AI coding assistant seperti GitHub Copilot, Cursor, atau ChatGPT sering menghasilkan kode ORM yang fungsional tetapi tidak efisien. Model bahasa umumnya mengoptimalkan kode untuk keterbacaan sintaksis lokal, bukan efisiensi eksekusi basis data. Pola umum yang dihasilkan sering mencakup akses relasi lazy loading di dalam loop, pengambilan seluruh kolom tabel, dan query filter tanpa dukungan indeks yang tepat.

Artikel ini membahas cara mengidentifikasi inefisiensi tersebut melalui log query dan EXPLAIN ANALYZE pada PostgreSQL, serta langkah konkret untuk mengatasinya menggunakan selective projection, eager loading, dan composite covering index.

1. Overfetching: Masalah SELECT * dan Kolom Berlebih

Kode yang digenerate AI cenderung memuat seluruh entitas model meski endpoint API hanya membutuhkan dua atau tiga field. Hal ini meningkatkan penggunaan I/O database, bandwidth jaringan antara DB dan backend, serta alokasi memori aplikasi.

Contoh Masalah: Prisma / SQLAlchemy Query Standar

// Kode umum hasil generasi AI (TypeScript / Prisma)
const users = await prisma.user.findMany({
  where: { status: 'ACTIVE' },
});
return users.map(u => ({ id: u.id, email: u.email }));

Query database yang dihasilkan:

SELECT id, email, password_hash, profile_bio, settings_json, created_at, updated_at 
FROM users 
WHERE status = 'ACTIVE';

Solusi: Selective Projection

Batasi kolom langsung pada layer query database menggunakan proyeksi selektif (projection):

const users = await prisma.user.findMany({
  where: { status: 'ACTIVE' },
  select: {
    id: true,
    email: true,
  },
});

Hasil query SQL yang dieksekusi:

SELECT id, email FROM users WHERE status = 'ACTIVE';

2. Mengatasi Query N+1 Hasil Relasi Implisit

Masalah paling umum pada kode buatan AI adalah mengakses relasi relasional di dalam loop tanpa eager loading. ORM mengeksekusi 1 query untuk mengambil entitas induk, lalu mengeksekusi N query tambahan untuk setiap entitas anak.

Log Query Bermasalah (N+1)

-- 1 query untuk mengambil order
SELECT id, customer_id, total_amount FROM orders WHERE status = 'COMPLETED' LIMIT 10;

-- Diikuti 10 query terpisah untuk mengambil data customer
SELECT id, name FROM customers WHERE id = 101;
SELECT id, name FROM customers WHERE id = 102;
SELECT id, name FROM customers WHERE id = 103;
...

Penyebab pada Kode Aplikasi

# Kode Python / SQLAlchemy yang sering digenerate AI
orders = db.session.query(Order).filter(Order.status == 'COMPLETED').limit(10).all()

result = []
for order in orders:
    # Menembak query database baru di setiap iterasi
    result.append({
        "order_id": order.id,
        "customer_name": order.customer.name
    })

Solusi: Eager Loading via JOIN atau IN Subquery

Gunakan eager loading eksplisit (seperti joinedload atau selectinload pada SQLAlchemy, atau with() pada Laravel/Eloquent) agar data relasi ditarik dalam satu atau dua query terencana:

from sqlalchemy.orm import joinedload

orders = (
    db.session.query(Order)
    .options(joinedload(Order.customer))
    .filter(Order.status == 'COMPLETED')
    .limit(10)
    .all()
)

Query yang dieksekusi berubah menjadi single query berkinerja tinggi:

SELECT orders.id, orders.customer_id, orders.total_amount, customers.id, customers.name 
FROM orders 
LEFT OUTER JOIN customers ON customers.id = orders.customer_id 
WHERE orders.status = 'COMPLETED' 
LIMIT 10;

3. Mengatasi Full Table Scan dengan Covering Index

AI sering membuat filter kompleks berbasis parameter dinamis tanpa memikirkan struktur indeks database. Tanpa indeks yang sesuai, database engine terpaksa membaca seluruh isi tabel (Sequential Scan / Full Scan).

Analisis EXPLAIN ANALYZE

Misalkan endpoint mencari transaksi berdasarkan kombinasi tenant_id, created_at, dan status:

EXPLAIN ANALYZE 
SELECT id, total_amount 
FROM transactions 
WHERE tenant_id = 'c8b211a4-9279-4d64-9f7b-6c4a86b5113d' 
  AND status = 'SUCCESS' 
  AND created_at >= '2023-01-01 00:00:00';

Output diagnostic:

Seq Scan on transactions  (cost=0.00..45230.00 rows=1250 width=24) (actual time=12.450..180.320 rows=1200 loops=1)
  Filter: ((created_at >= '2023-01-01'::timestamp) AND (tenant_id = '...'::uuid) AND ((status)::text = 'SUCCESS'::text))
  Rows Removed by Filter: 850000
Planning Time: 0.150 ms
Execution Time: 181.102 ms

Query membutuhkan waktu 181 ms karena harus memindai 850.000 baris yang dibuang melalui in-memory filtering.

Solusi: Composite Covering Index

Urutan kolom dalam composite index harus mengikuti aturan: kolom equality (kesetaraan) terlebih dahulu, diikuti kolom range (rentang), kemudian payload data tambahan via klausul INCLUDE untuk mencapai Index-Only Scan.

CREATE INDEX idx_transactions_tenant_status_created 
ON transactions (tenant_id, status, created_at DESC) 
INCLUDE (id, total_amount);

Jalankan ulang EXPLAIN ANALYZE setelah indeks dibuat:

Index Only Scan using idx_transactions_tenant_status_created on transactions  (cost=0.42..15.30 rows=1250 width=24) (actual time=0.035..0.450 rows=1200 loops=1)
Planning Time: 0.180 ms
Execution Time: 0.520 ms

Waktu eksekusi terpangkas dari 181 ms menjadi 0.52 ms karena basis data membaca data langsung dari leaf page B-Tree indeks tanpa menyentuh tabel heap (Zero Heap Fetch).

Checklist Review Kode Query Hasil AI

  • Proyeksi: Hindari SELECT *. Tentukan field spesifik yang dibutuhkan oleh API response contract.
  • Relasi: Telusuri pemanggilan properti relasi di dalam loop atau serializer. Tambahkan eager loading (join, select_related, atau include).
  • Indeks Gabungan: Pasang composite index untuk query dengan filter multi-kolom dengan format (equality_cols, range_col).
  • Verifikasi: Jalankan selalu EXPLAIN (ANALYZE, BUFFERS) di environment staging dengan volume data representatif.