Apa itu Zero-Shot Prompting (Instruksi AI Tanpa Contoh)?

Apa itu Zero-Shot Prompting?

Zero-Shot Prompting adalah teknik rekayasa instruksi (prompt engineering) paling mendasar di mana pengguna memberikan tugas langsung kepada model bahasa besar (Large Language Model / LLM) tanpa memberikan satu pun contoh pasangan masukan-keluaran sebelumnya.

Istilah zero-shot (nol contoh) berakar dari disiplin pembelajaran mesin (machine learning), di mana model diuji untuk mengenali kelas data atau menyelesaikan tugas yang belum pernah diberikan contoh demonstrasi khususnya saat proses inferensi. Konsep ini menjadi fenomena dominan sejak publikasi arsitektur GPT-2 dan GPT-3 oleh OpenAI, yang membuktikan bahwa model bahasa yang dilatih dengan korpus teks internet raksasa mampu melakukan generalisasi tugas baru murni dari deskripsi kalimat instruksi saja.

Bagaimana cara kerja Zero-Shot Prompting?

Ketika model menerima sebuah prompt tanpa contoh:

1. Pemetaan Semantik Langsung: Model memproses kata-kata instruksi dan memetakannya ke ruang semantik representasi pengetahuan yang telah dibentuk selama fase pra-pelatihan (pre-training).
2. Penyelarasan Instruksi (Instruction Following): Berkat pelatihan lanjut berbasis instruksi (Instruction Fine-Tuning) dan penyelarasan preferensi manusia (RLHF / DPO), model mengenali pola kalimat tanya, perintah terjemahan, analisis sentimen, atau ringkasan sebagai tugas terstruktur yang harus diselesaikan.
3. Prediksi Autoregresif: Model menghasilkan kelanjutan token secara berurutan (token by token) yang paling konsisten dan relevan secara probabilitas logis terhadap maksud instruksi tersebut.

Contoh instruksi Zero-Shot

Contoh Perintah:

"Klasifikasikan sentimen ulasan pembeli berikut menjadi Positif, Netral, atau Negatif: 'Barang tiba tepat waktu, kemasan rapi, dan fungsinya berjalan normal tanpa kendala.'"

Contoh Respon Model:

"Positif"

Pada contoh di atas, model tidak membutuhkan contoh ulasan lain untuk memahami apa arti kategori sentimen atau bagaimana format jawaban harus diberikan.

Kapan sebaiknya menggunakan Zero-Shot?

• Tugas-tugas umum dan langsung: Meringkas artikel berita, menerjemahkan bahasa umum (misalnya Inggris ke Indonesia), mengoreksi kesalahan ejaan, atau menyusun draf surel formal.
• Penghematan kuota token dan biaya API: Karena tidak menyertakan contoh panjang di dalam prompt, jumlah token masukan (input token) jauh lebih hemat, yang berdampak langsung pada tagihan biaya komputasi yang lebih murah dan latensi respon yang cepat.
• Eksplorasi awal ide: Menjadi uji coba pertama untuk menilai apakah tugas dapat diselesaikan tanpa perlu menyusun dataset demonstrasi manual.

Batasan dan salah paham umum

• Kurang cocok untuk format keluaran yang rumit: Jika pengguna membutuhkan struktur JSON khusus, skema basis data spesifik, atau aturan gaya penulisan yang ketat, Zero-Shot sering kali meleset. Untuk kebutuhan ini, teknik Few-Shot Prompting atau Structured Outputs jauh lebih andal.
• Rentan terhadap salah tafsir konteks: Pada domain pengetahuan khusus (hukum, medis lokal, atau istilah teknis industri internal perusahaan), model bisa salah mengartikan nuansa kata jika tidak diberikan panduan contoh.
• Bukan berarti model belajar saat itu juga: Model tidak memperbarui bobot parameternya. Kinerja Zero-Shot bergantung sepenuhnya pada apa yang sudah diserap model selama proses pelatihan sebelum model dirilis.

Rujukan resmi

• Brown et al. (OpenAI): Language Models are Few-Shot Learners (Makalah fundamental pengujian Zero-Shot, One-Shot, dan Few-Shot pada LLM, Pengecekan: 3 Oktober 2026, rujukan resmi: arxiv.org/abs/2005.14165).
• Prompt Engineering Guide (DAIR.AI): Zero-shot Prompting Guide & Best Practices (Pengecekan: 3 Oktober 2026, rujukan resmi: promptingguide.ai/techniques/zeroshot).
• Anthropic Claude Documentation: Prompt Engineering Overview & Zero-Shot Guidelines (Pengecekan: 3 Oktober 2026, rujukan resmi: docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview).