Hallucination dalam konteks model bahasa adalah kondisi ketika AI mengisi kekosongan dengan informasi yang terdengar meyakinkan tetapi tidak akurat, tidak terverifikasi, atau sama sekali tidak ada dalam data asli. Kondisi ini dapat mengganggu alur kerja profesional, terutama ketika keputusan atau informasi publik bergantung pada keakuratan output. Ada sejumlah teknik yang dapat diterapkan pengguna untuk mereduksi kecenderungan tersebut tanpa harus masuk ke ranah teknis pemrograman.
1. Menyediakan Konteks Faktual Sejak Awal
Model bahasa bekerja dengan memprediksi kelanjutan teks. Ketika konteks kurang, ruang spekulasi meningkat. Berikan data, batasan, atau detail konkret sehingga model tidak perlu menebak. Semakin lengkap konteks, semakin kecil peluang model mengada-ada.
2. Membatasi Ruang Jawaban dengan Instruksi Eksplisit
Permintaan yang terlalu terbuka memberi peluang model membuat narasi sendiri. Instruksi yang menyatakan batasan, seperti “hanya gunakan informasi yang saya berikan” atau “jika tidak yakin, nyatakan tidak tahu”, membantu menjaga jawaban tetap berada dalam koridor yang aman.
3. Meminta Model Menjelaskan Dasar Jawabannya
Penjelasan alasan bukan sekadar formalitas. Ketika model harus menguraikan langkah logika atau sumber informasi internalnya, kecenderungan berkreasi tanpa dasar berkurang. Biasanya terlihat ketika model mulai membangun jawaban tanpa pijakan; permintaan penjelasan memaksa struktur yang lebih ketat.
4. Menggunakan Format Tertentu untuk Mengendalikan Output
Struktur seperti tabel, daftar, poin verifikasi, atau format tanya-jawab membuat model lebih fokus pada isi inti. Bentuk yang terstruktur membatasi kemungkinan model memproduksi narasi spekulatif.
5. Memecah Pertanyaan Menjadi Unit Lebih Kecil
Satu prompt panjang dengan banyak tuntutan membuka kemungkinan model melewatkan bagian penting dan mengisi celah dengan dugaan. Pecahan kecil membuat model menjawab secara lebih presisi dan minim interpretasi berlebih.
6. Meminta Model Melakukan Pemeriksaan Konsistensi
Langkah ini mengubah model menjadi pemeriksa dirinya sendiri. Setelah jawaban diberikan, minta pemeriksaan internal atas ketepatan dan konsistensinya berdasarkan konteks yang sudah ada. Model biasanya akan mengoreksi bagian yang meragukan.
7. Menghindari Permintaan yang Mengarah ke Informasi Sensitif atau Tidak Terlacak
Model cenderung berhalusinasi pada topik-topik yang memang memiliki data ambigu, tidak terdokumentasi, atau terkait opini. Mengarahkan permintaan ke permukaan faktual mengurangi risiko output spekulatif.
8. Menjaga Lingkup Permintaan Tetap Realistis
Pada topik yang membutuhkan data waktu nyata, referensi spesifik, atau bukti empiris, model rawan mengisi kekosongan dengan detail yang kelihatan benar tetapi tidak diverifikasi. Menegaskan bahwa model tidak harus memberikan jawaban bila tidak tersedia data menjaga integritas hasil.
9. Menggunakan Sumber Lain sebagai Penjaga Mutu
Cross-checking dengan basis data terverifikasi, mesin pencari, jurnal, atau dokumen resmi memastikan bahwa output model tetap berada dalam kerangka faktual. Model bisa menjadi alat awal, tetapi validasi eksternal menjaga kualitas final.
10. Membangun Kebiasaan Prompt Bergaya Audit
Alih-alih langsung menerima jawaban, biasakan membuat model menilai ulang pernyataannya sendiri. Misalnya meminta deteksi bagian yang berpotensi tidak pasti, kosong, atau memerlukan klarifikasi. Ini menurunkan peluang hallucination karena model diarahkan untuk berhati-hati.
Teknik-teknik tersebut bukan solusi mutlak, tetapi dapat menurunkan frekuensi kesalahan secara signifikan. Dengan struktur permintaan yang tepat dan langkah verifikasi yang disiplin, model dapat berfungsi sebagai alat bantu yang stabil tanpa meninggalkan integritas informasi.
