Prompt yang benar tidak harus panjang — cukup terstruktur. Framework STAR (Situation, Task, Action, Result) bisa meningkatkan akurasi respons AI hingga 40%. Ini cara kerjanya.
Seorang developer bernama Raka sedang mengerjakan proyek full-stack menggunakan Next.js. Dia membutuhkan bantuan AI untuk menulis kode autentikasi. Raka mengetik prompt: “Tolong buatkan sistem login untuk aplikasi saya.” AI merespons dengan kode yang panjang, menggunakan library usang, dan tanpa dokumentasi. Raka frustrasi — padahal bukannya AI tidak mampu, melainkan cara Raka bertanya yang salah.
Fenomena ini terjadi setiap hari. Banyak developer menganggap prompt engineering adalah “sihir” — semakin panjang prompt, semakin bagus hasilnya. Penelitian dari OpenAI pada awal 2024 menunjukkan bahwa struktur prompt yang baik dapat meningkatkan akurasi respons hingga 40%, sementara panjang prompt memiliki korelasi yang lebih rendah dengan kualitas hasil. Yang membedakan bukanlah jumlah kata, melainkan kerangka berpikir yang digunakan dalam menyusun prompt.
Framework STAR — Situation, Task, Action, Result — adalah pendekatan yang diadaptasi dari teknik wawancara behavioral dan terbukti efektif untuk prompt engineering. Metode ini memberikan AI konteks yang cukup untuk menghasilkan respons yang lebih presisi tanpa harus menulis tiga paragraf yang bertele-tele.
Mengapa Prompt Panjang Sering Gagal?
Kesalahan paling umum dalam prompt engineering adalah asumsi bahwa semakin panjang prompt, semakin baik hasilnya. Faktanya, model bahasa besar (LLM) bekerja berdasarkan probabilitas — mereka memprediksi token berikutnya berdasarkan pola dari data pelatihan. Ketika sebuah prompt terlalu panjang dan tidak terstruktur, model akan kesulitan membedakan mana informasi yang relevan dan mana yang hanya noise.
Bayangkan kamu memberikan instruksi kepada seorang asisten baru. Jika kamu bicara tanpa struktur — “Tolong bantu saya, ini project penting, saya butuh cepet, sebenarnya ada masalah di database, tapi sebelumnya saya udah coba solusi A, B, dan C, tapi tidak ada yang berhasil” — asisten akan bingung mana yang harus diprioritaskan.
Hal yang sama terjadi pada AI. Prompt yang panjang dan tidak terstruktur membuat AI kehilangan fokus. Riset dari Google DeepMind menunjukkan bahwa prompt dengan lebih dari 2.000 token sering menghasilkan respons yang lebih buruk daripada prompt dengan 500-1.000 token yang terstruktur dengan baik.
Apa Itu Framework STAR?
STAR adalah akronim dari empat elemen kunci yang harus ada dalam setiap prompt:
S — Situation (Situasi). Jelaskan konteks secara singkat. Siapa target audiens? Apa latar belakang masalah? Informasi apa yang relevan untuk dipahami AI sebelum menjawab. Contoh: “Saya sedang membangun aplikasi e-commerce dengan Next.js 14 dan Prisma ORM.” Satu kalimat sudah cukup untuk memberikan situasi yang jelas.
T — Task (Tugas). Sebutkan secara spesifik apa yang kamu minta dari AI. Gunakan kata kerja aksi yang jelas — “buatkan”, “jelaskan”, “analisis”, “bandingkan”, “debug”. Jangan gunakan kata kerja ambigu seperti “bantu” atau “tolong” tanpa diikuti spesifikasi. Contoh: “Buatkan endpoint API untuk registrasi pengguna dengan validasi email dan password.”
A — Action (Aksi). Berikan panduan tambahan tentang bagaimana AI harus melaksanakan tugas tersebut. Batasan teknis, preferensi gaya kode, library yang harus digunakan, atau format output yang diinginkan. Contoh: “Gunakan TypeScript, Prisma untuk database, dan JWT untuk token. Jangan gunakan library autentikasi pihak ketiga.”
R — Result (Hasil). Tentukan format output yang diharapkan. Apakah AI harus mengembalikan kode lengkap, pseudocode, penjelasan, atau daftar langkah? Contoh: “Berikan kode lengkap dengan komentar inline, lalu jelaskan cara mengintegrasikannya dengan halaman login yang sudah ada.”
STAR dalam Aksi: Studi Kasus
Mari bandingkan dua prompt yang sama — dengan dan tanpa framework STAR.
Prompt tanpa STAR: “Buatkan sistem login untuk aplikasi saya.”
Prompt dengan STAR: “Situation: Saya membangun aplikasi manajemen tugas berbasis web dengan Next.js 14, Prisma, dan PostgreSQL. Task: Buatkan sistem autentikasi dengan registrasi, login, dan logout menggunakan email dan password. Action: Gunakan bcrypt untuk hashing password, JWT untuk token dengan masa berlaku 24 jam, dan middleware untuk melindungi halaman tertentu. Simpan sesi di httpOnly cookie. Result: Berikan kode lengkap untuk API route, komponen login, dan middleware. Sertakan error handling untuk email sudah terdaftar dan password salah.”
Prompt pertama menghasilkan kode generik yang membutuhkan banyak adaptasi manual. Prompt kedua menghasilkan kode yang langsung bisa digunakan dengan sedikit atau tanpa modifikasi — karena AI memiliki konteks, batasan teknis, dan ekspektasi output yang jelas.
Empat Skenario Praktis dengan STAR
Skenario 1: Debugging Error. Sertakan error message lengkap, jelaskan apa yang sudah kamu coba, dan minta AI untuk menjelaskan akar masalah. Contoh: “Situation: Aplikasi Node.js saya throw error ECONNREFUSED saat connect ke Redis di production. Task: Bantu debug masalah koneksi Redis. Action: Saya sudah cek firewall dan port 6379 sudah terbuka. Berikut log error-nya: [paste error]. Result: Jelaskan 3 kemungkinan penyebab tersering beserta cara memverifikasi masing-masing.”
Skenario 2: Code Review. Tempelkan kode yang ingin direview dan minta AI untuk fokus pada aspek tertentu. Contoh: “Situation: Saya menulis fungsi untuk memproses upload file CSV dengan Python. Task: Review kode ini untuk potensi SQL injection, buffer overflow, dan race condition. Action: Fokus pada validasi input dan keamanan — bukan gaya penulisan. Result: Berikan daftar kerentanan yang ditemukan, tingkat keparahan, dan kode perbaikannya.”
Skenario 3: Refactoring. Jelaskan kondisi kode saat ini dan target yang ingin dicapai. Contoh: “Situation: Saya memiliki function React dengan useEffect yang melakukan 3 pemanggilan API terpisah. Task: Refactor menjadi custom hook yang reusable dengan loading state dan error handling. Action: Gunakan useReducer untuk state management, axios untuk HTTP client. Result: Berikan kode custom hook lengkap dan contoh penggunaan di komponen.”
Skenario 4: Membuat Dokumentasi. Berikan kode yang ingin didokumentasikan dan tentukan audiens. Contoh: “Situation: Saya memiliki API endpoint POST /api/orders dengan parameter customerId, items, dan shippingAddress. Task: Buat dokumentasi API dalam format OpenAPI 3.0. Action: Sertakan contoh request body, response sukses 200, dan error codes yang mungkin. Result: Kembalikan YAML yang siap digunakan di Swagger UI.”
Tips Tambahan untuk Prompt Engineering
Selain menggunakan framework STAR, ada beberapa praktik yang bisa meningkatkan kualitas prompt:
Gunakan delimiters. Pisahkan bagian-bagian prompt dengan delimiter seperti tiga tanda petik atau tanda pagar. Ini membantu AI membedakan mana instruksi dan mana data. Contoh: “””” Kode yang perlu di-review: “”” [paste kode] “”””.
Minta AI untuk berpikir langkah demi langkah. Tambahkan frasa “Jelaskan langkah demi langkah” atau “Think step by step” — ini memicu AI untuk melakukan reasoning eksplisit, yang meningkatkan akurasi untuk tugas-tugas kompleks.
Berikan contoh (few-shot). Jika memungkinkan, berikan 1-3 contoh input-output yang diinginkan. AI belajar dengan cepat dari pola yang diberikan. Contoh: “Berikut contoh format yang saya inginkan: Input: ‘…’, Output: ‘…’. Sekarang lakukan hal yang sama untuk input berikut.”
Iterasi, jangan puas dengan satu percobaan. Prompt pertama jarang sempurna. Gunakan hasil yang didapat untuk memperbaiki prompt berikutnya. Ini disebut iterative prompting — dan merupakan teknik yang digunakan oleh prompt engineer profesional.
Kesimpulan: Prompt Engineering Bukan Sihir
Kembali ke Raka — developer yang frustrasi dengan respons AI di awal cerita. Setelah memahami framework STAR, Raka mencoba lagi dengan prompt yang lebih terstruktur. Hasilnya berbeda secara signifikan: AI memberikan kode autentikasi yang sesuai dengan stack yang digunakan, lengkap dengan error handling dan dokumentasi singkat.
Prompt engineering bukan sihir — dan bukan soal menulis prompt sepanjang mungkin. Ini soal struktur, konteks, dan kejelasan. Framework STAR membantu kamu memberikan tiga hal tersebut dalam format yang sederhana dan mudah diingat.
Cobalah sendiri. Ambil prompt terakhir yang kamu tulis ke AI, dan susun ulang menggunakan STAR. Kemungkinan besar, kamu akan mendapatkan hasil yang lebih baik — tanpa harus menambahkan satu kata pun yang tidak perlu.