Prompt Engineering
Prompt Engineering adalah cara merancang instruksi (prompt) yang tepat agar LLM menghasilkan output yang akurat, relevan, dan sesuai kebutuhanmu. Analoginya: kamu nggak cuma 'nanya', kamu nanya dengan cara yang bener.
Apa itu Prompt Engineering?
Pernah nanya sesuatu ke ChatGPT dan dapat jawaban yang nggak sesuai ekspektasi? Terus coba nanya lagi dengan cara berbeda dan hasilnya jauh lebih bagus? Itu intinya Prompt Engineering: seni merancang pertanyaan atau instruksi ke LLM supaya outputnya pas.
LLM itu sensitif banget sama cara kamu nulis prompt. Kata yang kamu pilih, urutan instruksi, contoh yang kamu kasih, dan seberapa spesifik konteksmu - semua itu mempengaruhi kualitas output.
Teknik-Teknik Dasar Prompt Engineering
Zero-Shot Prompting
Langsung tanya tanpa contoh. Cocok untuk task sederhana yang LLM sudah familiar. Contoh: "Rangkum artikel ini dalam 3 poin utama."
Few-Shot Prompting
Kasih 2-3 contoh sebelum task utama. LLM akan meniru pola dari contoh yang kamu kasih. Berguna kalau kamu punya format output spesifik yang diinginkan.
Chain-of-Thought (CoT)
Instruksikan LLM untuk berpikir step-by-step sebelum menjawab. Terbukti meningkatkan akurasi untuk soal logika dan matematika. Cukup tambahkan "Pikirkan langkah demi langkah" ke promptmu.
Role Prompting
Kasih LLM "persona" spesifik: "Kamu adalah seorang data analyst senior dengan pengalaman di industri perbankan Indonesia..." Ini membantu LLM mengadopsi sudut pandang yang lebih relevan.
Perbandingan Pendekatan Prompting
| Teknik | Kapan Pakai | Kelebihan | Kekurangan |
|---|---|---|---|
| Zero-shot | Task sederhana, umum | Cepat, nggak perlu contoh | Kurang konsisten untuk format spesifik |
| Few-shot | Format output spesifik | Konsisten, terprediksi | Makan token lebih banyak |
| Chain-of-Thought | Reasoning kompleks | Akurasi lebih tinggi | Outputnya panjang |
| Role prompting | Domain spesifik | Output lebih relevan | Kadang terlalu kreatif keluar konteks |
Kenapa Ini Penting untuk Data Work?
Kalau kamu sering pakai AI untuk bantu analisis data, nulis SQL, atau generate laporan, Prompt Engineering langsung kepakai. Contoh konkret:
- Minta LLM tulis SQL yang kompleks? Kasih schema tabelnya dulu sebagai konteks.
- Minta analisis data? Spesifikasikan format output yang kamu mau (tabel, bullets, paragraf).
- Minta translasi insight ke bahasa bisnis? Kasih contoh tone yang kamu mau.
Anatomi Prompt yang Bagus
Prompt yang efektif biasanya punya 3 komponen:
- Role: siapa LLM dalam konteks ini
- Task: apa yang harus dilakukan, spesifik
- Format: bagaimana output harus disusun
Prompt Engineering bukan sihir, ini skill yang bisa dipelajari dengan praktek dan iterasi.
Udah paham Prompt Engineering? Lanjut latihan SQL dan Excel yuk!
Latihan interaktif, langsung di browser.