Sesi 6 — Fitur Lanjutan Produk LLM

1. Empat Fitur yang Membedakan Produkmu

Di sesi sebelumnya kita buat chatbot yang bisa menjawab. Di sesi ini kita tambahkan lapisan fitur yang membuat produkmu terasa jauh lebih pintar dan berguna. Masing-masing fitur membuka kemungkinan produk yang berbeda:

🧩

Structured Output

JSON Response

AI mengembalikan data terstruktur yang bisa langsung diolah oleh kode PHP/JS — bukan hanya teks biasa

⛓️

Prompt Chaining

Multi-Step AI

Memecah tugas kompleks menjadi beberapa panggilan API berurutan — output satu menjadi input berikutnya

🗄️

Integrasi Database

MySQL / SQLite

Simpan riwayat percakapan dan hasil analisis ke database agar bisa diakses kembali dan dianalisis

📂

Analisis File

TXT / CSV Upload

Pengguna upload file, kontennya dikirim ke LLM untuk dianalisis, dirangkum, atau diekstrak datanya

Kalau chatbot biasa itu seperti tukang fotokopi — menerima dan mengembalikan teks — maka fitur-fitur ini mengubahnya menjadi analis profesional. Ia bisa mengkategorikan data, memecah tugas rumit jadi langkah-langkah, mencatat semua hasil kerjanya di arsip, dan bahkan membaca dokumen yang kamu beri!

2. Structured Output: AI Mengembalikan JSON

Normalnya AI mengembalikan teks bebas. Tapi dengan instruksi yang tepat di prompt, kita bisa meminta AI mengembalikan JSON yang terstruktur — sehingga hasilnya bisa langsung di-parse dan diproses oleh program kita, bukan hanya dibaca manusia.

Bayangkan kamu minta tolong teman merangkum berita. Teman biasa akan bilang: "Intinya, ekonomi lagi turun karena inflasi." Tapi teman yang terstruktur akan memberikan: {"topik": "ekonomi", "sentimen": "negatif", "kata_kunci": ["inflasi","turun"], "ringkasan": "..."}. Yang kedua jauh lebih mudah diolah oleh program komputer!

<?php // structured_output.php — Minta AI kembalikan JSON require_once 'api.php'; $teks = "Produk ini luar biasa! Pengiriman cepat, packing rapi, dan kualitasnya melebihi ekspektasi saya. Sangat puas!"; $messages = [[ 'role' => 'system', 'content' => 'Kamu adalah mesin analisis sentimen. Kembalikan HANYA JSON valid tanpa teks tambahan: {"sentimen":"positif/negatif/netral", "skor":0-100, "emosi_dominan":"string", "kata_kunci":["arr"], "alasan":"max 15 kata"}' ], [ 'role' => 'user', 'content' => 'Analisis: ' . $teks ]]; // Temperature rendah agar output konsisten $raw = groq_chat($messages, 0.2, 256); $result = json_decode($raw, true); echo "Sentimen: " . $result['sentimen'] . "\n"; echo "Skor : " . $result['skor'] . "/100\n"; echo "Alasan : " . $result['alasan']; ?>

<?php // Cara aman parse JSON dari output AI $raw = groq_chat($messages, 0.2, 256); // Bersihkan backtick jika AI "lupa" instruksi $clean = preg_replace('/```json|```/', '', $raw); $clean = trim($clean); $data = json_decode($clean, true); if (json_last_error() !== JSON_ERROR_NONE) { // Fallback: AI gagal hasilkan JSON valid $data = [ 'sentimen' => 'tidak terdeteksi', 'skor' => 0, 'emosi_dominan' => '-', 'alasan' => $raw // tampilkan teks asli ]; } // Simpan ke database atau kembalikan sebagai API response header('Content-Type: application/json'); echo json_encode([ 'success' => true, 'data' => $data ]); ?>

/* Template System Prompt untuk Structured Output */ // ✅ Tips: Selalu sertakan contoh format JSON-nya! $system = <<;

🔬 Lab: Analisis Sentimen Real-Time

Masukkan teks apa saja dan lihat AI mengembalikan JSON terstruktur yang langsung dirender menjadi kartu visual:

⚗️ Sentiment Analyzer

Structured JSON Output

Teks untuk Dianalisis

—

Skor: —/100

Emosi

—

Alasan

—

3. Prompt Chaining: Pecah Tugas Kompleks

Untuk tugas yang terlalu kompleks bagi satu panggilan API, kita bisa "chain" beberapa panggilan berurutan. Output dari LLM pertama menjadi input untuk LLM kedua — seperti jalur produksi pabrik.

Input

Teks Mentah

Artikel, review, atau dokumen panjang dari pengguna

LLM #1

Ekstrak Topik

→ Identifikasi 3 kata kunci topik utama

Output: "kopi, keberlanjutan, petani"

LLM #2

Hasilkan Ringkasan

→ Buat ringkasan berdasarkan topik + teks asli

Output: Ringkasan 2 kalimat yang tepat sasaran

<?php // chaining.php — Multi-step LLM workflow require_once 'api.php'; $teks = $_POST['teks'] ?? 'Kopi organik dari petani Gayo kini mulai diminati pasar Eropa. Program sertifikasi membantu petani mendapatkan harga yang lebih adil...'; // ── STEP 1: Ekstrak topik utama ── $step1 = groq_chat([[ 'role' => 'system', 'content' => 'Ekstrak 3 kata topik utama dari teks. Kembalikan HANYA 3 kata dipisah koma. Tanpa penjelasan.' ], [ 'role' => 'user', 'content' => $teks ]], 0.2, 30); // temperature rendah, token sedikit // ── STEP 2: Buat ringkasan berdasarkan topik ── $step2 = groq_chat([[ 'role' => 'system', 'content' => 'Buat ringkasan 2 kalimat menarik dalam Bahasa Indonesia.' ], [ 'role' => 'user', 'content' => 'Topik: ' . $step1 . '. Teks: ' . $teks ]], 0.7, 150); // Kembalikan kedua hasil ke frontend header('Content-Type: application/json'); echo json_encode([ 'topik' => $step1, 'ringkasan' => $step2 ]); ?>

<?php // Advanced: 3-step chain untuk content pipeline require_once 'api.php'; $artikel = $_POST['artikel'] ?? ''; // Step 1: Analisis & Ekstrak fakta kunci (JSON) $fakta_raw = groq_chat([[ 'role' => 'system', 'content' => 'Ekstrak fakta kunci. JSON: {"fakta":["...","..."]}' ],['role'=>'user','content'=>$artikel]], 0.2, 200); $fakta = json_decode($fakta_raw, true)['fakta'] ?? []; // Step 2: Buat judul artikel yang menarik $judul = groq_chat([[ 'role' => 'system', 'content' => 'Buat 3 pilihan judul artikel yang menarik. Satu per baris.' ],['role'=>'user','content'=>'Fakta: '.implode(', ',$fakta)]], 0.8, 100); // Step 3: Tulis kesimpulan berdasarkan fakta + judul $kesimpulan = groq_chat([[ 'role' => 'system', 'content' => 'Tulis 1 paragraf kesimpulan yang kuat dan inspiratif.' ],['role'=>'user','content'=>'Fakta: '.implode(', ',$fakta).' Judul terpilih: '.$judul]], 0.7, 200); echo json_encode(['fakta'=>$fakta,'judul'=>$judul,'kesimpulan'=>$kesimpulan]); ?>

🔬 Lab: Multi-Step Chaining Real-Time

Masukkan teks dan lihat proses chaining dua langkah secara live — topik diekstrak dulu, baru ringkasan dibuat:

⛓️ Chaining Lab

2-Step Pipeline

Teks Input (artikel, berita, paragraf)

4. Menyimpan History ke Database MySQL

Agar riwayat percakapan dan hasil analisis tidak hilang saat halaman ditutup, kita perlu menyimpannya ke database. Ini juga memungkinkan fitur seperti "lihat riwayat chat lama" atau "analisis pola pertanyaan pengguna".

-- Buat tabel di MySQL / phpMyAdmin CREATE TABLE chat_sessions ( id INT AUTO_INCREMENT PRIMARY KEY, session_id VARCHAR(64) NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE chat_messages ( id INT AUTO_INCREMENT PRIMARY KEY, session_id VARCHAR(64) NOT NULL, role ENUM('user', 'assistant') NOT NULL, content TEXT NOT NULL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, INDEX idx_session (session_id) ); -- Tabel untuk menyimpan hasil analisis JSON CREATE TABLE analysis_results ( id INT AUTO_INCREMENT PRIMARY KEY, input_text TEXT, result_json JSON, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP );

<?php // db_chat.php — Simpan & load history dari MySQL $pdo = new PDO( 'mysql:host=localhost;dbname=chatbot_db;charset=utf8mb4', 'root', '', [PDO::ATTR_ERRMODE => PDO::ERRMODE_EXCEPTION] ); // Ambil atau buat session ID session_start(); if (empty($_SESSION['chat_session'])) { $_SESSION['chat_session'] = bin2hex(random_bytes(16)); } $sid = $_SESSION['chat_session']; // Fungsi simpan pesan function saveMessage($pdo, $sid, $role, $content) { $stmt = $pdo->prepare( 'INSERT INTO chat_messages (session_id,role,content) VALUES (?,?,?)' ); $stmt->execute([$sid, $role, $content]); } // Simpan pesan user dan jawaban AI saveMessage($pdo, $sid, 'user', $userMsg); saveMessage($pdo, $sid, 'assistant', $aiReply); ?>

<?php // Load history dari database untuk melanjutkan percakapan function loadHistory($pdo, $sid, $limit = 10): array { $stmt = $pdo->prepare( 'SELECT role, content FROM chat_messages WHERE session_id = ? ORDER BY created_at DESC LIMIT ?' ); $stmt->execute([$sid, $limit]); $rows = $stmt->fetchAll(PDO::FETCH_ASSOC); // Balik urutan (terlama dulu untuk LLM) return array_reverse($rows); } // Susun messages dengan history dari DB $history = loadHistory($pdo, $sid); $messages = [['role'=>'system','content'=>$systemPrompt]]; foreach ($history as $h) $messages[] = $h; $messages[] = ['role'=>'user','content'=>$userMsg]; ?>

5. Upload & Analisis File Teks dengan LLM

Fitur upload file memungkinkan pengguna memberikan dokumen panjang kepada AI untuk dianalisis. Kuncinya: baca isi file, kirim ke LLM, tampilkan hasilnya. Coba langsung di bawah ini — drag & drop atau klik untuk upload file .txt:

📂

Drag & drop file .txt atau .csv di sini

atau klik untuk memilih file

💡 Cara Kerja Analisis File di PHP

Di backend PHP: $isi = file_get_contents($_FILES['file']['tmp_name']); — kemudian kirim $isi sebagai bagian dari pesan user ke API LLM. Batasi ukuran file (max 50KB) karena token punya batas. Untuk file CSV, parse dulu dengan fgetcsv() sebelum dikirim ke AI.

Praktik Pengembangan II:Fitur Lanjutan Produk LLM