Cara Menggunakan Gemini API dengan Python: Panduan Pemula

Apa Itu Gemini API?

Bedanya dengan memakai aplikasi chat: di aplikasi, Anda mengetik manual. Lewat API, program Anda yang mengirim dan menerima jawaban, sehingga bisa dipadukan dengan database, formulir, atau sistem lain. Inilah tahap yang dibahas di artikel roadmap AI engineering dari backend sebagai pintu masuk ke pengembangan fitur AI.

Persiapan Sebelum Mulai

1. Pastikan Python sudah terpasang. Cek dengan perintah python --version. Sebaiknya gunakan lingkungan virtual agar paket proyek tidak bercampur dengan proyek lain.
2. Buat API key. Buka Google AI Studio dan buat kunci API. Menurut dokumentasi, AI Studio otomatis membuat proyek dan API key untuk pengguna baru.
3. Pasang SDK resmi. Paket Python-nya bernama google-genai.
4. Simpan API key sebagai variabel lingkungan. SDK membaca kunci dari variabel GEMINI_API_KEY secara otomatis.

pip install -U google-genai

# Linux / macOS
export GEMINI_API_KEY="ISI_API_KEY_ANDA"

# Windows (PowerShell)
setx GEMINI_API_KEY "ISI_API_KEY_ANDA"

Contoh Pertama: Mengirim Prompt

Berikut kode paling dasar sesuai dokumentasi Gemini API. Objek client membaca API key dari lingkungan, lalu Anda membuat satu permintaan (interaction) berisi nama model dan input.

from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="Jelaskan cara kerja AI dalam beberapa kata"
)
print(interaction.output_text)

Properti output_text adalah cara praktis untuk mengambil teks jawaban. Nama model pada contoh (gemini-3.8-flash) diambil dari dokumentasi saat ini. Model sering diperbarui, jadi cek daftar model terbaru di dokumentasi sebelum memakainya, terutama untuk pertimbangan kecepatan, kualitas, dan biaya.

Mengatur Peran dengan System Instruction

Instruksi sistem adalah pesan yang menentukan peran dan aturan model selama percakapan. Ini tempat yang tepat untuk menetapkan gaya bahasa, batasan topik, atau format jawaban.

from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    system_instruction="Kamu adalah asisten layanan pelanggan toko online. Jawab singkat dan sopan dalam bahasa Indonesia.",
    input="Bagaimana cara melacak pesanan saya?"
)
print(interaction.output_text)

Praktik yang baik: perlakukan instruksi sistem seperti “kontrak” yang disimpan rapi di kode, diberi versi, dan diuji ulang setiap kali diubah. Teknik menyusun instruksi yang jelas dibahas di artikel prompt yang efektif untuk AI.

Baca Juga:

Evaluasi LLM: Cara Mengukur Kualitas Output AI

Streaming: Jawaban Muncul Bertahap

Tanpa streaming, pengguna harus menunggu seluruh jawaban selesai. Dengan streaming, teks muncul sedikit demi sedikit seperti sedang diketik, yang membuat aplikasi terasa lebih responsif, terutama untuk jawaban panjang.

from google import genai

client = genai.Client()

stream = client.interactions.create(
    model="gemini-3.8-flash",
    input="Jelaskan cara kerja AI",
    stream=True
)
for event in stream:
    if event.event_type == "step.delta":
        if event.delta.type == "text":
            print(event.delta.text, end="")

Percakapan Multi-Turn

Agar model mengingat pesan sebelumnya, Anda meneruskan pengenal (ID) dari interaksi sebelumnya. Menurut dokumentasi, Interactions API mengelola status percakapan di sisi server, sehingga Anda tidak perlu mengirim ulang seluruh riwayat.

from google import genai

client = genai.Client()

interaction1 = client.interactions.create(
    model="gemini-3.8-flash",
    input="Di rumah saya ada 2 ekor anjing.",
)
print(interaction1.output_text)

interaction2 = client.interactions.create(
    model="gemini-3.8-flash",
    input="Berapa jumlah kaki anjing di rumah saya?",
    previous_interaction_id=interaction1.id,
)
print(interaction2.output_text)

Structured Output: Jawaban JSON yang Bisa Diparse

Untuk aplikasi nyata, jawaban berupa paragraf bebas sering menyulitkan. Anda biasanya butuh data terstruktur, misalnya kategori tiket, prioritas, dan ringkasan. Gemini API mendukung keluaran JSON sesuai skema, dan skema itu bisa dibuat dari model Pydantic.

from google import genai
from pydantic import BaseModel, Field
from typing import List, Optional

class Bahan(BaseModel):
    nama: str = Field(description="Nama bahan.")
    takaran: str = Field(description="Takaran bahan beserta satuannya.")

class Resep(BaseModel):
    nama_resep: str = Field(description="Nama resep.")
    waktu_persiapan_menit: Optional[int] = Field(description="Waktu persiapan dalam menit.")
    bahan: List[Bahan]
    langkah: List[str]

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="Buat resep nasi goreng sederhana",
    response_format={
        "type": "text",
        "mime_type": "application/json",
        "schema": Resep.model_json_schema()
    },
)

resep = Resep.model_validate_json(interaction.output_text)
print(resep)

Baris terakhir penting: hasilnya divalidasi ulang oleh Pydantic. Meski model diarahkan mengikuti skema, aplikasi tetap sebaiknya memeriksa keluaran sebelum menyimpannya ke database, karena data dari model tidak boleh dipercaya begitu saja.

Kesalahan Umum dan Cara Mengatasinya

Praktik Terbaik Saat Memakai Gemini API di Aplikasi

• Panggil dari server, bukan dari browser. Backend Anda menyimpan API key dan menjadi perantara antara pengguna dan model.
• Batasi panjang input dan output. Biaya dan waktu respons biasanya terkait jumlah token.
• Tambahkan batas waktu (timeout) dan penanganan error. Layanan eksternal bisa lambat atau gagal sewaktu-waktu.
• Catat penggunaan. Simpan jumlah permintaan, latensi, dan estimasi biaya agar tagihan tidak mengejutkan.
• Validasi keluaran. Terutama jika hasilnya dipakai untuk tindakan otomatis atau disimpan ke database.
• Uji dengan data nyata. Siapkan daftar pertanyaan uji dan jalankan ulang setiap kali mengganti model atau instruksi.

Langkah Berikutnya: Dari Panggilan API ke Fitur Nyata

Setelah nyaman memanggil model, Anda bisa naik ke tahap berikutnya. Jika ingin chatbot menjawab dari dokumen Anda sendiri, pelajari alurnya di RAG adalah dan dasar pencarian maknanya di embedding adalah. Fokus artikel ini adalah pemanggilan API dari backend Python. Bila Anda ingin memakai Gemini langsung di lingkungan pengembangan Android, pembahasannya ada di panduan terpisah tentang integrasi Android Studio dengan Gemini.

Mulai dari Skrip Lima Baris Hari Ini

Buat API key, pasang SDK, lalu jalankan contoh pertama di atas. Setelah berhasil, ubah instruksi sistemnya dan lihat bagaimana gaya jawabannya berubah.

Baca Juga:

Structured Output LLM: Membuat Jawaban AI Berformat JSON

Buat API Key di AI Studio Quickstart Gemini API

FAQ

Kesimpulan