Few-Shot Prompting untuk Analisa Data yang Akurat

Few-shot prompting adalah teknik ngasih AI beberapa contoh input dan output yang benar sebelum minta dia ngerjain tugas yang mirip. Buat analis data, ini cara paling gampang bikin jawaban AI konsisten dan akurat tanpa nulis instruksi panjang.

Kalau kamu pernah frustrasi karena ChatGPT atau Claude ngasih format jawaban beda-beda tiap kali dipanggil, few-shot ini jawabannya. Kasih contoh, dan AI niru polanya.

Di artikel ini kamu bakal ngerti cara kerjanya, jumlah contoh yang pas, dan kesalahan yang bikin hasilnya malah jelek. Ada contoh kategorisasi keluhan pelanggan pakai data toko_berkah.

Apa itu few-shot prompting?

Few-shot prompting adalah cara nanya ke AI dengan nyertain 2 sampai 5 contoh pasangan input dan output sebelum kasih tugas beneran. AI belajar pola dari contoh itu, terus nerapin ke input baru. "Few" artinya sedikit contoh, beda sama zero-shot yang gak pakai contoh sama sekali.

Model AI kayak GPT atau Claude termasuk large language model, sistem yang jago niru pola dari teks. Waktu kamu kasih contoh, kamu lagi nunjukin pola yang kamu mau, bukan cuma nyuruh pakai kata-kata.

Bedanya sama zero-shot itu penting. Zero-shot: "Kategorikan keluhan ini." Few-shot: "Ini 3 keluhan dan kategorinya, sekarang kategorikan keluhan ke-4 dengan pola yang sama." Yang kedua hampir selalu lebih konsisten.

Kenapa few-shot penting buat analisa data?

Few-shot penting karena analisa data penuh tugas berpola yang butuh format output seragam. Kategorisasi, ekstraksi angka, ngerapiin teks berantakan. Semua ini bakal kacau kalau AI nebak formatnya sendiri tiap baris. Contoh ngunci polanya, jadi output ke-1 sampai ke-1000 bentuknya sama.

Aku pernah minta AI ngategoriin 200 keluhan pelanggan tanpa contoh. Hasilnya kategori muncul 14 macam, banyak yang artinya sama tapi beda tulisan. "Pengiriman lama", "telat kirim", "lambat sampai". Susah dihitung.

Begitu aku kasih 4 contoh dengan 5 kategori tetap, output langsung ngunci ke 5 kategori itu. Baru bisa dihitung dan dibikin grafik.

Gimana cara nulis few-shot prompt yang bener?

Tulis instruksi singkat, lalu daftar contoh dengan format input dan output yang jelas dan konsisten. Pisahin tiap contoh biar AI gampang bedain. Terakhir, kasih input baru dengan format yang sama persis, biarkan bagian output kosong buat diisi AI.

Ini pola dasar yang aku pakai:

Tugas: kategorikan keluhan pelanggan ke salah satu dari: Pengiriman, Produk, Harga, Layanan, Lainnya.

Keluhan: "Barang datang telat 3 hari"
Kategori: Pengiriman

Keluhan: "Kaosnya sobek pas dibuka"
Kategori: Produk

Keluhan: "CS lambat bales chat"
Kategori: Layanan

Keluhan: "Harganya naik terus tiap minggu"
Kategori: Harga

Keluhan: "Paket nyasar ke alamat lama"
Kategori:

Perhatiin: formatnya seragam, kategorinya dibatasin di instruksi, dan contoh terakhir dibiarin kosong. AI bakal isi "Pengiriman" dengan pola yang sama.

Tiga aturan yang bikin few-shot kamu jalan:

• Format konsisten. Kalau contoh pakai "Kategori:", input baru juga harus pakai itu.
• Contoh mewakili variasi. Masukin kasus normal dan kasus ambigu.
• Batasi pilihan output. Sebutin daftar kategori yang boleh, biar gak ngarang baru.

Berapa contoh yang ideal?

Dua sampai lima contoh cukup buat mayoritas tugas analisa data. Yang nentuin bukan jumlah, tapi seberapa beragam contohnya. Lima contoh yang nutup variasi kasus lebih ampuh dari sepuluh contoh yang mirip semua. Kalau nambah contoh gak naikin akurasi, berhenti di situ.

Kalau tugasnya gampang dan polanya jelas, 2 contoh udah oke. Kalau ada banyak kasus tepi yang bikin bingung, naikin ke 4 atau 5, pastiin salah satu contoh nunjukin cara nangani kasus ambigu itu.

Panduan resmi soal ini bisa kamu baca di dokumentasi prompt engineering OpenAI.

Contoh kasus: kategorisasi keluhan toko_berkah

Toko_berkah punya 320 keluhan pelanggan terkumpul selama sebulan di kolom bebas, gak berstruktur. Ownernya mau tau keluhan paling banyak soal apa, biar tau mana yang harus dibenerin duluan.

Aku coba dua cara. Zero-shot dulu: cuma nyuruh "kategorikan tiap keluhan". Dari 320 baris, muncul 21 nama kategori berbeda. Banyak yang duplikat maknanya. Buat ngerapiin manual, aku butuh sekitar 40 menit.

Cara kedua, few-shot dengan 5 contoh dan 5 kategori tetap. Hasilnya 320 keluhan masuk rapi ke 5 kategori aja. Dari situ ketahuan: 41% keluhan soal Pengiriman, 27% soal Produk, sisanya nyebar. Konsistensinya naik dari kira-kira 79% (versi zero-shot yang harus dikoreksi banyak) jadi sekitar 96% sesuai pola.

Angka 41% ini yang bikin Bu Sri langsung mutusin ganti kurir buat cabang tertentu. Tanpa kategori yang konsisten, insight ini gak bakal kelihatan.

Kesalahan umum few-shot prompting

Ini yang paling sering bikin few-shot gagal:

• Contoh terlalu mirip. Kalau 5 contoh isinya kasus gampang semua, AI bingung pas ketemu kasus sulit. Sertain variasi.
• Format gak konsisten. Contoh pakai "Kategori:", input baru pakai "Jenis:". AI jadi ragu.
• Kebanyakan contoh. 15 contoh gak selalu lebih baik dari 5. Malah boros token dan kadang bikin AI overfit ke contoh.
• Gak batasin output. Lupa nyebut daftar kategori yang boleh, akhirnya AI ngarang kategori baru.
• Contoh yang salah. Kalau contohnya sendiri keliru, AI niru kesalahan itu. Cek dulu contohnya bener.

Kalau kamu mau AI langsung nulis query dari data, teknik contoh ini juga kepakai. Aku bahas terpisah di AI bikin query SQL. Buat alur analisa yang lebih luas pakai Claude, cek Claude untuk analisa data.

Kapan pakai zero-shot aja?

Pakai zero-shot kalau tugasnya umum, jawabannya gak perlu format ketat, atau kamu cuma sekali jalan. Nanya definisi, brainstorming ide analisa, atau minta penjelasan konsep, semua ini gak butuh contoh. Few-shot baru kepakai pas kamu ngulang tugas berpola dan butuh output seragam.

Aturan praktisku: kalau kamu bakal jalanin prompt yang sama ke banyak baris data, investasi bikin 3 sampai 5 contoh selalu balik modal. Kalau cuma sekali tanya, langsung aja.

Penutup

Few-shot prompting itu teknik sederhana tapi ngefek: kasih AI beberapa contoh, dapetin output yang konsisten. Buat analis, ini beda antara data yang bisa dihitung sama data berantakan yang harus dirapiin manual.

Mulai dari 2 sampai 5 contoh yang beragam, jaga format tetap konsisten, dan batasi pilihan output. Itu udah nutup mayoritas kebutuhan analisa datamu.

Mau lanjut ngulik cara AI mempercepat kerjaan data? Baca AI bikin laporan otomatis, atau mulai asah dasar SQL kamu di NgulikSQL biar makin lincah olah data mentah.