Modul Bootcamp Collaboration : Project-Based Learning & Prompt Engineering (Week 1)

Jumat, 1 Mei 2026 | oleh Selamat Muliyadi Harjono | Modul

---

MODUL BOOTCAMP MINGGU PERTAMA

Bootcamp Collaboration: Project-Based Learning (PBL) with Prompt Engineering

Tema: Building AI-Powered Point of Sale (POS) System to Unlock Customer Insights

Durasi: 5 Hari (40 Jam)
Target Output: Prototype AI-Powered POS + Laporan Analisis RFM Customer

Materi 1: Pengenalan Project-Based Learning (PBL)

Apa itu PBL?

Project-Based Learning adalah metode pembelajaran di mana Anda belajar melalui pengerjaan proyek nyata, bukan hanya teori. Anda akan menghadapi masalah kompleks, mencari solusi, dan menghasilkan produk yang fungsional.

Mengapa PBL untuk Bootcamp Ini?

• Relevansi industri: POS adalah sistem inti di ritel, F&B, dan e-commerce.
• Integrasi AI: Anda akan belajar menerapkan prompt engineering dalam aplikasi bisnis nyata.
• Customer Insights: Mengubah data transaksi menjadi strategi bisnis.

Siklus PBL yang Akan Dijalani:

1. Pertanyaan Pemantik → “Bagaimana AI bisa membantu pemilik toko memahami pelanggannya lebih baik?”
2. Perencanaan → Desain arsitektur POS + AI prompt strategy.
3. Jadwal → Tiap hari ada milestone.
4. Monitoring → Review progres & iterasi prompt.
5. Penilaian → Produk akhir + testing.
6. Refleksi & Evaluasi → Apa yang dipelajari? Apa yang bisa ditingkatkan?

Peran Anda dalam Tim (Simulasi):

• Product Manager → Memastikan fitur sesuai kebutuhan ritel.
• AI Engineer (Prompt Engineer) → Merancang prompt untuk analisis customer.
• Backend Developer → Logika POS & database.
• Frontend Developer → Antarmuka POS.
• Data Analyst → Menginterpretasi hasil RFM dari AI.

 

Materi 2: Pembahasan Studi Kasus Aplikasi POS – Retail

Apa itu POS (Point of Sale)?

POS adalah sistem yang digunakan untuk mencatat transaksi penjualan di tempat pembelian. Contoh: kasir minimarket, sistem restoran, toko online.

Fitur Minimal POS Modern:

• Manajemen produk (tambah, edit, stok)
• Transaksi (pilih produk, hitung total, bayar)
• Cetak struk (digital/fisik)
• Laporan penjualan harian/mingguan/bulanan

AI-Powered POS: Apa Bedanya?

 | POS Biasa | AI-Powered POS
 | Hanya mencatat transaksi | Menganalisis perilaku pelanggan
 | Laporan statis | Memberi rekomendasi dinamis
 | Tidak bisa memprediksi churn | Mendeteksi pelanggan setia vs. yang akan pergi

 

Studi Kasus: Toko Retail “KopiKita”

• Situasi: Penjualan stagnan. Promosi tidak tepat sasaran.
• Data: 1 bulan transaksi (1000+ baris) dengan kolom: tanggal, customer_id, produk, harga, qty.
• Masalah: Pemilik toko tidak tahu siapa pelanggan terbaiknya.
• Solusi AI: Gunakan prompt engineering untuk memerintahkan AI menghitung RFM dan memberikan insight.

Alur Kerja Proyek:

1. Data Collection: Simulasi data transaksi (CSV/JSON).
2. Data Preprocessing: Bersihkan duplikat, isi missing value.
3. Integrasi AI: Kirim data ke AI via prompt.
4. Prompt Engineering: Minta AI menghitung RFM & rekomendasi.
5. Tampilkan di Dashboard POS: Insight muncul otomatis.

Materi 3: Konsep RFM (Recency, Frequency, Monetary)

Definisi RFM

RFM adalah metode segmentasi pelanggan berdasarkan tiga dimensi:

 | Dimensi | Arti | Contoh | Skor (1-5)
 | Recency | Seberapa baru terakhir transaksi | 1 hari lalu = skor 5, 30 hari lalu = skor 1 | Semakin baru → semakin tinggi
| Frequency | Seberapa sering bertransaksi | 10x transaksi = skor 5, 1x = skor 1 | Semakin sering → semakin tinggi
| Monetary | Total uang yang dibelanjakan | Rp 5jt = skor 5, Rp 50rb = skor 1 | Semakin besar → semakin tinggi

 

Mengapa RFM Penting untuk Retail?

• Customer Champions (R=5,F=5,M=5) → Beri reward khusus.
• Loyal Customers (R=4-5, F=4-5, M=3-4) → Program loyalty.
• At Risk Customers (R=1-2, F sebelumnya tinggi) → Kirim promo re-engagement.
• New Customers (R=5, F=1, M=1) → Upsell produk terkait.

Contoh Perhitungan Sederhana:

Misal data pelanggan A:

• Terakhir beli: 2 hari lalu → R=5
• Total transaksi bulan ini: 8 kali → F=5
• Total belanja: Rp 2.500.000 → M=4
   RFM Score: 5-5-4 → Best Customer

Implementasi RFM dengan AI:

Anda tidak perlu coding statistik rumit. Cukup buat prompt seperti:

*“Berikut data transaksi dalam format CSV: [tempel data]. Hitung Recency, Frequency, Monetary untuk setiap customer_id. Gunakan skala 1-5 (5 terbaik). Kelompokkan ke dalam segmen: Champions, Loyal, At Risk, New. Berikan 3 rekomendasi aksi untuk pemilik toko.”*

Output yang Diharapkan dari AI:

 | customer_id | R | F | M | Segmen | Rekomendasi Aksi
 | C001 | 5 | 5 | 5 | Champions | Beri undangan event eksklusif
 | C045 | 2 | 5 | 4 | At Risk | Kirim diskon 20%

 

Materi 4: Prompt Engineering (Lengkap & Komprehensif)

Bagian A. Seni dalam Prompt Engineering

1. Mengenal Prompt Engineering: Seni Berkomunikasi dengan AI

Prompt adalah instruksi yang Anda berikan ke AI (ChatGPT, Gemini, Claude, dll). Prompt Engineering adalah disiplin merancang prompt agar AI memberikan output yang akurat, relevan, dan berguna.

Analoginya: Seperti memberi perintah ke asisten pribadi yang sangat pintar tapi literal. Jika Anda bilang "bawakan minuman", dia bisa membawa air keran. Jika Anda bilang "tolong buatkan satu cangkir kopi hitam tanpa gula, suhu hangat", hasilnya tepat.

2. Seni dan Strategi dalam Prompt Engineering

• Memahami Format Prompt
  Setiap prompt bisa terdiri dari: Instruksi + Konteks + Contoh + Format Output.
• Memberikan Konteks dan Contoh yang Jelas
  Buruk: "Analisis data ini."
  Baik: "Kamu adalah analis retail dengan 10 tahun pengalaman. Data ini adalah transaksi toko kopi. Analisis tren penjualan mingguan dan sebutkan 3 produk dengan pertumbuhan terendah."
• Menyesuaikan dan Mengadaptasi Prompt
  Jika AI memberi jawaban terlalu umum, perbaiki prompt:
  "Jawaban sebelumnya terlalu umum. Sekarang berikan dalam bentuk poin dengan prioritas berdasarkan revenue."
• Membangun Percakapan yang Berkelanjutan
  Jangan berharap sekali prompt langsung sempurna. Lakukan iterative refinement:
   
  • Prompt 1 → Jawaban terlalu panjang → Prompt 2: "Ringkas jadi 5 kalimat"
•  
  • Prompt 3: "Sekarang terjemahkan ke bahasa Indonesia formal"
•  

3. Teknik Prompting untuk Hasil Optimal

 | Teknik | Penjelasan | Contoh
 | Zero-shot | Tanpa contoh, AI langsung menjawab | "Jelaskan apa itu RFM."
| One-shot | Beri 1 contoh | "Contoh: 'Apel' → Buah. Sekarang: 'Wortel' → ?"
| Few-shot | Beri 2-5 contoh | *"Contoh 1,2,3. Lalu kerjakan soal ke-4."*
| Chain of Thought (CoT) | Minta AI berpikir langkah demi langkah | "Pikirkan langkah demi langkah: Pertama hitung recency, lalu frequency, lalu monetary, lalu beri segmen."
| Zero-shot CoT | Tambahkan frase "Mari kita pikirkan langkah demi langkah" tanpa contoh | "Hitung RFM untuk data ini. Mari kita pikirkan langkah demi langkah."

 

4. Tips Meningkatkan Kemampuan Prompt Engineering

• Ketahui batasan model AI: Tidak punya real-time data (kecuali diizinkan), bisa halusinasi, tidak punya emosi.
• Spesifik adalah kunci: Jangan "cari tahu customer terbaik", tapi "cari 5 customer dengan skor monetary tertinggi dari data ini".
• Beri konteks jelas: Siapa pengguna akhir? Untuk apa hasilnya?
• Beri contoh sebagai panduan: AI belajar dari pola.
• Eksperimen & evaluasi: Coba variasi prompt, bandingkan output.
• Gunakan Chain-of-Thought untuk jawaban lebih mendalam.

 

Bagian B. Berbagai Pola dalam Prompt Engineering

1. Apa itu Pola pada Prompt?

Pola (pattern) adalah template atau struktur prompt yang sudah terbukti efektif untuk jenis tugas tertentu. Dengan pola, Anda tidak perlu "memulai dari nol".

 

2. Pengantar Pola Dasar Prompt Engineering

 | Pola | Fungsi
 | Persona | AI mengambil peran tertentu
 | Persona Audiens | AI menargetkan audiens spesifik
 | Few-shots | Memberi contoh sebelum tugas utama
 | Chain-of-Thought | Memandu penalaran bertahap
 | ReAct | Reason + Act (AI berpikir lalu bertindak)

 

3. Pola Dasar: Persona

Format: "Kamu adalah [peran]. Lakukan [tugas]."
Contoh: "Kamu adalah manajer toko retail yang berpengalaman. Berikan 5 cara meningkatkan retensi pelanggan."

4. Pola Dasar: Persona Audiens

Format: "Jelaskan [topik] seolah-olah kamu berbicara dengan [audiens]."
Contoh: "Jelaskan konsep RFM seolah-olah kamu berbicara dengan pemilik warung kelontong yang baru pertama kali menggunakan komputer."

5. Pola Dasar: Few-shots

Format: Contoh 1 input→output, contoh 2 input→output, lalu minta AI mengerjakan input baru.
Contoh:

Contoh 1: "pelanggan A beli 10x" → "Frequency tinggi"  

Contoh 2: "pelanggan B beli 1x" → "Frequency rendah"  

Sekarang: "pelanggan C beli 25x" → ?

6. Pola Dasar: Chain-of-Thought (CoT)

Format: "Mari kita pikirkan langkah demi langkah: [langkah 1], [langkah2], ... lalu [kesimpulan]."
Contoh:
"Hitung RFM untuk customer_id X. Langkah 1: cari tanggal transaksi terakhir. Langkah 2: hitung selisih hari. Langkah 3: beri skor recency. Langkah 4: hitung frekuensi. Langkah 5: hitung total belanja. Langkah 6: gabungkan skor."

7. Pola Dasar: ReAct (Reason + Act)

Format: "Pertanyaan: ...
 Pikiran: ...
 Tindakan: ...
 Observasi: ...
 Jawaban Akhir: ..."
Contoh untuk POS:
"Pertanyaan: Produk apa yang harus dipromosikan?
 Pikiran: saya perlu lihat produk dengan penjualan turun.
 Tindakan: hitung perubahan penjualan per produk.
 Observasi: kopi tubruk turun 40%.
 Jawaban Akhir: Promosi kopi tubruk bundling dengan gula aren."

8. Pengantar Adaptive Prompting

Adaptive prompting berarti prompt berubah berdasarkan respons sebelumnya atau kondisi. AI tidak hanya menjawab sekali, tapi beradaptasi.

9. Adaptive Prompting: Pola Question Refinement

Jika AI menjawab terlalu umum, minta: "Pertanyaan saya kurang spesifik. Tolong ajukan 3 pertanyaan klarifikasi sebelum menjawab."

10. Adaptive Prompting: Pola Alternative Approaches

"Jika pendekatan pertama tidak memungkinkan, berikan 2 pendekatan alternatif untuk menyelesaikan [tugas]."

11. Adaptive Prompting: Pola Cognitive Verifier

AI diminta memverifikasi sendiri jawabannya:
 "Setelah memberikan jawaban, periksa kembali apakah ada asumsi yang salah atau data yang bertentangan. Jika ada, koreksi."

12. Adaptive Prompting: Pola Flipped Interaction

AI bertanya ke pengguna untuk menggali kebutuhan:
 *"Alih-alih saya langsung menjawab, saya akan bertanya 5 pertanyaan kepada Anda untuk memahami kebutuhan bisnis Anda dengan lebih baik."*

Bagian C. Etika Penggunaan AI

1. Mengapa Etika Penting dalam Penggunaan AI?

• AI bisa menghasilkan informasi salah (halusinasi).
• AI dapat mereproduksi bias dari data latih.
• Penggunaan AI tanpa etika bisa merugikan orang lain (contoh: deepfake penipuan).
• Di dunia kerja, penyalahgunaan AI bisa menyebabkan sanksi etik hingga PHK.

2. Prinsip-Prinsip Etika dalam AI

 | Prinsip | Penjelasan | Contoh Penerapan di Bootcamp
 | Transparansi | Pengguna tahu bahwa output berasal dari AI | Setiap insight dari AI di POS diberi label "Dihasilkan oleh AI"
| Akuntabilitas | Ada manusia yang bertanggung jawab atas keputusan AI | Sebelum promo dikirim berdasarkan rekomendasi AI, manajer harus menyetujui
| Privasi | Data pelanggan tidak boleh disalahgunakan | Jangan masukkan PII (nama asli, alamat) ke prompt AI publik. Gunakan anonimisasi.
| Keadilan & Non-Diskriminasi | AI tidak boleh diskriminatif | Pastikan prompt tidak meminta AI untuk "hindari pelanggan dari daerah X"
| Keamanan | Melindungi dari penyalahgunaan | Jangan gunakan AI untuk membuat konten phishing atau penipuan

 

3. Studi Kasus: Dilema Etika dalam Kehidupan Sehari-Hari

a. Deepfake dan Konten Palsu

• Kasus: Influencer membuat video deepfake CEO untuk promosi tanpa izin.
• Dilema: Viral cepat vs. pelanggaran hak cipta dan reputasi.

b. Membuat Tugas, Karya Ilmiah, atau Presentasi

• Kasus: Mahasiswa menyalin output AI mentah-mentah tanpa analisis sendiri.
• Dilema: Apakah itu "curang"? Etis jika AI digunakan sebagai alat bantu, bukan pengganti kerja akademik.

c. Menulis Surat Lamaran Kerja

• Kasus: Pelamar menggunakan AI untuk generate seluruh surat lamaran dan CV.
• Dilema: Mana yang lebih etis – transparan "dibantu AI" atau tidak?

d. HR Menggunakan AI untuk Menyaring CV

• Kasus: Perusahaan memfilter 10.000 CV dengan AI berdasarkan kata kunci.
• Dilema: Efisien, tapi bisa melewatkan kandidat potensial yang tidak menggunakan kata kunci "sempurna".

4. Diskusi: Etis atau Tidak? Anda yang Menentukan!

Situasi 1: Mahasiswa dan Skripsi yang dibantu AI

• Skenario: Mahasiswa menggunakan AI untuk merumuskan hipotesis, mencari referensi, dan menyusun parafrasa. Tapi semua data tetap diambil sendiri.
• Pertanyaan diskusi: Di mana batasnya? Apakah mencantumkan AI sebagai "kontributor" cukup?

Situasi 2: HR dan Ribuan CV yang disaring menggunakan AI

• Skenario: HR menggunakan AI untuk menghapus CV yang tidak menyertakan kata "S1 Ilmu Komputer" atau "pengalaman 2 tahun".
• Pertanyaan diskusi: Apakah ini bentuk diskriminasi algoritmik? Bagaimana cara memitigasi bias?

Situasi 3: Influencer dan Deepfake

• Skenario: Influencer A membuat video deepfake Influencer B mempromosikan produk skincare tanpa izin. Video viral. Produk ternyata aman.
• Pertanyaan diskusi: Apakah tindakan ini tetap tidak etis meskipun produknya bagus? Mengapa?

 

---