Pernahkah Anda merasa frustrasi saat AI menghasilkan konten yang kurang sesuai harapan? Atau mungkin Anda bertanya-tanya, mengapa beberapa prompt menghasilkan hasil yang luar biasa, sementara yang lain tidak? Di sinilah seni prompt engineering berperan! Di era kecerdasan buatan (AI) yang terus berkembang, kita sebagai penulis – mulai dari copywriter, penulis konten, hingga penulis teknis – semakin mengandalkan model bahasa besar (LLM).
Dengan prompt yang tepat, kita bisa meningkatkan efisiensi kerja, menghasilkan konten berkualitas, dan yang terpenting, menghemat banyak waktu dan usaha. Artikel ini akan menjadi panduan lengkap Anda untuk memahami praktik terbaik dalam prompt engineering, termasuk teknik-teknik praktis, contoh nyata, studi kasus, dan tips optimasi. Mari kita mulai perjalanan ini bersama!
Mengapa Prompt Engineering Sangat Penting?
- Bukan Sekadar Pertanyaan: Prompt bukanlah sekadar pertanyaan atau perintah biasa. Prompt yang baik adalah instruksi yang terstruktur dan jelas, seperti brief yang sempurna, yang membimbing AI untuk memberikan output yang tepat.
- Meningkatkan Efisiensi Kerja: Prompt yang efektif bisa menghemat waktu hingga 50%
- Meningkatkan Kualitas Konten: Prompt yang baik memastikan bahwa konten yang dihasilkan relevan, akurat, dan sesuai dengan kebutuhan Anda. Ini artinya, Anda tidak perlu lagi membuang waktu untuk memoles output yang tidak relevan.
- Menghemat Waktu dan Usaha: Daripada terus menerus mencoba dan gagal, prompt engineering akan membantu Anda membuat prompt yang tepat sehingga Anda bisa bekerja lebih cerdas dan efisien.
Studi menunjukkan bahwa prompt yang terstruktur dengan baik dapat mengurangi waktu revisi hingga 40% dan meningkatkan efisiensi secara keseluruhan. Dengan memahami prompt engineering, Anda akan dapat mengoptimalkan penggunaan LLM dan menghasilkan konten berkualitas dengan lebih sedikit usaha. Ini seperti memberi instruksi yang jelas kepada seorang asisten yang siap membantu Anda.
Struktur Dasar Prompt yang Efektif
Sebelum kita menyelami lebih dalam teknik prompt engineering, penting bagi kita untuk memahami apa saja elemen kunci yang membangun prompt yang efektif. Bayangkan prompt sebagai resep untuk sebuah hidangan: jika salah satu bahannya tidak tepat, hasilnya pun tidak akan sesuai harapan.
| Elemen | Deskripsi | Contoh |
| Instruksi | Ini adalah tindakan yang ingin Anda minta dari AI. Pikirkan ini sebagai kata kerja yang menggerakkan prompt, seperti “Tulis”, “Ringkas”, atau “Buat.” | Gunakan kalimat imperatif seperti: “Tulis artikel”, “Periksa artikel berikut”, “Buat caption” |
| Konteks | Ini adalah latar belakang yang membantu AI memahami tugas. Semakin banyak informasi yang Anda berikan, semakin baik AI memahami tujuan dan ekspektasi Anda. | Gunakan Search intent, Target audiens, gaya bahasa, tujuan konten |
| Contoh | Jika diperlukan, berikan contoh input-output untuk memandu AI. Ini seperti menunjukkan kepada AI bagaimana Anda ingin konten tersebut terlihat dan terdengar. | Memberi contoh bagaimana konten harus terlihat dan terdengar |
| Batasan | Ini adalah aturan main yang perlu diikuti AI. Pikirkan ini sebagai parameter yang menjaga AI tetap pada jalur dan menghasilkan output yang sesuai dengan kebutuhan Anda. | Jumlah kata, gaya bahasa, kata kunci |
| Format Output | Ini adalah cara Anda ingin output disajikan. Apakah Anda ingin daftar poin, paragraf, tabel, atau markdown? Dengan menentukan format, Anda mendapatkan output yang terstruktur. | Daftar poin, paragraf, tabel, markdown, HTML, dll |
Teknik-Teknik Prompt Engineering yang Disarankan untuk Penulis
Sekarang kita akan membahas beberapa teknik prompt engineering yang dapat Anda gunakan untuk meningkatkan kualitas output LLM. Meski ada ratusan jenis prompt yang bisa dipelajari, penulis hanya membatasi pada 6 teknik dasar berikut:
| Nama Teknik | Deskripsi | Key Idea |
| Role playing | Memberi tahu AI untuk bertindak seperti seseorang (misalnya, jurnalis atau penulis) agar hasilnya sesuai. | AI bertindak seperti expert di bidangnya. Gunakan role seperti: Senior writer, Tech Writer, SEO editor, dll. |
| Task Decomposition | Memecah tugas besar menjadi bagian-bagian kecil agar lebih mudah dikerjakan. | Memecah tugas kompleks jadi lebih mudah dipahami |
| Instruction-Based Prompting | Memberikan perintah yang jelas dan detail kepada AI agar hasilnya sesuai yang diinginkan. | Perintah yang jelas dan imperatif |
| Constraint-Based Prompting | Memberikan batasan pada hasil AI (misalnya, jumlah kata, gaya bahasa) agar lebih terarah. | Batasi agar tetap fokus. |
| Output Formatting | Menentukan bagaimana hasil AI akan ditampilkan (misalnya, daftar atau tabel). | Format sesuai contoh |
| Few-Shot Prompting | Memberikan beberapa contoh agar AI bisa belajar dan meniru. | AI belajar dari contoh. |
Studi Kasus: Prompt untuk Ekstrak LSI dari Artikel Kompetitor:
Berikut salah satu contoh prompt yang sering penulis gunakan:
"As labeling team specialized with NLP, your task is to extract semantic indexing (LSI) from given document.
document: {}
Task:
1.Define the key topic or target keyword: {}
2. Analyze the provided text and extract 5 LSI keywords relevant to the target keyword.
3. The extracted keywords should:
a.Share a semantic relationship with the main topic but not be direct synonyms.
b.Avoid containing the target keyword or its exact phrasing.
c. Be 1 to 4 words long to capture nuanced concepts.
d. can be related entity, value, or attribute of target keywords
5. Ensure the extracted terms reflect the context and vocabulary relevant to the domain or subject of the text.
Retain the original language of the text.
Provide the keywords in inline format, separated by commas (e.g., keyword1, keyword2, keyword3)."
Output: Table (|Feature|Description|Prompt|)"Prompt ini bertugas untuk menganalisa dokument (artikel), menentukan topik utama, dan meng-ekstrak LSI (latent semantic indexing) yang ada diartikel tersebut. Pada prompt tersebut, penulis menggunakan definisi LSI versi Mbah Anas saat mengajar di SEO Revolution.
Berikut penjelasan apa saja komponen dari prompt di atas:
| Fitur | Deskripsi | Contoh Prompt |
| Pemberian Peran (Role Prompting) | Menetapkan persona atau peran khusus pada LLM, yang membimbing perilaku dan output-nya. | “Sebagai tim labeling yang berspesialisasi dalam NLP, tugas Anda adalah…” |
| Penguraian Tugas (Task Decomposition) | Memecah tugas yang kompleks menjadi sub-tugas yang lebih kecil dan lebih mudah dikelola. | Langkah-langkah bernomor 1-5 dengan jelas mendefinisikan tindakan individu yang perlu diambil LLM. |
| Instruksi Berbasis (Instruction-Based Prompting) | Memberikan instruksi yang jelas dan spesifik tentang cara tugas harus dilaksanakan. | Instruksi di dalam setiap langkah menguraikan apa yang perlu diekstraksi, bagaimana menganalisis, dan kualitas yang harus dimiliki output. (contohnya, “analisis teks yang diberikan”, “berbagi hubungan semantik”, “1 hingga 4 kata”). |
| Batasan/Aturan Berbasis (Constraints/Rules-Based Prompting) | Menetapkan batasan dan aturan yang harus dipatuhi LLM selama pelaksanaan tugas. | Instruksi seperti: “hindari mengandung kata kunci target,” “Berupa 1 hingga 4 kata,” “Pertahankan bahasa asli teks” secara eksplisit mendefinisikan apa yang diizinkan dan tidak diizinkan. |
| Format Output (Output Formatting) | Menentukan struktur dan format yang diinginkan untuk respons LLM. | “Berikan kata kunci dalam format inline, dipisahkan dengan koma (contohnya, kata kunci1, kata kunci2, kata kunci3).” |
| Potensi Few-Shot Prompting | Meskipun tidak secara eksplisit disampaikan, contoh dalam format output dapat dikategorikan sebagai zero-shot atau one-shot jika deskripsi tugas dipasangkan dengan satu contoh output. Ini tidak jelas dalam prompt asli. | “Berikan kata kunci dalam format inline, dipisahkan dengan koma (contohnya, kata kunci1, kata kunci2, kata kunci3).” |
Berikut komparasi output dari prompt yang penulis buat dengan contoh prompt yang sangat sederhana (Model: ChatGPT 4o Mini, Temporary Chat untuk mencegah penggunaan Memory oleh GPT)
Prompt kedua dan pertama sama-sama dapat:
- Menentukan topik utama dalam artikel yang penulis analisis
- Mencari kata-kata yang relevan serta memiliki hubungan semantik dengan topik utama
Tapi, output prompt 1 memiliki hasil yang lebih baik:
- Daftar kata/kalimat yang ditemukan dalam artikel, bukan dari data GPT sendiri
- Memiliki struktur output yang sesuai dengan kebutuhan penulis (list yang dipisahkan comma, bukan bullet list)
- Jika Anda menggunakan kedua list sebagai queries, hanya output1 yang memiliki hasil pencarian ‘prompt engineering’. Sedangkan output2 lebih mengarah pada LLM secara umum
Penasaran? Akses link chatGPT-nya di sini:
Hal yang Perlu Dihindari Saat Prompting
Saat membuat prompt, ada beberapa kesalahan umum yang perlu dihindari:
- Instruksi yang Terlalu Umum dan Tidak Spesifik: Pastikan instruksi Anda jelas, terukur, dan tidak ambigu. Jika tidak, AI akan kesulitan memahami apa yang Anda inginkan.
- Instruksi yang Terlalu Banyak: Terlalu banyak batasan dapat membatasi kreativitas LLM dan membuat output menjadi kaku dan tidak alami. Instruksi yang terlalu banyak juga dapat mempertinggi tingkat halusinasi pada LLM
- Tidak Melakukan Iterasi: Jangan hanya puas dengan hasil yang pertama. Teruslah lakukan iterasi, pengujian, dan perbaikan untuk mendapatkan hasil yang paling optimal.
Kesimpulan
Sebagai penulis, kata-kata adalah kekuatan Anda. Prompt engineering adalah kunci untuk memanfaatkan AI sebagai mitra kreatif. Dengan teknik yang tepat, Anda bisa mengasah kreativitas, menghemat waktu, dan menghasilkan konten berkualitas. Jangan berhenti belajar dan bereksperimen. Jadikan AI sekutu dalam proses kreatif Anda. Teruslah menulis prompt dan bentuk masa depan penulisan. Anda bukan hanya penulis, tetapi juga perintis.
Disclaimer: Artikel ini ditulis dengan bantuan Gemini: Reverse analysis prompt + Grounding untuk membedah metode yang penulis gunakan.