Cara Membuat Server MCP Sendiri untuk Data Internal

Ingin asisten AI bisa menjawab "pesanan INV-0012 sudah dikirim belum?" langsung dari database tokomu, tanpa menyalin-tempel data ke kolom chat? Caranya adalah membuat server MCP sendiri.

MCP (Model Context Protocol) adalah protokol terbuka yang menghubungkan aplikasi AI dengan sumber data dan alat. Server MCP menyediakan kemampuan, aplikasi AI seperti Claude Desktop, Claude Code, atau klien lain yang mendukung MCP memanggilnya. Kalau konsep dasarnya belum familiar, baca dulu apa itu MCP dan gunanya. Panduan ini fokus ke praktik: membuat server kecil dengan Python SDK resmi untuk membaca data internal secara aman.

Apa yang bisa disediakan server MCP?

Menurut dokumentasi resmi, server MCP bisa menyediakan tiga jenis kemampuan:

• Tools: fungsi yang bisa dipanggil model AI, dengan persetujuan pengguna. Contohnya cek_status_pesanan.
• Resources: data mirip file yang bisa dibaca klien, misalnya isi dokumen kebijakan.
• Prompts: templat siap pakai untuk tugas tertentu.

Untuk data internal, tools paling sering dipakai karena kamu bisa mengontrol persis pertanyaan apa yang boleh diajukan ke database.

Langkah membuat server MCP pertama

Langkah 1: Siapkan lingkungan Python

Panduan resmi per 11 November 2026 mensyaratkan Python 3.10 atau lebih baru dan Python MCP SDK versi 2.0.0 ke atas, dengan uv sebagai pengelola proyek:

uv init data-toko
cd data-toko
uv venv
source .venv/bin/activate
uv add "mcp[cli]"

SDK ini berkembang cepat. Cara import dan nama kelasnya pernah berubah antarversi, jadi selalu cocokkan contoh kode dengan dokumentasi versi yang kamu pasang.

Langkah 2: Rancang tool yang sempit

Sebelum menulis kode, putuskan tool apa saja yang dibutuhkan. Prinsipnya: satu tool untuk satu pertanyaan bisnis yang jelas, bukan satu tool "jalankan SQL apa saja". Tool yang terlalu umum membuka peluang model menjalankan kueri yang tidak kamu duga, termasuk akibat prompt injection dari teks yang dibacanya.

Contoh rancangan untuk toko online:

• cek_status_pesanan(nomor_pesanan): status dan tanggal kirim satu pesanan.
• stok_produk(kode_produk): sisa stok satu produk.
• ringkasan_penjualan(tanggal): total pesanan dan omzet pada satu tanggal.

Langkah 3: Tulis kode server

Contoh berikut memakai database SQLite yang dibuka dalam mode baca saja. Simpan sebagai server.py:

import logging
import sqlite3

from mcp.server import MCPServer

logger = logging.getLogger(__name__)
mcp = MCPServer("data-toko")
DB_PATH = "/srv/data/toko.db"


def query(sql: str, params: tuple) -> list[dict]:
    conn = sqlite3.connect(f"file:{DB_PATH}?mode=ro", uri=True)
    conn.row_factory = sqlite3.Row
    try:
        return [dict(r) for r in conn.execute(sql, params).fetchall()]
    finally:
        conn.close()


@mcp.tool()
def cek_status_pesanan(nomor_pesanan: str) -> str:
    """Cari status pengiriman satu pesanan.

    Args:
        nomor_pesanan: Nomor pesanan, contoh INV-0012
    """
    logger.info("cek pesanan %s", nomor_pesanan)
    rows = query(
        "SELECT nomor, status, tanggal_kirim FROM pesanan WHERE nomor = ?",
        (nomor_pesanan,),
    )
    if not rows:
        return "Pesanan tidak ditemukan."
    r = rows[0]
    return f"Pesanan {r['nomor']}: {r['status']}, dikirim {r['tanggal_kirim'] or '-'}"


if __name__ == "__main__":
    mcp.run(transport="stdio")

Beberapa hal penting dari kode ini. Docstring dan type hint dipakai SDK untuk membuat deskripsi tool otomatis, jadi tulis dengan jelas karena model membacanya untuk memutuskan kapan memanggil tool. Kueri memakai parameter ?, bukan string yang disambung, sehingga aman dari SQL injection. Lalu, untuk server dengan transport stdio, dokumentasi resmi melarang menulis ke stdout karena akan merusak pesan JSON-RPC. Pakai modul logging yang menulis ke stderr, jangan print().

Langkah 4: Uji dengan MCP Inspector

Sebelum dihubungkan ke asisten AI, uji tool secara langsung dengan MCP Inspector, alat uji resmi berbasis browser:

npx @modelcontextprotocol/inspector uv run server.py

Coba panggil cek_status_pesanan dengan nomor yang ada dan yang tidak ada. Pastikan pesan kesalahan rapi dan tidak membocorkan detail teknis seperti struktur tabel.

Langkah 5: Hubungkan ke klien AI

Untuk Claude Desktop, tambahkan server ke file claude_desktop_config.json di bagian mcpServers. Di Linux file ini ada di ~/.config/Claude/, di macOS di ~/Library/Application Support/Claude/:

{
  "mcpServers": {
    "data-toko": {
      "command": "uv",
      "args": ["--directory", "/path/absolut/ke/data-toko", "run", "server.py"]
    }
  }
}

Pakai path absolut, dan bila perlu tulis path lengkap ke uv (cek dengan which uv). Simpan, lalu jalankan ulang Claude Desktop. Klien lain seperti Claude Code punya cara pendaftaran sendiri, lihat dokumentasinya masing-masing.

Langkah 6: Pilih transport untuk pemakaian tim

Spesifikasi MCP mendefinisikan dua transport standar. Stdio menjalankan server sebagai proses di komputer yang sama dengan klien, cocok untuk pemakaian pribadi. Streamable HTTP menerima pesan lewat HTTP POST ke satu endpoint, cocok bila satu server dipakai banyak orang, misalnya dipasang di VPS internal.

Kalau memakai HTTP, server menjadi layanan jaringan biasa: wajib HTTPS, autentikasi, dan sebaiknya hanya bisa diakses dari jaringan internal atau VPN. Jangan membuka server MCP yang membaca data pelanggan ke internet tanpa pengaman.

Batas akses yang perlu dipasang

Prinsip menyimpan kredensial dibahas di mencegah bocornya file .env dan API key. Risiko instruksi tersembunyi di data yang dibaca model dijelaskan di prompt injection pada aplikasi AI.

Checklist sebelum server dipakai tim:

• Tool sempit dan baca saja, tanpa SQL bebas.
• Akun database terbatas, kredensial di variabel lingkungan.
• Tidak ada print() di server stdio.
• Sudah diuji dengan MCP Inspector, termasuk input yang salah.
• Transport HTTP hanya lewat HTTPS dengan autentikasi dan jaringan terbatas.
• Konsep agen yang memanggil tool seperti ini dibahas di apa itu AI agent.