![\"\"](\"http:\/\/binus.ac.id\/bandung\/computer-science\/wp-content\/uploads\/sites\/10\/2026\/10\/PromptAgenticAI-1.png\")
<\/p>\n<\/p>\n
Perkembangan Artificial Intelligence<\/em> (AI)<\/strong> tidak lagi berhenti pada kemampuan menjawab pertanyaan atau menghasilkan teks berdasarkan perintah pengguna. Saat ini, Agentic AI<\/strong> dikembangkan untuk memahami tujuan, menyusun rencana, menggunakan berbagai tools<\/em>, menjalankan tindakan, dan mengevaluasi hasil secara lebih mandiri. Berbeda dengan chatbot biasa yang umumnya memberikan respons setelah menerima pertanyaan, Agentic AI dapat menjalankan beberapa langkah untuk menyelesaikan sebuah tujuan. Kemampuan tersebut membuat AI dapat digunakan untuk tugas yang lebih kompleks, seperti melakukan riset, menganalisis data, membuat program, atau mengotomatisasi pekerjaan tertentu. Namun, semakin kompleks tugas yang diberikan, semakin penting pula bagaimana pengguna merancang prompt<\/strong> yang jelas dan terstruktur. Karena itu, prompting<\/em> menjadi salah satu faktor penting dalam membangun Agentic AI yang efisien, akurat, dan dapat dikendalikan<\/strong>.<\/p>\n Secara sederhana, prompting<\/strong><\/em> adalah cara memberikan instruksi kepada AI agar memahami apa yang harus dilakukan, bagaimana melakukannya, dan seperti apa hasil yang diharapkan. Pada AI biasa, pengguna mungkin cukup memberikan pertanyaan seperti \u201cbuatkan ringkasan artikel ini\u201d<\/em>. Namun, pada Agentic-AI, prompt<\/em> dapat berisi tujuan, batasan, langkah kerja, sumber informasi, aturan penggunaan tools, serta kriteria keberhasilan<\/strong>.<\/p>\n Struktur tersebut membantu AI menentukan tindakan yang perlu dilakukan daripada sekadar menghasilkan jawaban berdasarkan konteks yang tersedia. Penelitian tentang LLM-based agents<\/em> menunjukkan bahwa prompting<\/em>, planning<\/em>, memory<\/em>, dan tool use<\/em> merupakan bagian penting dalam meningkatkan kemampuan agen dalam menyelesaikan tugas kompleks. Dengan demikian, prompting<\/em> untuk Agentic-AI bukan sekadar membuat pertanyaan yang bagus, tetapi merancang instruksi yang mampu mengarahkan proses kerja AI dari awal hingga tujuan tercapai<\/strong>.<\/p>\n Salah satu prinsip utama prompting<\/em> untuk Agentic-AI<\/strong> adalah menjelaskan tujuan secara spesifik tanpa memberikan instruksi yang membingungkan. Misalnya, daripada menulis \u201canalisis data penjualan ini\u201d<\/em>, pengguna dapat menjelaskan bahwa AI harus menemukan produk dengan penjualan tertinggi, mengidentifikasi tren, dan memberikan tiga rekomendasi berdasarkan data. Tujuan yang jelas memungkinkan agent melakukan task decomposition<\/strong><\/em>, yaitu memecah pekerjaan besar menjadi beberapa tugas yang lebih kecil dan lebih mudah dikerjakan.<\/p>\n Pendekatan ini penting karena Agentic-AI sering bekerja melalui beberapa tahapan sebelum menghasilkan keputusan akhir. Prompt yang baik juga sebaiknya menjelaskan output<\/em> yang diharapkan<\/strong>, sehingga agent tidak menghabiskan sumber daya untuk menghasilkan informasi yang sebenarnya tidak diperlukan. Dengan kata lain, semakin jelas tujuan dan batasan yang diberikan, semakin besar peluang Agentic AI bekerja secara efisien dan terarah<\/strong>.<\/p>\n Prompt<\/em> yang panjang belum tentu merupakan prompt yang efektif karena banyak informasi justru dapat membuat tujuan utama menjadi kurang jelas. Untuk Agentic-AI, pendekatan yang lebih baik adalah menggunakan struktur prompt<\/em> yang sistematis<\/strong>, misalnya memisahkan bagian role<\/em>, goal<\/em>, context<\/em>, available tools<\/em>, constraints<\/em>, steps<\/em>, dan expected output<\/em>. Struktur tersebut membantu agent memahami perbedaan antara informasi latar belakang dan instruksi yang harus dijalankan. Dalam tugas yang kompleks, pengguna juga dapat menentukan kapan agent perlu menggunakan search<\/em>, database, kalkulator, code execution<\/em>, atau tools lainnya.<\/p>\n Penelitian mengenai tool-using agents<\/em> menunjukkan bahwa proses seperti decomposition,<\/em> tool selection<\/em>, dan tool planning<\/em><\/strong> menjadi bagian penting dalam penggunaan tools secara efektif. Dengan struktur seperti ini, prompt berubah dari sekadar perintah kepada AI menjadi sebuah rancangan kerja yang membantu agent<\/em> mengambil keputusan secara lebih konsisten<\/strong>.<\/p>\n Agentic AI yang baik tidak hanya menerima instruksi lalu memberikan jawaban, tetapi dapat menjalankan siklus plan \u2192 act \u2192 observe \u2192 evaluate<\/strong> <\/em>untuk menyelesaikan tugas. Pada tahap planning<\/em>, agent menentukan langkah yang diperlukan, kemudian menggunakan tools untuk memperoleh informasi atau menjalankan tindakan tertentu. Setelah mendapatkan hasil, agent dapat mengevaluasi informasi tersebut dan menentukan langkah berikutnya berdasarkan kondisi yang ditemukan. Pola seperti ReAct, misalnya, menggabungkan proses penalaran dan tindakan sehingga agent dapat berganti antara menentukan langkah dan menggunakan tools selama menyelesaikan tugas. Karena itu, prompt<\/em> untuk Agentic-AI sebaiknya tidak hanya menjelaskan apa<\/em> yang harus dilakukan, tetapi juga kapan harus menggunakan tools,<\/em> bagaimana memeriksa hasil, dan kapan harus berhenti<\/strong>. Pendekatan tersebut dapat mengurangi tindakan yang tidak diperlukan sekaligus membantu Agentic AI menggunakan waktu, token, dan sumber daya komputasi secara lebih efisien.<\/p>\n Meskipun Agentic AI dirancang untuk bekerja secara lebih mandiri, otonomi penuh bukan selalu pilihan terbaik<\/strong>. Untuk tugas yang berisiko tinggi, seperti keputusan keuangan, informasi kesehatan, keamanan, atau perubahan data penting, manusia tetap perlu menjadi bagian dari proses pengawasan. Prompt dapat menentukan kondisi tertentu yang mengharuskan agent meminta persetujuan pengguna sebelum melakukan tindakan. Selain itu, agent perlu memiliki kriteria yang jelas untuk membedakan antara tugas yang dapat diselesaikan sendiri dan situasi yang membutuhkan human-in-the-loop<\/strong>. Penelitian terbaru mengenai evaluasi LLM-based agents juga menekankan pentingnya menilai bukan hanya keberhasilan tugas, tetapi aspek seperti cost-efficiency<\/em>, safety<\/em>, robustness<\/em>, dan reliability<\/em><\/strong>.<\/em> Oleh sebab itu, efficient Agentic-AI<\/em> bukan berarti AI melakukan sebanyak mungkin tindakan secara otomatis, melainkan AI melakukan tindakan yang tepat, pada waktu yang tepat, dengan biaya dan risiko yang terkendali<\/strong>.<\/p>\n Seiring berkembangnya Agentic-AI, kemampuan membuat prompt kemungkinan akan bergeser dari sekadar prompt writing<\/strong><\/em> menjadi agent workflow design<\/strong><\/em>. Pengguna tidak hanya menentukan kalimat yang harus diberikan kepada AI, tetapi juga menentukan tujuan, batasan, tools, alur kerja, mekanisme evaluasi, dan kondisi ketika manusia harus mengambil alih. Perkembangan penelitian menunjukkan bahwa optimasi agent semakin mencakup kombinasi prompt design<\/em>, planning<\/em>, memory<\/em>, tool use<\/em>, dan mekanisme evaluasi untuk menghadapi tugas yang semakin kompleks. Bagi mahasiswa dan masyarakat umum, konsep ini penting karena cara berinteraksi dengan AI akan semakin menentukan kualitas pekerjaan yang dapat diselesaikan bersama AI. Prompt<\/em> yang baik bukan sekadar prompt<\/em> yang panjang atau rumit, tetapi prompt<\/em> yang membuat AI memahami tujuan, memilih tindakan yang tepat, menggunakan tools<\/em> secara efisien, dan mengevaluasi hasilnya.<\/strong> Dengan memahami prinsip tersebut, prompting dapat menjadi salah satu keterampilan penting dalam memanfaatkan Agentic-AI secara efektif, efisien, aman, dan bertanggung jawab<\/strong>.<\/p>\n Oktober 2026 Perkembangan Artificial Intelligence (AI) tidak lagi berhenti pada kemampuan menjawab pertanyaan atau menghasilkan teks berdasarkan perintah pengguna. Saat ini, Agentic AI dikembangkan untuk memahami tujuan, menyusun rencana, menggunakan berbagai tools, menjalankan tindakan, dan mengevaluasi hasil secara lebih mandiri. Berbeda dengan chatbot biasa yang umumnya memberikan respons setelah menerima pertanyaan, Agentic AI dapat menjalankan beberapa langkah […]<\/p>\n","protected":false},"author":21,"featured_media":1328,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[42,28,23,38,61,50,292,192,190,51,101,291,49],"class_list":["post-1327","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articles","tag-artificial-intelligence","tag-binus-bandung","tag-computer-science","tag-data","tag-digital","tag-future","tag-pattern","tag-potential","tag-prompt","tag-skills","tag-support","tag-technique","tag-technology"],"_links":{"self":[{"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/posts\/1327","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/users\/21"}],"replies":[{"embeddable":true,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/comments?post=1327"}],"version-history":[{"count":1,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/posts\/1327\/revisions"}],"predecessor-version":[{"id":1332,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/posts\/1327\/revisions\/1332"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/media\/1328"}],"wp:attachment":[{"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/media?parent=1327"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/categories?post=1327"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/binus.ac.id\/bandung\/computer-science\/wp-json\/wp\/v2\/tags?post=1327"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Apa Itu Prompting<\/em> dalam Agentic AI?<\/strong><\/h2>\n
![\"\"](\"http:\/\/binus.ac.id\/bandung\/computer-science\/wp-content\/uploads\/sites\/10\/2026\/10\/PromptAgenticAI-2.png\")
<\/p>\nPrompt<\/em> yang Efisien Harus Berorientasi pada Tujuan<\/strong><\/h2>\n
![\"\"](\"http:\/\/binus.ac.id\/bandung\/computer-science\/wp-content\/uploads\/sites\/10\/2026\/10\/PromptAgenticAI-3.png\")
<\/p>\nDari Prompt<\/em> Panjang ke Prompt<\/em> Terstruktur<\/strong><\/h2>\n
![\"\"](\"http:\/\/binus.ac.id\/bandung\/computer-science\/wp-content\/uploads\/sites\/10\/2026\/10\/PromptAgenticAI-4.png\")
<\/p>\nPlanning<\/em>, Tools<\/em>, dan Feedback<\/em><\/strong><\/h2>\n
Efisiensi Bukan Berarti AI Harus Bekerja Sendiri<\/strong><\/h2>\n
Masa Depan Prompting<\/em> untuk Agentic-AI<\/strong><\/h2>\n
Referensi<\/strong><\/h4>\n
\n
\n<\/u><\/strong>Penulis: Riccosan
\n<\/strong>*Artikel ini dibuat dengan bantuan AI dan hanya berfungsi sebagai artikel edukasi secara umum<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"