemini CLI.
Artinya, kini siapa pun bisa menghubungkan MATLAB ke AI mana saja melalui MCP Core Server.
Percobaan Awal dengan Claude Desktop
Setelah instalasi berhasil, ketika Claude Desktop diluncurkan, otomatis MATLAB juga akan terbuka. Claude Desktop akan menampilkan daftar tool MATLAB yang tersedia. Ada 5 tool:
-
Detect MATLAB Toolboxes – Melihat toolbox MATLAB yang terpasang.
-
Check MATLAB Code – Mengecek masalah dalam kode MATLAB menggunakan checkcode.
-
Evaluate MATLAB Code – Menjalankan kode MATLAB berbasis string.
-
Run MATLAB File – Menjalankan file .m.
-
Run MATLAB Test File – Menjalankan file pengujian MATLAB.
Untuk tes sederhana, biasanya saya menggunakan tool “Detect MATLAB Toolboxes”. Ini adalah cara tercepat memastikan koneksi Claude ↔ MATLAB bekerja.
Saya bertanya: “Toolbox MATLAB apa saja yang terpasang?”
Claude memanggil tool → MATLAB menjalankan perintah ver → hasil dikirim ke Claude. Claude menampilkan daftar toolbox dalam format rapi.
Namun, muncul masalah kecil: Claude mengatakan saya punya 102 toolbox, padahal sebenarnya hanya 99. Di sinilah muncul fenomena klasik bernama halusinasi AI—AI memproses data yang benar tapi menghasilkan kesimpulan yang salah. Ini sifat bawaan dari model bahasa besar (LLM), bukan salah MATLAB atau MCP. Karena itu, selalu penting mengonfirmasi ulang informasi yang diberikan AI.
Untuk memastikan jumlah toolbox sebenarnya, saya meminta Claude:
“Hitung jumlah toolbox menggunakan MATLAB.”
Claude kemudian:
-
memanggil tool detect_matlab_toolboxes
-
lalu menulis dan menjalankan kode MATLAB untuk menghitung totalnya
Kode yang dibuat Claude benar dan berjalan lancar.
Masalah File System dan Solusinya
Awal penggunaan, saya mengalami masalah sistem file. Claude mencoba membuat file di folder internalnya sendiri (/home/claude/), sedangkan MATLAB tidak bisa mengakses folder itu karena berjalan di komputer lokal saya.
Solusinya:
-
Menginstal Node.js dan Filesystem MCP Server.
-
Mengatur konfigurasi Claude Desktop agar menggunakan folder lokal khusus, misalnya:
C:\Users\walki\Downloads\work.
Setelah itu, Claude bisa membuat file .m di folder lokal dan MATLAB dapat menjalankannya.
Studi Kasus: Mencari Polinomial Terbaik dari Dataset
Saya membuat dataset dari polinomial orde 5 dengan sedikit noise, lalu menyimpannya sebagai polynomial_data.csv.
Kemudian saya memberi instruksi ke Claude:
-
Load data dari file CSV lokal
-
Plot titik tanpa garis
-
Cari orde polinomial terbaik
-
Gunakan beberapa metode perbandingan
-
Gunakan tiledlayout untuk beberapa plot
-
Buat plot final yang menampilkan data + hasil polinomial terbaik
Claude kemudian:
-
Membaca file CSV dari folder lokal
-
Menulis script MATLAB sesuai instruksi
-
Menjalankannya—lalu muncul error karena fungsi crossvalind tidak tersedia
-
Memperbaiki kode dan menulis ulang
-
Menjalankan ulang hingga berhasil
-
Membuat laporan Markdown dan menghasilkan plot
Claude menyimpulkan bahwa orde polinomial terbaik adalah 5, sesuai dengan data asli saya. Ia menggunakan berbagai teknik seperti RMSE, Adjusted R², AIC, BIC, dan cross-validation.
Pelajaran dan Langkah Lanjut
Saya cukup terkesan karena AI:
-
menulis kode MATLAB,
-
menjalankan kode di komputer lokal saya,
-
memperbaiki kesalahan sendiri,
-
menyusun laporan hasil analisis.
Namun, ada beberapa hal yang bisa diperbaiki melalui prompt, seperti:
-
meminta plot yang lebih rapi dan warna lebih cocok untuk Dark Mode,
-
memasukkan plot ke laporan Markdown,
-
meminta AI mengikuti pedoman MATLAB Coding Guidelines,
-
menentukan apakah cross-validation harus digunakan atau tidak.
Saat ini saya cenderung mengembangkan prompt lebih baik daripada langsung mengedit kode hasil AI.
Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan mathworks indonesia, merupakan bagian dari PT. iLogo Indonesia, yang merupakan mitra terpercaya dalam solusi Infrastruktur IT dan Cybersecurity terbaik di Indonesia.
Hubungi kami sekarang atau kunjungi mathworks.ilogoindonesia.id untuk informasi lebih lanjut!
