Rantai Berpikir dan Pola Reasoning
Ajak LLM berpikir langkah demi langkah. Chain-of-thought (CoT) membongkar masalah kompleks jadi urutan reasoning yang dapat ditelusuri dan dikoreksi.
🎯 Tujuan Pembelajaran
- Memahami konsep chain-of-thought dan cara kerjanya
- Mampu menyusun prompt CoT yang efektif untuk masalah bertahap
- Memahami self-consistency dan kapan menggunakannya
- Mengenal tree-of-thought untuk masalah bercabang
- Memahami pola ReAct (Reasoning + Action) untuk agent
Chain-of-Thought: Berpikir Langkah demi Langkah
Chain-of-Thought (CoT) adalah teknik menyuruh AI berpikir langkah demi langkah sebelum memberikan jawaban akhir. Namanya diambil dari "rantai pemikiran" — setiap langkah adalah mata rantai yang terhubung.
Kenapa CoT penting? Karena LLM (Large Language Model) pada dasarnya adalah mesin prediksi kata berikutnya. Tanpa diminta berpikir bertahap, ia bisa "melompat" ke kesimpulan yang salah — seperti murid yang tidak menunjukkan cara hitungnya.
Dengan CoT, kamu bisa: - Melihat proses berpikir AI (transparan) - Memperbaiki langkah yang salah tanpa mengulang dari awal - Mendapatkan hasil yang lebih akurat untuk soal kompleks - Mengajari AI pola berpikir yang benar
Cara paling sederhana: tambahkan frasa "Mari berpikir langkah demi langkah" atau "Jelaskan prosesmu" di akhir prompt. Ajaibnya, hasil langsung lebih baik.
CoT bekerja karena memanfaatkan kemampuan AI untuk menghasilkan rangkaian logis — ketika AI menulis langkah 1, ia "terpaksa" melanjutkan ke langkah 2, 3, dan seterusnya secara konsisten.
┌────────────────────────────────────────────────────────┐
│ CHAIN-OF-THOUGHT: LANGKAH BERANTAI │
│ │
│ [SOAL] ──▶ ┌──────┐ ┌──────┐ ┌──────┐ ┌──┐ │
│ │LANGKAH│──>│LANGKAH│──>│LANGKAH│──>│ │ │
│ │ 1 │ │ 2 │ │ 3 │ │JL│ │
│ │Pahami │ │ Breakdown│ │Hitung │ │WB│ │
│ │masalah│ │komponen│ │solusi │ │ │ │
│ └──────┘ └──────┘ └──────┘ └──┘ │
│ │
│ TANPA CoT: │
│ [SOAL] ──▶ ┌──────────┐ │
│ │ LANGSUNG │ ← sering salah │
│ │ JAWAB │ lompat ke kesimpulan │
│ └──────────┘ │
└────────────────────────────────────────────────────────┘Self-Consistency: Jalan Alternatif
Self-consistency adalah pengembangan CoT. Idenya: kalau satu jalur pemikiran bisa salah, bagaimana kalau AI mencoba BANYAK jalur pemikiran lalu memilih jawaban yang paling sering muncul?
Cara kerja self-consistency: 1. AI diberi soal yang sama beberapa kali (dengan CoT tiap kali) 2. Tiap percobaan bisa menghasilkan jalur reasoning yang berbeda 3. AI atau sistem kemudian membandingkan semua jawaban 4. Jawaban yang paling sering muncul (mayoritas) diambil sebagai hasil akhir
Ini mirip voting dalam tim: makin banyak orang yang setuju pada satu jawaban, makin yakin kita bahwa jawaban itu benar.
Self-consistency sangat berguna untuk: - Soal matematika atau logika yang punya banyak cara penyelesaian - Masalah yang butuh presisi tinggi (misal: kalkulasi harga, penjadwalan) - Situasi dimana satu jalur reasoning rentan error
Kekurangannya: biaya token lebih mahal karena AI perlu menjawab beberapa kali. Tapi untuk masalah kritis, ini worth it.
┌────────────────────────────────────────────────────────┐
│ SELF-CONSISTENCY: VOTING ANTAR JALUR PEMIKIRAN │
│ │
│ ┌──────────┐ │
│ ┌───>│ Jalur A │──┐ │
│ │ └──────────┘ │ │
│ ┌───┐ │ ┌──────────┐ ├──> ┌────────┐ │
│ │Soal│──┼───>│ Jalur B │──┤ │ VOTING │ │
│ └───┘ │ └──────────┘ ├──> │ Ambil │ │
│ │ ┌──────────┐ │ │mayoritas│ │
│ └───>│ Jalur C │──┘ └────────┘ │
│ └──────────┘ │
└────────────────────────────────────────────────────────┘Tree-of-Thought: Cabang Pemikiran
Tree-of-Thought (ToT) melangkah lebih jauh dari CoT. Kalau CoT seperti jalan lurus, ToT seperti pohon dengan banyak cabang — AI bisa mengeksplorasi beberapa kemungkinan secara paralel, lalu memilih cabang yang paling menjanjikan.
Bayangin kamu lagi main game petualangan. Di titik tertentu, kamu harus memilih: jalan kiri atau kanan? ToT memungkinkan AI untuk "membayangkan" kedua jalur, mengevaluasi mana yang lebih baik, baru memutuskan.
Cara kerja ToT: 1. AI menghasilkan beberapa ide atau langkah awal (cabang) 2. Tiap cabang dievaluasi: apakah ini mengarah ke solusi? 3. Cabang yang tidak menjanjikan dipotong (pruning) 4. Cabang yang bagus dikembangin lebih lanjut 5. Proses berulang sampai solusi ditemukan
ToT paling cocok untuk: - Creative writing dengan banyak plot yang mungkin - Problem-solving kompleks (seperti puzzle logika) - Strategi dan perencanaan (misal: rencana bisnis) Namun ToT butuh lebih banyak token dan sering dilakukan secara sistemik, bukan prompt satu kali.
┌────────────────────────────────────────────────────────┐
│ TREE-OF-THOUGHT: CABANG PEMIKIRAN │
│ │
│ ┌──────────┐ │
│ │ MASALAH │ │
│ └────┬─────┘ │
│ │ │
│ ┌────────────┼────────────┐ │
│ │ │ │ │
│ ┌────┴────┐ ┌────┴────┐ ┌────┴────┐ │
│ │ CABANG 1│ │ CABANG 2│ │ CABANG 3│ │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
│ ┌────┴──┐ ┌────┴──┐ ┌────┴──┐ │
│ │ A │ B │ │ A │ B │ │ A │ B │ │
│ └──────┘ └──────┘ └──────┘ │
│ ▼ eval ▼ eval ▼ eval │
│ (lanjut) (dipotong) (lanjut) │
└────────────────────────────────────────────────────────┘ReAct: Reasoning + Action
ReAct adalah pola yang menggabungkan Reasoning (berpikir) dengan Action (bertindak). Namanya gabungan dari "Reason" dan "Act". Pola ini jadi fondasi utama untuk AI agent modern.
Cara kerja ReAct adalah siklus berulang: 1. THINK (berpikir) — AI menganalisis situasi dan memutuskan langkah apa yang perlu diambil 2. ACT (bertindak) — AI menjalankan tindakan, misalnya mencari informasi atau menghitung 3. OBSERVE (mengamati) — AI melihat hasil dari tindakannya 4. Kembali ke langkah 1 — sampai tujuan tercapai
Ini beda dengan CoT yang hanya berpikir. ReAct benar-benar melakukan sesuatu lalu belajar dari hasilnya. Bayangkan kamu lagi masak: kamu baca resep (think), potong bawang (act), lihat hasil potongannya (observe), lalu mutusin mau lanjut atau perbaiki (think lagi).
ReAct sangat penting untuk: - Agent yang perlu mencari informasi dari luar (web search, database) - Agent yang perlu menggunakan tools (kalkulator, API) - Situasi dimana AI perlu adaptasi berdasarkan hasil tindakan
Praktiknya, kamu bisa memicu pola ReAct dengan prompt seperti: "Pikirkan apa yang kamu butuhkan, lakukan, amati hasilnya, dan ulangi sampai selesai."
┌────────────────────────────────────────────────────────┐
│ REACT: SIKLUS REASONING + ACTION │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ THINK │───>│ ACT │───>│ OBSERVE │ │
│ │(berpikir)│ │(bertindak)│ │(melihat │ │
│ │"butuh apa"│ │"cari info"│ │ hasil) │ │
│ └──────────┘ └──────────┘ └────┬─────┘ │
│ ▲ │ │
│ └───────────────────────────────┘ │
│ (ulang sampai selesai atau mentok) │
│ │
│ Contoh: "Cari harga tiket ke Jepang" │
│ THINK: Saya perlu cek harga tiket di sumber │
│ ACT: Cari harga tiket Jakarta-Tokyo │
│ OBSERVE: Dapat info harga rata-rata Rp 5-8 juta │
│ THINK lagi: Cukup atau perlu cari promo? │
└────────────────────────────────────────────────────────┘Poin Penting
- Chain-of-Thought (CoT) memandu AI berpikir langkah demi langkah untuk hasil lebih akurat
- Self-consistency menggunakan voting dari beberapa jalur reasoning untuk meningkatkan presisi
- Tree-of-Thought mengeksplorasi cabang-cabang pemikiran secara paralel
- ReAct menggabungkan reasoning dengan action — fondasi utama AI agent modern
- Semakin kompleks masalah, semakin canggih pola reasoning yang dibutuhkan
✍️ Latihan
Buat prompt CoT untuk soal: 'Jika 3 apel harganya Rp15.000, berapa harga 7 apel?' Minta AI menunjukkan langkah-langkahnya.
Jelaskan dalam 3-4 kalimat kapan self-consistency lebih berguna daripada CoT biasa. Beri satu contoh kasus nyata.
Desain alur ReAct sederhana untuk agent yang tugasnya mencari dan merangkum resep masakan berdasarkan bahan yang tersedia di kulkas.