Meningkatnya penggunaan Large Langunage Model (LLM) untuk membantu kebutuhan sehari-hari memunculkan permasalahan baru terhadap teknik pembuatan prompt agar mendapatkan respon sesuai dengan keinginan pengguna. Role-play prompting, salah satu teknik yang terbukti membantu LLM dalam beradaptasi mengolah jawaban pada domain peran yang disebutkan dalam prompt. Peneliti terdahulu hanya meneliti dampak penggunaan teknik role-play prompting pada LLM tetapi tidak mengotomasi pemilihan peran. Penelitian ini mengembangkan model Graph Convolutional Network (GCN), Higher-order Graph Neural Networks (GrapConv), dan Graph Attention Network (GAT) untuk memprediksi peran. Model model tersebut dikembangkan dalam dua skenario berbeda untuk melihat dampak keterlibatan data ontologi yang mengandung informasi rinci terkait peran yaitu definisi peran, kemampuan peran, dan bakat peran. Hasil penelitian menunjukkan model GCN, GraphConv, dan GAT memiliki performa optimal pada kedua skenario pemodelan. Data ontologi terbukti mempengaruhi proses belajar dan performa klasifikasi model. Model GraphConv memiliki kompleksitas komputasi tertinggi sedangkan GAT memiliki jumlah parameter tertinggi.