Daftar Isi

 

Panduan Chain-of-Thought Prompting: Cara Membuat AI Menjawab Masalah Kompleks dengan Lebih Logis

Kecerdasan buatan (AI) semakin sering digunakan untuk membantu menyelesaikan berbagai pekerjaan, mulai dari menghitung anggaran, menganalisis data, hingga memecahkan persoalan matematika dan logika. Namun, ada satu masalah yang masih perlu diperhatikan: AI terkadang memberikan jawaban yang terdengar meyakinkan, tetapi ternyata keliru.

Kesalahan tersebut bisa muncul karena kekeliruan memahami pertanyaan, penggunaan asumsi yang tidak tepat, atau proses perhitungan yang tidak konsisten. Salah satu teknik yang dapat membantu mengurangi risiko tersebut adalah Chain-of-Thought (CoT) prompting.

Teknik ini menggunakan instruksi yang mendorong AI memecah persoalan menjadi beberapa langkah sebelum menghasilkan jawaban akhir. Dengan pendekatan tersebut, pengguna dapat membantu AI menangani masalah yang membutuhkan beberapa tahap penalaran secara lebih terstruktur.

Lantas, bagaimana cara menggunakan Chain-of-Thought prompting? Berikut panduan tutorialnya, lengkap dengan contoh prompt yang bisa langsung dicoba.

1. Memahami Apa Itu Chain-of-Thought Prompting

Chain-of-Thought prompting adalah teknik menyusun instruksi agar model AI menangani persoalan melalui tahapan penalaran yang terstruktur, bukan sekadar menghasilkan jawaban singkat berdasarkan pertanyaan pengguna.

Misalnya, pengguna ingin menghitung keuntungan sebuah toko. Modal pembelian barang mencapai Rp2 juta, sementara seluruh barang terjual dengan pendapatan Rp2,7 juta. Selain itu, toko mengeluarkan biaya operasional sebesar Rp250 ribu.

Jika hanya meminta AI menghitung keuntungan, model mungkin langsung memberikan angka tanpa menjelaskan komponen yang digunakan. Padahal, keuntungan kotor dan keuntungan bersih memiliki pengertian berbeda.

Dengan CoT prompting, pengguna dapat meminta AI mengidentifikasi pendapatan, menghitung selisih pendapatan dan modal, kemudian mengurangi hasilnya dengan biaya operasional.

Pendekatan tersebut membantu membuat penyelesaian masalah lebih terstruktur dan memudahkan pengguna memeriksa apakah perhitungannya masuk akal.

Perlu dipahami bahwa meminta AI menjelaskan langkah penyelesaian tidak menjamin seluruh proses internal model terlihat atau selalu benar. Tujuan utamanya adalah memperoleh jawaban yang lebih terorganisasi dan lebih mudah diverifikasi.

2. Mengenali Perbedaan Prompt Biasa dan CoT Prompting

Sebelum mencoba teknik ini, pengguna perlu memahami perbedaan antara instruksi biasa dan instruksi yang mendorong penyelesaian bertahap.

Prompt biasa cenderung langsung menanyakan hasil akhir. Sementara itu, prompt dengan pendekatan CoT meminta AI mengidentifikasi informasi penting, menentukan metode penyelesaian, memeriksa asumsi, dan menyajikan kesimpulan berdasarkan hasil yang diperoleh.

Sebagai contoh, gunakan persoalan berikut.

Sebuah toko membeli 40 barang dengan harga Rp25.000 per barang. Seluruh barang dijual seharga Rp35.000 per barang. Biaya operasional yang dikeluarkan mencapai Rp150.000. Berapa keuntungan bersih toko tersebut?

Prompt biasa:

“Hitung keuntungan bersih toko yang membeli 40 barang seharga Rp25.000 per barang, menjualnya Rp35.000 per barang, dan mengeluarkan biaya operasional Rp150.000.”

Prompt terstruktur:

“Analisis persoalan berikut secara bertahap. Identifikasi jumlah barang, harga beli, harga jual, dan biaya operasional. Hitung total modal pembelian, total pendapatan penjualan, keuntungan kotor, lalu keuntungan bersih setelah biaya operasional dikurangi. Periksa kembali perhitungannya dan berikan jawaban akhir beserta rumus yang digunakan.”

Kedua prompt tersebut memiliki tujuan yang sama, tetapi instruksi kedua secara eksplisit mengatur tahapan penyelesaian.

Hasil perhitungannya adalah modal Rp1.000.000, pendapatan Rp1.400.000, keuntungan kotor Rp400.000, dan keuntungan bersih Rp250.000.

Struktur ini memudahkan pengguna menemukan kesalahan apabila AI salah memasukkan angka atau menggunakan rumus yang tidak sesuai.

Baca juga : Data Pribadi Disebar Tanpa Izin? Ini 7 Langkah yang Perlu Kamu Lakukan

3. Menyusun Prompt CoT yang Efektif

Kualitas instruksi sangat memengaruhi kualitas jawaban AI. Karena itu, pengguna sebaiknya tidak hanya menambahkan kalimat “berpikirlah langkah demi langkah”, tetapi juga menjelaskan tugas, informasi yang tersedia, batasan, dan bentuk jawaban yang diinginkan.

Berikut tahapan menyusun prompt yang lebih efektif.

Pertama, jelaskan masalah secara spesifik.

Hindari pertanyaan yang terlalu umum apabila persoalan memiliki banyak variabel. Tuliskan angka, kondisi, satuan, serta informasi yang relevan agar AI tidak perlu menebak konteks.

Kedua, minta AI memecah masalah menjadi beberapa bagian.

Persoalan kompleks lebih mudah diperiksa apabila dibagi menjadi tahapan yang jelas. Misalnya, perhitungan bunga pinjaman dapat dibagi menjadi identifikasi pokok pinjaman, tingkat bunga, jangka waktu, metode perhitungan, dan total pembayaran.

Ketiga, tentukan aturan atau asumsi yang harus digunakan.

Jika persoalan matematika menggunakan bunga sederhana, nyatakan hal tersebut secara eksplisit. Jangan membiarkan AI memilih metode bunga majemuk apabila metode yang dimaksud sebenarnya berbeda.

Keempat, minta verifikasi hasil.

Instruksikan AI untuk memeriksa kembali rumus, satuan, angka, serta kesesuaian jawaban dengan pertanyaan. Untuk perhitungan numerik, pengguna juga dapat meminta pemeriksaan menggunakan metode kedua.

Kelima, tentukan format jawaban.

Mintalah AI menyajikan rumus, substitusi angka, hasil perhitungan, dan kesimpulan. Format tersebut membuat jawaban lebih mudah dipahami dibandingkan paragraf panjang yang tidak terstruktur.

Dengan menggabungkan lima unsur tersebut, pengguna dapat menghasilkan prompt yang lebih konsisten untuk beragam persoalan.

4. Tutorial Membuat Prompt CoT untuk Masalah Matematika

Sekarang, mari mencoba teknik ini menggunakan contoh yang sedikit lebih kompleks.

Seseorang menabung Rp5 juta dengan bunga sederhana sebesar 6 persen per tahun selama 8 bulan. Berapa jumlah uangnya pada akhir periode jika tidak ada biaya tambahan?

Buka chatbot AI yang biasa digunakan, kemudian masukkan prompt berikut.

Contoh prompt siap pakai:

“Bantu saya menyelesaikan persoalan matematika berikut secara terstruktur. Modal awal tabungan adalah Rp5.000.000, dengan bunga sederhana sebesar 6 persen per tahun selama 8 bulan.

Tentukan informasi yang diketahui, rumus bunga sederhana yang relevan, konversi waktu ke satuan tahun, besarnya bunga, dan total saldo akhir.

Periksa kembali penggunaan satuan serta perhitungannya. Jika terdapat asumsi yang diperlukan, jelaskan secara singkat. Sajikan rumus, substitusi angka, hasil, dan kesimpulan dengan bahasa Indonesia yang mudah dipahami.”

Setelah mengirimkan prompt, periksa apakah AI menggunakan rumus yang benar.

Rumus bunga sederhana adalah:

Bunga = Modal × Suku bunga tahunan × Waktu dalam tahun.

Karena delapan bulan sama dengan (8/12) tahun, perhitungannya menjadi:

Bunga = Rp5.000.000 × 0,06 × 8/12.

Hasil bunga adalah Rp200.000. Dengan demikian, total saldo akhir mencapai Rp5.200.000, dengan asumsi bunga tidak dikenai pajak atau biaya lainnya.

Contoh ini menunjukkan bahwa instruksi terstruktur membantu memastikan konversi waktu dilakukan sebelum perhitungan. Kesalahan sederhana seperti menganggap delapan bulan sama dengan satu tahun dapat mengubah hasil secara signifikan.

5. Menggunakan CoT untuk Memecahkan Masalah Logika

Teknik ini tidak hanya berguna untuk matematika. Pengguna juga dapat menerapkannya pada teka-teki logika, penalaran sebab-akibat, dan persoalan yang memiliki beberapa kemungkinan jawaban.

Sebagai contoh:

“Di sebuah ruangan terdapat tiga kotak. Satu berisi apel, satu berisi jeruk, dan satu berisi campuran apel serta jeruk. Semua label kotak salah. Dengan mengambil satu buah dari satu kotak saja, bagaimana menentukan isi ketiga kotak?”

Prompt yang dapat digunakan:

“Selesaikan teka-teki logika berikut dengan mengidentifikasi seluruh aturan yang berlaku. Jelaskan strategi pemilihan kotak, analisis kemungkinan hasil pengambilan buah, dan tunjukkan mengapa informasi tersebut cukup untuk menentukan isi ketiga kotak. Jangan mengasumsikan informasi yang tidak diberikan.”

Solusi dimulai dari kotak berlabel campuran. Karena semua label salah, kotak tersebut tidak mungkin berisi campuran. Jika buah yang diambil adalah apel, berarti kotak itu hanya berisi apel.

Setelah isi kotak pertama diketahui, label salah pada dua kotak lainnya membantu menentukan isi masing-masing. Jika kotak berlabel apel tidak mungkin berisi apel dan kotak berlabel campuran sudah diketahui bukan campuran, susunan sisanya dapat ditentukan berdasarkan aturan label yang salah.

Dengan meminta AI menjelaskan alasan di balik pilihan tersebut, pengguna dapat memeriksa apakah kesimpulannya benar-benar mengikuti aturan teka-teki.

6. Mengurangi Halusinasi AI dengan Verifikasi Bertahap

Salah satu manfaat penting pendekatan CoT adalah membantu pengguna mengidentifikasi kesalahan penalaran yang mungkin tersembunyi di balik jawaban yang terdengar meyakinkan.

Namun, perlu digarisbawahi bahwa CoT prompting tidak otomatis menghilangkan hallucination. Dalam konteks AI, halusinasi merujuk pada keluaran yang keliru atau tidak didukung informasi memadai, termasuk fakta, angka, dan kesimpulan yang dibuat-buat.

AI masih dapat menghasilkan langkah perhitungan yang salah, menggunakan asumsi yang tidak tepat, atau menyampaikan penjelasan yang tampak logis tetapi tidak membuktikan kesimpulan akhirnya.

Untuk mengurangi risiko tersebut, tambahkan instruksi verifikasi ke dalam prompt.

Misalnya:

“Setelah menyelesaikan masalah, periksa apakah setiap kesimpulan didukung oleh informasi yang tersedia. Pisahkan fakta yang diberikan, asumsi yang digunakan, dan hasil perhitungan. Jika informasi tidak cukup untuk menghasilkan satu jawaban pasti, jelaskan keterbatasannya. Jangan mengarang data untuk melengkapi bagian yang tidak diketahui.”

Instruksi tersebut penting ketika AI digunakan untuk analisis data, estimasi biaya, atau perbandingan beberapa pilihan.

Untuk persoalan matematika, hasil juga dapat diperiksa menggunakan kalkulator. Untuk pertanyaan faktual, pengguna sebaiknya memverifikasi informasi melalui sumber tepercaya. Sementara itu, masalah yang membutuhkan data terbaru perlu menggunakan informasi yang relevan dan mutakhir.

Dengan kata lain, AI sebaiknya diperlakukan sebagai alat bantu penalaran, bukan sumber kebenaran yang selalu dapat dipercaya.

7. Template CoT Universal yang Bisa Langsung Digunakan

Agar tidak perlu menyusun instruksi dari awal setiap kali menggunakan chatbot, pengguna dapat menyimpan template berikut dan menyesuaikannya dengan kebutuhan.

Template prompt:

“Bantu saya menyelesaikan masalah berikut: [tuliskan masalah].

Gunakan pendekatan yang terstruktur. Identifikasi informasi yang diketahui, hal yang ditanyakan, asumsi yang diperlukan, dan metode penyelesaian yang sesuai.

Jelaskan langkah-langkah penting yang dapat diperiksa, termasuk rumus atau alasan yang relevan. Pastikan setiap kesimpulan didukung oleh informasi yang tersedia.

Periksa kembali hasil akhir menggunakan metode lain jika memungkinkan. Jika terdapat beberapa kemungkinan jawaban, jelaskan perbedaannya. Jika informasi tidak cukup, tanyakan klarifikasi atau nyatakan keterbatasannya daripada menebak.

Sajikan jawaban dalam bahasa yang mudah dipahami, dengan kesimpulan akhir yang ringkas.”

Template ini dapat digunakan untuk matematika, logika, analisis anggaran, penyelesaian masalah teknis, dan berbagai tugas yang membutuhkan penalaran bertahap.

Pengguna hanya perlu mengganti bagian masalah dan menambahkan aturan khusus sesuai konteks. Untuk tugas sederhana, template tersebut dapat dipersingkat agar AI tidak menghasilkan penjelasan yang berlebihan.

8. Kapan Sebaiknya Menggunakan CoT Prompting?

CoT prompting paling berguna ketika suatu persoalan memiliki beberapa tahap yang saling berkaitan, membutuhkan penerapan aturan, atau memiliki banyak variabel yang harus diperiksa.

Contohnya mencakup perhitungan keuangan, analisis tabel, soal matematika, teka-teki logika, dan diagnosis masalah teknis berdasarkan gejala yang tersedia.

Sebaliknya, teknik ini tidak selalu diperlukan untuk tugas sederhana seperti menerjemahkan kalimat, memperbaiki ejaan, atau mencari sinonim. Instruksi panjang untuk tugas sederhana justru dapat membuang waktu dan menghasilkan jawaban yang terlalu bertele-tele.

Pengguna juga tidak perlu memaksa AI mengungkap seluruh proses penalaran internalnya. Meminta penjelasan singkat tentang metode, bukti, rumus, asumsi, dan pemeriksaan hasil sudah cukup untuk membuat jawaban lebih mudah dievaluasi.

Pada akhirnya, kualitas prompt bukan ditentukan oleh panjang instruksi, melainkan oleh seberapa jelas pengguna menyampaikan masalah dan kriteria jawaban yang diharapkan.

Kesimpulan

Chain-of-Thought prompting merupakan teknik yang membantu pengguna mengarahkan AI untuk menangani persoalan kompleks secara lebih terstruktur. Dengan memecah masalah menjadi tahapan, menyebutkan asumsi, menentukan metode penyelesaian, dan meminta pemeriksaan hasil, pengguna dapat membuat jawaban AI lebih mudah dipahami dan diverifikasi.

Meski demikian, teknik ini bukan jaminan bahwa AI akan selalu benar atau bebas dari halusinasi. Hasil tetap perlu diperiksa, terutama ketika berkaitan dengan perhitungan penting, keputusan keuangan, informasi faktual, atau persoalan teknis yang berisiko.

Cara terbaik memanfaatkan CoT prompting adalah menggabungkan instruksi yang jelas dengan verifikasi yang sesuai. Dengan begitu, AI tidak sekadar menghasilkan jawaban, tetapi juga memberikan penjelasan yang dapat diuji sebelum digunakan untuk mengambil keputusan.