{"id":2309,"date":"2026-10-14T09:56:35","date_gmt":"2026-10-14T02:56:35","guid":{"rendered":"https:\/\/komunitech.com\/blog\/?p=2309"},"modified":"2026-10-14T09:56:35","modified_gmt":"2026-10-14T02:56:35","slug":"zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026","status":"publish","type":"post","link":"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/","title":{"rendered":"Zero-Shot vs One-Shot vs Few-Shot Prompting: Bedanya dan Kapan Pakai yang Mana (2026)"},"content":{"rendered":"<div style=\"background:#f8fafc;border-left:4px solid #3b82f6;padding:16px 20px;margin:24px 0;border-radius:0 6px 6px 0\">\n<p style=\"margin:0;font-size:15px;line-height:1.6;color:#1e293b\"><strong>TL;DR:<\/strong> 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.<\/p>\n<\/div>\n<div style=\"background:#f0f9ff;border-left:4px solid #0284c7;padding:16px 20px;margin:24px 0;border-radius:0 6px 6px 0\">\n<p style=\"margin:0 0 8px;font-size:12px;font-weight:700;letter-spacing:0.05em;text-transform:uppercase;color:#0284c7\">\ud83d\udca1 KEY TAKEAWAY<\/p>\n<ul style=\"margin:0;padding-left:1.2em;font-size:15px;line-height:1.6;color:#0c4a6e\">\n<li style=\"margin-bottom:6px\"><strong>Bedanya cuma jumlah contoh:<\/strong> nol contoh (zero-shot), satu contoh (one-shot), atau dua sampai beberapa contoh (few-shot).<\/li>\n<li style=\"margin-bottom:6px\"><strong>Mulai dari zero-shot:<\/strong> 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.<\/li>\n<li style=\"margin-bottom:6px\"><strong>Tulis aturan sebelum menambah contoh:<\/strong> di tugas ekstraksi data, aturan format yang eksplisit memberi hasil setara few-shot di model besar dengan token prompt lebih sedikit.<\/li>\n<li style=\"margin-bottom:0\"><strong>Few-shot punya efek samping:<\/strong> model bisa meniru format contoh secara harfiah, sehingga akurasi klasifikasi justru turun di salah satu model yang kami uji.<\/li>\n<\/ul>\n<\/div>\n<p>Hampir semua kursus prompt engineering mengajarkan few-shot sebagai cara &#8220;pasti&#8221; 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 &#8220;few-shot selalu menang&#8221;, dan pola kapan masing-masing teknik layak dipakai bisa langsung kamu terapkan untuk chatbot, otomasi admin, atau AI Agent bisnis.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 ez-toc-wrap-center counter-hierarchy ez-toc-counter ez-toc-light-blue ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6acf0bdc37508\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"ez-toc-cssicon\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6acf0bdc37508\"  aria-label=\"Toggle\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Apa_Itu_Zero-Shot_One-Shot_dan_Few-Shot_Prompting\" >Apa Itu Zero-Shot, One-Shot, dan Few-Shot Prompting?<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Zero-shot_prompting\" >Zero-shot prompting<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#One-shot_prompting\" >One-shot prompting<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Few-shot_prompting\" >Few-shot prompting<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Perbedaan_Zero-Shot_One-Shot_dan_Few-Shot_dalam_Satu_Tabel\" >Perbedaan Zero-Shot, One-Shot, dan Few-Shot dalam Satu Tabel<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Hasil_Uji_Komunitech_Zero-Shot_vs_One-Shot_vs_Few-Shot\" >Hasil Uji Komunitech: Zero-Shot vs One-Shot vs Few-Shot<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Tugas_A_klasifikasi_pesan_benar_dari_15\" >Tugas A: klasifikasi pesan (benar dari 15)<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Tugas_B_ekstraksi_data_order_format_persis_benar_dari_8\" >Tugas B: ekstraksi data order (format persis benar dari 8)<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Biaya_token\" >Biaya token<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Kapan_Pakai_Zero-Shot_One-Shot_atau_Few-Shot\" >Kapan Pakai Zero-Shot, One-Shot, atau Few-Shot?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Berapa_Contoh_yang_Ideal_untuk_Few-Shot\" >Berapa Contoh yang Ideal untuk Few-Shot?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Zero-Shot_dan_Few-Shot_dalam_Workflow_AI_Agent\" >Zero-Shot dan Few-Shot dalam Workflow AI Agent<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Batasan_Uji_Komunitech_dan_Kapan_Hasilnya_Tidak_Berlaku\" >Batasan Uji Komunitech dan Kapan Hasilnya Tidak Berlaku<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-14\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Pertanyaan_yang_Sering_Ditanya\" >Pertanyaan yang Sering Ditanya<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-15\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Apakah_few-shot_prompting_sama_dengan_fine-tuning\" >Apakah few-shot prompting sama dengan fine-tuning?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-16\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Apakah_chain-of-thought_termasuk_few-shot\" >Apakah chain-of-thought termasuk few-shot?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-17\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Apakah_contoh_few-shot_boleh_diambil_dari_data_pelanggan_asli\" >Apakah contoh few-shot boleh diambil dari data pelanggan asli?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-18\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Bagaimana_tahu_prompt_sudah_cukup_bagus\" >Bagaimana tahu prompt sudah cukup bagus?<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-19\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Disclaimer\" >Disclaimer<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-20\" href=\"https:\/\/komunitech.com\/blog\/ai-agent\/zero-shot-vs-one-shot-vs-few-shot-prompting-bedanya-dan-kapan-pakai-yang-mana-2026\/#Referensi\" >Referensi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Apa_Itu_Zero-Shot_One-Shot_dan_Few-Shot_Prompting\"><\/span>Apa Itu Zero-Shot, One-Shot, dan Few-Shot Prompting?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>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 <em>in-context learning<\/em>, dan pertama kali diperlihatkan secara luas lewat paper <a href=\"https:\/\/arxiv.org\/abs\/2005.14165\" rel=\"noopener nofollow\" target=\"_blank\">Language Models are Few-Shot Learners<\/a> (Brown dkk., OpenAI, 2020) yang memperkenalkan GPT-3.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Zero-shot_prompting\"><\/span>Zero-shot prompting<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Zero-shot prompting adalah prompt berisi instruksi saja, tanpa contoh jawaban. Model mengandalkan pengetahuan dari proses pelatihannya untuk memahami maksudmu. Paper <a href=\"https:\/\/arxiv.org\/abs\/2205.11916\" rel=\"noopener nofollow\" target=\"_blank\">Large Language Models are Zero-Shot Reasoners<\/a> (Kojima dkk., 2022) menunjukkan model besar mampu menyelesaikan tugas penalaran tanpa contoh sama sekali.<\/p>\n<pre><code>Klasifikasikan pesan pelanggan ke salah satu label: keluhan, pertanyaan_produk, pujian, permintaan_refund, spam. Jawab hanya dengan label.\n\nPesan: Barang yang saya terima rusak, kemasannya penyok parah\nLabel:<\/code><\/pre>\n<h3><span class=\"ez-toc-section\" id=\"One-shot_prompting\"><\/span>One-shot prompting<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>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.<\/p>\n<pre><code>Ambil nama pemesan, jumlah barang, dan kota tujuan. Tulis dalam format NAMA|JUMLAH|KOTA.\n\nPesan: Saya Rudi dari Bogor mau beli 7 ya\nOutput: RUDI|7|BOGOR\n\nPesan: Atas nama Fajar, Palembang, jumlah dua\nOutput:<\/code><\/pre>\n<h3><span class=\"ez-toc-section\" id=\"Few-shot_prompting\"><\/span>Few-shot prompting<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>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 \u2014 <a href=\"https:\/\/docs.cloud.google.com\/gemini-enterprise-agent-platform\/models\/prompts\/few-shot-examples?hl=id\" rel=\"noopener nofollow\" target=\"_blank\">sumber: Google Cloud, Sertakan contoh few-shot<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Perbedaan_Zero-Shot_One-Shot_dan_Few-Shot_dalam_Satu_Tabel\"><\/span>Perbedaan Zero-Shot, One-Shot, dan Few-Shot dalam Satu Tabel<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table style=\"width:100%;border-collapse:collapse;margin:16px 0\">\n<thead>\n<tr style=\"background:#f1f5f9\">\n<th style=\"padding:8px;border:1px solid #e2e8f0;text-align:left\">Aspek<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0;text-align:left\">Zero-shot<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0;text-align:left\">One-shot<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0;text-align:left\">Few-shot<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Jumlah contoh di prompt<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">0<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">1<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">2 atau lebih<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Panjang prompt<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Paling pendek<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Sedang<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Paling panjang<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Kendali atas format jawaban<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Bergantung pada kejelasan instruksi<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Cukup untuk format sederhana<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Paling kuat<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Risiko utama<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Format keluaran meleset<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Model terlalu meniru satu contoh<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Model meniru pola yang tidak diinginkan<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Cocok untuk<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Tugas umum, model besar<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Menunjukkan bentuk jawaban<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">Label mirip, format rumit, model kecil<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2><span class=\"ez-toc-section\" id=\"Hasil_Uji_Komunitech_Zero-Shot_vs_One-Shot_vs_Few-Shot\"><\/span>Hasil Uji Komunitech: Zero-Shot vs One-Shot vs Few-Shot<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Pada 14 Oktober 2026, Komunitech menguji empat gaya prompt ke empat model yang tersedia lewat API Groq: <code>allam-2-7b<\/code> (model kecil), <code>openai\/gpt-oss-20b<\/code>, <code>openai\/gpt-oss-120b<\/code>, dan <code>qwen\/qwen3.8-27b<\/code>. 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.<\/p>\n<p>Dua tugas yang diuji meniru kebutuhan admin toko online di WhatsApp:<\/p>\n<ul>\n<li><strong>Tugas A, klasifikasi:<\/strong> 15 pesan pelanggan dikelompokkan ke 5 label (keluhan, pertanyaan produk, pujian, permintaan refund, spam). Few-shot memakai 5 contoh.<\/li>\n<li><strong>Tugas B, ekstraksi data:<\/strong> 8 pesan order diubah ke format <code>NAMA|JUMLAH|KOTA<\/code> dengan huruf kapital, tanpa sapaan seperti &#8220;Pak&#8221;, dan jumlah berupa angka. Few-shot memakai 3 contoh.<\/li>\n<\/ul>\n<p>Selain tiga teknik utama, kami menambah satu varian: <strong>zero-shot + aturan eksplisit<\/strong>, yaitu prompt tanpa contoh tapi dengan aturan format yang ditulis lengkap (&#8220;nama dan kota huruf kapital, buang sapaan, jumlah ditulis sebagai angka&#8221;).<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Tugas_A_klasifikasi_pesan_benar_dari_15\"><\/span>Tugas A: klasifikasi pesan (benar dari 15)<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<table style=\"width:100%;border-collapse:collapse;margin:16px 0\">\n<thead>\n<tr style=\"background:#f1f5f9\">\n<th style=\"padding:8px;border:1px solid #e2e8f0;text-align:left\">Model<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">Zero-shot<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">One-shot<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">Few-shot<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">allam-2-7b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">14<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">14<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">14<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">gpt-oss-20b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">14<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">13<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">gpt-oss-120b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">qwen3.8-27b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">15<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Di tugas klasifikasi, contoh tidak menambah akurasi di model mana pun. Pada <code>gpt-oss-20b<\/code>, few-shot justru menurunkan skor dari 15 ke 13. Kedua jawaban yang dihitung salah sebenarnya berisi label yang benar, tapi ditulis &#8220;Label: permintaan_refund&#8221; \u2014 model ikut menyalin awalan &#8220;Label:&#8221; dari format contoh, sehingga keluaran tidak lagi berupa label saja.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Tugas_B_ekstraksi_data_order_format_persis_benar_dari_8\"><\/span>Tugas B: ekstraksi data order (format persis benar dari 8)<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<table style=\"width:100%;border-collapse:collapse;margin:16px 0\">\n<thead>\n<tr style=\"background:#f1f5f9\">\n<th style=\"padding:8px;border:1px solid #e2e8f0;text-align:left\">Model<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">Zero-shot<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">Zero-shot + aturan<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">One-shot<\/th>\n<th style=\"padding:8px;border:1px solid #e2e8f0\">Few-shot<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">allam-2-7b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">0<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">3<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">3<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">5<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">gpt-oss-20b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">0<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">7<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">gpt-oss-120b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">1<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<\/tr>\n<tr>\n<td style=\"padding:8px;border:1px solid #e2e8f0\">qwen3.8-27b<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">2<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<td style=\"padding:8px;border:1px solid #e2e8f0;text-align:center\">8<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>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 &#8220;Budi|3|Bandung&#8221; alih-alih &#8220;BUDI|3|BANDUNG&#8221;, atau mempertahankan &#8220;Pak Agus&#8221;. Instruksi zero-shot memang tidak pernah menyebut aturan itu.<\/p>\n<p>Begitu aturannya ditulis, tiga model besar langsung mencapai 7-8 dari 8 tanpa satu contoh pun. Model kecil <code>allam-2-7b<\/code> 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 &#8220;AKBAR&#8221;), serta salah eja kota (&#8220;PALEBANG&#8221;).<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Biaya_token\"><\/span>Biaya token<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Total token prompt untuk kedua tugas naik seiring jumlah contoh. Few-shot memakan sekitar 1,8 kali token prompt zero-shot pada <code>gpt-oss-20b<\/code> dan <code>gpt-oss-120b<\/code> (5.015 vs 2.848 token), 2,3 kali pada <code>qwen3.8-27b<\/code> (3.328 vs 1.418), dan 2,5 kali pada <code>allam-2-7b<\/code> (5.114 vs 2.066). Untuk chatbot yang menjawab ribuan pesan per hari, selisih ini langsung terasa di tagihan API.<\/p>\n<p>Data mentah, prompt, dan skrip uji tersimpan di arsip internal Komunitech. Batasan uji ini kami jelaskan di bagian akhir.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Kapan_Pakai_Zero-Shot_One-Shot_atau_Few-Shot\"><\/span>Kapan Pakai Zero-Shot, One-Shot, atau Few-Shot?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dari hasil uji dan panduan vendor, urutan kerja yang paling hemat adalah mulai dari yang paling sederhana lalu naik hanya kalau hasilnya belum cukup:<\/p>\n<ol>\n<li><strong>Mulai dengan zero-shot.<\/strong> 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 \u2014 <a href=\"https:\/\/platform.openai.com\/docs\/guides\/reasoning-best-practices\" rel=\"noopener nofollow\" target=\"_blank\">sumber: OpenAI, Reasoning best practices<\/a>.<\/li>\n<li><strong>Tambahkan aturan eksplisit kalau format meleset.<\/strong> 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.<\/li>\n<li><strong>Pakai one-shot untuk menunjukkan bentuk jawaban.<\/strong> Cocok saat format mudah dilihat tapi panjang kalau dijelaskan, misalnya struktur JSON.<\/li>\n<li><strong>Pakai few-shot untuk model kecil dan label yang mirip.<\/strong> Misalnya membedakan &#8220;keluhan&#8221; dan &#8220;permintaan refund&#8221;, atau saat kamu memakai model murah untuk menekan biaya.<\/li>\n<\/ol>\n<p>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 <a href=\"https:\/\/komunitech.com\/blog\/ai-agent\/prompt-engineering-untuk-ai-agent-5-teknik-lanjutan-2026\/\">prompt engineering untuk AI Agent: 5 teknik lanjutan<\/a>, sedangkan contoh prompt siap pakai untuk usaha kecil ada di <a href=\"https:\/\/komunitech.com\/blog\/implementasi\/prompting-untuk-umkm-cara-membuat-prompt-ai-untuk-bisnis\/\">prompting untuk UMKM<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Berapa_Contoh_yang_Ideal_untuk_Few-Shot\"><\/span>Berapa Contoh yang Ideal untuk Few-Shot?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Tidak ada angka baku. Google Cloud menyarankan bereksperimen dengan jumlah contoh: terlalu sedikit tidak cukup mengubah perilaku model, sedangkan terlalu banyak bisa membuat model &#8220;melebihi respons terhadap contoh&#8221; atau terlalu menempel pada contoh \u2014 <a href=\"https:\/\/docs.cloud.google.com\/gemini-enterprise-agent-platform\/models\/prompts\/few-shot-examples?hl=id\" rel=\"noopener nofollow\" target=\"_blank\">sumber: Google Cloud<\/a>. Dokumen yang sama menyarankan format contoh yang konsisten dan pemisah seperti tag XML.<\/p>\n<p>Dalam praktik Komunitech, aturan berikut membantu mengurangi efek samping yang kami lihat di uji:<\/p>\n<ul>\n<li>Satu contoh per label untuk klasifikasi, dengan isi yang berbeda-beda.<\/li>\n<li>Bungkus contoh dengan pemisah yang jelas (misalnya <code>&lt;contoh&gt;...&lt;\/contoh&gt;<\/code>) supaya model tidak menyalin kata seperti &#8220;Label:&#8221; ke jawaban.<\/li>\n<li>Tetap tulis aturan format di instruksi. Contoh menunjukkan bentuk, aturan menjelaskan alasannya.<\/li>\n<li>Uji ulang setiap kali kamu mengganti model, karena hasil di tabel di atas berbeda jauh antara model kecil dan besar.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Zero-Shot_dan_Few-Shot_dalam_Workflow_AI_Agent\"><\/span>Zero-Shot dan Few-Shot dalam Workflow AI Agent<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>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 \u2014 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.<\/p>\n<p>Kalau kamu ingin belajar menyusun instruksi seperti ini langsung untuk alur kerja sendiri, materi dasarnya dibahas di <a href=\"https:\/\/komunitech.com\/blog\/kursus\/workshop-prompt-engineering-bahasa-indonesia-melampaui-trik-teks-menuju-ai-agent\/\">workshop prompt engineering Komunitech<\/a>. Untuk gambaran peran dan jenjang kariernya, baca <a href=\"https:\/\/komunitech.com\/blog\/karir-skill\/prompt-engineer-adalah-tugas-gaji-di-indonesia-dan-cara-masuknya-2026\/\">prompt engineer adalah<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Batasan_Uji_Komunitech_dan_Kapan_Hasilnya_Tidak_Berlaku\"><\/span>Batasan Uji Komunitech dan Kapan Hasilnya Tidak Berlaku<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Uji Komunitech di atas sengaja kecil dan perlu dibaca dengan batasannya:<\/p>\n<ul>\n<li><strong>Sampel kecil.<\/strong> Tugas A berisi 15 pesan dan tugas B 8 pesan, masing-masing dijalankan sekali. Selisih satu atau dua jawaban bisa berubah kalau pesannya diganti.<\/li>\n<li><strong>Model terbatas.<\/strong> 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.<\/li>\n<li><strong>Dua jenis tugas saja.<\/strong> Kami tidak menguji tugas penalaran bertingkat, penulisan kreatif, atau kode, di mana contoh bisa berperan berbeda.<\/li>\n<li><strong>Bahasa Indonesia informal.<\/strong> Pesan uji memakai gaya chat pelanggan Indonesia. Hasil untuk teks formal atau bahasa Inggris bisa berbeda.<\/li>\n<\/ul>\n<p>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 &#8220;zero-shot plus aturan sudah cukup&#8221; 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.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Pertanyaan_yang_Sering_Ditanya\"><\/span>Pertanyaan yang Sering Ditanya<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3><span class=\"ez-toc-section\" id=\"Apakah_few-shot_prompting_sama_dengan_fine-tuning\"><\/span>Apakah few-shot prompting sama dengan fine-tuning?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>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.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Apakah_chain-of-thought_termasuk_few-shot\"><\/span>Apakah chain-of-thought termasuk few-shot?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Bisa keduanya. Paper Wei dkk. (2022) memakai contoh berisi langkah penalaran, jadi bentuknya few-shot. Kojima dkk. (2022) memakai kalimat &#8220;mari berpikir langkah demi langkah&#8221; tanpa contoh, jadi bentuknya zero-shot.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Apakah_contoh_few-shot_boleh_diambil_dari_data_pelanggan_asli\"><\/span>Apakah contoh few-shot boleh diambil dari data pelanggan asli?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>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.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Bagaimana_tahu_prompt_sudah_cukup_bagus\"><\/span>Bagaimana tahu prompt sudah cukup bagus?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>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.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Disclaimer\"><\/span>Disclaimer<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>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.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Referensi\"><\/span>Referensi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li>Brown, T. dkk. (2020). Language Models are Few-Shot Learners: <a href=\"https:\/\/arxiv.org\/abs\/2005.14165\" rel=\"noopener nofollow\" target=\"_blank\">arxiv.org<\/a><\/li>\n<li>Kojima, T. dkk. (2022). Large Language Models are Zero-Shot Reasoners: <a href=\"https:\/\/arxiv.org\/abs\/2205.11916\" rel=\"noopener nofollow\" target=\"_blank\">arxiv.org<\/a><\/li>\n<li>Wei, J. dkk. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models: <a href=\"https:\/\/arxiv.org\/abs\/2201.11903\" rel=\"noopener nofollow\" target=\"_blank\">arxiv.org<\/a><\/li>\n<li>Google Cloud, Sertakan contoh few-shot, diakses 14 Oktober 2026: <a href=\"https:\/\/docs.cloud.google.com\/gemini-enterprise-agent-platform\/models\/prompts\/few-shot-examples?hl=id\" rel=\"noopener nofollow\" target=\"_blank\">docs.cloud.google.com<\/a><\/li>\n<li>OpenAI, Reasoning best practices, diakses 14 Oktober 2026: <a href=\"https:\/\/platform.openai.com\/docs\/guides\/reasoning-best-practices\" rel=\"noopener nofollow\" target=\"_blank\">platform.openai.com<\/a><\/li>\n<li>Komunitech, uji zero-shot, one-shot, dan few-shot pada empat model via Groq, 14 Oktober 2026 (data internal).<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>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 [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":2311,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[5],"tags":[],"class_list":["post-2309","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-agent"],"acf":[],"_links":{"self":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/2309","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/comments?post=2309"}],"version-history":[{"count":1,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/2309\/revisions"}],"predecessor-version":[{"id":2310,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/2309\/revisions\/2310"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media\/2311"}],"wp:attachment":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media?parent=2309"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/categories?post=2309"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/tags?post=2309"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}