Apa itu Prompt Engineering (Rekayasa Prompt AI)?

Apa itu Prompt Engineering?

Prompt Engineering adalah praktik merancang, menyempurnakan, dan mengoptimalkan teks masukan (prompt) yang dikirimkan ke model bahasa besar (Large Language Model / LLM) agar model menghasilkan jawaban dengan kualitas, akurasi, dan format yang diinginkan.

Model bahasa beroperasi dengan memperkirakan kemungkinan token berikutnya berdasarkan seluruh rangkaian kata yang diterimanya. Tanpa instruksi yang terarah, ruang kemungkinan jawaban menjadi sangat luas dan sering menghasilkan jawaban yang terlalu umum, ambigu, atau bertele-tele. Melalui rekayasa prompt, pengguna menyempitkan ruang probabilitas tersebut dengan menyertakan peran, batasan, konteks latar belakang, serta contoh keluaran yang diharapkan.

Struktur dan komponen prompt yang efektif

Prompt berkualitas umumnya memadukan beberapa komponen struktural:

1. Instruksi Inti (Task Instruction): Perintah langsung yang mendefinisikan apa yang harus dikerjakan model (misalnya: Ringkas dokumen berikut, Ekstrak entitas nama orang, atau Tulis kode fungsi validasi).
2. Konteks & Latar Belakang (Context): Informasi pendukung, dokumen rujukan, atau data spesifik yang menjadi landasan model dalam berpikir.
3. Batasan Operasional (Constraints): Aturan tegas tentang apa yang boleh dan tidak boleh dilakukan (misalnya: Gunakan maksimal 3 kalimat, Hanya jawab berdasarkan dokumen yang dilampirkan, atau Jangan menyertakan salam pembuka).
4. Format Keluaran (Output Format): Struktur teknis hasil akhir, seperti skema JSON, tabel Markdown, atau daftar berpoin.
5. Contoh Demonstrasi (Few-Shot Examples): Pasangan contoh masukan dan keluaran untuk memandu gaya bahasa dan logika penalaran model.

Contoh penerapan praktis

Contoh 1: Ekstraksi data terstruktur (JSON)

Instruksi prompt yang terstruktur:

Anda adalah sistem parser data transaksi. Ekstrak informasi dari teks berikut menjadi JSON murni tanpa penjelasan pembuka atau penutup.

Format yang wajib dipatuhi:
{
  "merchant": string,
  "nominal": number,
  "metode_pembayaran": string,
  "status": "berhasil" | "gagal"
}

Teks:
"Pembayaran sebesar Rp 150.000 ke Toko Serba Ada via QRIS telah berhasil diproses pada pukul 14:15."

Model akan langsung menghasilkan:

{
  "merchant": "Toko Serba Ada",
  "nominal": 150000,
  "metode_pembayaran": "QRIS",
  "status": "berhasil"
}

Contoh 2: Panduan gaya dan batasan ketat

Instruksi tanpa rekayasa prompt:

"Tolong jelaskan apa itu DNS."

Instruksi dengan prompt engineering:

"Jelaskan fungsi DNS kepada seorang administrator jaringan pemula. Batasi penjelasan dalam dua paragraf pendek. Gunakan analogi buku telepon internet dan sebutkan dua jenis record yang paling sering digunakan (A record dan CNAME). Hindari istilah pemasaran."

Batasan dan salah paham umum

• Bukan pengganti fine-tuning atau data pelatihan: Rekayasa prompt memandu model memanfaatkan pengetahuan yang sudah ada di dalam bobot atau konteks masukan. Teknik ini tidak bisa menambahkan data privat perusahaan secara permanen ke dalam bobot model.
• Sangat peka terhadap versi model: Pola instruksi yang bekerja sempurna pada Claude 3.5 Sonnet belum tentu menghasilkan keluaran identik pada GPT-4o atau Gemini 1.5 Pro karena perbedaan tokenizer, arsitektur perhatian, dan penyelarasan instruksi (instruction tuning).
• Memperbesar biaya input token: Menyertakan terlalu banyak contoh few-shot atau instruksi berulang akan meningkatkan jumlah token masukan, yang berdampak langsung pada biaya pemanggilan API dan latensi respon.

Rujukan resmi

• OpenAI Platform Documentation — Prompt Engineering Guide: platform.openai.com/docs/guides/prompt-engineering (Pengecekan: 11 Oktober 2026)
• Anthropic User Documentation — Prompt Engineering Interactive Tutorial & Best Practices: docs.anthropic.com (Pengecekan: 11 Oktober 2026)