---
title: "Apa itu frequency penalty dan presence penalty di LLM?"
description: "Frequency dan presence penalty menurunkan peluang token yang sudah dipakai model untuk mengurangi pengulangan. Bedanya, rentang nilainya, dan repetition_penalty."
url: https://broadrouter.com/id/glossary/frequency-and-presence-penalty/
lang: id
updated: 2026-11-15
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/frequency-and-presence-penalty/) (diperbarui 2026-11-15).

# Frequency penalty dan presence penalty

Diperbarui 2026-11-15

Frequency penalty dan presence penalty adalah pengaturan sampling yang menurunkan skor token yang sudah ada di output. Presence penalty berlaku begitu token pernah muncul; frequency penalty makin besar setiap kali token diulang. Di API OpenAI, keduanya berkisar dari -2.0 hingga 2.0, dengan default 0.

Disebut juga: penalti frekuensi, penalti kehadiran, penalti pengulangan, frequency penalty, presence penalty, frequency\_penalty, presence\_penalty, repetition penalty

Model yang terjebak loop mengulang frasa yang sama sampai kehabisan token. Penalti adalah perbaikan kasar yang diterapkan saat sampling.

## Cara kerjanya

Sebelum setiap [token](https://broadrouter.com/id/glossary/token/) berikutnya diundi, server menyesuaikan skor token yang sudah dihasilkan.

| Pengaturan | Yang dipenalti menurut dokumentasi vLLM | Rentang dan default |
| --- | --- | --- |
| `presence_penalty` | Token “based on whether they appear in the generated text so far” (terjemahan: berdasarkan apakah token muncul di teks yang dihasilkan sejauh ini) | OpenAI: -2.0 hingga 2.0, default 0 |
| `frequency_penalty` | Token “based on their frequency in the generated text so far” (terjemahan: berdasarkan frekuensinya di teks yang dihasilkan sejauh ini) | OpenAI: -2.0 hingga 2.0, default 0 |
| `repetition_penalty` | Token “based on whether they appear in the prompt and the generated text so far” (terjemahan: berdasarkan apakah token muncul di prompt dan teks yang dihasilkan sejauh ini) | vLLM dan Hugging Face: 1.0 berarti tanpa penalti |

Nilai positif menjauhkan model dari token yang sudah dipakai; nilai negatif membuat pengulangan lebih mungkin. OpenAI menyebutkan frequency penalty positif menurunkan “the model’s likelihood to repeat the same line verbatim” (terjemahan: kemungkinan model mengulang baris yang sama kata per kata), dan presence penalty positif menaikkan “the model’s likelihood to talk about new topics” (terjemahan: kemungkinan model membahas topik baru). Untuk `repetition_penalty`, vLLM menyebutkan nilai di atas 1 mendorong token baru dan nilai di bawah 1 mendorong pengulangan. Dokumentasi Hugging Face merujuk ke makalah CTRL untuk penalti ini.

```json
{"model": "...", "messages": [...], "frequency_penalty": 0.5, "presence_penalty": 0.3}
```

## Kenapa ini penting

-   **Loop di output panjang.** Agen dan ringkasan panjang bisa terjebak mengulang teks. Penalti kecil bisa memutus loop, dan batas [max\_tokens](https://broadrouter.com/id/glossary/max-tokens/) yang keras membatasi kerusakannya.
-   **Efek samping.** Penalti bekerja pada token, bukan gagasan. Penalti yang kuat bisa menghalangi model memakai ulang kata yang dibutuhkannya, seperti nama variabel di kode, key JSON, atau nama dalam teks Arab yang memang sengaja diulang. Mulai dari 0 dan ubah sedikit demi sedikit.
-   **Tumpang tindih dengan sampling.** [Temperature](https://broadrouter.com/id/glossary/temperature/) dan [top-p](https://broadrouter.com/id/glossary/top-p/) juga mengubah variasi. Ubah satu pengaturan setiap kali menguji.

## Di BroadNet Inference

[Referensi API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-frequency-and-presence-penalty&utm_content=body) BroadNet tidak mendokumentasikan `frequency_penalty`, `presence_penalty`, atau `repetition_penalty`. Uji sebelum mengandalkannya: kirim prompt yang cenderung berulang, dengan dan tanpa field tersebut, lalu bandingkan. Jika pengulangan muncul di eksekusi panjang, coba prompt yang lebih jelas, batas output yang lebih rendah, atau hentikan eksekusi dan lanjutkan dari checkpoint; [artikel menjalankan agen semalaman](https://broadrouter.com/id/blog/overnight-coding-agent-runs/) membahas pola itu.

## Kesalahan umum

-   Menyetel penalti tinggi untuk memperbaiki masalah prompt. Pengulangan sering berarti model tidak punya titik berhenti yang jelas.
-   Memakai penalti pada output terstruktur, di mana key memang harus berulang.

## Pertanyaan umum

### Apa bedanya frequency penalty dan presence penalty?

Presence penalty bertanya "apakah token ini sudah muncul?" dan berlaku sekali. Frequency penalty bertanya "seberapa sering?" dan makin besar setiap kali diulang. vLLM menggambarkan keduanya sebagai penalti token berdasarkan apakah token itu muncul dan seberapa sering muncul di teks sejauh ini.

### Apakah repetition\_penalty sama saja?

Tidak. Itu pengali terpisah yang dipakai vLLM dan Hugging Face, di mana 1.0 berarti tanpa penalti. vLLM menerapkannya pada token di prompt dan output, bukan hanya output.

### Apakah BroadNet Inference mendukung penalti ini?

Referensi API BroadNet tidak mendokumentasikan frequency\_penalty, presence\_penalty, atau repetition\_penalty. Uji sebelum mengandalkannya.

## Lihat juga

-   [Temperature (suhu sampling)](https://broadrouter.com/id/glossary/temperature/) (istilah)
-   [Top-p (nucleus sampling)](https://broadrouter.com/id/glossary/top-p/) (istilah)
-   [Token](https://broadrouter.com/id/glossary/token/) (istilah)
-   [Logprobs (log probabilitas)](https://broadrouter.com/id/glossary/logprobs/) (istilah)
-   [Parameter seed](https://broadrouter.com/id/glossary/seed-parameter/) (istilah)
-   [Cara menjalankan coding agent semalaman tanpa pengawasan dengan aman](https://broadrouter.com/id/blog/overnight-coding-agent-runs/) (artikel)
-   [Anggaran token agen: ke mana token loop agen pergi](https://broadrouter.com/id/blog/agent-token-budget/) (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-frequency-and-presence-penalty&utm_content=page-cta) ·

**Sumber**

-   [Referensi API OpenAI, membuat chat completion (frequency\_penalty, presence\_penalty) (diperiksa 2026-11-15)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Dokumentasi vLLM, SamplingParams (presence, frequency, dan repetition penalty) (diperiksa 2026-11-15)](https://docs.vllm.ai/en/latest/api/vllm/sampling_params/)
-   [Keskar dkk., CTRL: A Conditional Transformer Language Model for Controllable Generation, arXiv 1909.05858 (diperiksa 2026-11-15)](https://arxiv.org/abs/1909.05858)
-   [Hugging Face Transformers, GenerationConfig (repetition\_penalty) (diperiksa 2026-11-15)](https://huggingface.co/docs/transformers/main_classes/text_generation)
