đź“’ Ridwan Aji Bari - Blog

Prompt Engineering: Dasar & Teknik untuk AI Modern

6 Juli 2026•10 menit baca
#prompt-engineering#ai#llm#machine-learning#best-practice

Memahami Seni Berkomunikasi dengan AI

Pernahkah Anda merasa hasil dari Large Language Model (LLM) seperti ChatGPT, Claude, atau Gemini terasa kurang tepat, terlalu generik, atau bahkan nyeleneh? Anda tidak sendirian. Rahasianya bukan terletak pada siapa modelnya, melainkan bagaimana Anda bertanya. Di sinilah seni Prompt Engineering berperan.

Prompt engineering adalah disiplin ilmu merancang instruksi (prompt) kepada AI agar menghasilkan output yang akurat, relevan, dan sesuai dengan konteks yang diinginkan. Bukan sekadar mengetik pertanyaan, melainkan memahami bagaimana model “berpikir” dan memproses informasi dalam keterbatasan konteksnya.

Dalam panduan ini, kita akan mengupas secara mendalam tentang:

  1. Fondasi dasar prompt engineering dan anatomi sebuah prompt yang baik
  2. Teknik dasar hingga lanjutan seperti zero-shot, few-shot, dan Chain-of-Thought
  3. Strategi advanced terkini seperti Tree-of-Thought dan ReAct
  4. Panduan praktis memilih teknik yang tepat berdasarkan kasus penggunaan

1. Fondasi Anatomi Prompt yang Efektif

Sebelum masuk ke teknik-teknik canggih, penting untuk memahami bahwa sebuah prompt yang baik memiliki struktur dasar yang konsisten. Anggap saja seperti Anda memberi instruksi kepada seorang junior engineer baru semakin jelas, terstruktur, dan eksplisit instruksinya, semakin kecil kemungkinan hasilnya melenceng.

Komponen Utama Sebuah Prompt

Setiap prompt yang efektif umumnya terdiri dari beberapa elemen berikut:

  • Instruksi (Instruction): Perintah spesifik tentang apa yang harus dilakukan oleh model.
  • Konteks (Context): Latar belakang atau informasi tambahan yang membatasi ruang jawab model.
  • Data Input: Informasi mentah yang perlu diproses atau dianalisis oleh model.
  • Format Output: Spesifikasi bagaimana hasil harus disajikan bisa berupa JSON, bullet points, atau paragraf.
# Template Prompt Efektif
[Instruksi] + [Konteks] + [Data Input] + [Format Output]

# Contoh Konkret:
"Kamu adalah seorang DevOps engineer senior. 
Analisislah log error berikut ini dan berikan 3 kemungkinan penyebab beserta solusinya.
Tampilkan dalam format JSON dengan key: penyebab, dampak, solusi.

Log: ERROR 503 Service Unavailable at gateway.timeout=30s"

Mengapa Struktur Itu Penting?

LLM bekerja berdasarkan probabilitas mereka memprediksi token (kata) berikutnya yang paling mungkin berdasarkan semua token sebelumnya. Tanpa struktur yang jelas, model akan “menebak-nebak” format yang Anda inginkan. Dengan memberikan struktur eksplisit, Anda memandu model menuju output yang presisi.

graph LR
    A[Pengguna] -->|Prompt Tidak Terstruktur| B[LLM]
    B -->|Output: Ambigu, Panjang, Tidak Fokus| C{Puas?}
    C -->|Tidak| A
    
    D[Pengguna] -->|Prompt Terstruktur| E[LLM]
    E -->|Output: Tepat, Format Sesuai| F{Puas?}
    F -->|Ya| G[Selesai]

    style A fill:#E5A93B,color:#000
    style D fill:#E5A93B,color:#000
    style B fill:#FF6B6B,color:#000
    style E fill:#51CF66,color:#000
    style G fill:#51CF66,color:#000

Catatan: Model seperti GPT-4 dan Claude 3 sangat sensitif terhadap urutan informasi. Letakkan instruksi utama di awal prompt dan detail pendukung setelahnya untuk hasil optimal.

2. Teknik Dasar: Zero-Shot vs Few-Shot Prompting

Setelah memahami anatomi prompt, langkah selanjutnya adalah memilih teknik yang tepat. Dua teknik paling fundamental yang wajib dikuasai adalah Zero-Shot dan Few-Shot Prompting.

Zero-Shot Prompting

Zero-shot adalah teknik paling sederhana Anda memberikan instruksi langsung tanpa memberikan contoh sama sekali. Model diharapkan menggunakan pengetahuan yang sudah dimilikinya (dari proses training) untuk menjawab.

Kelebihan:

  • Cepat dan token-efficient (lebih murah secara komputasi)
  • Cocok untuk tugas-tugas umum seperti summarization, translasi, atau brainstorming

Kekurangan:

  • Hasil bisa tidak konsisten untuk tugas yang sangat spesifik atau niche
  • Rentan terhadap bias dan hallucination
# Zero-Shot Prompt
"Klasifikasikan sentimen dari ulasan berikut ini menjadi: Positif, Negatif, atau Netral.

Ulasan: 'Produk ini sangat buruk, rusak setelah 2 hari pemakaian.'"

Few-Shot Prompting

Few-shot memberikan 2-5 contoh (atau lebih) sebelum meminta model mengerjakan tugas yang sama. Teknik ini secara dramatis meningkatkan kualitas output karena model belajar pola dari contoh yang Anda berikan.

# Few-Shot Prompt
"Klasifikasikan sentimen dari ulasan berikut. Ikuti pola dari contoh di bawah ini:

Contoh 1:
Ulasan: 'Barangnya bagus banget, sesuai ekspektasi!'
Sentimen: Positif

Contoh 2:
Ulasan: 'Pengiriman lambat, tapi kualitas barang ok.'
Sentimen: Netral

Contoh 3:
Ulasan: 'Penipuan! Barang tidak sesuai pesanan!'
Sentimen: Negatif

Sekarang klasifikasikan:
Ulasan: 'Aplikasi ini sering crash dan bikin frustrasi.'
Sentimen:"

Perbandingan Zero-Shot vs Few-Shot

Aspek Zero-Shot Few-Shot
Jumlah Contoh 0 2-5+ (bisa lebih)
Biaya Token Rendah Lebih tinggi
Akurasi Bergantung pada model Lebih tinggi dan stabil
Konsistensi Format Rendah Tinggi
Kasus Penggunaan Tugas umum, sederhana Tugas spesifik, butuh format tertentu
Kapan Digunakan Prototyping, tugas mudah Production, tugas kompleks 
graph LR
    subgraph Zero-Shot
        A1[Instruksi + Input] --> B1[LLM]
        B1 --> C1[Output Variatif]
    end
    
    subgraph Few-Shot
        A2[Instruksi + Contoh 1..N] --> B2[LLM]
        B2 --> C2[Output Konsisten]
    end

    style C1 fill:#FF6B6B,color:#000
    style C2 fill:#51CF66,color:#000

3. Chain-of-Thought: Mengajarkan AI untuk “Berpikir Langkah demi Langkah”

Salah satu terobosan terbesar dalam prompt engineering adalah Chain-of-Thought (CoT) teknik yang meminta model untuk memecah proses penalarannya menjadi langkah-langkah kecil sebelum memberikan jawaban akhir.

Mengapa CoT Efektif? LLM pada dasarnya adalah mesin prediksi token. Ketika model diminta menjawab langsung, peluang kesalahan semakin besar seiring kompleksitas tugas. Namun, dengan “memaksa” model untuk menuliskan proses berpikirnya secara eksplisit, kita memberikan scaffolding yang memandu model menuju jawaban yang benar.

Cara Kerja Chain-of-Thought

Alih-alih meminta jawaban langsung, Anda menambahkan frasa seperti “Let’s think step by step” atau “Jelaskan langkah demi langkah sebelum memberikan kesimpulan”.

# Tanpa CoT (Biasanya Gagal)
Q: "Jika 3 apel harganya Rp45.000, berapa harga 7 apel?"
A: Rp105.000 âś“ (benar) atau Rp95.000 âś— (salah hitung)

# Dengan CoT
Q: "Jika 3 apel harganya Rp45.000, berapa harga 7 apel?
   Mari kita hitung langkah demi langkah."

A: 
1. Harga 1 apel = Rp45.000 Ă· 3 = Rp15.000
2. Harga 7 apel = Rp15.000 Ă— 7 = Rp105.000
3. Jadi harga 7 apel adalah Rp105.000.

Variasi Chain-of-Thought

Variasi Deskripsi Kapan Digunakan
Zero-shot CoT Cukup tambahkan “Let’s step by step” Tugas logika sederhana hingga menengah
Few-shot CoT Berikan contoh langkah demi langkah Tugas yang butuh pola penalaran spesifik
Automatic CoT Biarkan AI menghasilkan contoh CoT-nya sendiri Menghemat waktu pembuatan contoh manual 
sequenceDiagram
    participant User as Pengguna
    participant LLM as LLM
    
    User->>LLM: Prompt langsung (tanpa CoT)
    LLM-->>User: Jawaban: 105.000 (tanpa penjelasan)
    
    Note over User,LLM: Risiko tinggi kesalahan untuk soal kompleks
    
    User->>LLM: Prompt dengan CoT
    Note over LLM: Langkah 1: Hitung harga per unit
    Note over LLM: Langkah 2: Kalikan dengan jumlah<br/>yang diminta
    Note over LLM: Langkah 3: Berikan kesimpulan
    LLM-->>User: Jawaban dengan reasoning lengkap
    
    Note over User,LLM: Akurasi meningkat signifikan

Rekomendasi: Gunakan Zero-shot CoT untuk debugging kode atau analisis data sederhana. Gunakan Few-shot CoT untuk soal matematika kompleks, legal reasoning, atau logical deduction.

4. Tree-of-Thought & ReAct: Teknik Advance untuk Problem Solving Kompleks

Ketika Chain-of-Thought mulai terasa terbatas terutama untuk tugas yang membutuhkan eksplorasi banyak kemungkinan atau interaksi dengan dunia luar saatnya beralih ke teknik yang lebih advanced: Tree-of-Thought (ToT) dan ReAct.

Tree-of-Thought (ToT)

Jika CoT adalah garis lurus, ToT adalah cabang pohon. Alih-alih menulis satu jalur pemikiran, model diminta mengeksplorasi beberapa kemungkinan jalur penalaran secara paralel, lalu mengevaluasi dan memilih jalur terbaik.

Cara Kerja:

  1. Model menghasilkan beberapa “pemikiran” atau solusi kandidat (cabang)
  2. Setiap cabang dievaluasi secara mandiri
  3. Cabang yang paling menjanjikan dilanjutkan, yang lain dipangkas
  4. Proses berulang hingga ditemukan solusi optimal
# Prompt Tree-of-Thought (konsep)
"Selesaikan masalah berikut dengan mengeksplorasi beberapa pendekatan berbeda:

Masalah: 'Kita perlu mengoptimalkan biaya cloud server. 
Budget bulanan Rp50 juta, traffic naik 200% setiap tahun.'

Pendekatan 1: [Model berpikir tentang vertical scaling]
  Pro: ... Kontra: ...
Pendekatan 2: [Model berpikir tentang horizontal scaling + auto-scaling]
  Pro: ... Kontra: ...
Pendekatan 3: [Model berpikir tentang serverless architecture]
  Pro: ... Kontra: ...

Evaluasi ketiga pendekatan di atas dan berikan rekomendasi terbaik."

ReAct (Reasoning + Acting)

ReAct menggabungkan reasoning (penalaran) dengan acting (tindakan). Teknik ini memungkinkan model tidak hanya “berpikir” tetapi juga “berinteraksi” dengan sumber eksternal seperti database, API, atau file system untuk mengumpulkan informasi sebelum memberikan jawaban.

Kapan ReAct Paling Efektif:

  • Mencari data real-time yang tidak ada di training data model
  • Melakukan komputasi matematika yang presisi (via calculator tool)
  • Mengakses database atau knowledge base internal perusahaan
  • Eksekusi kode untuk validasi hasil
graph TD
    A[Masukan Pengguna] --> B[Reasoning: Analisis kebutuhan]
    B --> C{Butuh data eksternal?}
    C -->|Ya| D[Act: Panggil Tool/API]
    D --> E[Dapatkan Informasi Baru]
    E --> B
    C -->|Tidak| F[Reasoning: Sintesis Jawaban]
    F --> G[Output Final]

    style A fill:#E5A93B,color:#000
    style B fill:#339AF0,color:#fff
    style D fill:#F06595,color:#fff
    style F fill:#339AF0,color:#fff
    style G fill:#51CF66,color:#000

Perbandingan CoT, ToT, dan ReAct

Fitur Chain-of-Thought Tree-of-Thought ReAct
Struktur Penalaran Linear (satu jalur) Bercabang (multi-jalur) Siklus (reason → act)
Interaksi Eksternal Tidak Tidak Ya (API, DB, Kalkulator)
Biaya Token Rendah - Sedang Tinggi Sedang - Tinggi
Kompleksitas Implementasi Rendah Sedang Tinggi
Tugas Terbaik Logika, matematika Strategic planning, riset Agentic task, RAG pipeline

5. Panduan Memilih Teknik yang Tepat

Setelah menguasai berbagai teknik, pertanyaan selanjutnya adalah: teknik mana yang harus saya gunakan? Jawabannya tergantung pada empat faktor utama: tingkat kompleksitas tugas, kebutuhan akurasi, budget token, dan seberapa sering tugas itu dijalankan.

Matriks Keputusan Praktis

Jika Tugas Anda… Gunakan Teknik… Alasan
Menerjemahkan teks sederhana Zero-shot Cukup, lebih murah
Mengklasifikasikan data terstruktur Few-shot (3-5 contoh) Konsistensi format tinggi
Menulis ulang kode dengan logika baru CoT Butuh reasoning eksplisit
Memecahkan masalah optimasi kompleks Tree-of-Thought Eksplorasi banyak skenario
Membangun AI agent yang akses database ReAct Interaksi eksternal wajib ada

Prinsip Umum

  1. Mulailah dari yang paling sederhana: Coba zero-shot dulu. Jika hasilnya kurang memuaskan, baru naik ke few-shot.
  2. Perhatikan token budget: Teknik seperti Tree-of-Thought bisa menghabiskan ratusan ribu token per query. Pastikan Anda memiliki cost model yang jelas sebelum deploy ke produksi.
  3. Uji secara iteratif: Prompt engineering bukanlah ilmu pasti. Lakukan A/B testing pada beberapa format prompt dan pilih yang memberikan hasil paling konsisten.
  4. Gunakan system prompt untuk persona: Tetapkan peran AI sejak awal (“Kamu adalah senior software engineer…”) untuk membatasi spektrum jawaban.

Catatan Akhir: Prompt engineering adalah keterampilan yang terus berkembang seiring kemajuan model AI. Yang penting bukan menghafal semua teknik, melainkan memahami prinsip di baliknya: semakin jelas, terstruktur, dan kontekstual instruksi Anda, semakin baik hasil yang akan Anda dapatkan.

Kesimpulan

Prompt engineering bukanlah sekadar trik atau hype ini adalah keterampilan fundamental yang membedakan antara pengguna AI biasa dan pengguna yang benar-benar memanfaatkan potensi penuh LLM.

Kita telah membahas perjalanan dari fondasi dasar hingga teknik lanjutan:

  • Anatomi prompt yang baik terdiri dari instruksi, konteks, data input, dan format output yang jelas
  • Zero-shot dan Few-shot adalah dua teknik dasar yang wajib dikuasai untuk tugas klasifikasi dan ekstraksi data
  • Chain-of-Thought secara dramatis meningkatkan akurasi penalaran logis dan matematika
  • Tree-of-Thought dan ReAct membuka pintu untuk problem solving kompleks dan agentic AI

Langkah Selanjutnya: Mulailah dengan meng-audit prompt yang saat ini Anda gunakan di proyek AI Anda. Identifikasi mana yang bisa ditingkatkan hanya dengan menambahkan struktur, contoh, atau reasoning step. Kemudian eksperimen dengan teknik CoT untuk tugas-tugas yang membutuhkan analisis mendalam.

Selamat mencoba, dan jangan ragu untuk terus bereksperimen setiap interaksi dengan AI adalah kesempatan untuk menyempurnakan seni komunikasi ini!