# Zero-Shot vs One-Shot vs Few-Shot Prompting: Bedanya dan Kapan Pakai yang Mana (2026)

- URL: https://komunitech.com/blog/ai-agent/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026/
- Diterbitkan: 2026-10-14
- Diperbarui: 2026-10-14
- Penulis: Priyo Harjiyono
- Penerbit: KomuniTech (https://komunitech.com)

---

**TL;DR:** Zero-shot prompting memberi instruksi tanpa contoh, one-shot memberi satu contoh, dan few-shot memberi beberapa contoh input-output di dalam prompt. Dalam uji Komunitech pada Oktober 2026 terhadap empat model AI, zero-shot sudah cukup untuk tugas klasifikasi sederhana (14-15 dari 15 benar). Untuk tugas dengan format keluaran ketat, zero-shot polos hanya benar 0-2 dari 8, tapi naik ke 7-8 dari 8 di tiga model besar begitu aturan formatnya ditulis eksplisit. Few-shot masih paling membantu untuk model kecil, dengan biaya token prompt sekitar 1,8-2,5 kali lipat.

💡 KEY TAKEAWAY

- **Bedanya cuma jumlah contoh:** nol contoh (zero-shot), satu contoh (one-shot), atau dua sampai beberapa contoh (few-shot).

- **Mulai dari zero-shot:** panduan OpenAI untuk model reasoning menyarankan mencoba tanpa contoh dulu, dan di uji kami instruksi tanpa contoh sudah cukup untuk tugas klasifikasi di keempat model.

- **Tulis aturan sebelum menambah contoh:** di tugas ekstraksi data, aturan format yang eksplisit memberi hasil setara few-shot di model besar dengan token prompt lebih sedikit.

- **Few-shot punya efek samping:** model bisa meniru format contoh secara harfiah, sehingga akurasi klasifikasi justru turun di salah satu model yang kami uji.

Hampir semua kursus prompt engineering mengajarkan few-shot sebagai cara "pasti" membuat jawaban AI lebih akurat. Klaim itu kami uji sendiri: 23 pesan pelanggan berbahasa Indonesia, empat model AI dengan ukuran berbeda, dan empat gaya prompt. Hasilnya tidak sesederhana "few-shot selalu menang", dan pola kapan masing-masing teknik layak dipakai bisa langsung kamu terapkan untuk chatbot, otomasi admin, atau AI Agent bisnis.

## Apa Itu Zero-Shot, One-Shot, dan Few-Shot Prompting?

Ketiganya adalah cara menyusun prompt yang dibedakan dari jumlah contoh jawaban yang kamu sertakan. Model tidak dilatih ulang; ia hanya membaca contoh di dalam prompt lalu menyesuaikan jawabannya. Kemampuan ini disebut *in-context learning*, dan pertama kali diperlihatkan secara luas lewat paper [Language Models are Few-Shot Learners](https://arxiv.org/abs/2005.14165) (Brown dkk., OpenAI, 2020) yang memperkenalkan GPT-3.

### Zero-shot prompting

Zero-shot prompting adalah prompt berisi instruksi saja, tanpa contoh jawaban. Model mengandalkan pengetahuan dari proses pelatihannya untuk memahami maksudmu. Paper [Large Language Models are Zero-Shot Reasoners](https://arxiv.org/abs/2205.11916) (Kojima dkk., 2022) menunjukkan model besar mampu menyelesaikan tugas penalaran tanpa contoh sama sekali.

Klasifikasikan pesan pelanggan ke salah satu label: keluhan, pertanyaan_produk, pujian, permintaan_refund, spam. Jawab hanya dengan label.

Pesan: Barang yang saya terima rusak, kemasannya penyok parah
Label:

### One-shot prompting

One-shot prompting menambahkan tepat satu contoh pasangan input-output sebelum pertanyaan utama. Satu contoh biasanya dipakai untuk menunjukkan bentuk jawaban, misalnya format huruf kapital atau urutan kolom.

Ambil nama pemesan, jumlah barang, dan kota tujuan. Tulis dalam format NAMA|JUMLAH|KOTA.

Pesan: Saya Rudi dari Bogor mau beli 7 ya
Output: RUDI|7|BOGOR

Pesan: Atas nama Fajar, Palembang, jumlah dua
Output:

### Few-shot prompting

Few-shot prompting memberi dua contoh atau lebih. Contoh yang beragam membantu model menangkap pola yang sulit dijelaskan dengan kata-kata, misalnya batas antara dua label yang mirip. Dokumentasi Google Cloud untuk Gemini menyebut few-shot sering dipakai untuk mengatur format, frasa, cakupan, dan pola umum jawaban, dan menekankan bahwa contoh harus selalu disertai petunjuk yang jelas — [sumber: Google Cloud, Sertakan contoh few-shot](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/prompts/few-shot-examples?hl=id).

## Perbedaan Zero-Shot, One-Shot, dan Few-Shot dalam Satu Tabel

| Aspek
| Zero-shot
| One-shot
| Few-shot

| Jumlah contoh di prompt
| 0
| 1
| 2 atau lebih

| Panjang prompt
| Paling pendek
| Sedang
| Paling panjang

| Kendali atas format jawaban
| Bergantung pada kejelasan instruksi
| Cukup untuk format sederhana
| Paling kuat

| Risiko utama
| Format keluaran meleset
| Model terlalu meniru satu contoh
| Model meniru pola yang tidak diinginkan

| Cocok untuk
| Tugas umum, model besar
| Menunjukkan bentuk jawaban
| Label mirip, format rumit, model kecil

## Hasil Uji Komunitech: Zero-Shot vs One-Shot vs Few-Shot

Pada 14 Oktober 2026, Komunitech menguji empat gaya prompt ke empat model yang tersedia lewat API Groq: allam-2-7b (model kecil), openai/gpt-oss-20b, openai/gpt-oss-120b, dan qwen/qwen3.8-27b. Semua dijalankan dengan temperature 0. Contoh di prompt one-shot dan few-shot berbeda dari pesan yang diuji, supaya model tidak bisa sekadar menyalin jawaban.

Dua tugas yang diuji meniru kebutuhan admin toko online di WhatsApp:

- **Tugas A, klasifikasi:** 15 pesan pelanggan dikelompokkan ke 5 label (keluhan, pertanyaan produk, pujian, permintaan refund, spam). Few-shot memakai 5 contoh.

- **Tugas B, ekstraksi data:** 8 pesan order diubah ke format NAMA|JUMLAH|KOTA dengan huruf kapital, tanpa sapaan seperti "Pak", dan jumlah berupa angka. Few-shot memakai 3 contoh.

Selain tiga teknik utama, kami menambah satu varian: **zero-shot + aturan eksplisit**, yaitu prompt tanpa contoh tapi dengan aturan format yang ditulis lengkap ("nama dan kota huruf kapital, buang sapaan, jumlah ditulis sebagai angka").

### Tugas A: klasifikasi pesan (benar dari 15)

| Model
| Zero-shot
| One-shot
| Few-shot

| allam-2-7b
| 14
| 14
| 14

| gpt-oss-20b
| 15
| 14
| 13

| gpt-oss-120b
| 15
| 15
| 15

| qwen3.8-27b
| 15
| 15
| 15

Di tugas klasifikasi, contoh tidak menambah akurasi di model mana pun. Pada gpt-oss-20b, few-shot justru menurunkan skor dari 15 ke 13. Kedua jawaban yang dihitung salah sebenarnya berisi label yang benar, tapi ditulis "Label: permintaan_refund" — model ikut menyalin awalan "Label:" dari format contoh, sehingga keluaran tidak lagi berupa label saja.

### Tugas B: ekstraksi data order (format persis benar dari 8)

| Model
| Zero-shot
| Zero-shot + aturan
| One-shot
| Few-shot

| allam-2-7b
| 0
| 3
| 3
| 5

| gpt-oss-20b
| 0
| 7
| 8
| 8

| gpt-oss-120b
| 1
| 8
| 8
| 8

| qwen3.8-27b
| 2
| 8
| 8
| 8

Zero-shot polos hampir selalu gagal di sini, tapi bukan karena model salah membaca pesan. Kalau huruf besar-kecil dan sapaan diabaikan, tiga model besar mengambil data dengan benar di 8 dari 8 pesan. Yang meleset adalah format: model menulis "Budi|3|Bandung" alih-alih "BUDI|3|BANDUNG", atau mempertahankan "Pak Agus". Instruksi zero-shot memang tidak pernah menyebut aturan itu.

Begitu aturannya ditulis, tiga model besar langsung mencapai 7-8 dari 8 tanpa satu contoh pun. Model kecil allam-2-7b berbeda: aturan tertulis hanya menaikkan skornya ke 3, dan baru mencapai 5 dengan few-shot. Model ini juga beberapa kali mengarang nama yang tidak ada di pesan maupun di contoh (misalnya "AKBAR"), serta salah eja kota ("PALEBANG").

### Biaya token

Total token prompt untuk kedua tugas naik seiring jumlah contoh. Few-shot memakan sekitar 1,8 kali token prompt zero-shot pada gpt-oss-20b dan gpt-oss-120b (5.015 vs 2.848 token), 2,3 kali pada qwen3.8-27b (3.328 vs 1.418), dan 2,5 kali pada allam-2-7b (5.114 vs 2.066). Untuk chatbot yang menjawab ribuan pesan per hari, selisih ini langsung terasa di tagihan API.

Data mentah, prompt, dan skrip uji tersimpan di arsip internal Komunitech. Batasan uji ini kami jelaskan di bagian akhir.

## Kapan Pakai Zero-Shot, One-Shot, atau Few-Shot?

Dari hasil uji dan panduan vendor, urutan kerja yang paling hemat adalah mulai dari yang paling sederhana lalu naik hanya kalau hasilnya belum cukup:

- **Mulai dengan zero-shot.** Tulis tugas, daftar label, dan batasan jawaban sejelas mungkin. Untuk model reasoning, OpenAI juga menyarankan mencoba zero-shot dulu, lalu few-shot kalau kebutuhannya lebih rumit — [sumber: OpenAI, Reasoning best practices](https://platform.openai.com/docs/guides/reasoning-best-practices).

- **Tambahkan aturan eksplisit kalau format meleset.** Sebutkan huruf kapital, pemisah, kata yang dibuang, dan contoh konversi kecil di dalam kalimat aturan. Di uji kami, langkah ini saja sudah menutup hampir seluruh selisih dengan few-shot di model besar.

- **Pakai one-shot untuk menunjukkan bentuk jawaban.** Cocok saat format mudah dilihat tapi panjang kalau dijelaskan, misalnya struktur JSON.

- **Pakai few-shot untuk model kecil dan label yang mirip.** Misalnya membedakan "keluhan" dan "permintaan refund", atau saat kamu memakai model murah untuk menekan biaya.

Kalau kamu menyusun prompt untuk AI Agent yang bekerja di banyak langkah, few-shot biasanya dipakai sebagai satu komponen di dalam prompt yang lebih besar. Pola lengkapnya kami bahas di [prompt engineering untuk AI Agent: 5 teknik lanjutan](https://komunitech.com/blog/ai-agent/prompt-engineering-untuk-ai-agent-5-teknik-lanjutan-2026/), sedangkan contoh prompt siap pakai untuk usaha kecil ada di [prompting untuk UMKM](https://komunitech.com/blog/implementasi/prompting-untuk-umkm-cara-membuat-prompt-ai-untuk-bisnis/).

## Berapa Contoh yang Ideal untuk Few-Shot?

Tidak ada angka baku. Google Cloud menyarankan bereksperimen dengan jumlah contoh: terlalu sedikit tidak cukup mengubah perilaku model, sedangkan terlalu banyak bisa membuat model "melebihi respons terhadap contoh" atau terlalu menempel pada contoh — [sumber: Google Cloud](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/prompts/few-shot-examples?hl=id). Dokumen yang sama menyarankan format contoh yang konsisten dan pemisah seperti tag XML.

Dalam praktik Komunitech, aturan berikut membantu mengurangi efek samping yang kami lihat di uji:

- Satu contoh per label untuk klasifikasi, dengan isi yang berbeda-beda.

- Bungkus contoh dengan pemisah yang jelas (misalnya <contoh>...</contoh>) supaya model tidak menyalin kata seperti "Label:" ke jawaban.

- Tetap tulis aturan format di instruksi. Contoh menunjukkan bentuk, aturan menjelaskan alasannya.

- Uji ulang setiap kali kamu mengganti model, karena hasil di tabel di atas berbeda jauh antara model kecil dan besar.

## Zero-Shot dan Few-Shot dalam Workflow AI Agent

Di AI Agent, prompt tidak diketik sekali di kolom chat, tapi disimpan sebagai instruksi tetap yang dijalankan ratusan kali sehari. Komunitech membangun AI Agent di atas framework OpenClaw untuk tugas seperti memilah chat WhatsApp dan mencatat order ke spreadsheet — persis jenis tugas klasifikasi dan ekstraksi yang kami uji di atas. Karena instruksi dipakai berulang, selisih token antara zero-shot dan few-shot dikalikan dengan jumlah pesan, sehingga pilihan teknik ikut menentukan biaya operasional.

Kalau kamu ingin belajar menyusun instruksi seperti ini langsung untuk alur kerja sendiri, materi dasarnya dibahas di [workshop prompt engineering Komunitech](https://komunitech.com/blog/kursus/workshop-prompt-engineering-bahasa-indonesia-melampaui-trik-teks-menuju-ai-agent/). Untuk gambaran peran dan jenjang kariernya, baca [prompt engineer adalah](https://komunitech.com/blog/karir-skill/prompt-engineer-adalah-tugas-gaji-di-indonesia-dan-cara-masuknya-2026/).

## Batasan Uji Komunitech dan Kapan Hasilnya Tidak Berlaku

Uji Komunitech di atas sengaja kecil dan perlu dibaca dengan batasannya:

- **Sampel kecil.** Tugas A berisi 15 pesan dan tugas B 8 pesan, masing-masing dijalankan sekali. Selisih satu atau dua jawaban bisa berubah kalau pesannya diganti.

- **Model terbatas.** Semua model dijalankan lewat Groq. Model komersial seperti GPT-5, Claude, dan Gemini tidak ikut diuji pada sesi ini, jadi hasilnya tidak otomatis berlaku untuk model tersebut.

- **Dua jenis tugas saja.** Kami tidak menguji tugas penalaran bertingkat, penulisan kreatif, atau kode, di mana contoh bisa berperan berbeda.

- **Bahasa Indonesia informal.** Pesan uji memakai gaya chat pelanggan Indonesia. Hasil untuk teks formal atau bahasa Inggris bisa berbeda.

Pandangan sebaliknya juga punya dasar. Paper GPT-3 tahun 2020 menunjukkan few-shot memberi lompatan besar dibanding zero-shot di banyak tugas, dan untuk model kecil temuan itu masih terlihat di uji kami. Kesimpulan "zero-shot plus aturan sudah cukup" hanya kami lihat di model besar. Kalau kamu memakai model kecil karena alasan biaya atau privasi, few-shot tetap layak jadi pilihan pertama, dengan risiko halusinasi yang tetap perlu diawasi.

## Pertanyaan yang Sering Ditanya

### Apakah few-shot prompting sama dengan fine-tuning?

Tidak. Few-shot hanya menaruh contoh di dalam prompt dan tidak mengubah model. Fine-tuning melatih ulang bobot model dengan data tambahan, sehingga perubahannya tetap ada tanpa contoh di setiap prompt.

### Apakah chain-of-thought termasuk few-shot?

Bisa keduanya. Paper Wei dkk. (2022) memakai contoh berisi langkah penalaran, jadi bentuknya few-shot. Kojima dkk. (2022) memakai kalimat "mari berpikir langkah demi langkah" tanpa contoh, jadi bentuknya zero-shot.

### Apakah contoh few-shot boleh diambil dari data pelanggan asli?

Boleh, asal data pribadi seperti nama, nomor telepon, dan alamat diganti atau disamarkan dulu. Contoh di prompt ikut terkirim ke penyedia API setiap kali prompt dijalankan.

### Bagaimana tahu prompt sudah cukup bagus?

Siapkan 10-20 contoh kasus nyata beserta jawaban yang benar, lalu jalankan prompt ke semuanya dan hitung yang cocok. Cara sederhana ini yang kami pakai di uji di atas, dan bisa diulang setiap kali kamu mengubah prompt atau mengganti model.

## Disclaimer

Hasil uji di atas dijalankan Komunitech pada 14 Oktober 2026 dengan model, versi, dan data uji tertentu. Skor bisa berbeda di model lain, versi model yang lebih baru, atau data milikmu sendiri.

## Referensi

- Brown, T. dkk. (2020). Language Models are Few-Shot Learners: [arxiv.org](https://arxiv.org/abs/2005.14165)

- Kojima, T. dkk. (2022). Large Language Models are Zero-Shot Reasoners: [arxiv.org](https://arxiv.org/abs/2205.11916)

- Wei, J. dkk. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models: [arxiv.org](https://arxiv.org/abs/2201.11903)

- Google Cloud, Sertakan contoh few-shot, diakses 14 Oktober 2026: [docs.cloud.google.com](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/prompts/few-shot-examples?hl=id)

- OpenAI, Reasoning best practices, diakses 14 Oktober 2026: [platform.openai.com](https://platform.openai.com/docs/guides/reasoning-best-practices)

- Komunitech, uji zero-shot, one-shot, dan few-shot pada empat model via Groq, 14 Oktober 2026 (data internal).