---
title: "Apa itu temperature pada LLM? Penjelasan keacakan output"
description: "Temperature adalah pengaturan sampling yang menentukan seberapa acak balasan LLM. Cara kerjanya, nilai yang dipakai, dan kenapa 0 tidak sepenuhnya tetap."
url: https://broadrouter.com/id/glossary/temperature/
lang: id
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/glossary/temperature/) (diperbarui 2026-11-14).

# Temperature (suhu sampling)

Diperbarui 2026-11-14

Temperature adalah parameter sampling yang mengatur seberapa acak output model bahasa. Model membagi skor token dengan temperature sebelum mengubahnya menjadi probabilitas: nilai rendah membuat token paling mungkin mendominasi, sedangkan nilai tinggi meratakan distribusi sehingga token yang kurang mungkin lebih sering terpilih.

Disebut juga: temperature, suhu, parameter temperature, temperature LLM, suhu sampling, sampling temperature, LLM temperature, temperature parameter

Temperature adalah kenop antara “selalu jawaban yang sama” dan “jawaban berbeda setiap kali”.

## Cara kerjanya

Model menghasilkan skor (logit) untuk setiap [token](https://broadrouter.com/id/glossary/token/) yang mungkin ditulis berikutnya. Softmax mengubah skor itu menjadi probabilitas. Temperature membagi setiap skor lebih dulu. Hinton dan rekan menulis softmax dengan T ini dan mencatat bahwa “using a higher value for T produces a softer probability distribution over classes” (terjemahan: memakai nilai T yang lebih tinggi menghasilkan distribusi probabilitas yang lebih lunak di antara kelas).

-   **T di bawah 1** mempertajam distribusi. Token teratas lebih sering menang.
-   **T = 1** membiarkan probabilitas model seperti hasil pelatihannya.
-   **T di atas 1** meratakannya. Token yang jarang lebih sering terpilih.
-   **T mendekati 0** mendekati greedy decoding: selalu ambil token yang paling mungkin.

API OpenAI menerima nilai “between 0 and 2” (terjemahan: antara 0 dan 2) dengan default 1. Referensinya menyebut 0,8 membuat output “more random” (terjemahan: lebih acak) dan 0,2 “more focused and deterministic” (terjemahan: lebih fokus dan deterministik). OpenAI juga menyarankan “altering this or `top_p` but not both” (terjemahan: ubah ini atau `top_p`, jangan keduanya), karena [top-p](https://broadrouter.com/id/glossary/top-p/) adalah cara kedua untuk mengurangi keacakan.

Model terbuka sering hadir dengan default sendiri. Hugging Face Transformers membaca temperature dari `generation_config.json` milik model dan kembali ke 1.0 jika tidak ada. Sebuah stack serving bisa memakai salah satu dari kedua nilai itu.

## Kenapa ini penting

-   **Keterulangan.** Ekstraksi, routing, dan [output terstruktur](https://broadrouter.com/id/glossary/structured-output/) butuh jawaban yang stabil. Temperature yang lebih rendah mengurangi variasi antar-eksekusi.
-   **Kualitas.** Terlalu tinggi, model melantur ke pilihan kata yang aneh atau detail karangan, yang memicu [halusinasi](https://broadrouter.com/id/glossary/hallucination/). Terlalu rendah, teks panjang bisa berputar-putar: Hugging Face mencatat bahwa greedy decoding “begins to repeat itself” (terjemahan: mulai mengulang dirinya sendiri) pada urutan yang lebih panjang.
-   **Evaluasi.** Saat membandingkan model, tetapkan temperature. Jika tidak, yang Anda ukur adalah noise sampling. Memantau [logprobs](https://broadrouter.com/id/glossary/logprobs/) menunjukkan seberapa besar ruang pilihan model.

Temperature tidak mengubah harga atau kecepatan. Satu token harganya sama di pengaturan apa pun.

## Di BroadNet Inference

[Referensi API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-temperature&utm_content=body) BroadNet tidak mendokumentasikan `temperature`, rentang nilainya, atau default-nya untuk model mana pun. Contoh permintaannya tidak mengaturnya. Karena API-nya kompatibel dengan OpenAI, SDK akan mengirim field ini, tetapi tidak disebutkan apakah setiap model mematuhinya. Atur secara eksplisit dan jalankan prompt yang sama beberapa kali untuk melihat sebarannya. [Panduan OpenAI Python SDK](https://broadrouter.com/id/guides/openai-python-sdk/) menunjukkan penyiapan kliennya.

## Kesalahan umum

-   Memakai temperature 0 dan menganggap outputnya akan identik selamanya. Simpan jawaban yang perlu Anda reproduksi.
-   Menaikkan temperature untuk memperbaiki jawaban yang salah. Prompt yang lebih baik atau konteks yang lebih lengkap memperbaiki akurasi; temperature hanya mengubah variasi.

## Pertanyaan umum

### Berapa temperature yang sebaiknya saya pakai?

Nilai rendah seperti 0 sampai 0,3 untuk ekstraksi, klasifikasi, dan kode, saat Anda ingin jawaban yang sama setiap kali. Nilai lebih tinggi seperti 0,7 sampai 1 untuk brainstorming dan variasi kalimat. Uji keduanya dengan prompt Anda sendiri.

### Apakah temperature 0 membuat output deterministik?

Tidak dijamin. Temperature 0 mendorong model ke token teratas setiap kali, tetapi penyedia umumnya tidak menjanjikan output yang identik di setiap eksekusi. Simpan jawaban yang perlu Anda reproduksi.

### Berapa temperature default di BroadNet?

Dokumentasi BroadNet tidak menyebutkan temperature default untuk model mana pun. Atur secara eksplisit di setiap permintaan jika output Anda bergantung padanya.

## Lihat juga

-   [Top-p (nucleus sampling)](https://broadrouter.com/id/glossary/top-p/) (istilah)
-   [Logprobs (log probabilitas)](https://broadrouter.com/id/glossary/logprobs/) (istilah)
-   [Token](https://broadrouter.com/id/glossary/token/) (istilah)
-   [Halusinasi AI (hallucination)](https://broadrouter.com/id/glossary/hallucination/) (istilah)
-   [Output terstruktur (structured output)](https://broadrouter.com/id/glossary/structured-output/) (istilah)
-   [Parameter seed](https://broadrouter.com/id/glossary/seed-parameter/) (istilah)
-   [Frequency penalty dan presence penalty](https://broadrouter.com/id/glossary/frequency-and-presence-penalty/) (istilah)
-   [Memakai OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/id/guides/openai-python-sdk/) (panduan)
-   [Memakai LangChain dengan BroadNet Inference](https://broadrouter.com/id/guides/langchain-openai-base-url/) (panduan)
-   [Cara mengevaluasi LLM sebelum berpindah penyedia](https://broadrouter.com/id/blog/evaluate-llm-before-switching/) (artikel)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

[Mulai](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-temperature&utm_content=page-cta) ·

**Sumber**

-   [Referensi API OpenAI, membuat chat completion (temperature)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Hugging Face Transformers, GenerationConfig (temperature, nilai default)](https://huggingface.co/docs/transformers/main/en/main_classes/text_generation)
-   [Hugging Face Transformers, strategi generasi (greedy search dan sampling)](https://huggingface.co/docs/transformers/main/en/generation_strategies)
-   [Hinton, Vinyals, dan Dean (2015), Distilling the Knowledge in a Neural Network (temperature softmax)](https://arxiv.org/abs/1503.02531)
