Apa itu Few-Shot Prompting (Teknik Contoh Instruksi AI)?

Apa itu Few-Shot Prompting?

Few-Shot Prompting adalah teknik pengkondisian instruksi pada model bahasa besar (Large Language Model) dengan menyertakan sejumlah kecil contoh konkret (biasanya 2 hingga 5 contoh pasangan input dan output yang diharapkan) langsung di dalam prompt sebelum memberikan pertanyaan inti yang sesungguhnya.

Metode ini pertama kali dipopulerkan secara luas dalam makalah ilmiah perintis OpenAI tentang GPT-3 ("Language Models are Few-Shot Learners") pada tahun 2020. Peneliti membuktikan bahwa LLM berskala besar memiliki kemampuan adaptasi pembelajaran dalam konteks (in-context learning). Tanpa perlu memperbarui bobot parameter internal model lewat fine-tuning yang mahal, model mampu menangkap pola format, gaya bahasa, klasifikasi sentimen, atau aturan logika khusus hanya dengan membaca contoh demonstrasi di teks instruksi.

Perbandingan: Zero-Shot, One-Shot, dan Few-Shot

1. Zero-Shot Prompting: Model diminta langsung mengerjakan tugas tanpa diberikan contoh apa pun. Contoh: "Tentukan sentimen kalimat ini: 'Pengiriman paketnya sangat cepat!' Jawab Positif atau Negatif."
2. One-Shot Prompting: Menyertakan tepat 1 contoh panduan agar model memahami format keluaran yang diinginkan.
3. Few-Shot Prompting: Menyertakan 2 atau lebih contoh beragam untuk mendemonstrasikan berbagai skenario kasus tepi (edge cases) dan format struktur data yang konsisten.

Cara kerja di dalam mekanisme Attention

Ketika model membaca prompt yang berisi beberapa contoh demonstrasi:

• Modul self-attention memetakan korelasi pola sintaksis antara bagian input contoh dengan bagian target jawabannya.
• Alih-alih mengandalkan pengetahuan umum yang luas dari data pelatihan, ruang aktivasi model diarahkan (conditioned) untuk meniru gaya, nada bicara, pembatasan kosa kata, dan aturan pemisah tanda baca yang tercantum pada contoh.
• Saat membaca pertanyaan baru di baris terakhir, model secara alami melanjutkan teks mengikuti ritme struktural yang telah terbentuk sebelumnya.

Contoh penerapan praktis

• Ekstraksi Informasi Terstruktur: Menunjukkan contoh ekstraksi nama produk, alamat pengiriman, dan nomor telepon dari percakapan pelanggan bebas ke format JSON yang konsisten.
• Klasifikasi Teks Khusus: Mengelompokkan tiket komplain layanan pelanggan ke kategori internal perusahaan (seperti TEKNIS_JARINGAN, TAGIHAN_BILLING, PENGEMBALIAN_DANA).
• Standardisasi Gaya Penulisan: Menginstruksikan model menulis deskripsi barang dengan gaya bahasa santai atau formal yang seragam.

Batasan dan salah paham umum

• Menghabiskan kuota Context Window: Menyertakan 5 contoh teks lengkap memakan ratusan hingga ribuan token pada setiap kali permintaan, yang meningkatkan tagihan biaya input token API dan memperlambat waktu inferensi.
• Sensitivitas urutan dan bias contoh: Model rentan terhadap bias pemilihan contoh (recency bias). Jika seluruh contoh yang diberikan memiliki label jawaban positif, model cenderung ikut menebak positif pada pertanyaan baru meskipun faktanya negatif. Variasi kelas contoh harus seimbang.
• Bukan pengganti fine-tuning untuk tugas domain masif: Jika tugas memerlukan pemahaman istilah korporat yang sangat kompleks dan puluhan ribu aturan spesifik, few-shot prompting menjadi tidak efisien dibanding melakukan penyesuaian bobot model (fine-tuning).

Rujukan resmi

• Brown et al. (OpenAI): Language Models are Few-Shot Learners (Makalah resmi perintis GPT-3 dan In-Context Learning, Pengecekan: 1 Oktober 2026, rujukan resmi: arxiv.org/abs/2005.14165).
• Anthropic Claude Documentation: Prompt Engineering - Give Claude Examples (Few-Shot Prompting) (Pengecekan: 1 Oktober 2026, rujukan resmi: docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/give-examples).
• Google Cloud Vertex AI: Design Few-Shot Prompts for Gemini Models Documentation (Pengecekan: 1 Oktober 2026, rujukan resmi: cloud.google.com/vertex-ai/docs/generative-ai/text/few-shot-prompt-examples).