---
title: "Tree of Thoughts (ToT) (ID)"
source: "https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)"
wiki: "systems-analysis.info/int"
article: "Tree_of_Thoughts_(ToT)_(ID)"
language: "id"
categories:
  - "Category:Indonesian"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 8277
wiki_created_at: 2026-09-07T01:14:55Z
wiki_modified_at: 2026-09-07T01:14:55Z
downloaded_at: 2026-09-07T23:24:31Z
---

# Tree of Thoughts (ToT) (ID)

**Tree of Thoughts (ToT)** (**Pohon Pikiran**) — adalah sebuah framework inovatif untuk mengelola proses penalaran model bahasa besar (LLM), yang memungkinkan model tersebut melakukan pemecahan masalah secara sadar melalui eksplorasi sistematis terhadap berbagai jalur penalaran. Konsep ini diperkenalkan pada tahun 2023 oleh para peneliti dari Universitas Princeton dan Google DeepMind<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-yao2023-1)</sup>.

ToT merupakan perluasan dan generalisasi dari teknik populer "rantai pikiran" (Chain of Thought, CoT). Berbeda dengan CoT, di mana penalaran berupa satu urutan langkah yang linear, ToT mengorganisasi proses berpikir dalam bentuk **pohon**, di mana setiap simpul adalah keadaan antara ("pikiran"), dan cabang-cabangnya adalah kemungkinan jalur pengembangan penalaran. Hal ini memungkinkan model untuk mengeksplorasi beberapa opsi secara paralel, mengevaluasi prospeknya, kembali ke langkah sebelumnya ketika menemui jalan buntu (*backtracking*), dan membuat pilihan yang disadari<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-yao2023-1)[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-ibm_tot-2)</sup>.

## Prinsip Kerja

Framework ToT mengorganisasi proses pemecahan masalah sebagai pencarian pada pohon keadaan. Cara kerjanya didasarkan pada interaksi siklis dari empat komponen utama<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-yao2023-1)</sup>:

1\. **Dekomposisi tugas menjadi "pikiran"**: Masalah awal dipecah menjadi subtugas-langkah yang lebih kecil, yang disebut "pikiran". Berbeda dengan CoT, di mana "pikiran" hanyalah token berikutnya, dalam ToT "pikiran" merupakan unit yang bermakna secara semantik (misalnya, persamaan dalam soal matematika atau paragraf dalam rencana teks), yang membawa lebih dekat ke solusi.

2\. **Pembangkitan pikiran**: Pada setiap langkah, untuk keadaan saat ini (simpul pohon), model membangkitkan beberapa "pikiran" berikutnya yang potensial (cabang). Untuk ini digunakan dua strategi:

- **Pengambilan sampel (sample)**: Model secara independen membangkitkan beberapa varian kelanjutan. Cocok untuk tugas-tugas kreatif, di mana spektrum ide yang luas bermanfaat.
- **Pengajuan (propose)**: Model membangkitkan varian secara berurutan, yang lebih efisien untuk tugas-tugas dengan ruang solusi yang terbatas.

3\. **Evaluasi keadaan**: "Pikiran-pikiran" yang dibangkitkan dievaluasi oleh LLM itu sendiri untuk menentukan prospeknya. Evaluasi dapat bersifat numerik (misalnya, pada skala 0 hingga 1) atau kategorikal ("yakin", "mungkin", "tidak mungkin"). Ini adalah fungsi heuristik yang mengarahkan pencarian ke cabang-cabang yang menjanjikan.

4\. **Algoritma pencarian**: Untuk eksplorasi sistematis pada pohon pikiran digunakan algoritma pencarian klasik:

- **Pencarian melebar (BFS)**: Mengeksplorasi semua simpul pada satu level sebelum berpindah ke level berikutnya. Menjamin ditemukannya jalur terpendek, namun membutuhkan lebih banyak memori.
- **Pencarian mendalam (DFS)**: Mengeksplorasi satu cabang hingga akhir sebelum kembali dan mencoba cabang lain. Lebih hemat memori dan cocok untuk tugas-tugas dengan ruang pencarian yang dalam namun tidak terlalu lebar.

Framework ini meniru cara berpikir manusia dalam memecahkan masalah, memadukan pembangkitan ide yang intuitif (dengan bantuan LLM) dengan perencanaan dan penjelajahan opsi yang disadari dan sistematis<sup>[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-ibm_tot-2)</sup>.

## Perbandingan dengan Metode Penalaran Lainnya

### ToT dibandingkan dengan Chain of Thought (CoT)

ToT merupakan generalisasi langsung dari CoT. Jika CoT dapat digambarkan sebagai pohon dengan lebar percabangan sama dengan 1, maka ToT memungkinkan eksplorasi pohon dengan lebar sembarang. Hal ini memberikan keunggulan utama<sup>[\[3\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-substack_tot_vs_cot-3)</sup>:

- **Eksplorasi alternatif**: ToT dapat mempertimbangkan beberapa jalur solusi, sementara CoT dibatasi hanya pada satu jalur linear.
- **Kemampuan mundur (backtracking)**: ToT memungkinkan model "mundur" apabila cabang penalaran mencapai jalan buntu, sesuatu yang tidak mungkin dilakukan dalam CoT.
- **Perencanaan global**: ToT memungkinkan pengambilan keputusan strategis berdasarkan evaluasi beberapa langkah ke depan.

### ToT dibandingkan dengan Self-Consistency

Self-Consistency membangkitkan banyak "rantai pikiran" independen dan memilih jawaban yang paling sering muncul melalui pemungutan suara. Metode ini meningkatkan keandalan CoT, namun, seperti CoT, tidak memungkinkan eksplorasi struktur solusi yang bercabang. ToT, pada gilirannya, dapat menunjukkan peningkatan yang lebih signifikan pada tugas-tugas perencanaan yang kompleks, di mana tidak hanya percobaan independen yang penting, tetapi juga keterkaitannya<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-yao2023-1)</sup>.

## Hasil Eksperimental

Para penulis ToT mendemonstrasikan efektivitasnya pada tiga tugas yang memerlukan perencanaan atau pencarian yang tidak trivial.

- **Game of 24**: Teka-teki matematika di mana pemain harus mendapatkan angka 24 dari empat angka yang diberikan menggunakan operasi aritmatika dasar. Prompting standar dengan GPT-4 menunjukkan keberhasilan sebesar **7,3%**, Chain of Thought — **4%**. ToT dengan pencarian melebar (b=5) mencapai keberhasilan **74%**, yang 18,5 kali lebih baik dibandingkan CoT<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-yao2023-1)[\[4\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-arxiv_plus_5_1-4)</sup>.
- **Penulisan kreatif**: Dalam tugas menghasilkan teks koheren yang terdiri dari empat paragraf dengan kalimat terakhir yang ditentukan, teks yang dibuat dengan ToT mendapatkan rata-rata skor koherensi **7,56** dari 10, sementara CoT — **6,15**. Dalam 41 dari 100 perbandingan, manusia lebih menyukai teks yang dihasilkan ToT, berbanding 21 untuk CoT<sup>[\[5\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-openreview_plus_3_1-5)</sup>.
- **Teka-teki silang mini (5x5)**: ToT berhasil mengisi **60%** kata dengan benar, sementara CoT hanya **1%**<sup>[\[6\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-arxiv_plus_4_1-6)</sup>.

## Keterbatasan dan Arah Penelitian ke Depan

Terlepas dari hasil yang mengesankan, framework ToT memiliki sejumlah keterbatasan:

- **Kompleksitas komputasi**: ToT membutuhkan sumber daya komputasi yang jauh lebih besar (5–100 kali lebih banyak token) dibandingkan metode standar, karena kebutuhan untuk membangkitkan dan mengevaluasi banyak "pikiran"<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_note-yao2023-1)</sup>.
- **Kerumitan implementasi**: Penerapan ToT memerlukan upaya rekayasa yang signifikan untuk membangun dan mengonfigurasi semua komponen: pembangkit pikiran, evaluator keadaan, dan algoritma pencarian.
- **Ketergantungan pada kualitas evaluasi**: Efektivitas seluruh framework sangat bergantung pada kemampuan LLM untuk mengevaluasi keadaan antara secara memadai, yang tidak selalu terjamin.

Penelitian di masa depan diarahkan pada peningkatan efisiensi, otomatisasi optimasi, dan integrasi ToT dengan metode lain seperti Reinforcement Learning, untuk menciptakan agen yang lebih cerdas dan otonom.

## Tautan

- Repositori resmi Tree of Thoughts di GitHub.
- Tree of Thoughts (ToT) — panduan di Prompt Engineering Guide.

## Daftar Pustaka

- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493.
- Lyu, Q. et al. (2023). *Faithful Chain-of-Thought Reasoning*. arXiv:2301.13379.
- Ling, Z. et al. (2023). *Deductive Verification of Chain of Thought Reasoning*. arXiv:2306.03872.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687.
- Lightman, H. et al. (2023). *Let's Verify Step by Step*. arXiv:2305.20050.
- Lanham, T. et al. (2023). *Measuring Faithfulness in Chain-of-Thought Reasoning*. arXiv:2307.13702.
- Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844.

## Catatan

1.  <span id="cite_note-yao2023-1">↑ <sup>[1.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-yao2023_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-yao2023_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-yao2023_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-yao2023_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-yao2023_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-yao2023_1-5)</sup> Yao, S., Yu, D., Zhao, J., et al. (2023). «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv*. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-ibm_tot-2">↑ <sup>[2.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-ibm_tot_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-ibm_tot_2-1)</sup> «What is Tree of Thoughts Prompting?». *IBM*. <a href="https://www.ibm.com/think/topics/tree-of-thoughts" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-substack_tot_vs_cot-3">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-substack_tot_vs_cot_3-0) «Tree of Thoughts vs Chain of Thought». *Substack*.</span>
4.  <span id="cite_note-arxiv_plus_5_1-4">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-arxiv_plus_5_1_4-0) «...18.5 times improvement...». *arXiv*.</span>
5.  <span id="cite_note-openreview_plus_3_1-5">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-openreview_plus_3_1_5-0) «...41 out of 100 comparisons...». *OpenReview*.</span>
6.  <span id="cite_note-arxiv_plus_4_1-6">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(ID)#cite_ref-arxiv_plus_4_1_6-0) «...CoT: 1% success rate...». *arXiv*.</span>