Large Language Models — Pertemuan ke-3
Setelah materi ini, mahasiswa diharapkan mampu:
Prompting adalah cara kita menginstruksikan LLM lewat teks (dan kadang multimodal) agar menghasilkan keluaran yang berguna.
Berbeda dari pemrograman imperatif tradisional, perilaku model bersifat probabilistik: perubahan kecil pada kata-kata bisa mengubah jawaban secara besar.
Fokus pertemuan ini: teknik yang dapat dipraktikkan di API atau antarmuka chat, tanpa melatih ulang model.
Mengisi keempatnya secara eksplisit sering meningkatkan konsistensi dan keterukuran hasil.
Zero-shot: kita tidak memberi contoh input–output; hanya instruksi langsung.
Contoh (lemah — ambigu):
Jelaskan blockchain.
Contoh (lebih baik — audience + kedalaman):
Jelaskan blockchain untuk mahasiswa non-teknik dalam ±150 kata.
Gunakan analogi satu saja. Akhiri dengan satu kalimat tentang risiko umum.
Zero-shot kuat jika instruksi spesifik; lemah jika tugas langka atau format ketat tanpa contoh.
Few-shot: menyertakan beberapa pasangan contoh masukan → keluaran sebelum kasus nyata.
Contoh — klasifikasi sentimen (3 kelas):
Teks: "Pengiriman cepat, produk sesuai."
Label: positif
Teks: "Kemasan penyok, tapi barang masih jalan."
Label: netral
Teks: "Tidak pernah sampai, CS tidak membantu."
Label: negatif
Teks: "Sudah bayar, status tetap menunggu 5 hari."
Label:
Model cenderung menyalin pola format dan semantik dari contoh. Pilih contoh yang representatif dan bebas bias berlebihan.
Teks: / Label:) mengurangi kesalahan parsing.CoT meminta model menampilkan langkah penalaran sebelum jawaban akhir, sehingga tugas multi-langkah (matematika, logika, aturan bisnis) sering lebih stabil.
Contoh (few-shot CoT — gaya klasik):
Q: Roger punya 5 bola tenis. Ia membeli 2 kaleng berisi 3 bola tenis per kaleng.
Berapa banyak bola tenis yang ia punya sekarang?
A: Roger mulai dengan 5 bola. 2 kaleng × 3 bola = 6 bola tambahan.
Total 5 + 6 = 11. Jawaban: 11.
Q: Cafeteria punya 23 apel. Jika mereka memakai 20 untuk makan siang dan membeli 6 lagi,
berapa banyak apel yang mereka punya?
A:
Tanpa contoh, tambahkan pemicu penalaran di akhir pertanyaan, misalnya:
[pertanyaan Anda]
Jawab dengan langkah demi langkah, lalu beri kesimpulan satu baris di akhir.
Atau frasa terkenal dalam literatur: “Let’s think step by step” (efektif pada beberapa model/setting; uji di model Anda).
Catatan: CoT bisa memperpanjang jawaban dan biaya token; untuk produksi, minta ringkasan langkah atau hanya jawaban akhir setelah validasi internal.
Memberi peran membantu model mengadopsi gaya, tingkat detail, dan prioritas yang sesuai.
Contoh:
Anda adalah peninjau kode senior. Fokus pada keamanan, kejelasan, dan uji coba.
Berikan: (1) ringkasan risiko, (2) daftar temuan berat ringan,
(3) saran patch konkret. Gunakan bahasa Indonesia.
Risiko: peran bisa memperkuat kepercayaan berlebihan pada jawaban; tetap verifikasi fakta dan kode.
Di banyak API chat:
Praktik: taruh kebijakan yang jarang berubah di system; isi dinamis (dokumen RAG, form user) di user.
Contoh — ringkasan terstruktur:
Ringkas teks berikut dalam format:
## Ringkasan (maks. 3 kalimat)
## Poin kunci (bullet, maks. 5)
## Tindakan yang disarankan (bullet, maks. 3)
Teks:
""" ... """
Format jelas memudahkan pipeline otomatis (parse markdown/JSON) dan mengurangi “omelan” tak terduga.
Ekstrak informasi berikut dari teks pengguna dan kembalikan HANYA objek JSON valid
tanpa teks lain, dengan skema:
{
"nama": string,
"tanggal": string | null (format YYYY-MM-DD jika ada),
"jumlah": number | null,
"mata_uang": "IDR" | "USD" | null
}
Teks: "Saya, Budi, transfer 1.5 juta rupiah pada 3 Mei 2025 untuk invoice 77."
Tips: minta satu objek atau array jelas; sebutkan null jika tidak ada; hindari koma trailing jika parser ketat.
Untuk tugas besar, pecah menjadi sub-prompt berurutan atau berjenjang.
Alur contoh — laporan dari catatan rapat:
Menggabungkan semuanya dalam satu prompt panjang bisa berhasil, tetapi dekomposisi sering mengurangi halusinasi pada bagian kompleks.
Untuk satu pertanyaan, sampel beberapa rantai CoT (suhu > 0 atau beberapa completion), lalu pilih jawaban akhir yang paling sering muncul.
Kapan dipakai: matematika/logika kritis; trade-off: biaya komputasi dan latensi naik.
Di kelas ini cukup sebagai konsep; implementasi detail biasanya di kode orkestrasi, bukan satu prompt saja.
Contoh:
Jangan memberi nasihat medis diagnosis. Jika informasi tidak cukup, tulis
"DATA TIDAK CUKUP" dan sebutkan data apa yang diperlukan.
Hindari jargon hukum; gunakan bahasa sehari-hari.
Batasan konkret lebih baik daripada “jangan salah”.
Lemah:
Buat strategi marketing.
Lebih baik:
Buat outline strategi marketing digital 90 hari untuk UMKM kue kering online,
budget iklan ≤Rp2jt/bulan. Sertakan: channel, frekuensi konten, 3 metrik KPI,
dan risiko utama. Maks. 250 kata.
Spesifikitas domain, horizon, anggaran, dan keluaran mengurangi jawaban generik.
Lemah (instruksi ganda kabur):
Analisis dan jelaskan dan kritik dan perbaiki teks ini.
Lebih baik (urutan eksplisit):
Langkah 1: Parafrase singkat maks. 2 kalimat.
Langkah 2: Daftar 3 kelemahan dengan bukti kutipan dari teks.
Langkah 3: Revisi paragraf pembuka saja (maks. 120 kata).
Cocok untuk menulis, kode, dan desain; dokumentasikan versi prompt yang bekerja.
Prompt injection terjadi ketika konten tidak tepercaya (email, PDF, komentar web) memuat instruksi yang memancing model mengabaikan kebijakan Anda.
Mitigasi (tingkat prompt + sistem): pisahkan instruksi dan data dengan delimiter jelas; instruksikan “ikuti hanya bagian DATA”; filter/kuarantina input; output parsing ketat; lapisan kebijakan di luar model.
Ini bukan solusi sempurna hanya lewat satu kalimat ajaib — desain sistem tetap utama.
Prompt awal:
Tolong bantu saya presentasi.
Prompt setelah satu putaran klarifikasi (boleh digabung):
Saya akan presentasi 10 menit untuk dosen. Topik: prompting LLM.
Audiens: mahasiswa S1 TI. Butuh: struktur slide 8–10, usulan demo live 2 menit,
dan 3 pertanyaan diskusi. Nada: formal ringan.
Latihan: bandingkan keluaran kedua prompt pada model yang sama.
MK Large Language Models 03 - Anggit Wirasto