Apa itu Tree of Thoughts (ToT / Penalaran Pohon Pikiran AI)?

Apa itu Tree of Thoughts?

Tree of Thoughts (ToT) adalah kerangka kerja penalaran untuk model bahasa besar (Large Language Model) yang diperkenalkan oleh tim peneliti dari Princeton University dan Google DeepMind pada Mei 2023 (paper ilmiah arXiv:2305.10601). Kerangka kerja ini memperluas teknik Chain-of-Thought (CoT) konvensional dengan membiarkan model mempertimbangkan beberapa opsi solusi sekaligus.

Pada Chain-of-Thought standar, model hanya bernalar dalam satu garis lurus dari langkah A ke langkah B lalu ke C. Jika model membuat kesalahan logika pada langkah awal, model tidak memiliki mekanisme untuk mundur dan memperbaiki kesalahan tersebut, sehingga menghasilkan jawaban akhir yang keliru.

Tree of Thoughts memperlakukan proses pemecahan masalah seperti permainan catur: model merumuskan beberapa kemungkinan langkah ("pikiran"), mengevaluasi kualitas setiap langkah secara mandiri, lalu memilih jalur terbaik atau melakukan penelusuran balik (backtracking) jika menemui jalan buntu.

Empat komponen utama Tree of Thoughts

Metode ToT beroperasi melalui empat tahap terstruktur:

1. Dekomposisi Pikiran (Thought Decomposition): Masalah kompleks dipecah menjadi unit-unit pemikiran perantara (intermediate thoughts), seperti satu langkah persamaan matematika atau satu kalimat hipotesis logika.
2. Pembangkitan Pikiran (Thought Generator): Model menghasilkan sejumlah alternatif solusi untuk langkah berikutnya. Dua strategi umum yang digunakan:
   • Sampling: Mengambil beberapa sampel keluaran independen dari prompt yang sama.
   • Propose: Menginstruksikan model untuk merancang sejumlah langkah tindak lanjut yang berbeda secara eksplisit.
3. Evaluasi Keadaan (State Evaluator): Model mengevaluasi prospek keberhasilan setiap cabang pemikiran. Model memberikan skor heuristik atau pertimbangan kualitatif (misal: pasti benar, mungkin benar, atau tidak mungkin).
4. Algoritma Pencarian (Search Algorithm): Sistem menavigasi struktur pohon pemikiran menggunakan algoritma penelusuran klasik:
   • Breadth-First Search (BFS): Mempertahankan beberapa cabang paling menjanjikan di setiap tingkat pohon.
   • Depth-First Search (DFS): Menelusuri satu cabang hingga tuntas, dan melakukan backtracking (mundur ke simpul sebelumnya) jika evaluasi menunjukkan kegagalan.

Contoh penerapan nyata

Salah satu eksperimen klasik yang menguji keunggulan ToT adalah permainan teka-teki matematika Game of 24 (menggunakan 4 angka acak dengan operasi matematika dasar untuk menghasilkan angka 24).

• Standard Prompting: Tingkat keberhasilan model GPT-4 hanya 7,3%.
• Chain-of-Thought (CoT): Tingkat keberhasilan naik menjadi 40,0%.
• Tree of Thoughts (ToT): Tingkat keberhasilan melonjak drastis hingga 74,0%.

Peningkatan ini terjadi karena ketika satu operasi menghasilkan angka yang tidak memungkinkan pembentukan nilai 24, ToT segera membatalkan cabang tersebut dan mencoba kombinasi angka lain, persis seperti cara manusia memecahkan teka-teki.

Batasan dan salah paham umum

• Bukan teknik untuk tugas instan: ToT membutuhkan iterasi ganda dan evaluasi bertahap, sehingga latensi dan konsumsi token jauh lebih tinggi dibandingkan prompt biasa. Tidak cocok untuk interaksi obrolan cepat (chatbot harian).
• Peran model penalaran modern: Sejak kehadiran arsitektur model reasoning terintegrasi (seperti OpenAI o1/o3 dan DeepSeek R1), sebagian prinsip pencarian internal dan backtracking telah dilatih langsung ke dalam bobot model melalui Reinforcement Learning, meskipun kerangka ToT tetap penting untuk sistem agentic planning eksternal.

Rujukan resmi

• Yao et al. (Princeton & Google DeepMind) — Tree of Thoughts: Deliberate Problem Solving with Large Language Models: arxiv.org/abs/2305.10601 (Pengecekan: 9 Oktober 2026)
• Association for Computational Linguistics (ACL) / NeurIPS Proceedings 2023 — Tree of Thoughts Research Paper (Pengecekan: 9 Oktober 2026)