Tujuan Pembelajaran

Mampu mendiagnosis akar masalah output AI yang buruk
Mampu melakukan root cause analysis: masalah di prompt, rules, atau model?
Mampu mengiterasi konteks untuk meningkatkan kualitas output secara terukur

Analogi

Diagram


      Context Debugging = Dokter Diagnosis:
Pasien: "Sakit kepala" (AI output jelek)
Dokter diagnosis: kurang tidur? (context kurang?) dehidrasi? (prompt tidak jelas?) penyakit serius? (model tidak cocok?)

Setelah tahu penyebab -> treatment tepat:
Kurang tidur -> perbaiki jadwal (tambah context)
Dehidrasi -> minum (perbaiki prompt)
Penyakit serius -> rujuk spesialis (ganti model)

Output AI buruk adalah gejala — jangan langsung ganti model atau tulis ulang prompt. Diagnosis dulu akar masalahnya.

Penjelasan Konsep

Framework diagnosis: Level 1 - Model tidak tepat? Task butuh reasoning kompleks, model terlalu kecil. Solusi: coba model lebih kuat. Level 2 - Prompt tidak jelas? Instruksi ambigu, output format tidak dispesifikkan, context kurang. Solusi: perbaiki prompt dengan Context-Task-Constraints-Output. Level 3 - Rules bertentangan? System prompt bilang A, project rules bilang B -> AI bingung. Solusi: audit rules, hapus kontradiksi. Level 4 - Context window penuh? Informasi tidak relevan memenuhi context -> AI kehilangan fokus. Solusi: mulai sesi baru, ringkas history.

Metodologi: definisikan kualitas baik -> test prompt sama -> measure berapa kriteria terpenuhi -> ubah SATU variabel -> test lagi -> bandingkan -> ulangi. A/B testing konteks: versi A vs B dengan prompt sama, evaluasi objektif.

Inti yang Perlu Dipahami

Bagian ini berfokus pada mampu mendiagnosis akar masalah output AI yang buruk., mampu melakukan root cause analysis: masalah di prompt, rules, atau model?., dan mampu mengiterasi konteks untuk meningkatkan kualitas output secara terukur. Jangan terburu-buru menghafal istilahnya. Lebih penting untuk memahami peran setiap konsep dan kapan konsep itu muncul dalam pekerjaan web development.

Saat membaca Context Debugging & Quality Improvement, gunakan tujuan belajar sebagai penanda arah. Kalau kamu sudah bisa menjelaskan tujuan itu dengan kata-katamu sendiri, berarti fondasinya mulai terbentuk.

Cara Membayangkannya

Output AI buruk adalah gejala — jangan langsung ganti model atau tulis ulang prompt. Diagnosis dulu akar masalahnya. Analogi ini dipakai supaya konsep teknis tidak terasa melayang. Hubungkan setiap istilah dengan perannya: siapa yang meminta, siapa yang memproses, data apa yang berpindah, dan hasil apa yang diharapkan.

Kalau analoginya sudah terasa masuk akal, barulah lihat istilah teknisnya. Cara ini membuat materi lebih mudah dipahami daripada langsung menghafal definisi.

Konteks dalam Perjalanan Belajar

Setiap konsep di platform ini dipilih karena dipakai di industri. Fokus pada pemahaman, bukan hafalan.

Kamu sudah di bagian lanjutan. Mulai pikirkan bagaimana konsep ini dipakai di dunia kerja — bukan hanya untuk belajar, tapi untuk membangun produk nyata.

Gunakan pertanyaan reflektif dan prompt AI di akhir chapter sebagai latihan aktif. Membaca saja tidak cukup — kamu perlu menjelaskan ulang dengan kata-katamu sendiri.

Prompt AI

Generate kode fitur kompleks. Jika hasil tidak sempurna, diagnosis: prompt? rules? atau model? Lakukan 3 iterasi perbaikan.

Pertanyaan Reflektif

Dari 10 output AI yang perlu dikoreksi, klasifikasikan penyebabnya. Pola paling sering? Itu area yang perlu diperbaiki.