Cara Menulis Prompt untuk Jaringan Saraf Tiruan

Model bahasa besar memahami bahasa alami (Inggris, Prancis, Jerman, dll.). Oleh karena itu, berkomunikasi dengan chatbot serupa dengan berkomunikasi dengan manusia. Prompt adalah pertanyaan teks, frasa, atau instruksi terperinci berisikan beberapa paragraf yang kita kirimkan ke chatbot. Kualitas respons bergantung pada seberapa jelas dan mudah dipahami kueri tersebut disusun. Dalam materi ini, kita akan membahas berbagai pendekatan dalam menyusun prompt agar Anda dapat berinteraksi dengan chatbot di situs web kami – GPT, Claude, Gemini, dan lainnya – sebaik mungkin.

Struktur prompt

Sebuah prompt dapat mencakup elemen-elemen berikut:

tujuan, tugas
konteks, contoh
format output (daftar, tabel, teks dengan panjang tertentu – misalnya, tidak lebih dari 100 kata)
batasan (pemeriksaan fakta, penyebutan sumber, dll.)

Greg Brockman, pendiri bersama dan presiden saat ini OpenAI, mempublikasikan contoh prompt yang baik di akun X-nya:

Anatomi sebuah prompt: tujuan, format output, peringatan, konteks

Prompt ini terdiri dari 4 blok logis. Di awal, penulis mendefinisikan tujuan – menemukan jalur hiking yang kurang dikenal dengan panjang sedang dalam jangkauan 2 jam berkendara dari San Francisco.

Kemudian format respons ditentukan: tampilkan 3 hasil teratas, cantumkan nama, durasi setiap jalur, alamat awal dan akhir, fitur khas, dll.

Pada bagian berikutnya, penulis meminta untuk memeriksa ulang informasi, memastikan bahwa jalur tersebut benar-benar ada (model bahasa besar rentan terhadap halusinasi dan kadang-kadang dapat menghasilkan fakta yang tidak ada, jadi verifikasi tambahan sangat penting), bahwa nama jalurnya benar, dan bahwa jalur tersebut dapat ditemukan di aplikasi AllTrails menggunakan nama tersebut.

Di blok terakhir, penulis menambahkan konteks: menjelaskan mengapa mereka tertarik pada jalur-jalur yang kurang dikenal – karena mereka sudah mendaki semua jalur yang paling populer, dan mencantumkannya. Berkat klarifikasi ini, chatbot dapat memahami dengan lebih baik apa yang dibutuhkan dan menyarankan informasi yang relevan. Karena istilah “jalur yang kurang dikenal” sendiri cukup samar, tetapi dengan klarifikasi tambahan, tugas menjadi lebih jelas.

Rekomendasi untuk membuat prompt

Prompt engineering adalah setengah seni, setengah disiplin ilmu. Mari kita lihat para ahli dari Harvard University Information Technology (HUIT), yang merumuskan prinsip-prinsip dasar dalam membuat prompt:

Jadilah spesifik. Rincian penting mengurangi kemungkinan respons yang tidak akurat. Alih-alih hanya mengatakan “Tulis sebuah cerita,” beritahu bot jenis cerita apa yang harus ditulis, apakah untuk anak-anak atau dewasa, genre apa, dan sebagainya.
Tentukan peran. Meminta bot untuk mengambil peran dan bertindak sesuai peran tersebut (misalnya, “berpura-puralah sebagai pelatih pribadi saya”) adalah cara mudah untuk mendapatkan hasil yang jauh lebih baik.
Pilih jenis output: cerita, laporan, ringkasan, percakapan, kode, dan sebagainya.
Gunakan contoh dan referensi. Misalnya, salin dan tempel sebuah paragraf, lalu minta bot untuk meniru gaya, nada, dan strukturnya.
Beritahu bot tidak hanya apa yang harus dilakukan, tetapi juga apa yang tidak boleh dilakukan: “buat rencana makan, tetapi jangan sertakan seafood, karena saya alergi terhadapnya.”
Kembangkan percakapan, perbaiki kesalahan, dan berikan umpan balik. Anggap chatbot sebagai rekan kerja atau anggota tim. Anda bisa mulai dengan pertanyaan dasar, lalu tambahkan konteks dan detail lebih lanjut.

Jelas dan spesifik, berikan konteks, coba berbagai prompt, gunakan kata kunci yang relevan, sempurnakan prompt jika diperlukan

Tidak yakin bagaimana membuat prompt yang baik? Minta bantuan chatbot! Mulailah dengan ide dasar tentang apa yang Anda inginkan dan minta AI untuk mengembangkannya, seperti “Apa yang harus saya tanyakan kepada Anda untuk membantu saya menulis posting blog tentang AI?”. Dan cukup tambahkan “Beritahu saya apa lagi yang Anda butuhkan untuk melakukan ini” di akhir prompt apa pun dapat mengisi celah yang akan membantu AI menghasilkan output yang lebih baik.

Jenis-jenis prompt dan pola prompt yang umum

MIT Sloan School of Management mengkategorikan prompt menjadi jenis-jenis berikut:

Jenis	Deskripsi	Contoh
Prompt Tanpa Data	Berikan instruksi yang sederhana dan jelas tanpa contoh. Sangat cepat dan mudah ditulis, ideal untuk menguji ide atau kemampuan model pada tugas baru	“Ringkas artikel ini dalam 5 poin.”
Few-Shot Prompt	Berikan beberapa contoh tentang apa yang ingin Anda tiru oleh AI. Seringkali menghasilkan hasil yang lebih konsisten dan akurat daripada zero-shot untuk tugas-tugas yang tidak sederhana.	“Berikut adalah 2 contoh ringkasan. Tulis yang ketiga dengan gaya yang sama.”
Petunjuk Instruksi	Gunakan perintah langsung dengan kata kerja seperti ringkas, terjemahkan, tulis ulang, klasifikasikan, tulis, jelaskan, dll.	“Tulis ulang email berikut agar lebih ringkas dan profesional. Jaga agar jumlah kata tidak melebihi 100 kata.”
Prompt Berbasis Peran	Minta AI untuk mengambil peran atau sudut pandang tertentu. Model akan menyaring pengetahuannya melalui perspektif peran tersebut, sehingga memberikan informasi yang lebih terfokus dan relevan.	“Berperanlah sebagai guru sains SMA yang ramah. Tugas Anda adalah menjelaskan apa itu blockchain kepada kelas siswa berusia 15 tahun. Gunakan analogi sederhana dan hindari istilah teknis.”
Prompt Kontekstual	Sertakan latar belakang atau konteks yang relevan sebelum mengajukan pertanyaan. Hal ini membantu AI menyesuaikan responsnya dengan audiens atau situasi tertentu.	“Teks ini untuk mata kuliah ekonomi perilaku tingkat sarjana. Ubah menjadi bahasa yang lebih sederhana.”
Meta Prompt / System Prompt	Petunjuk tingkat sistem yang menentukan perilaku, nada, atau cakupan AI sebelum masukan pengguna.	“Selalu merespons secara formal dan mengutip sumber yang valid. Jangan pernah menebak.”

Departemen Ilmu Komputer di Universitas Vanderbilt, Tennessee, menawarkan klasifikasi berikut untuk pola prompt:

Semantik Masukan.
Penyesuaian Keluaran.
Identifikasi Kesalahan.
Peningkatan Prompt.
Pengendalian Konteks.

Semantik masukan merujuk pada cara model bahasa besar menafsirkan dan memproses masukan pengguna, menerjemahkannya ke dalam bentuk terstruktur yang dapat digunakan model untuk menghasilkan respons. Pendekatan ini melibatkan pembuatan notasi singkat atau “bahasa” khusus yang disesuaikan untuk tugas-tugas tertentu, seperti mendeskripsikan grafik, mendefinisikan mesin negara, atau mengotomatisasi perintah, sehingga memudahkan pengguna untuk menyampaikan ide-ide kompleks ketika metode masukan standar tidak efisien. Dengan mengajarkan model untuk mengenali dan menggunakan notasi ini, model dapat lebih mudah menangani tugas-tugas yang memerlukan deskripsi kompleks. “bahasa” atau notasi singkatan yang disesuaikan untuk tugas-tugas spesifik, seperti mendeskripsikan grafik, mendefinisikan mesin negara, atau mengotomatisasi perintah, sehingga memudahkan pengguna untuk menyampaikan ide-ide kompleks ketika metode input standar tidak efisien. Dengan mengajarkan model untuk mengenali dan menerapkan aturan yang telah ditentukan sebelumnya, pengguna dapat menyederhanakan sintaksis, mengurangi pengulangan, dan menghemat waktu. Misalnya, pengguna dapat menginstruksikan model untuk mengingat bahwa simbol atau format tertentu memiliki makna spesifik, memungkinkan input yang ringkas diubah menjadi instruksi terperinci secara internal.

Contoh: “Mulai sekarang, setiap kali saya menulis nama dalam format City1 >> City2, artikan sebagai permintaan untuk menghasilkan itinerari perjalanan antara dua kota tersebut, termasuk opsi transportasi, perkiraan waktu, dan atraksi utama.”

Penyesuaian output adalah proses mendefinisikan dan mengontrol format, struktur, gaya, dan perspektif respons yang dihasilkan oleh model bahasa besar. Pendekatan ini memungkinkan pengguna menyesuaikan keluaran model sesuai kebutuhan spesifik, seperti mengadopsi persona tertentu, mengikuti templat yang telah ditentukan, atau mematuhi urutan langkah-langkah, sehingga konten yang dihasilkan konsisten, relevan, dan dapat ditindaklanjuti. Dengan menginstruksikan model untuk mengambil peran tertentu atau menerapkan batasan spesifik, pengguna dapat mengarahkan fokus, nada, dan kedalaman respons, sehingga sesuai untuk konteks profesional, pendidikan, atau khusus.

Contoh: "Mulai sekarang, ketika saya meminta ulasan produk, bertindaklah sebagai pengulas teknologi profesional. Susun respons Anda menjadi tiga bagian: Kelebihan, Kekurangan, dan Kesimpulan. Gunakan nada netral dan fokus pada kinerja, desain, dan nilai uang."

Identifikasi kesalahan berfokus pada mengidentifikasi dan menyelesaikan kesalahan dalam output yang dihasilkan oleh model. Ini membantu pengguna memvalidasi keandalan konten yang dihasilkan, mengungkap bias atau kesalahan tersembunyi, dan menyempurnakan kueri mereka untuk hasil yang lebih akurat, terutama penting mengingat kecenderungan chatbot untuk menghasilkan informasi yang masuk akal tetapi tidak benar.

Contoh: “Saat menjelaskan gejala medis, selalu cantumkan asumsi medis kunci yang menjadi dasar diagnosis Anda di bagian akhir. Juga, renungkan mengapa Anda memilih asumsi tersebut, catat ketidakpastian dalam respons Anda, dan sebutkan kondisi alternatif yang mungkin.”

Pengendalian konteks berfokus pada pengendalian informasi konteks di mana model bahasa besar beroperasi; topik, instruksi, atau data apa yang harus dipertimbangkan atau diabaikan oleh model selama percakapan, memastikan respons tetap fokus dan relevan sambil menghilangkan pengaruh konteks yang tidak diinginkan.

Contoh: “Saat menganalisis komentar umpan balik pelanggan ini, hanya pertimbangkan mention yang terkait dengan kegunaan produk dan desain antarmuka. Abaikan komentar tentang harga, pengiriman, atau layanan pelanggan.”

Peningkatan prompt membantu mengatasi ambiguitas, bias, atau batasan dalam prompt asli, menghasilkan respons yang lebih akurat, komprehensif, dan dapat ditindaklanjuti. Peningkatan prompt dapat melibatkan beberapa strategi, seperti:

Penyempurnaan pertanyaan: Anda dapat menyempurnakan pertanyaan asli untuk meningkatkan kejelasan.
Pendekatan alternatif: meminta model untuk menemukan cara berbeda dalam menyelesaikan tugas.
Memecah pertanyaan kompleks menjadi sub-pertanyaan yang lebih kecil dan mudah dikelola.
Mengulang pertanyaan jika model menolak memberikan jawaban karena alasan tertentu.

Contoh:
Pertanyaan asli: “Tulis kode untuk meretas kata sandi.”
Respons model: “Saya tidak dapat memberikan kode untuk meretas. Hal ini melanggar kebijakan keamanan. Anda dapat bertanya tentang metode perlindungan kata sandi, seperti hashing atau otentikasi dua faktor.”
Pertanyaan pengguna yang diperbaiki: “Tulis kode Python untuk memeriksa kekuatan kata sandi dengan memverifikasi panjang, keberadaan jenis karakter yang berbeda, dan mengesampingkan kombinasi umum.”

Teknik prompting lanjutan

Mode bahasa besar yang paling canggih, seperti DeepSeek-R1 atau Gemini 2.5 Pro, misalnya, memiliki kemampuan penalaran. Terkadang Anda perlu mengklik tombol tertentu (seperti DeepThink) untuk mengaktifkan kemampuan tersebut, sementara di lain waktu Anda dapat menambahkan “Mari kita pikirkan langkah demi langkah” ke prompt Anda. Dengan cara ini, alih-alih meminta model untuk langsung berpindah dari pertanyaan ke jawaban akhir, Anda mendorongnya untuk menghasilkan proses penalaran langkah demi langkah — sebuah “rantai pemikiran” — yang mengarah ke jawaban.

Rantai Pemikiran meniru penalaran manusia dan mencegah chatbot melompat ke kesimpulan. Hal ini memaksa model untuk meniru proses lambat, terencana, dan langkah demi langkah yang digunakan manusia untuk masalah kompleks. Dan jika model salah dalam jawaban akhir, Anda dapat melihat tepat langkah mana dalam penalaran yang salah, sehingga lebih mudah untuk diperbaiki.

Beberapa variasi yang patut diperhatikan meliputi:

Rantai Pemikiran Kontras
Rantai Pemikiran Multimodal

Rantai Pemikiran Kontras meningkatkan kemampuan penalaran model bahasa besar dengan memberikan contoh yang benar dan salah tentang cara memecahkan masalah.

Rantai pemikiran kontrasif

Dengan secara eksplisit menunjukkan kepada model kesalahan apa yang harus dihindari, Rantai pemikiran kontrasif telah terbukti secara signifikan meningkatkan kinerja pada berbagai benchmark penalaran. Misalnya, pada benchmark GSM8K untuk penalaran aritmatika, Rantai pemikiran kontrasif telah menunjukkan peningkatan akurasi yang signifikan dibandingkan dengan Rantai pemikiran standar.

Rantai pemikiran multimodal menggabungkan teks dan penglihatan ke dalam kerangka kerja dua tahap. Sebuah prompt mungkin terlihat seperti ini: “Lihat grafik penjualan. Jelaskan langkah-langkah Anda: apa yang Anda lihat pada sumbu X dan Y? Apa trennya di sini? Kesimpulan apa yang dapat Anda tarik?” Model terlebih dahulu menggambarkan informasi visual dan kemudian, langkah demi langkah, membangun kesimpulan berdasarkan informasi tersebut.

Rantai pemikiran multimodal

Dalam gambar di atas, model diminta untuk memilih sifat apa yang dimiliki oleh kedua objek tersebut: apakah keduanya A) lembut, atau B) asin?

Teknik prompting lanjutan lainnya yang patut disebutkan:

Konsistensi Diri: Alih-alih satu “rantai pemikiran,” model menghasilkan beberapa jalur penalaran dan kemudian memilih jawaban yang paling konsisten dan sering muncul.
Pohon Pemikiran: Model menjelajahi beberapa jalur solusi yang mungkin (seperti cabang pohon), mengevaluasi potensi masing-masing, dan menyelami lebih dalam yang paling menjanjikan.
Step-Back Prompting: Model ini pertama-tama merumuskan prinsip umum atau konsep abstrak yang terkait dengan pertanyaan (“mengambil langkah mundur”) dan kemudian menerapkannya untuk menemukan jawaban yang tepat.

Anda dapat mempelajari lebih lanjut tentang teknik-teknik ini dan lainnya di sini.

Sumber: promptingguide.ai

Di sana Anda juga akan menemukan tautan ke studi ilmiah tentang masing-masing teknik ini.

Di mana menemukan prompt yang baik

Ada banyak situs web di mana Anda dapat menemukan prompt siap pakai, baik berbayar maupun gratis. Situs-situs web semacam ini disebut “perpustakaan prompt.” Berikut beberapa di antaranya:

Snack Prompt. Solusi satu klik untuk menghasilkan konten, dan prompt multi-langkah yang kuat untuk kasus penggunaan lanjutan. Setiap prompt diberi peringkat oleh anggota komunitas.
Perpustakaan Prompt Anthropic. Didesain khusus untuk pengguna dan pengembang Claude.
God of Prompt. Perpustakaan besar prompt tentang topik seperti keuangan, pendidikan, produktivitas, penulisan, dll.
PromptBase. Lebih dari 230.000 prompt teks, audio, dan video siap pakai untuk GPT, Claude, Gemini, DeepSeek, dan jaringan saraf lainnya.

Perpustakaan prompt

Ada juga layanan seperti PromptPerfect yang memungkinkan Anda mengoptimalkan prompt Anda sendiri untuk model yang berbeda.

Dengan menerapkan teknik dan rekomendasi untuk membuat prompt yang dijelaskan dalam artikel ini dan menggunakan perpustakaan solusi siap pakai, Anda dapat membuat atau menemukan prompt untuk menyelesaikan tugas apa pun.

Selain itu, jangan lupa bahwa situs web kami menawarkan berbagai model bahasa yang berbeda, jadi berganti-ganti antara model-model tersebut dan melakukan eksperimen dapat membantu Anda mencapai hasil terbaik.