Prompt yang buruk bukan soal panjang atau pendeknya, tapi soal seberapa jelas instruksi yang Anda berikan. Artikel ini membahas lima kesalahan prompt engineering yang paling sering terjadi, menyandingkan contoh prompt buruk dan prompt baik, menyediakan template siap pakai, serta menunjukkan cara menguji prompt secara sistematis agar output AI lebih konsisten dan bisa diandalkan untuk pekerjaan sehari-hari.
Studi Kasus: Prompt Buruk vs Prompt Baik
Perbedaan paling jelas terlihat saat membandingkan dua prompt untuk tugas yang sama.
Prompt buruk: "buatkan ringkasan artikel ini" — AI menebak panjang, format, dan fokus. Hasilnya generik.
Prompt baik: "Ringkas artikel terlampir menjadi 5 poin utama, masing-masing maksimal 2 kalimat, fokus pada implikasi praktis untuk UMKM. Sajikan sebagai daftar bernomor."
Prompt kedua menghilangkan semua keputusan yang seharusnya bukan tugas AI. Itulah inti prompt engineering: kurangi ambiguitas, bukan menambah kata.
Template Prompt Siap Pakai
Gunakan kerangka Peran + Tugas + Konteks + Format + Batasan:
- Peran: "Anda adalah penulis konten SEO untuk UMKM Indonesia."
- Tugas: "Tulis 5 judul alternatif untuk artikel berikut."
- Konteks: "Target pembaca: pemilik toko online pemula."
- Format: "Daftar bernomor, maksimal 60 karakter per judul."
- Batasan: "Hindari klise seperti 'panduan lengkap' atau 'terbaik'."
Template ini menghilangkan 80% kesalahan yang dibahas di atas tanpa Anda perlu menghafal trik apa pun.
Cara Menguji Prompt Secara Sistematis
Jangan ubah lima variabel sekaligus. Ubah satu elemen per percobaan, lalu bandingkan hasilnya. Simpan versi prompt yang paling baik dalam satu dokumen dan beri nama, misalnya prompt-ringkas-v3. Dalam sebulan, Anda akan punya pustaka prompt pribadi yang jauh lebih berharga daripada koleksi prompt orang lain.
Checklist Sebelum Prompt Dikirim
Sebelum menekan enter, periksa lima hal ini. Seluruh pemeriksaan butuh kurang dari satu menit, tetapi mencegah mayoritas output yang meleset:
- Audiens: sudah tertulis untuk siapa hasil ini dibuat (pemula, manajer, klien)?
- Format: AI tahu bentuk keluaran yang diharapkan — daftar, tabel, paragraf, atau JSON?
- Panjang: ada batasan eksplisit (jumlah poin, kata, atau kalimat)?
- Konteks: data penting sudah disertakan, bukan diasumsikan AI tahu?
- Batasan: hal yang tidak boleh dilakukan sudah disebut (tanpa jargon, tanpa klaim harga)?
Tabel Ringkas: Gejala, Penyebab, Perbaikan
| Gejala output | Penyebab umum | Perbaikan cepat |
|---|---|---|
| Terlalu umum dan generik | Tanpa konteks audiens dan tujuan | Tambahkan siapa pembacanya dan tujuan penggunaan |
| Format berantakan | Format keluaran tidak ditentukan | Sebutkan eksplisit: daftar bernomor, tabel, atau paragraf |
| Menjawab setengah permintaan | Banyak tugas ditumpuk dalam satu prompt | Pecah menjadi beberapa prompt berurutan |
| Gaya tidak konsisten antar sesi | Tidak ada contoh acuan (few-shot) | Berikan 1–2 contoh output yang dianggap benar |
| Keliru berulang meski sudah dikoreksi | Koreksi diterima mentah tanpa mencatat akar masalah | Simpan prompt final beserta catatan koreksi sebagai versi baru |
Dua Kebiasaan yang Mempercepat Perbaikan
Pertama, mulai dari hasil yang diinginkan. Sebelum menulis prompt, tulis dulu seperti apa output ideal — bahkan tiruan singkatnya. Prompt kemudian tinggal menjelaskan jalan menuju hasil itu. Kebanyakan orang bekerja sebaliknya: menulis prompt dulu, lalu kecewa.
Kedua, beri nama setiap versi prompt yang berhasil. Dokumen prompt pribadi dengan nama jelas — misalnya caption-ig-promo-v2 — mengubah percobaan-an-coba menjadi aset yang menumpuk. Tim yang melakukannya biasanya berhenti bertanya "prompt yang kemarin gimana ya?" karena jawabannya sudah terdokumentasi.
FAQ
Apakah prompt yang panjang selalu lebih baik?
Tidak. Yang menentukan adalah kelengkapan informasi, bukan jumlah kata. Prompt lima baris yang memuat audiens, format, panjang, dan batasan hampir selalu mengalahkan prompt dua paragraf yang bertele-tele.
Bedanya koreksi biasa dengan iterasi yang benar?
Koreksi biasa hanya memarahi hasil ("salah, ulangi"). Iterasi yang benar mengubah satu variabel prompt pada satu waktu — misalnya hanya menambah batasan panjang — sehingga Anda tahu persis perubahan mana yang memperbaiki hasil.
Apakah kesalahan ini berlaku untuk semua model AI?
Ya. Prinsip kejelasan instruksi berlaku lintas model — ChatGPT, Gemini, maupun Claude. Yang berbeda hanya sensitivitasnya: model yang lebih baru cenderung lebih toleran pada prompt ambigu, tetapi hasil terbaik tetap datang dari instruksi yang rapi.
Haruskah saya memakai template prompt orang lain?
Boleh sebagai titik awal, tetapi selalu sesuaikan bagian konteks dan batasan dengan kebutuhan Anda. Template yang dipakai mentah sering menghasilkan output yang terasa "template" juga.
Baca juga (terkait)
- 10 teknik prompting AI paling efektif 2026
- 7 teknik prompt engineering terbaru 2026
- panduan lengkap teknik prompt engineering 2026
🚀 Mulai Belajar AI Sekarang!
Dapatkan akses ke materi belajar AI yang terstruktur dan mudah dipahami.
Lihat Paket Belajar →