Apa Itu Temperature pada AI dan Kapan Perlu Diubah?

Pernah melihat kolom "temperature" saat memakai API AI, Ollama, atau playground model, lalu bingung harus diisi berapa? Singkatnya, temperature mengatur seberapa "berani" model memilih kata. Angka rendah membuat model memilih kata yang paling mungkin sehingga jawabannya stabil. Angka tinggi memberi kesempatan pada kata yang kurang umum sehingga jawabannya lebih bervariasi.

Kebanyakan orang tidak perlu menyentuhnya. Tapi kalau kamu membangun otomasi, chatbot, atau alat yang hasilnya dipakai sistem lain, mengatur temperature dengan tepat bisa membuat hasil jauh lebih bisa diandalkan.

Cara kerja temperature dalam satu menit

Setiap kali menulis, model menghitung peluang untuk semua kemungkinan token berikutnya. Misalnya setelah "Ibu kota Indonesia adalah", token "Jakarta" punya peluang sangat tinggi, sementara pilihan lain sangat kecil. Model lalu mengambil satu token berdasarkan peluang itu.

Temperature mengubah bentuk sebaran peluang sebelum pengambilan. Pada nilai rendah, pilihan teratas makin dominan, sehingga model hampir selalu memilih kata yang sama. Pada nilai tinggi, sebaran jadi lebih rata, sehingga kata dengan peluang kecil lebih sering terpilih. Ini salah satu alasan jawaban AI berbeda tiap kali ditanya.

Rentang yang diizinkan dan nilai bawaannya berbeda antarpenyedia dan antaralat. Sebagai contoh, dokumentasi Modelfile Ollama (dicek per 7 November 2026) menyebut nilai bawaan temperature 0,8, dengan keterangan bahwa menaikkannya membuat model menjawab lebih kreatif. Penyedia API lain punya rentang dan nilai bawaan sendiri, jadi selalu cek dokumentasi model yang kamu pakai.

Langkah menentukan temperature yang tepat

1. Kenali jenis tugasnya

Pertanyaan pertama: apakah ada satu jawaban yang benar? Bila ya, seperti mengambil nomor faktur dari email atau memberi label kategori, kamu butuh konsistensi, jadi temperature rendah. Bila tidak, seperti mencari ide nama produk atau variasi caption, kamu butuh keragaman, jadi temperature lebih tinggi.

2. Mulai dari nilai bawaan

Jangan langsung mengubah ke nilai ekstrem. Jalankan tugasmu dengan nilai bawaan dulu dan catat hasilnya. Banyak masalah yang dikira soal temperature sebenarnya berasal dari prompt yang kurang jelas. Perbaiki prompt lebih dulu, misalnya dengan prinsip di cara menulis prompt AI untuk bisnis.

3. Turunkan untuk tugas yang butuh konsistensi

Untuk ekstraksi data, klasifikasi, terjemahan teknis, atau keluaran berformat JSON, coba nilai rendah, misalnya mendekati 0 sampai sekitar 0,3 pada alat yang rentangnya mulai dari 0. Jawaban jadi lebih seragam dari satu permintaan ke permintaan berikutnya.

Satu hal yang perlu dipahami: temperature 0 tidak menjamin jawaban selalu identik. Pada banyak layanan masih bisa ada variasi kecil karena faktor teknis di sisi server. Bila kamu butuh hasil yang bisa diulang persis, cari juga opsi seed bila tersedia. Ollama misalnya punya parameter seed, dan dokumentasinya menyebut seed yang sama akan menghasilkan teks yang sama untuk prompt yang sama.

4. Naikkan untuk tugas kreatif

Untuk curah gagasan, nama merek, variasi judul, atau cerita, nilai di atas bawaan bisa memberi pilihan yang lebih beragam. Naikkan bertahap. Nilai terlalu tinggi membuat kalimat mulai melantur, tidak nyambung, atau bahkan mencampur bahasa.

5. Jangan ubah temperature dan top_p sekaligus

Banyak API juga punya parameter top_p (dan kadang top_k) yang juga mengatur keragaman, dengan cara membatasi kumpulan kata yang boleh dipilih. Mengubah keduanya bersamaan membuat efeknya sulit ditebak. Pilih satu untuk disetel, biarkan yang lain di nilai bawaan.

6. Uji dengan beberapa contoh

Jalankan 10 sampai 20 contoh nyata di dua atau tiga nilai temperature berbeda, lalu bandingkan. Untuk tugas berformat, hitung berapa persen keluaran yang lolos validasi. Untuk tugas kreatif, nilai apakah variasinya berguna atau malah mengganggu.

Apakah temperature rendah mencegah halusinasi?

Tidak sepenuhnya. Temperature rendah membuat model memilih jawaban yang paling mungkin menurut pengetahuannya, tetapi bila pengetahuannya keliru atau tidak ada, model tetap bisa menjawab salah dengan sangat konsisten. Cara yang lebih efektif adalah memberi sumber informasi di prompt dan meminta model mengakui bila tidak tahu, seperti dijelaskan di kenapa AI berhalusinasi.

Catatan untuk model reasoning dan aplikasi chat

Sebagian model reasoning, yang berpikir dulu sebelum menjawab, tidak mengizinkan temperature diubah atau hanya menerima nilai tertentu. Mengirim nilai lain bisa menghasilkan pesan galat dari API. Bila kamu memakai model jenis ini, cek dokumentasinya dan kendalikan perilaku lewat prompt atau pengaturan lain yang disediakan.

Di aplikasi chat konsumen, pengaturan temperature biasanya tidak ditampilkan sama sekali. Penyedia sudah memilih nilai yang mereka anggap seimbang. Pengaturan ini lebih relevan saat kamu memakai API, playground pengembang, atau menjalankan model sendiri lewat alat seperti Ollama dan Open WebUI.

Ringkasan nilai untuk tiap jenis tugas

Checklist sebelum mengubah temperature:

• Prompt sudah jelas dan diuji dengan nilai bawaan.
• Jenis tugas sudah ditentukan: butuh konsistensi atau variasi.
• Hanya satu parameter keragaman yang diubah (temperature atau top_p).
• Diuji dengan beberapa contoh, bukan satu.
• Dokumentasi model dicek, terutama untuk model reasoning.