Prompt Engineering 03: Memberi Konteks dan Peran

Bayangkan kamu meminta bantuan rekan kerja yang sangat pintar tetapi baru bergabung hari ini. Ia tidak tahu proyekmu, atasanmu, atau standar timmu. Hasil kerjanya akan sebaik informasi yang kamu berikan. Model bahasa ada di posisi yang sama setiap kali percakapan baru dimulai.

Yang akan dipelajari

• Jenis konteks yang paling berpengaruh
• Menjelaskan pembaca dan tujuan
• Kapan memberi peran ("kamu adalah…") membantu
• Konteks yang terlalu banyak dan tidak relevan

Jenis konteks yang paling berpengaruh

Konteks	Kenapa penting	Contoh
Pembaca	Menentukan tingkat bahasa, istilah, dan contoh	"Pembacanya dosen penguji" vs "pembacanya siswa SMA"
Tujuan	Menentukan apa yang ditonjolkan	"Untuk meyakinkan reviewer" vs "untuk dipahami pemula"
Latar belakang	Mencegah saran yang tidak cocok	"Data saya hanya 200 citra", "Saya memakai Python 3.11"
Apa yang sudah dicoba	Mencegah saran yang sudah kamu tahu	"Saya sudah mencoba augmentasi, hasilnya tetap overfit"
Kriteria sukses	Memberi ukuran hasil yang baik	"Berhasil jika bisa dibaca dalam 1 menit"

Menjelaskan pembaca dan tujuan

Tanpa konteks:

Ringkas abstrak ini.
"""
[abstrak paper]
"""

Dengan konteks:

Ringkas abstrak berikut untuk unggahan LinkedIn yang dibaca rekan
praktisi industri kesehatan (bukan peneliti AI).
Tujuannya: mereka paham masalah apa yang diselesaikan dan manfaat praktisnya.
Hindari istilah seperti "residual U-Net" kecuali dijelaskan.

"""
[abstrak paper]
"""

Abstrak yang sama akan menghasilkan ringkasan yang sangat berbeda untuk pembaca yang berbeda. Tanpa konteks, model memilih pembaca "rata-rata", yang belum tentu pembacamu.

Memberi peran

Memberi peran berarti menulis sesuatu seperti "Kamu adalah reviewer jurnal yang teliti". Peran bisa membantu karena mengarahkan sudut pandang, kosakata, dan standar yang dipakai.

Peran membantu ketika ia membawa standar atau sudut pandang yang spesifik:

Bertindaklah sebagai reviewer jurnal Q1 bidang computer vision.
Baca bagian metodologi berikut dan sebutkan kelemahan yang kemungkinan
akan dipertanyakan reviewer, diurutkan dari yang paling serius.

Peran kurang berpengaruh ketika hanya berupa label umum tanpa informasi:

Kamu adalah AI yang sangat pintar dan ahli dalam segala hal.

Kalimat seperti ini tidak memberi informasi baru. Lebih baik ganti dengan konteks nyata: siapa pembacanya, standar apa yang dipakai, dan apa yang harus diperhatikan.

Peran bukan pengganti konteks. "Kamu adalah dosen" tidak memberi tahu model mata kuliah apa, tingkat mahasiswa, atau tujuan materinya.

Konteks yang terlalu banyak

Konteks yang baik itu relevan, bukan sekadar banyak. Menempelkan seluruh riwayat proyek untuk pertanyaan kecil bisa membuat model salah fokus.

Sebelum menambahkan konteks, tanyakan: "Apakah informasi ini akan mengubah jawaban yang ideal?" Kalau tidak, hapus saja.

Coba sendiri

Pakai kerangka konteks ini untuk satu tugas nyata:

[Tugas]

Konteks:
- Pembaca/pengguna hasil: …
- Tujuan: …
- Latar belakang yang relevan: …
- Yang sudah saya coba: …
- Hasil yang baik itu: …

Catatan bahasa Inggris

Peran yang berkaitan dengan dunia internasional, misalnya "reviewer for an IEEE journal", kadang lebih tepat ditulis dengan istilah aslinya, karena model banyak "melihat" standar tersebut dalam bahasa Inggris. Instruksi utamanya tetap boleh berbahasa Indonesia, dan minta jawaban dalam bahasa Indonesia bila perlu.

Kesalahan yang sering terjadi

Kesalahan	Perbaikan
Peran tanpa konteks ("kamu dosen, buat materi")	Tambahkan mata kuliah, tingkat mahasiswa, tujuan pertemuan
Tidak menyebut apa yang sudah dicoba	Model menyarankan hal yang sudah kamu lakukan
Konteks sangat panjang dan tidak relevan	Saring dengan pertanyaan "apakah ini mengubah jawaban?"
Mengandalkan model "ingat" percakapan kemarin	Ulangi konteks penting di percakapan baru

Latihan

1. Tambahkan konteks pada prompt ini: "Perbaiki email ini." (anggap email berisi permintaan perpanjangan tenggat tugas ke dosen).
2. Ubah peran umum ini menjadi peran yang spesifik dan berguna: "Kamu adalah ahli pemrograman." untuk tugas review kode Python skrip pengolahan data.
3. Kamu bertanya, "Kenapa model saya overfitting?" Tulis tiga informasi konteks yang paling mungkin mengubah jawaban model.

Contoh jawaban

Latihan 1

Perbaiki email berikut yang akan saya kirim ke dosen pembimbing
untuk meminta perpanjangan tenggat laporan 3 hari.
Hubungan kami formal tetapi cukup dekat. Alasan saya: data eksperimen
harus diulang karena server laboratorium sempat mati.
Buat nadanya sopan, tidak berlebihan meminta maaf, dan tawarkan
tanggal pengumpulan baru. Maksimal 120 kata.

"""
[draf email]
"""

Alasannya: pembaca (dosen pembimbing), tujuan (perpanjangan 3 hari), latar (server mati), dan gaya yang diinginkan membuat model bisa menyesuaikan nada, bukan sekadar memperbaiki tata bahasa.

Latihan 2

Bertindaklah sebagai engineer data senior yang mereview kode Python
untuk pipeline pengolahan data di tim kecil. Fokus pada: kebenaran logika,
penanganan nilai kosong, dan kode yang sulit dipelihara.
Abaikan masalah gaya penulisan kecil yang bisa diperbaiki otomatis oleh formatter.

Alasannya: peran sekarang membawa standar review yang jelas dan prioritas yang spesifik.

Latihan 3

Contoh informasi yang paling berpengaruh: (1) jumlah dan jenis data latih serta validasi, (2) arsitektur model dan jumlah parameternya, (3) kurva loss latih vs validasi dan apa yang sudah dicoba (augmentasi, dropout, early stopping). Tanpa informasi ini, model hanya bisa memberi daftar saran umum.