Jadi Narasumber Prompting AI , Yan Surachman Paparkan Delapan Topik Krusial Pemanfaatan AI Untuk Pendidikan Dan Profesional

Larantuka – Yan Surachman memaparkan delapan bab prompting AI ( Kecerdasan Buatan ) untuk pendidikan dan profesional dalam diskusi problem solving berbasis Grup WhatsApp , yang dimulai 24 November 2025. Dalam grup yang berisikan 40 lebih anggota itu ( terdiri dari pemerhati pendidikan, guru, kepala sekolah, pengawas, pengurus organisasi profesi, dan profesional lintas bidang ) , dia menjelaskan materi itu agar menjadi bahan diskusi bersama, yang meliputi: mengenal prompting dan manfaatnya, membuat prompt terbaik, kekuatan file unggahan, praktik prompting untuk dokumen guru, prompting untuk penalaran dan inovasi pembelajaran, personalisasi dan custom AI untuk profesional, evaluasi dan iterasi dalam prompting, transparansi dan etika prompting.

Yan dipercaya oleh forum diskusi menjadi narasumber karena memiliki catatan yang baik dalam bidang ini. Dia mendapatkan beberapa sertifikat spesialisasi terkait prompting AI dari kursus Coursera, diantaranya: Smart Teaching and Learning with AI dari Politecnico di Milano, Generative AI for Educators dari IBM, Google Prompting Essentials dari Google . Detail sertifikat keahliannya yang lain dapat dilihat di akun LinkedIn-nya.

Berikut ini detail paparan materi yang disampaikan melalui diskusi WhatsApp .

 

BAB 1. MENGENAL PROMPTING DAN MANFAATNYA

Pengertian Prompting

Prompting adalah keterampilan memberikan instruksi yang jelas, terarah, dan terstruktur kepada AI agar menghasilkan output sesuai kebutuhan. Prompting berfungsi seperti memberikan perintah yang detail kepada asisten cerdas, sehingga ia memahami konteks, tujuan, dan batasan tugas. Semakin tepat prompt yang dibuat, semakin akurat dan relevan hasil yang diberikan AI. Prompt yang baik biasanya memuat peran AI, konteks, tujuan, format output, serta kriteria penilaian.

Ketrampilan Prompting Dasar

Keterampilan prompting dasar mencakup kemampuan merumuskan tujuan dengan jelas, memberikan konteks yang relevan, menetapkan peran yang tepat untuk AI, dan menentukan format output yang diinginkan. Selain itu, pengguna perlu mampu memberi batasan seperti jumlah kata atau gaya bahasa, serta menyediakan contoh agar AI memahami pola yang dimaksud. Prompting dasar juga melibatkan kemampuan memecah tugas kompleks menjadi langkah kecil, kemudian melakukan iterasi untuk menyempurnakan hasil. Dengan menguasai keterampilan ini, pengguna dapat mengontrol kualitas jawaban AI, memperoleh output yang lebih akurat, serta mempercepat proses kerja dalam berbagai konteks pembelajaran dan profesi.

 

Tabel 01. Macam Ketrampilan Prompting Dasar

No.	Macam Ketrampilan	Penjelasan	Contoh Prompt
1	Menentukan Tujuan Prompt	Menyatakan secara spesifik apa yang ingin dicapai (mis. ringkasan, langkah, kuis, rencana pelajaran). Tujuan jelas mencegah jawaban umum dan membantu AI fokus pada hasil yang diperlukan. Sertakan hasil akhir yang diharapkan.	“Buat ringkasan 150 kata tentang siklus air untuk siswa SMP.”
2	Memberikan Konteks	Menyertakan latar belakang: siapa audiens, kondisi penggunaan, materi pendukung, atau tujuan pembelajaran. Konteks membuat bahasa, kedalaman, dan contoh lebih relevan.	“Saya guru kelas 8; jelaskan fotosintesis dengan bahasa sederhana dan contoh sehari-hari.”
3	Menetapkan Peran (Role)	Meminta AI berperan sebagai ahli tertentu (guru, editor, ilmuwan). Peran mempengaruhi gaya, tingkat teknis, dan perspektif jawaban.	“Bertindaklah sebagai guru biologi; ajarkan proses mitosis dalam 5 langkah.”
4	Menentukan Format Output	Menyebut format yang diinginkan: daftar, tabel, langkah, soal, atau esai. Format memudahkan penggunaan hasil langsung (mis. masukkan ke materi ajar).	“Susun materi ini dalam tabel 3 kolom: istilah, definisi, contoh.”
5	Menyertakan Batasan (Constraints)	Menambahkan aturan seperti jumlah kata, waktu, tingkat kesulitan, atau sumber yang boleh dipakai. Batasan membuat output lebih terukur.	“Jelaskan dalam 80–100 kata tanpa istilah teknis.”
6	Memberi Contoh / Few-shot	Menyediakan satu atau beberapa contoh output yang diinginkan agar AI meniru pola struktur, gaya, atau nada bahasa. Sangat berguna untuk format khusus.	“Contoh: ‘Fotosintesis: …’ Buat 3 paragraf serupa untuk topik respirasi sel.”
7	Memecah Tugas Menjadi Langkah	Untuk tugas kompleks, pecah menjadi sub-tugas bertahap (kerangka → isi → revisi). Membantu menghindari jawaban yang terlalu panjang dan tidak terstruktur.	“Langkah 1: buat kerangka; Langkah 2: kembangkan tiap poin; Langkah 3: buat soal latihan.”
8	Iterasi dan Refinement	Menilai keluaran awal lalu meminta perbaikan spesifik (merevisi gaya, menambah contoh, menyederhanakan bahasa). Iterasi meningkatkan kualitas akhir.	“Perbaiki teks ini menjadi lebih singkat dan tambahkan 2 analogi.”
9	Follow-up Prompting	Mengajukan pertanyaan lanjutan untuk memperdalam, memperluas, atau menyesuaikan jawaban sebelumnya—mis. meminta penjelasan lebih rinci atau versi ringkas.	“Jelaskan poin kedua lebih rinci dengan contoh soal dan kunci jawaban.”
10	Menyusun Pertanyaan Jelas & Tidak Ambigu	Merumuskan pertanyaan yang langsung ke inti tanpa kata yang multitafsir. Hindari “apa pendapatmu” bila butuh fakta; gunakan “sebutkan 3 alasan”.	“Sebutkan 3 fungsi akar pada tumbuhan dan beri contoh masing-masing.”

 

Ketrampilan Prompting Lanjutan

Keterampilan prompting lanjutan mencakup kemampuan merancang instruksi kompleks yang melibatkan multi-step reasoning, penggunaan modular prompt, dan pengendalian gaya berpikir AI. Pengguna mampu membangun struktur prompt yang terdiri dari peran, konteks, tujuan, batasan, evaluasi kualitas, serta instruksi iteratif.

Keterampilan lanjutan juga mencakup chain-of-thought framing (meminta AI berpikir terstruktur), self-evaluation (meminta AI mengecek kualitas jawabannya), serta recursive prompting untuk mengurai tugas besar menjadi modul-modul kecil. Dengan keterampilan ini, pengguna dapat mengarahkan AI menghasilkan output yang konsisten, berkualitas tinggi, dan sesuai standar profesional dalam berbagai jenis pekerjaan.

 

Tabel 02. Macam Ketrampilan Prompting Lanjutan

No.	Macam Keterampilan Prompting Lanjutan	Penjelasan	Contoh Prompt
1	Modular Prompting	Memecah tugas besar menjadi modul-modul kecil (role, konteks, format, evaluasi, iterasi). Setiap modul bisa dipakai ulang untuk tugas lain sehingga kerja lebih efisien dan hasil selalu konsisten.	“Gunakan modul: (1) peran ahli biologi, (2) tujuan menjelaskan sel, (3) format tabel, (4) evaluasi akurasi. Buat materi tentang mitosis.”
2	Chain-of-Thought Framing	Meminta AI berpikir secara bertahap, logis, dan berurutan tanpa harus menampilkan semua penalarannya. Ini meningkatkan akurasi untuk soal perhitungan atau analisis.	“Jelaskan langkah-langkah berpikir untuk menentukan gaya resultan, lalu tampilkan hanya jawabannya.”
3	Self-Evaluation Prompting	Meminta AI memeriksa kembali jawabannya berdasarkan kriteria tertentu (akurasi, kelengkapan, logika), lalu memperbaikinya. Metode ini menghasilkan output lebih rapi dan minim kesalahan.	“Evaluasi jawabanmu berdasarkan akurasi fakta dan kejelasan bahasa, lalu revisi jika perlu.”
4	Meta-Prompting	Prompt yang mengatur cara AI merespons, misalnya bagaimana struktur jawaban, gaya, kedalaman analisis, atau cara berpikir yang digunakan.	“Gunakan gaya formal, langkah analitis, dan sertakan kesimpulan. Jelaskan konsep energi potensial gravitasi.”
5	Recursive Prompting	Mengulang proses pemecahan masalah: AI membuat konsep → mengevaluasi → memperbaiki → menyempurnakan. Cocok untuk proyek panjang: naskah, rencana pembelajaran, laporan, artikel, dll.	“Buat draft awal, evaluasi kelemahannya, revisi, dan berikan versi final tanpa kehilangan ide utama.”
6	Prompting dengan Parameter Kualitas (Quality Constraints)	Menentukan standar kualitas: tingkat kedalaman, ketelitian, jenis bukti, style, atau audit informasi. Cocok untuk konten profesional.	“Tulis analisis dengan kedalaman akademik, sertakan 3 referensi konsep, dan gunakan bahasa baku.”
7	Few-shot + Pattern Reinforcement	Kombinasi memberikan contoh dan meminta AI meniru pola secara konsisten untuk tugas berulang seperti menulis soal, artikel, atau ringkasan.	“Berikut contoh pola soal HOTS… Gunakan pola yang sama untuk membuat 5 soal baru.”
8	Role Stacking (Tumpukan Peran)	Menggabungkan beberapa peran sekaligus untuk meningkatkan kualitas keluaran (misalnya penulis, editor, dan evaluator).	“Bertindaklah sebagai guru IPA, editor bahasa, dan evaluator rubrik. Susun materi tentang tekanan.”
9	Prompting Bersyarat (Conditional Prompting)	Perintah dengan kondisi: jika X terjadi, lakukan Y. Cocok untuk pembuatan sistem otomatis, skrip, atau evaluasi.	“Jika penjelasan terlalu panjang, ringkas menjadi 50 kata. Jika istilah teknis muncul, beri definisi singkat.”
10	Style Transfer Prompting	Meminta AI mengubah gaya, tone, atau format tertentu tanpa mengubah makna inti. Cocok untuk adaptasi konten ke audiens berbeda.	“Ubah penjelasan ini menjadi gaya ceramah guru, ringan, dan mudah dipahami siswa SMP.”

 

Ketrampilan Prompting Dalam Praktik Nyata

Keterampilan prompting terbaik dalam aplikasi nyata adalah kemampuan memadukan berbagai teknik prompt secara harmonis untuk menghasilkan output yang benar-benar sesuai dengan kebutuhan. Alih-alih hanya mengandalkan satu teknik, pengguna yang mahir menggabungkan konteks, peran, format, batasan, contoh, evaluasi, serta langkah iterasi dalam satu rangkaian instruksi yang jelas. Kombinasi ini membuat AI berpikir lebih terarah, konsisten, dan presisi.

Dengan menggabungkan prompting dasar dan lanjutan—seperti modular prompting, chain-of-thought framing, dan self-evaluation—pengguna dapat mengontrol kualitas hasil, menyesuaikan gaya jawaban, serta memastikan keluaran memenuhi standar profesional maupun kebutuhan pembelajaran.

Framework Prompting T C R E I

Framework prompting TCREI adalah sebuah pendekatan sistematis untuk menghasilkan prompt yang jelas, lengkap, dan menghasilkan output berkualitas tinggi. TCREI terdiri dari Task, Context, Reference, Evaluate, dan Iterate, lima komponen yang saling melengkapi.

Task adalah inti instruksi yang menjelaskan apa yang harus dilakukan AI, seperti membuat ringkasan, menganalisis data, atau menyusun soal. Context menyediakan latar belakang penting agar AI memahami situasi, audiens, kebutuhan, dan batasan tugas. Reference adalah contoh, pola, atau acuan yang membantu AI meniru format atau gaya tertentu sehingga hasil lebih konsisten.

Setelah AI memberi keluaran, tahap Evaluate digunakan untuk menilai kualitas jawaban berdasarkan kriteria seperti akurasi, struktur, gaya bahasa, atau ketuntasan. Penilaian ini dapat diberikan kepada AI sebagai instruksi tambahan. Tahap terakhir, Iterate, adalah proses memperbaiki prompt atau jawaban berdasarkan hasil evaluasi. Iterasi dapat berupa mengubah format, menambah batasan, atau meminta perbaikan langsung.

Dengan menerapkan TCREI, pengguna dapat mengarahkan AI berpikir lebih terstruktur, mengurangi kesalahan, serta meningkatkan relevansi dan kualitas output. Framework ini sangat efektif untuk tugas kompleks seperti penulisan profesional, pembuatan materi pembelajaran, dan analisis mendalam.

Manfaat Ketrampilan Prompting Dalam Pendidikan

Keterampilan prompting memberikan manfaat besar di bidang pendidikan bagi berbagai peran—guru, kepala sekolah, pengawas, dosen, hingga organisasi profesi. Bagi guru, prompting membantu mempercepat pembuatan RPP, soal, modul ajar, LKPD, serta materi remedial dan pengayaan. Guru juga dapat menyesuaikan kedalaman materi untuk diferensiasi belajar. Bagi kepala sekolah, prompting mempermudah penyusunan program kerja, analisis data sekolah, laporan, serta komunikasi resmi yang rapi dan efisien.

Pengawas sekolah dapat menggunakan prompting untuk menilai dokumen pembelajaran, menganalisis mutu, merancang supervisi, dan membuat rekomendasi profesional secara cepat dan berbasis data. Bagi dosen, prompting memfasilitasi pembuatan bahan ajar, rubrik penilaian, proposal penelitian, dan publikasi ilmiah dengan struktur yang lebih sistematis.

Sementara itu, organisasi profesi seperti PGRI dapat memanfaatkan prompting untuk membuat panduan, modul pelatihan, kurikulum workshop, serta komunikasi organisasi yang standar dan konsisten. Dengan keterampilan prompting, seluruh pemangku pendidikan dapat meningkatkan produktivitas, kualitas konten, akurasi informasi, dan efisiensi kerja, sekaligus memperkuat inovasi dalam pengembangan pembelajaran dan manajemen pendidikan.

 

BAB 2. MEMBUAT PROMPT TERBAIK

Pengertian Prompt Terbaik

Prompt terbaik adalah instruksi yang dirancang secara jelas, spesifik, dan terarah sehingga mampu menghasilkan output yang benar-benar sesuai kebutuhan pengguna. Prompt ini tidak selalu harus panjang atau kompleks, tetapi harus memuat tujuan, konteks, batasan, dan kriteria keberhasilan yang tepat. Inti dari prompt terbaik adalah kemampuannya mengarahkan AI untuk menghasilkan jawaban yang akurat, relevan, dan dapat langsung digunakan. Dengan kata lain, kualitas prompt diukur bukan dari bentuknya, tetapi dari sejauh mana ia membantu AI menghasilkan keluaran yang paling sesuai dengan tujuan dan kebutuhan pengguna.

Komponen Prompt

Prompt yang baik memiliki beberapa komponen penting yang memastikan instruksi menjadi jelas, rinci, dan menghasilkan output yang sesuai kebutuhan.

1. Pertama, tujuan (task) harus dituliskan secara eksplisit agar AI memahami apa yang harus dilakukan.
2. Kedua, konteks, berupa latar belakang, data, atau situasi yang relevan, sehingga AI bekerja pada ruang pemahaman yang tepat.
3. Ketiga, format output, seperti tabel, paragraf, daftar, atau gaya tertentu, agar hasil sesuai ekspektasi.
4. Keempat, batasan atau aturan khusus, misalnya jumlah kata, gaya bahasa, tingkat kedalaman, atau pendekatan tertentu yang harus dipakai.
5. Kelima, contoh (reference) jika diperlukan, untuk memperjelas standar kualitas yang diharapkan. Keenam, kriteria evaluasi, yaitu indikator keberhasilan output.

Dengan memasukkan semua komponen ini, prompt menjadi terstruktur, rinci, dan meminimalkan ambiguitas, sehingga AI mampu menghasilkan jawaban yang konsisten, akurat, dan selaras dengan kebutuhan pengguna.

Ragam Cara Membuat Prompt

Membuat prompt dapat dilakukan secara manual maupun otomatis, dan keduanya memiliki keunggulan serta kelemahan.

1. Prompt manual dibuat dengan menuliskan instruksi secara langsung oleh pengguna. Keunggulannya: sangat fleksibel, bisa disesuaikan secara detail, dan memungkinkan kreativitas penuh dalam menentukan struktur, konteks, serta batasan. Kekurangannya: membutuhkan waktu, latihan, dan pemahaman mendalam tentang teknik prompting, sehingga sering terjadi trial and error.
2. Sementara itu, prompt otomatis dihasilkan menggunakan template, generator prompt, atau agent AI yang merancang prompt berdasarkan input sederhana. Keunggulannya: cepat, konsisten, dan memudahkan pengguna pemula karena struktur prompt sudah terstandarisasi. Namun, kelemahannya: kurang personalisasi, terkadang terlalu umum, dan tidak selalu menangkap kebutuhan spesifik pengguna.

Dengan memahami kedua pendekatan ini, pengguna dapat memilih metode yang paling sesuai atau menggabungkannya untuk hasil optimal.

Meta-Prompting untuk Menghasilkan Prompt

Meta-prompting adalah teknik membuat prompt dengan meminta AI menghasilkan prompt lain yang lebih optimal, terstruktur, dan sesuai kebutuhan. Pengguna memberikan instruksi tingkat tinggi (meta-level), seperti tujuan, konteks, dan format yang diinginkan, lalu AI merancang prompt final yang siap digunakan. Keunggulannya: menghemat waktu, menghasilkan prompt yang konsisten dan rinci, serta sangat efektif untuk tugas kompleks seperti perencanaan pembelajaran. Kelemahannya: hasilnya bergantung pada kualitas meta-prompt awal; jika terlalu umum, AI dapat membuat prompt yang kurang spesifik atau tidak sesuai kebutuhan.

Contoh penerapan dalam membuat Modul Ajar:

Meta-prompt:
“Buatkan prompt lengkap untuk menghasilkan Modul Ajar IPA kelas 8 dengan struktur Merdeka Belajar. Sertakan komponen tujuan, asesmen, kegiatan pembelajaran, diferensiasi, dan sumber belajar. Atur format dalam tabel dan buat instruksi rinci agar AI menghasilkan Modul Ajar yang siap pakai.”

Hasil meta-prompt ini kemudian digunakan sebagai prompt utama untuk menghasilkan Modul Ajar secara otomatis dan konsisten.

Modular Prompt untuk Konsisten Pada Pemakaian Berulang

Modular prompt adalah teknik menyusun prompt dalam bentuk modul-modul kecil yang dapat dipakai ulang, digabungkan, atau dimodifikasi sesuai kebutuhan. Setiap modul berfungsi sebagai blok instruksi, seperti modul konteks, modul tujuan, modul format output, modul batasan, atau modul contoh. Dengan pendekatan ini, pengguna tidak harus membuat prompt dari awal setiap kali, melainkan cukup memilih dan menggabungkan modul yang relevan.

Potensi modular prompt sangat besar. Pertama, meningkatkan efisiensi karena instruksi dapat digunakan kembali dalam berbagai situasi. Kedua, memberikan konsistensi hasil, terutama pada pekerjaan yang membutuhkan standar tinggi seperti penyusunan RPP, Modul Ajar, rubrik, atau soal evaluasi. Ketiga, modular prompt memudahkan kolaborasi—setiap modul bisa disempurnakan terpisah tanpa mengubah keseluruhan. Keempat, teknik ini memungkinkan otomatisasi pembuatan dokumen atau konten skala besar. Dengan modular prompt, guru, penulis, atau pengembang dapat mempercepat kerja dan menjaga kualitas output agar tetap stabil.

Kombinasi Meta-Prompting Dan Modular Prompt

Kombinasi meta-prompting dan modular prompt adalah strategi tingkat lanjut untuk menghasilkan prompt yang sangat konsisten, terstruktur, dan sesuai kebutuhan. Meta-prompting bekerja pada level tinggi: pengguna memberikan instruksi umum, kemudian AI merancang prompt final yang lebih rinci. Modular prompt menyediakan blok-blok instruksi yang dapat digabungkan sehingga hasilnya tetap stabil dan mudah disesuaikan. Ketika digabungkan, meta-prompt membantu AI menyusun modul secara presisi, sedangkan modul memastikan fleksibilitas dan konsistensi pada berbagai kasus penggunaan.

Keunggulan kombinasi ini:

1. Hasil sangat konsisten karena struktur modul tetap.
2. Cepat dan efisien, cukup memanggil modul yang relevan.
3. Adaptif—mudah menyesuaikan level detail, konteks, atau format.
4. Minim error, karena setiap modul telah teruji kualitasnya.

Contoh penggunaan (pembuatan Program Tahunan):

Meta-prompt (kondisi tanpa dokumen contoh diunggah):
“Gabungkan modul konteks mata pelajaran, modul daftar materi/bab, modul alokasi waktu, dan modul format tabel untuk membuat prompt lengkap penyusun Program Tahunan IPA SMP. Pastikan instruksi rinci, output berupa tabel Prota, dan sesuai struktur Kurikulum Merdeka.”

Meta-prompt (dengan dokumen contoh diunggah):
“Buatkan modular prompt yang jelas dan rinci , sehingga saya dapat membuat Program Tahunan seperti pada file unggahan untuk mata pelajaran berbeda.”

AI kemudian menyusun prompt final berdasarkan modul tersebut untuk menghasilkan prota yang rapi, lengkap, dan konsisten.

 

BAB 3. KEKUATAN FILE UNGGAHAN

Pada bab sebelumnya, dijelaskan bahwa ketika memadukan meta-prompting dengan modular-prompting maka didapatkan hasil yang presisi dalam waktu yang cepat, bahkan untuk penggunaan berulang. Namun disisi lain  juga diperlukan perhatian bahwa ketika prompt utama hasil meta-prompting tidak bagus maka output juga tidak bagus. Sehingga ada istilah “masuk sampah keluar sampah, masuk emas keluar emas”.

Salah satu jalan terbaik untuk memastikan semua output berkualitas baik dan sesuai dengan kebutuhan adalah dengan “dokumen contoh”. Dokumen contoh adalah file yang kita unggah saat melakukan meta-prompting dan modular-prompting.

Pentingnya Mengunggah Dokumen Contoh

Mengunggah dokumen contoh sangat penting dalam prompting karena memberi model acuan eksplisit tentang format, gaya, tingkat detail, dan struktur output yang diinginkan. Dengan contoh konkret, model tidak perlu menebak-nebak sehingga hasilnya lebih konsisten, presisi, dan sesuai ekspektasi. Dokumen contoh juga membantu memperjelas konteks teknis—misalnya struktur tabel, gaya penulisan, atau format kurikulum—yang sulit dijelaskan hanya lewat teks. Selain itu, contoh memungkinkan multi-modal prompting, yaitu menggabungkan instruksi dengan materi referensi sehingga model dapat meniru pola yang ada. Hasil akhirnya: pekerjaan lebih cepat, lebih akurat, dan minim revisi.

Memilih Dokumen Contoh

Memilih dokumen contoh yang relevan berarti memilih file yang paling mirip dengan output yang ingin Anda hasilkan. Perhatikan tiga hal: (1) kesamaan format—misalnya tabel, modul ajar, atau HTML; (2) kesesuaian gaya—formal, ringkas, atau visual; (3) kedekatan konteks—topik, jenjang, atau jenis tugas. Hindari dokumen terlalu umum atau tidak sesuai kebutuhan.

Contoh: Jika Anda ingin membuat RPP 80 menit IPA kelas 8, unggahlah RPP  kelas 8 yang baik, bukan RPP SD atau RPP dari kurikulum berbeda. Jika ingin membuat teka-teki silang HTML, unggah contoh file HTML TTS yang sudah jadi sebagai acuan struktur dan interaktivitas.

Macam File Untuk Dokumen Contoh

Berbagai jenis file dapat dijadikan dokumen contoh dalam prompting, seperti PDF, Word, Excel, PPT, HTML, gambar, dan teks biasa. File-file ini memberi model gambaran nyata tentang format, struktur, dan gaya yang harus ditiru, sehingga output menjadi lebih presisi dan sesuai kebutuhan.

Tabel 03. Jenis File yang Dapat Diunggah ke AI ( ChatGPT 5.1 / Gemini 3.0 )

No	Jenis File	Penjelasan Kemampuan AI	Keterbatasan
1	PDF (.pdf)	Dapat membaca teks, tabel, gambar, struktur dokumen; meringkas; membuat soal/RPP/modul dari isi.	PDF hasil scan kurang akurat jika kualitas rendah; PDF ukuran besar  tidak didukung.
2	Word (.doc, .docx)	Analisis teks, struktur, heading, tabel; perbaikan tata bahasa; pembuatan dokumen baru.	Format kompleks (track changes, komentar banyak) kadang tidak terbaca sempurna.
3	Excel (.xls, .xlsx)	Membaca sheet, tabel, data, melakukan analisis, visualisasi, pembersihan data.	Gambar/objek dalam Excel tidak selalu terbaca; formula rumit kadang disederhanakan.
4	PowerPoint (.ppt, .pptx)	Membaca isi slide, membuat versi baru, merapikan desain.	Animasi/transition tidak terbaca; ukuran file besar bisa ditolak.
5	Text (.txt)	Membaca teks mentah dengan akurasi tinggi.	Tidak mendukung format atau tata letak kompleks.
6	Markdown (.md)	Membaca format heading, list, dan struktur untuk dokumentasi.	Gambar eksternal tidak selalu dapat diakses.
7	CSV (.csv)	Analisis dataset, statistik, visualisasi.	Format harus bersih; delimiter tidak konsisten bisa memicu error.
8	JSON (.json)	Membaca struktur data, debugging, konversi, validasi.	JSON rusak/salah struktur tidak dapat diparse.
9	XML (.xml)	Membaca, mengonversi, dan memvalidasi struktur dokumen XML.	XML kompleks dengan namespace banyak bisa membingungkan.
10	YAML (.yaml/.yml)	Membaca konfigurasi, debugging, konversi.	Indentasi salah membuat parsing gagal.
11	HTML (.html)	Membaca dan menganalisis struktur halaman; membuat UI; debugging.	Tidak bisa menjalankan script langsung dalam file.
12	CSS (.css)	Analisis gaya; memperbaiki dan merapikan stylesheet.	Tidak bisa melihat live render tanpa konteks HTML.
13	JavaScript (.js)	Debugging, penjelasan fungsi, refactoring.	Tidak mengeksekusi kode secara langsung.
14	Kode lain (.py, .java, .cpp, .c, .php, .go, .rb, dll.)	Membaca, menjelaskan, memperbaiki, membuat dokumentasi.	Tidak menjalankan kode; error runtime tidak bisa dipastikan.
15	Gambar (.jpg/.jpeg)	Analisis objek, teks, diagram, grafik, UI, foto, rumus.	Teks kecil atau buram sulit terbaca.
16	Gambar (.png)	Deteksi teks, diagram, tabel, grafik, ikon.	Transparansi tidak memberi makna tambahan.
17	Gambar (.gif)	Menganalisis frame tunggal (bukan animasi).	Tidak membaca animasi/gerakan.
18	WebP (.webp)	Analisis seperti PNG/JPG.	Kompresi tertentu menurunkan akurasi deteksi detail.
19	SVG (.svg)	Dapat membaca struktur XML dan tampilan gambar.	SVG dinamis dengan script tidak dianalisis.
20	Audio (.mp3)	Transkripsi, ringkasan, analisis isi percakapan.	Noise tinggi mengurangi akurasi.
21	Audio (.wav)	Transkripsi kualitas tinggi, lebih presisi.	File terlalu besar mungkin tidak diterima.
22	Audio (.m4a/.aac)	Transkripsi dan analisis percakapan.	Kompresi kadang mengurangi kejernihan suara.
23	Audio (.ogg)	Transkripsi dan analisis.	Tidak konsisten untuk audio panjang.
24	Video (.mp4)	Menganalisis visual dan audio, membuat ringkasan, memahami slide/video pembelajaran.	Resolusi rendah mengurangi detail; file >50 MB ditolak.
25	Video (.mov, .webm)	Sama seperti MP4.	File besar tidak didukung; beberapa codec tidak terbaca.
26	ZIP/RAR	Jika berisi dokumen, ChatGPT dapat membaca isinya setelah diekstrak otomatis.	Tidak bisa menjalankan program di dalamnya; beberapa ZIP terenkripsi tidak didukung.

 

Memadukan Multimodal Prompting dengan Meta-Prompting + Modular Prompt.

Multimodal prompting adalah teknik memberi instruksi kepada model dengan lebih dari satu jenis input, seperti teks, gambar, tabel, file PDF, atau HTML. Pendekatan ini membuat model memahami konteks secara lebih kaya karena tidak hanya mengandalkan deskripsi verbal. Dengan multimodal prompting, Anda dapat menunjukkan format, gaya visual, struktur data, atau contoh nyata yang harus ditiru.

Contoh:  Anda mengunggah RPP IPA dalam PDF, foto tampilan crossword HTML, dan teks instruksi. Model kemudian membuat RPP baru dengan format sama, atau menghasilkan file HTML TTS yang meniru struktur visual pada gambar tersebut.

Kekuatan meta-prompting, modular prompting, dan multimodal prompting terletak pada kemampuannya bekerja bersama untuk menghasilkan output yang sangat presisi, konsisten, dan mudah direplikasi. Meta-prompting mengatur cara kerja model melalui instruksi tingkat tinggi, sehingga proses berpikir dan gaya output stabil. Modular prompting memecah tugas besar menjadi blok instruksi kecil yang rapi, sehingga mudah diperbaiki dan digunakan ulang. Multimodal prompting menambahkan referensi konkret berupa dokumen, gambar, atau file sehingga model tidak hanya menebak format, tetapi menirunya dengan akurat. Jika digabungkan, ketiganya membuat pembuatan dokumen, program, atau materi ajar menjadi jauh lebih cepat, tepat, dan minim revisi.

 

BAB 4. PRAKTIK PROMPTING UNTUK DOKUMEN GURU

Guru Dan Beban Kerja

Guru adalah profesi vital yang memiliki beban tugas komprehensif. Tugas tersebut meliputi perencanaan detail (RPP/Modul Ajar), pelaksanaan pembelajaran, hingga evaluasi hasil dan analisis data. Keterampilan prompting menjadi mutlak diperlukan untuk mengelola beban administrasi ini secara efektif dan efisien.

Guru sering kali merasa terbebani oleh tumpukan dokumen administrasi, mulai dari perencanaan hingga laporan, yang menyita waktu interaksi bermakna dengan murid. Prompting dan otomatisasi menawarkan solusi nyata untuk masalah ini. Dengan menguasai keterampilan ini, guru dapat mempercepat pembuatan RPP, modul ajar, dan materi remedial secara drastis . Penggunaan modular prompt memungkinkan otomatisasi pembuatan dokumen dengan standar yang konsisten . Hal ini mengembalikan waktu guru untuk fokus pada inovasi pembelajaran dan pendampingan siswa, menjadikan pekerjaan lebih efisien dan produktif .

Prinsip Prompting Dokumen Guru

Prinsip utama mempercepat pembuatan dokumen guru yang kompleks bergantung pada kombinasi strategis antara meta-prompting, modular prompt, dan penggunaan file referensi. Berikut adalah langkah-langkahnya:

1. Unggah Dokumen Contoh Terbaik: Langkah ini krusial karena kualitas input menentukan output (“masuk emas keluar emas”) . Dokumen contoh memberi acuan eksplisit mengenai format dan gaya, sehingga AI tidak perlu menebak-nebak .
2. Meta-Prompting untuk Modular Prompt: Mintalah AI menganalisis file tersebut untuk merancang modular prompt—instruksi yang dipecah menjadi modul-modul kecil (tujuan, konteks, format) . Strategi ini memastikan instruksi sangat rinci dan sesuai standar dokumen asli .
3. Eksekusi Berulang: Gunakan modular prompt yang dihasilkan untuk membuat dokumen baru secara konsisten, efisien, dan berskala besar tanpa perlu menyusun ulang instruksi dari awal .

 

Sementara itu, untuk dokumen sederhana, prosesnya lebih ringkas. Cukup unggah file contoh untuk memberikan konteks visual atau struktur teknis , lalu tuliskan prompt manual berisi instruksi langsung . Pendekatan manual ini memberikan fleksibilitas penuh dan kecepatan untuk tugas-tugas yang tidak memerlukan standarisasi kompleks.

Sebagai contoh  “Bu Maya adalah guru IPA kelas 9 di SMPN 2 Sukamakan. Menjelang Sumatif Akhir Semester (SAS), Bu Maya kebingungan karena dokumen kisi-kisi hilang. Padahal dokumen tersebut harus segera disetor ke  Kepala Sekolah untuk disetujui. Dia tidak memiliki copy file kisi-kisi karena dia mengerjakannya di rental komputer. Satu-satunya file tersisa adalah dokumen soal”.

Dalam kasus Bu Maya, pertama kali harus kita pilahkan adalah bahwa dokumen kisi-kisi  termasuk dokumen sederhana, sehingga ada 2 langkah penyelesaian:

1. Mengunggah file soal SAS sebagai acuan menyusun kisi-kisi.
2. Menuliskan prompt instruksi yang baik.

Contoh prompt: “Saya seorang guru IPA profesional dan berpengalaman puluhan tahun. Saya mengajar kelas 9 menggunakan Kurikulum Merdeka dengan pendekatan pembelajaran mendalam. Bantu saya membuat kisi-kisi berdasarkan soal pada file unggahan. Buat dalam format tabel (kolom: nomor, bab, indikator, tingkat kognitif, soal, pilihan jawaban, kunci jawaban / pembahasan). Buat satu soal untuk satu baris.”

Dengan menggunakan langkah-langkah sesuai dengan tingkat kompleksitas dokumen, maka akan didapatkan cara kerja yang lebih praktis efisien.

 

Tabel 04. Dokumen Kurikulum Merdeka dan Kebutuhan Prompting

No	Jenis Dokumen	Sederhana / Kompleks	Perlu Modular Prompt?	File Unggahan yang Ideal untuk Multimodal Prompting
1	Analisis Capaian Pembelajaran (CP)	Kompleks	Ya	PDF CP resmi dari Kemendikbud
2	Tujuan Pembelajaran (TP)	Sederhana–Kompleks	Ya	File ATP/CP sebelumnya
3	Alur Tujuan Pembelajaran (ATP)	Kompleks	Ya	Contoh ATP sekolah, kalender pendidikan
4	Program Tahunan (Prota)	Sederhana	Tidak wajib, tetapi disarankan	Kalender pendidikan, ATP
5	Program Semester (Promes)	Sederhana	Tidak wajib	Kalender pendidikan, Prota
6	Modul Ajar / RPP	Kompleks	Ya (kuat)	Contoh modul ajar sebelumnya, LKPD, CP–TP–ATP
7	LKPD	Sederhana	Tidak wajib	Contoh LKPD atau foto lembar kerja
8	Bahan Ajar (handout/slide)	Sederhana–Kompleks	Tidak wajib	File gambar konsep, PDF buku, contoh slide
9	Asesmen Diagnostik	Sederhana	Tidak	Contoh hasil belajar siswa (opsional)
10	Asesmen Formatif	Sederhana	Tidak	Contoh soal sebelumnya
11	Asesmen Sumatif	Kompleks	Ya	Kisi-kisi, kartu soal, contoh soal lama
12	Rubrik Penilaian	Sederhana–Kompleks	Tidak wajib	Contoh rubrik serupa
13	Jurnal Penilaian Harian	Sederhana	Tidak	Format penilaian sebelumnya
14	Jurnal Mengajar	Sederhana	Tidak	Contoh jurnal guru sebelumnya
15	Absensi & Rekap	Sederhana	Tidak	Format Excel absensi
16	Kalender Pendidikan & Minggu Efektif	Sederhana	Tidak	Kalender resmi pemerintah daerah (PDF/jpg)
17	Dokumen Perencanaan Kkurikuler	Kompleks	Ya	Panduan Kokurikuler resmi (PDF)
18	Modul Kokurikuler	Kompleks	Ya	Contoh modul Kokurikuler  tahun sebelumnya
19	Portofolio Kokurikuler Siswa	Sederhana	Tidak	Foto karya siswa
20	Catatan Refleksi Guru	Sederhana	Tidak	Tidak perlu

 

NotebookLM , Office365, dan Media Pembelajaran

Tugas profesional guru kini melampaui sekadar pembuatan dokumen teks (.docx). Guru dituntut mengelola berbagai format digital, mulai dari presentasi PowerPoint untuk materi ajar, infografis visual untuk pemahaman konsep, hingga konten multimedia berupa audio dan video . Penguasaan berbagai format ini memungkinkan guru menciptakan pengalaman belajar yang kaya, interaktif, dan tidak monoton hanya pada teks . Namun, sadar atau tidak, bahwa semua keahlian tersebut tidak bisa dikuasai dalam semalam.

Salah satu alternatif mengatasi permasalahan tersebut adalah NotebookLM (varian AI Generative yang dikembangkan Google). NotebookLM menjadi solusi ampuh bagi guru karena menerapkan prinsip multimodal prompting, yang memungkinkan AI memproses berbagai format file seperti PowerPoint, audio, dan video secara bersamaan . Guru dapat mengunggah .docx, .pdf, slide presentasi untuk dianalisis strukturnya atau file audio dan video untuk ditranskripsi dan diringkas isinya . Kemampuan ini memudahkan transformasi materi multimedia yang kompleks menjadi ringkasan konsep atau bahan infografis yang mudah dipahami, sehingga pengelolaan administrasi pembelajaran menjadi jauh lebih cepat, akurat, dan variatif . Hingga saat buku ini ditulis, NotebookLM mampu menggenerasi sebuah ringkasan materi menjadi : audio podcast, video presentasi, slide presentasi, infografis, kuis, dan laporan.

Alternatif lain yang memiliki fitur sejenis adalah Microsoft 365 Copilot. Office 365 Copilot memberikan dukungan cerdas bagi guru dalam menyusun media pembelajaran yang lebih efisien, kreatif, dan relevan. Dengan integrasi AI, Copilot mampu membantu guru merancang modul ajar di Word secara otomatis, menyarankan struktur, bahasa, dan format sesuai kebutuhan kurikulum. Di Excel, Copilot dapat menganalisis data hasil belajar siswa, membuat grafik, serta memberikan insight yang memudahkan guru memahami perkembangan kelas. Pada PowerPoint, Copilot menyarankan desain slide, ilustrasi, dan narasi visual sehingga presentasi menjadi lebih menarik dan interaktif. Dengan Copilot, guru tidak hanya menghemat waktu, tetapi juga meningkatkan kualitas media pembelajaran, menjadikannya lebih adaptif, personal, dan sesuai dengan kebutuhan siswa di era digital.

 

BAB 5. PROMPTING UNTUK PENALARAN DAN INOVASI PEMBELAJARAN

Problematika dalam Kegiatan Pembelajaran

Rencana Pelaksanaan Pembelajaran  atau Lesson Plan sejatinya adalah pedoman strategis, bukan naskah yang kaku. Dalam dinamika kelas yang nyata, kesenjangan antara ekspektasi dan realitas sering terjadi akibat variabel tak terduga, seperti respons unik siswa, kendala teknis, atau alokasi waktu.

Ketidaksesuaian ini bukanlah indikator kegagalan, melainkan momentum bagi guru untuk menunjukkan fleksibilitas dan adaptabilitas pedagogis. Kualitas pengajaran diuji dari kemampuan melakukan improvisasi yang relevan demi mengakomodasi kebutuhan belajar siswa saat itu juga. Dengan demikian, rencana yang meleset justru menjadi bahan refleksi krusial untuk perbaikan strategi pembelajaran di masa depan.

Prompting Membantu Guru Melakukan Refleksi

Refleksi berbasis data mentransformasi asumsi subjektif guru menjadi evaluasi yang objektif dan terukur. Langkah ini krusial untuk mengidentifikasi pola belajar siswa serta efektivitas metode pengajaran secara akurat.

Sumber data refleksi sangat beragam, tidak terbatas pada data kuantitatif seperti skor asesmen dan statistik kehadiran. Guru juga perlu mengolah data kualitatif, yang meliputi catatan observasi perilaku (anekdot), survei umpan balik siswa, serta analisis kesalahan pada hasil karya peserta didik. Integrasi kedua jenis data ini menghasilkan wawasan holistik, memungkinkan guru merancang intervensi tindak lanjut yang presisi dan berbasis bukti (evidence-based) demi peningkatan kualitas pembelajaran berkelanjutan.

Salah satu jenis prompting penalaran yang efektif untuk refleksi mendalam dan tindak lanjut presisi adalah Structured Chain-of-Thought (CoT) yang dipadukan dengan Framework Refleksi (seperti Gibbs atau DATA Model).

Teknik ini tidak hanya meminta AI memberikan saran instan, melainkan memaksa model untuk memproses informasi secara bertahap: mulai dari membedah data fakta (deskripsi), menganalisis perasaan dan penyebab (evaluasi), hingga akhirnya merumuskan rencana aksi (tindak lanjut). Pendekatan ini memastikan output yang dihasilkan berbasis bukti (evidence-based) dan logis, bukan sekadar asumsi umum.

Berikut adalah simulasi penerapannya:

Contoh Konteks Masalah

Situasi: Dalam pembelajaran IPA tentang “Hukum Newton”, siswa antusias saat melakukan eksperimen meluncurkan mobil mainan. Namun, saat sesi asesmen formatif (kuis singkat) di akhir kelas, 70% siswa gagal menjawab pertanyaan konseptual tentang hubungan antara massa dan percepatan. Guru merasa bingung karena praktikum terlihat berjalan lancar.

Contoh Prompting

Peran: Bertindaklah sebagai Konsultan Pedagogi Senior dan Ahli Kurikulum Sains.

Konteks: Saya baru saja mengajar materi Hukum Newton. Siswa sangat aktif dan gembira saat praktikum fisik, namun data asesmen formatif menunjukkan 70% siswa gagal memahami konsep inti (hubungan massa dan percepatan). Terlihat ada kesenjangan antara “doing” (melakukan) dan “learning” (memahami).

Tugas: Lakukan analisis reflektif dan susun rencana perbaikan menggunakan langkah berpikir (Chain-of-Thought) berikut:

1. Analisis Discrepancy (Kesenjangan): Analisis mengapa aktivitas fisik yang aktif tidak terkonversi menjadi pemahaman kognitif. Apakah ada beban kognitif (cognitive load) yang berlebihan pada prosedur praktikum sehingga konsep intinya terabaikan?
2. Identifikasi Miskonsepsi: Berdasarkan kegagalan umum pada materi ini, prediksikan 3 miskonsepsi spesifik yang mungkin terbentuk di benak siswa saat praktikum.
3. Strategi Scaffolding (Tindak Lanjut): Rumuskan 3 rencana perbaikan pembelajaran paling relevan , serta jelaskan kelemahan dan keunggulan masing-masing.
4. Saran Penelitian Tindakan Kelas: Rumuskan 3 judul penelitian tindakan kelas yang sesuai dengan kondisi yang dialami. Pilihkan judul yang memiliki banyak referensi jurnal penelitian sehingga mudah dilaksanakan.

Output: Sajikan jawaban dalam struktur: Analisis Akar Masalah, Prediksi Miskonsepsi,  Rencana Perbaikan Pembelajaran (Langkah demi Langkah) dan Saran Penelitian Tindakan Kelas.

Dengan menggunakan prompting penalaran tersebut, maka AI akan memberikan saran dan analisis yang mungkin saja terjadi di kelas tanpa disadari oleh guru. Namun, untuk dapat membantu AI melakukan analisis dan saran lebih akurat (sesuai kasus di atas), diperlukan dokumen relevan terkait pembelajaran sebagai file unggahan seperti: RPP, Perangkat Asesmen Formatif, Rekap Nilai Asesmen Formatif.

Membuat Promt Chain of Thought (CoT) Melalui Meta-Prompting

Sekilas membaca panjangnya prompt CoT pada contoh di atas, tentu langsung terpikir bagaimana cara membuat prompt tersebut. Tentu masih ingat dengan dua cara membuat prompt pada bab sebelumnya, yaitu manual dan otomatis. Dimana dilanjutkan dengan penjelasan logis, mengapa pembuatan prompt melalui meta-prompting menghasilkan output yang lebih baik.

Dalam kasus di atas, kita bisa meminta bantuan AI menyusunkan prompt CoT melalui meta-prompting berikut:

“Buatkan prompt CoT supaya saya dapat melakukan analisis permasalahan, prediksi terjadinya miskonsepsi, refleksi, melakukan perbaikan pembelajaran, bahkan melakukan penelitian tindakan kelas berdasarkan kondisi. Kondisi saya: Dalam pembelajaran IPA tentang “Hukum Newton”, siswa antusias saat melakukan eksperimen meluncurkan mobil mainan. Namun, saat sesi asesmen formatif (kuis singkat) di akhir kelas, 70% siswa gagal menjawab pertanyaan konseptual tentang hubungan antara massa dan percepatan. Guru merasa bingung karena praktikum terlihat berjalan lancar.”

Growth Mindset dalam Prompting : Mengubah Data Problematika Menjadi Inovasi dan Karya Bermanfaat

Growth Mindset dalam prompting adalah pola pikir yang memandang masalah atau data negatif bukan sebagai kegagalan, melainkan bahan baku bernilai. Seorang prompter cerdas tidak sekadar mengeluh pada AI, tetapi menggunakan data problematik—seperti kasus nilai siswa yang rendah—sebagai konteks vital.

Dengan instruksi yang tepat (seperti Chain-of-Thought), kita memandu AI membedah masalah tersebut menjadi analisis diagnostik, strategi intervensi, hingga karya ilmiah (PTK). Di sinilah letak inovasinya: prompt berfungsi sebagai mesin transformasi yang mengubah kendala nyata di lapangan menjadi solusi pedagogis dan karya profesional yang bermanfaat.

Ragam Jenis Prompt Penalaran untuk Analisis Reflektif dan Inovasi Pembelajaran

Selain CoT, ada beberapa jenis prompting yang cocok untuk Analisis-Reflektif Pembelajaran dan ada pula beberapa jenis prompting yang cocok untuk inovasi pembelajaran, sebagaimana terangkum dalam tabel berikut.

 

Tabel 05. Ragam Prompting Untuk Analisis-Reflektif Pembelajaran

No	Jenis Prompting	Deskripsi Fungsi	Contoh Kasus	Contoh Prompt
1	Framework-Based Prompting (Model DRILL/Gibbs)	Deskripsi: Menggunakan kerangka kerja akademis (seperti Gibbs atau DRILL) sebagai struktur logika bagi AI untuk membedah data.Fungsi: Membuat refleksi menjadi terstruktur, sistematis, dan mencakup semua aspek (perasaan, evaluasi, analisis, rencana aksi).	Kasus: Guru merasa kelas kacau saat sesi praktikum biologi, banyak alat rusak, dan data pengamatan siswa tidak lengkap.	“Gunakan siklus Refleksi Gibbs untuk mengevaluasi kejadian praktikum hari ini:1. Description: Apa yang terjadi secara objektif berdasarkan data kerusakan alat ini?2. Feelings: Apa yang dirasakan guru dan siswa saat kekacauan terjadi?3. Evaluation: Apa hal positif dan negatif dari manajemen kelas saya?4. Analysis: Mengapa instruksi keselamatan saya diabaikan?5. Action Plan: Buat SOP baru untuk praktikum minggu depan.”
2	Root Cause Analysis (The “5 Whys”)	Deskripsi: Teknik iteratif di mana AI diminta bertanya “Mengapa” sebanyak 5 tingkat kedalaman untuk menemukan akar masalah.Fungsi: Menggali masalah hingga ke inti terdalam, bukan hanya menyelesaikan gejala di permukaan.	Kasus: Terdapat 5 siswa yang selalu terlambat mengumpulkan tugas coding/informatika selama 3 minggu berturut-turut.	“Bertindaklah sebagai analis perilaku siswa. Gunakan teknik ‘5 Whys’ untuk mencari akar masalah dari data keterlambatan 5 siswa ini:- Masalah: Siswa A, B, C, D, E terlambat mengumpulkan tugas.- Why 1: Mengapa mereka terlambat?- Why 2: (Jawab berdasarkan kemungkinan beban tugas)- Why 3: (Jawab berdasarkan pemahaman instruksi)…hingga Why 5.Berikan solusi berdasarkan ‘Why’ terakhir (akar masalah).”
3	Comparative Analysis Prompting	Deskripsi: Meminta AI membandingkan dua set data yang berbeda untuk menemukan variabel pembeda.Fungsi: Mengidentifikasi strategi mana yang efektif dengan membandingkan keberhasilan/kegagalan antar kelas atau antar metode.	Kasus: Guru mengajar materi yang sama di Kelas 8A (metode ceramah) dan Kelas 8B (metode gamifikasi). Hasil Kelas 8B jauh lebih tinggi.	“Lakukan Analisis Komparatif terhadap data hasil belajar ini:- Data A (Kelas Ceramah): Rata-rata 70, partisipasi rendah.- Data B (Kelas Gamifikasi): Rata-rata 85, partisipasi tinggi.Identifikasi 3 variabel kunci yang membuat Kelas B lebih unggul. Apakah karena motivasi ekstrinsik atau pemahaman konsep yang lebih dalam? Berikan bukti logis dari perbandingan tersebut.”
4	Socratic Maieutics Prompting	Deskripsi: Alih-alih memberikan jawaban, AI diminta untuk memberikan pertanyaan kritis balik kepada guru berdasarkan data.Fungsi: Merangsang metakognisi guru agar menemukan solusinya sendiri (self-discovery) dan menyadari blind spot (titik buta) pengajarannya.	Kasus: Guru menerima umpan balik siswa yang berbunyi: “Penjelasan Bapak terlalu cepat dan membingungkan,” padahal guru merasa sudah pelan.	“Saya menerima data umpan balik siswa: ‘Penjelasan terlalu cepat’.Jangan beri saya saran dulu. Sebaliknya, ajukan 3 Pertanyaan Sokratik yang tajam kepada saya untuk membantu saya menyadari bagian mana dari gaya komunikasi saya yang bermasalah. Bantu saya merefleksikan persepsi waktu saya vs persepsi siswa.”

 

 

Tabel 06. Ragam Prompting Untuk Inovasi Pembelajaran

No	Jenis Prompting	Deskripsi Fungsi	Contoh Kasus	Contoh Prompt
1	Tree of Thoughts (ToT)	Eksplorasi Cabang Solusi.Meminta AI untuk tidak langsung menjawab satu solusi, melainkan menghasilkan beberapa cabang ide alternatif, mengevaluasi setiap cabang, dan memilih atau menggabungkan yang terbaik. Cocok untuk brainstorming strategi kompleks.	Merancang strategi pembelajaran berdiferensiasi untuk satu topik yang sama (misal: Listrik Dinamis) agar cocok untuk siswa visual, auditori, dan kinestetik sekaligus.	“Saya ingin mengajarkan materi Listrik Dinamis. Langkah 1: Berikan 3 ide pendekatan pembelajaran yang sangat berbeda (misal: Gamifikasi, Proyek Maker, dan Studi Kasus).Langkah 2: Analisis kelebihan dan risiko kegagalan dari masing-masing pendekatan tersebut untuk kelas yang siswanya pasif.Langkah 3: Berdasarkan analisis, gabungkan elemen terbaik dari ketiganya menjadi satu rencana pembelajaran yang inovatif.”
2	Role-Playing (Persona Simulation)	Simulasi Perspektif.Meminta AI “menjadi” sosok tertentu (siswa, ahli kurikulum, orang tua, atau tokoh sejarah) untuk menguji validitas materi atau mendapatkan sudut pandang emosional. Ini membangun empati dalam desain kurikulum.	Menguji apakah LKPD (Lembar Kerja) yang dibuat guru terlalu membingungkan atau membosankan bagi siswa yang kurang motivasi.	“Bertindaklah sebagai siswa kelas 8 SMP yang benci pelajaran IPA dan suka mengantuk di kelas. Baca rancangan instruksi LKPD saya di bawah ini. Bagian mana yang membuatmu bingung? Bagian mana yang membuatmu malas mengerjakannya? Berikan kritik jujur dengan gaya bahasa remaja.”
3	Socratic Prompting	Pemicu Berpikir (Maieutics).Memerintahkan AI untuk tidak memberikan jawaban, melainkan terus mengajukan pertanyaan penuntun (guiding questions) yang memaksa pengguna (atau siswa) menemukan jawabannya sendiri.	Membuat asisten virtual untuk siswa yang membantu mereka belajar mandiri tanpa langsung memberikan kunci jawaban soal.	“Saya ingin Anda bertindak sebagai Tutor Sokratik untuk materi Hukum Newton. Tugas Anda: Bantu siswa memahami konsep, tapi JANGAN PERNAH memberikan jawaban langsung. Sebaliknya, ajukan pertanyaan balik yang menuntun logika mereka langkah demi langkah sampai mereka menyimpulkan sendiri jawabannya. Mulailah dengan menyapa siswa.”
4	Self-Refine (Recursive Criticism)	Iterasi & Kritik Mandiri.Meminta AI untuk menyusun draf awal, lalu memerintahkan AI untuk mengkritik hasil kerjanya sendiri (mencari celah/bias), dan menulis ulang hasilnya menjadi versi yang lebih sempurna.	Menyusun rubrik penilaian proyek yang adil dan objektif, serta memastikan tidak ada kriteria yang ambigu.	“Langkah 1: Buatkan draf rubrik penilaian untuk proyek poster sains.Langkah 2: Kritik rubrik buatanmu sendiri tadi. Apakah ada kriteria yang terlalu subjektif? Apakah bahasanya terlalu sulit dipahami siswa?Langkah 3: Tulis ulang rubrik tersebut menjadi Versi Final yang sudah memperbaiki semua kelemahan yang ditemukan di Langkah 2.”
5	Analogical Prompting	Transfer Konsep.Meminta AI menjelaskan konsep abstrak yang rumit dengan menggunakan analogi dari domain lain yang sangat familiar bagi audiens. Ini inti dari teknik bridging dalam pedagogi.	Menjelaskan konsep abstrak seperti “Arus Listrik, Tegangan, dan Hambatan” menggunakan metafora kehidupan sehari-hari yang relevan dengan siswa desa/kota.	“Jelaskan konsep Arus (Amper), Tegangan (Volt), dan Hambatan (Ohm) kepada siswa SMP yang tinggal di daerah pertanian.Gunakan analogi sistem irigasi sawah atau aliran sungai bendungan. Petakan setiap komponen listrik ke komponen irigasi tersebut secara presisi agar siswa langsung paham logikanya.”

 

Data Terbaik Dari Responden, Referensi Terbaik Dari Jurnal Ilmiah

Kualitas inovasi pendidikan lahir dari sinergi tiga elemen vital: Data Responden yang otentik (mencerminkan realitas lapangan), Jurnal Ilmiah yang kredibel (landasan teori teruji), dan AI sebagai mesin bantu penalaran (reasoning engine) untuk mensintesis keduanya. AI kini berfungsi sebagai mitra riset untuk mempercepat analisis pola, bukan sekadar pembuat teks.

Alat-alat AI modern telah berevolusi mendukung validitas ini. Google Scholar Labs membantu eksplorasi literatur terkurasi, sementara Perplexity menyajikan jawaban berbasis sitasi real-time untuk meminimalkan bias. Khusus untuk analisis mendalam, NotebookLM menjadi game-changer dengan kemampuan source-grounding; ia bekerja eksklusif pada dokumen jurnal yang kita unggah, menjamin akurasi interpretasi tanpa halusinasi data eksternal. Kombinasi data valid dan AI canggih ini menghasilkan karya ilmiah yang presisi dan dapat dipertanggungjawabkan.

 

BAB 6. PERSONALISASI DAN CUSTOM AI UNTUK PROFESIONAL

Profesional Membutuhkan AI Spesifik

Pekerja profesional membutuhkan AI yang spesifik dan terpersonalisasi agar dapat bekerja secara optimal, karena setiap profesi memiliki konteks, standar, dan alur kerja yang berbeda. AI generik sering memberi jawaban umum sehingga kurang relevan untuk kebutuhan nyata di lapangan. Dengan personalisasi, AI memahami bidang kerja, gaya komunikasi, jenis dokumen, serta standar kualitas yang diperlukan. Hal ini membuat AI mampu menghasilkan output yang langsung siap pakai, konsisten, dan presisi. AI yang spesifik juga dapat menghemat waktu, meningkatkan produktivitas, serta mendukung pengambilan keputusan yang lebih cepat dan akurat dalam pekerjaan profesional.

 

Melakukan Personalisasi AI

Jika kamu adalah pengguna ChatGPT, Gemini, atau Copilot maka ada ruang khusus untuk memori mengingat siapa kamu, apa pekerjaanmu, dan apa yang kamu sering kerjakan bersama AI.

ChatGPT 5.1 menyediakan fitur Personalisasi di pojok kiri bawah, dengan klik pada menu Akun Profil. Dalam fitur personali sasi ada sejumlah isian yang dapat disesuaikan dengan kebutuhan pengguna. Gaya nada dasar, intruksi khusus, nama panggilan, pekerjaan, deskripsi minat dan preferensi.

Gemini 3.0 juga menyematkan fitur personalisasi yang bisa diakses di posisi kiri bawah (Setelan dan Bantuan), sub menu Konteks Personal. Kamu bisa menambahkan memori tentang pengguna dengan klik tombol tambah dan menuliskan kalimat singkat dan spesifik tentang personalisasimu. Panjang kalimat yang disediakan untuk menggambarkan personal gemini lebih pendek dibandingkan ChatGPT sehingga kamu perlu benar-benar mendeskripsikan diri secara efektif.

Copilot (desktop) memiliki ruang personalisasi yang mungkin lebih besar daripada Gemini 3.0. Fitur ini dapat ditemukan dengan klik menu Akun Profil di bagian kiri bawah, pilih pengaturan, pilih kelola memori. Jika ingin menambahkan instruksi tertentu ke memori dilakukan dengan memilih tombol “tambahkan ke memori”.

Sebagai bentuk keterbukaan teknologi AI kepada pengguna, kita juga bisa mengetahui apa saja yang diingat oleh AI tentang kita dengan mengetikkan prompt berikut:

“Tuliskan dengan detail dan rinci, apa saja yang kamu ingat tentang saya.”

Dalam sekejap, AI menyajikan apa saja yang diketahui tentang Anda dalam bentuk sangat terstruktur.

Profil Personalisasi AI

Profil personalisasi AI adalah ringkasan informasi tentang pengguna yang digunakan AI untuk menyesuaikan cara merespons. Profil ini mencakup peran, kebutuhan, preferensi, gaya komunikasi, dan konteks kerja. Dengan profil tersebut, AI dapat memberi jawaban lebih relevan, konsisten, efisien, dan sesuai standar profesional pengguna.

Profil personalisasi AI bermanfaat karena membuat AI bekerja lebih relevan, cepat, dan presisi sesuai kebutuhan pengguna. AI tidak lagi memberi jawaban umum, tetapi mengikuti konteks, gaya kerja, dan preferensi. Hasilnya, pekerjaan lebih efisien, konsisten, dan output langsung siap pakai untuk tugas profesional. Berikut ini contoh profil personalisasi:

[Identitas dan Peran Profesional]

Saya adalah guru IPA dan Prakarya di jenjang SMP, khususnya kelas 7–9. Saya mengajar di SMPN 1 Lewolema dan bekerja dengan Kurikulum Merdeka, fokus pada pembelajaran mendalam, proyek, dan asesmen autentik. Saya aktif dalam kegiatan sekolah, ko-kurikuler, serta event pendidikan tingkat kabupaten.

[Tujuan Utama dalam Menggunakan AI]

• Membuat perangkat ajar lengkap: RPP 80 menit, modul ajar, LKPD, rubrik, asesmen formatif, dan kisi-kisi.
• Mengembangkan media pembelajaran berbasis teknologi seperti game HTML/JS dan simulasi IPA.
• Mempercepat penulisan dokumen sekolah, materi lomba, dan kebutuhan proyek pendidikan.

[Preferensi Gaya Jawaban]

• Bahasa Indonesia formal, jelas, dan mudah dipahami siswa SMP.
• Jawaban harus terstruktur dan sistematis; gunakan tabel jika relevan.
• Gunakan contoh kontekstual khas kehidupan siswa.
• Hindari paragraf panjang tanpa poin-poin.

[Standar Akademik dan Pedagogis]

• Selalu mengacu pada Kurikulum Merdeka, Capaian Pembelajaran, serta pembelajaran berdiferensiasi.
• Prioritaskan model pembelajaran seperti PBL, inkuiri, berbasis proyek, dan eksperimen.
• Tampilkan alur pembelajaran 3 tahap: pendahuluan, kegiatan inti, penutup.

[Preferensi Teknis (untuk Pemrograman/Simulasi)]

• Gunakan HTML5, CSS, dan JavaScript murni, tanpa library eksternal.
• Struktur kode harus rapi, diberi komentar singkat, dan mudah dipahami pemula.
• Tampilkan output lengkap: struktur file, script, dan gaya.

[ Kebiasaan dan Kebutuhan Khusus]

• Saya sering membuat konten untuk lomba, pameran, dan kegiatan sekolah.
• Saya ingin AI memberi beberapa opsi atau variasi kegiatan.
• Saya membutuhkan ide kreatif, analogi sederhana, dan penjelasan konsep IPA yang kontekstual.

[Hal yang Harus Dihindari oleh AI]

• Jawaban terlalu teoretis tanpa contoh.
• Bahasa terlalu teknis atau terlalu informal.
• Format dokumen yang tidak konsisten.
• Kode program tidak lengkap atau tidak dapat dijalankan.

Dalam penggunaan praktis, sebaiknya Profil Personalisasi diinputkan ke AI sebelum melakukan percakapan atau prompting.

CustomGPT dan CustomGem

CustomGPT bermanfaat karena memungkinkan pengguna memiliki AI yang benar-benar sesuai kebutuhan profesionalnya. Dengan customGPT, Anda dapat menetapkan aturan, gaya bahasa, format dokumen, dan standar kerja yang konsisten sehingga AI selalu menghasilkan jawaban yang relevan dan siap pakai tanpa perlu instruksi berulang. CustomGPT juga dapat dilengkapi pengetahuan khusus dari file, SOP, atau materi internal, membuatnya lebih presisi dibanding AI generik. Fitur ini meningkatkan produktivitas, mempercepat pembuatan dokumen, menjaga kualitas output, dan membantu pengambilan keputusan dengan lebih akurat. Pada akhirnya, customGPT menjadi asisten kerja personal yang stabil, cepat, dan sangat efisien.

Fitur CustomGPT dapat ditemukan di dalam menu GPT –  ChatGPT 5.1. Jika kamu sudah menemukan kumpulan CustomGPT dalam berbagai bidang, lihat ke bagian kanan atas dan temukan tulisan “Buat GPT saya”. Pada tampilan utama builder , lengkapilah isian nama GPT, deskripsi, instruksi, percakapan pembuka, file unggahan untuk pengetahuan GPT, model rekomendasi, kemampuan. CustumGPT yang dibuat dapat dipakai sendiri atau di-share untuk dipergunakan bersama.

CustomGem merupakan semacam CustomGPT yang dikembangkan di Gemini 3.0. Fungsi dan manfaatnya juga sama yaitu menghasilkan jawaban yang relevan sesuai bidang dan siap pakai tanpa perlu instruksi berulang. Kamu dapat membuat CustomGem pada menu Gem, pilih +GemBaru , biasanya terletak dibagian kanan atas. Hingga versi terbaru dirilis, belum ada perbedaan mencolok antara fungsi customGPT dan CustomGem.

Potensi Custom AI dalam Pembelajaran

Custom AI memiliki potensi besar dalam pembelajaran karena dapat disesuaikan dengan kebutuhan guru, karakteristik siswa, dan konteks sekolah. AI dapat menyajikan materi, latihan, dan penjelasan yang dipersonalisasi sesuai tingkat kemampuan siswa, sehingga mendukung diferensiasi dan pembelajaran mendalam. Guru dapat membuat AI yang memahami kurikulum, gaya ajar, serta format dokumen yang dibutuhkan, sehingga mempercepat pembuatan RPP, LKPD, soal, dan media interaktif. Custom AI juga dapat menjadi tutor digital yang responsif, memberikan umpan balik instan, dan membantu siswa belajar mandiri. Dengan integrasi simulasi, game edukasi, dan analisis data belajar, pembelajaran menjadi lebih efektif, adaptif, dan menarik.

 

BAB 7. EVALUASI DAN ITERASI DALAM PROMPTING

Evaluasi dan Iterasi dalam Framework TCREI

Evaluasi dan Iterasi merupakan bagian penting dalam langkah kerja prompting Task-Context-Reference-Evaluate-Iteracy ( TCREI ).  Bahkan ada anggapan bahwa evaluasi dan iterasi merupakan inti dari langkah kerja prompting TCREI karena keduanya memastikan prompt berkembang menuju hasil yang paling akurat dan relevan.

Evaluasi dilakukan dengan menilai kualitas jawaban, apakah sudah sesuai tugas, konteks tepat, referensi digunakan benar, dan tidak ada kesalahan logika. Hasil evaluasi menjadi dasar untuk iterasi, yaitu memperbaiki prompt secara sistematis dengan menambah detail, mengurangi ambiguitas, atau mengubah struktur.

Proses berulang ini meningkatkan presisi, konsistensi, dan efisiensi. Dengan evaluasi dan iterasi yang baik, guru atau pembuat prompt dapat mencapai keluaran yang stabil, andal, serta optimal untuk kebutuhan pembelajaran dan pemecahan masalah.

Teknik Melakukan Evaluasi dan Iterasi

Dalam kerangka kerja TCREI , evaluasi dan iterasi dapat dilakukan secara otomatis maupun manual. Prompt engineer dapat menggunakan prompt evaluatif dan memadukannya dalam struktur Chain of Thought (CoT), untuk melakukan evaluasi otomatis, jika membutuhkan kerja lebih cepat. Misalnya pada prompt berikut:

Instruksi Utama (Wajib):
Lakukan evaluasi dan iterasi otomatis menggunakan langkah penalaran Chain of Thought (CoT) untuk memastikan output memenuhi seluruh kriteria yang ditetapkan.

Langkah Evaluasi & Iterasi

1. Evaluasi Tahap 1
   • Lakukan cek kesesuaian terhadap output yang dihasilkan, meliputi:
     • kesesuaian struktur RPP dengan contoh/format acuan,
     • penggunaan gaya bahasa formal,
     • tidak menggunakan istilah P5 dalam bentuk apa pun.
   • Gunakan penalaran CoT untuk menjelaskan proses analisis.
   • Tulis laporan hasil cek.
   • Jika ditemukan ketidaksesuaian, lakukan perbaikan otomatis pada output.
2. Evaluasi Tahap 2 (Ulang)
   • Lakukan pengecekan ulang dengan kriteria yang sama untuk memastikan output sudah sepenuhnya sesuai.
   • Berikan laporan hasil cek ulang.
   • Jika masih ada masalah, lakukan perbaikan otomatis lagi.
3. Iterasi Prompt
   • Analisis prompt awal menggunakan CoT: identifikasi bagian yang kurang jelas, ambigu, atau kurang rinci.
   • Perbaiki prompt tersebut menjadi lebih jelas, rinci, terstruktur, dan detail untuk menjamin kualitas output.
   • Tulis versi prompt baru yang sudah dioptimalkan.

Output Akhir yang Wajib Disediakan

1. Laporan evaluasi tahap 1
2. Output hasil perbaikan
3. Laporan evaluasi tahap 2
4. Output final setelah perbaikan ulang
5. Prompt baru yang sudah dioptimalkan

 

Jika kita merasa sudah mahir dan cukup waktu melakukan evaluasi dan iterasi tanpa mengandal prompting evaluatif, maka cara manual sangat disarankan. Cara manual menjamin independensi kamu untuk menilai hasil kerja AI. Bahkan dalam level keahlian lanjut, kamu dapat menemukan kekurangan / bug yang dalam kerja AI.

Gabungan teknik otomatis + manual, mungkin jadi cara evaluasi dan iterasi terbaik yang pernah ada. Dalam hal-hal tertentu, kamu bisa mempercayakan AI untuk mengerjakan, tetapi pada hal yang membutuhkan sentuhan humanis, maka wajib bagi prompt engineer profesional untuk bekerja secara maksimal dan teliti.

Update AI dan Evaluasi-Iterasi Prompting

Evaluasi dan iterasi prompting harus terus dilakukan karena kualitas respons AI tidak pernah benar-benar statis. Setiap pembaruan model, baik peningkatan kemampuan reasoning, penyesuaian gaya bahasa, perluasan pengetahuan, maupun penguatan filter, dapat mengubah cara AI menafsirkan instruksi yang sama.

Prompt yang sebelumnya efektif bisa menjadi kurang presisi, menghasilkan format berbeda, atau memberi jawaban yang tidak sesuai ekspektasi setelah update. Karena itu, pengguna perlu menguji kembali efektivitas prompt secara berkala, menilai relevansi, ketepatan, dan konsistensinya, lalu melakukan penyesuaian yang diperlukan. Iterasi juga penting untuk menyesuaikan prompt dengan kebutuhan baru, konteks tugas, dan standar kualitas yang berkembang.

Dengan siklus evaluasi dan perbaikan berkelanjutan, pengguna dapat menjaga stabilitas hasil, memaksimalkan kemampuan model terbaru, dan memastikan bahwa AI tetap memberikan keluaran yang akurat, relevan, dan konsisten dari waktu ke waktu.

Komunitas Prompting Engineer dan Evaluasi-Iterasi Prompting

Komunitas prompting engineer berperan penting dalam evaluasi dan iterasi prompting karena mereka menjadi ruang kolaboratif untuk berbagi teknik, temuan, dan best practice. Melalui diskusi, eksperimen bersama, dan studi kasus, komunitas membantu mengidentifikasi kelemahan prompt, menguji efektivitas berbagai pendekatan, serta merumuskan standar evaluasi yang lebih matang. Mereka juga mempercepat iterasi melalui umpan balik lintas pengalaman dan analisis berbasis contoh nyata.

Selain itu, komunitas memantau dampak update AI terhadap performa prompt dan menawarkan solusi adaptif agar prompt tetap stabil. Dengan kolaborasi berkelanjutan, kualitas prompting berkembang lebih cepat, konsisten, dan terukur.

 

BAB 8. TRANSPARANSI DAN ETIKA PROMPTING

Prompting Sebagai Bagian Dari Budaya

AI telah menjadi bagian dari budaya , alat teknologi, masyarakat modern sejak munculnya LLM GPT-2 pada Februari 2019. Kenapa bisa dikatakan bagian dari budaya ? Jika kita hidup di wilayah etnik yang memiliki kebiasaan membuat kain tenun, maka tentu kita menganggap tenun adalah barang budaya , alat tenun sebagai alat budaya, dan teknik menenun sebagai warisan budaya tak benda. Hal yang sama berlaku juga untuk AI. Bahkan dengan kemampuannya menghasilkan teks alami memicu perubahan besar dalam komunikasi, kreativitas, dan kerja digital di berbagai penjuru bumi. Sejak itu, AI semakin terintegrasi dalam budaya global: pendidikan, bisnis, hiburan, dan kehidupan sehari-hari.

Prompting menjadi keterampilan baru yang penting seiring populernya model LLM seperti ChatGPT, Gemini, dan Copilot. Manusia kini perlu mampu memberikan instruksi yang jelas, terarah, dan kontekstual agar AI menghasilkan respons yang akurat dan bernilai. Dalam masyarakat modern, kemampuan berinteraksi efektif dengan AI menjadi kebutuhan, bukan pilihan, karena AI hadir dalam pembelajaran, pekerjaan, dan kreativitas. Prompting yang baik memungkinkan manusia memaksimalkan potensi AI sebagai mitra berpikir, pemecah masalah, dan alat produktivitas. Dengan menguasai prompting, individu dapat mengarahkan kecerdasan buatan untuk mendukung keputusan, mempercepat tugas, dan menciptakan inovasi di berbagai bidang.

Teknologi AI untuk Kemaslahatan Manusia

Teknologi AI diciptakan untuk meningkatkan kemaslahatan manusia melalui percepatan kerja, pemecahan masalah kompleks, peningkatan kualitas hidup, dan perluasan akses pengetahuan. Namun, manfaat ini hanya dapat terwujud jika pengembangan dan penggunaannya dijalankan secara bertanggung jawab. AI harus dibangun dengan standar transparansi, sehingga proses dan batasannya dapat dipahami oleh pengguna. Selain itu, prinsip etika sangat penting agar AI tidak menimbulkan diskriminasi, penyalahgunaan data, atau keputusan yang merugikan individu maupun kelompok. Tanggung jawab pengembang, pemerintah, dan pengguna diperlukan agar AI selaras dengan nilai kemanusiaan. Dengan menjaga keamanan, akurasi, dan perlindungan privasi, AI dapat menjadi alat yang memperkuat kesejahteraan sosial. Teknologi ini harus diarahkan untuk membantu pendidikan, kesehatan, ekonomi, dan tata kelola publik, bukan sekadar efisiensi semata. AI yang etis memastikan inovasi tetap memuliakan martabat dan hak setiap manusia.

Prompting sebagai cara manusia berinteraksi dengan AI harus pula digunakan secara bertanggung jawab, transparan, dan etis. Hal ini selaras dengan tujuan AI untuk kemaslahatan kehidupan manusia. Instruksi yang diberikan perlu menjaga kebenaran, keamanan, serta menghormati privasi dan nilai kemanusiaan. Dengan prompting yang etis, AI dapat benar-benar membawa kemaslahatan bagi masyarakat.

Transparansi dalam Prompting

Transparansi dalam prompting berarti pengguna memberikan instruksi yang jelas, jujur, tidak menyesatkan kepada AI, sekaligus memahami batasan model yang digunakan. Pengguna tidak diperkenankan melakukan reakayasa prompting untuk tujuan yang tersembunyi, mengelabuhi norma / hukum yang berlaku di suatu wilayah, ataupun berlawanan dengan tujuan teknologi AI itu sendiri.

Transparansi prompting tidak hanya berlaku pada pengguna, namun juga pada AI itu sendiri. AI harus dapat menjelaskan apa saja yang dilakukannya ketika pengguna melakukan input prompt tertentu. Hal ini membantu perbaikan prompt dan perbaikan cara AI dalam merespon pengguna.

Transparansi prompting membantu AI menghasilkan jawaban yang akurat, aman, dan sesuai konteks. Ini juga penting agar proses kolaborasi manusia–AI tetap etis dan dapat dipertanggungjawabkan. Pengguna perlu menjelaskan tujuan, batasan, serta sumber informasi jika diperlukan, sehingga AI dapat bekerja secara optimal.

Prompting, Etika, dan Tanggung Jawab

Prompting, etika, dan tanggung jawab merupakan tiga pilar penting dalam interaksi manusia dengan teknologi AI. Prompting adalah seni memberi instruksi yang tepat, jelas, dan bermakna agar AI menghasilkan keluaran yang bermanfaat. Namun, kemampuan ini harus disertai kesadaran etis.

Etika dalam prompting berarti memastikan bahwa instruksi yang diberikan tidak mengarah pada informasi menyesatkan, pelanggaran privasi, kekerasan, diskriminasi, atau perilaku yang membahayakan orang lain. Pengguna perlu memahami bahwa setiap instruksi dapat memengaruhi keluaran AI dan dampaknya di dunia nyata. Di sinilah peran tanggung jawab menjadi penting.

Setiap pengguna bertanggung jawab untuk menggunakan AI secara bijak, menghormati hak manusia, serta mempertimbangkan konsekuensi sosial dan moral dari hasil yang dihasilkan. Dengan memadukan prompting yang baik, etika yang kuat, dan sikap bertanggung jawab, teknologi AI dapat dimanfaatkan secara aman, adil, dan benar-benar bermanfaat bagi masyarakat.

AI Bukan Mesin Pembuat Fakta

AI bukan mesin pembuat fakta ilmiah, karena ia tidak menemukan data baru atau melakukan eksperimen seperti ilmuwan. AI hanya mengolah pola dari data yang telah dilatih, sehingga jawabannya bersifat prediktif, bukan hasil penelitian langsung. Karena itu, informasi yang diberikan bisa keliru, tidak lengkap, atau tidak sesuai konteks ilmiah terbaru.

AI dapat membantu merangkum, menjelaskan, atau memberikan referensi umum, tetapi tidak boleh dijadikan sumber tunggal dalam penentuan kebenaran ilmiah. Tanggung jawab tetap berada pada manusia untuk memverifikasi data melalui literatur, penelitian, dan metode ilmiah yang sahih.

Contoh penggunaan Prompting AI yang salah:
Seorang siswa bertanya, “AI, tolong temukan obat baru untuk penyakit X dan berikan dosis pastinya.”

Ini salah karena AI tidak bisa menemukan obat, tidak dapat menentukan dosis medis, dan jawabannya bisa berbahaya jika dianggap sebagai fakta ilmiah.

Fenomena Deepfake pada Foto dan Video

Fenomena deepfake pada foto dan video muncul akibat kemajuan teknologi kecerdasan buatan yang mampu memanipulasi wajah, suara, dan gerakan hingga terlihat sangat nyata. Meskipun teknologi ini dapat dimanfaatkan untuk hiburan, pendidikan, atau produksi film, penggunaannya tanpa izin membawa risiko serius.

Deepfake yang dibuat tanpa persetujuan dapat menjadi bentuk pelanggaran privasi, karena seseorang ditampilkan dalam konteks yang tidak pernah ia lakukan. Lebih jauh, deepfake sering digunakan untuk penipuan, seperti menyamar menjadi tokoh tertentu untuk menipu keluarga atau lembaga keuangan.

Selain itu, deepfake dapat digunakan untuk perbuatan tidak menyenangkan yang merugikan martabat seseorang, dan tindakan ini dapat melanggar hukum di banyak negara, termasuk Indonesia. Karena itu, penggunaan deepfake harus disertai pertimbangan etika, izin eksplisit, dan kepatuhan pada peraturan agar teknologi tidak disalahgunakan.

Fenomena Menyalin Jawaban AI untuk Kerja Tugas Siswa

Fenomena siswa menggunakan AI untuk mengerjakan tugas semakin meningkat seiring kemudahan akses dan kemampuan model bahasa menghasilkan jawaban cepat. AI memang bermanfaat sebagai alat pencarian informasi, membantu siswa memahami konsep, serta menjadi alat bantu penalaran untuk merancang ide, menguji argumen, atau memperjelas materi yang sulit.

Namun, penggunaan AI oleh siswa harus dibatasi dalam lingkungan sekolah. Larangan ini bukan untuk menghambat teknologi, tetapi untuk menjaga kemampuan dasar siswa dalam berpikir, baik LOTS (Lower Order Thinking Skills) seperti memahami dan mengingat, maupun HOTS (Higher Order Thinking Skills) seperti menganalisis, mengevaluasi, dan mencipta.

Jika siswa hanya menyalin jawaban AI, kemampuan kognitif mereka dapat melemah, kreativitas menurun, dan proses belajar menjadi tidak bermakna. Karena itu, AI sebaiknya digunakan sebagai pendamping belajar, bukan pengganti proses berpikir. Guru perlu mengarahkan penggunaan AI agar tetap mendidik, etis, dan mendukung perkembangan intelektual siswa.