{"id":1316,"date":"2026-08-22T19:18:53","date_gmt":"2026-08-22T12:18:53","guid":{"rendered":"https:\/\/komunitech.com\/blog\/?p=1316"},"modified":"2026-08-22T19:38:04","modified_gmt":"2026-08-22T12:38:04","slug":"tips-prompting-hemat-token-ai-token-%e2%89%a0-kata","status":"publish","type":"post","link":"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/","title":{"rendered":"Tips Prompting Hemat Token AI: Token Bukan Kata"},"content":{"rendered":"<p><strong>tl;dr:<\/strong> Token bukan kata. Satu kata bisa jadi beberapa token, dan satu token bisa cuma potongan kata \u2014 tergantung tokenizer tiap model. Jadi &#8220;hemat token&#8221; bukan soal bikin prompt sependek-pendeknya, tapi buang token yang nggak menambah nilai. Output token harganya jauh lebih mahal dari input (di GPT-5: $10 vs $1.25 per 1 juta token), dan input yang di-cache bisa 90% lebih murah. Soal ucapan &#8220;please&#8221; dan &#8220;terima kasih&#8221; yang viral gara-gara komentar Sam Altman: itu bukan sumber pemborosan utama kamu \u2014 struktur prompt yang berantakan jauh lebih mahal.<\/p>\n<p>Kamu mungkin pernah baca tips yang bunyinya: &#8220;biar hemat token, tulis prompt sesingkat mungkin.&#8221; Kedengarannya masuk akal. Masalahnya, saran itu setengah benar \u2014 dan setengah yang salahnya justru bikin hasil AI kamu jadi jelek sambil tetap boros.<\/p>\n<p>Artikel ini bahas cara hemat token yang benar secara teknis: apa itu token sebenarnya, kenapa memotong kata bukan strategi kompresi, biaya token yang nyata berdasarkan dokumentasi resmi, dan framework praktis buat mutusin bagian prompt mana yang boleh dibuang dan mana yang haram disentuh.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_86 ez-toc-wrap-center counter-hierarchy ez-toc-counter ez-toc-light-blue ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a8b9ea7e2671\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"ez-toc-cssicon\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a8b9ea7e2671\"  aria-label=\"Toggle\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Token_Bukan_Kata_%E2%80%94_Ini_Bedanya\" >Token Bukan Kata \u2014 Ini Bedanya<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Eksperimen_10_Prompt_Bahasa_Indonesia_vs_Inggris_di_3_Tokenizer\" >Eksperimen: 10 Prompt Bahasa Indonesia vs Inggris di 3 Tokenizer<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Biaya_Token_yang_Sebenarnya_Input_Output_dan_Cache\" >Biaya Token yang Sebenarnya: Input, Output, dan Cache<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Prompt_Pendek_Tidak_Selalu_Lebih_Baik\" >Prompt Pendek Tidak Selalu Lebih Baik<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Soal_%E2%80%9CPlease%E2%80%9D_dan_%E2%80%9CTerima_Kasih%E2%80%9D_%E2%80%94_Ini_Kata_Sam_Altman_Sebenarnya\" >Soal &#8220;Please&#8221; dan &#8220;Terima Kasih&#8221; \u2014 Ini Kata Sam Altman Sebenarnya<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Framework_Keep_Compress_Remove\" >Framework: Keep, Compress, Remove<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Contoh_Before-After_dengan_Token_Count_Nyata\" >Contoh Before-After dengan Token Count Nyata<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Prompt_Caching_Trik_yang_Paling_Sering_Dilewatkan\" >Prompt Caching: Trik yang Paling Sering Dilewatkan<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Kalau_Prompt-nya_Dipakai_AI_Agent_yang_Jalan_Terus\" >Kalau Prompt-nya Dipakai AI Agent yang Jalan Terus<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Ringkasan_Tips_Prompting_Hemat_Token\" >Ringkasan Tips Prompting Hemat Token<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Pertanyaan_yang_Sering_Ditanya\" >Pertanyaan yang Sering Ditanya<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Apakah_prompt_yang_lebih_pendek_selalu_lebih_hemat_token\" >Apakah prompt yang lebih pendek selalu lebih hemat token?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Berapa_jumlah_token_untuk_satu_kata\" >Berapa jumlah token untuk satu kata?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-14\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Apakah_bilang_%E2%80%9Ctolong%E2%80%9D_dan_%E2%80%9Cterima_kasih%E2%80%9D_ke_AI_bikin_boros_token\" >Apakah bilang &#8220;tolong&#8221; dan &#8220;terima kasih&#8221; ke AI bikin boros token?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-15\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Apakah_menulis_prompt_dalam_Bahasa_Inggris_lebih_hemat_token\" >Apakah menulis prompt dalam Bahasa Inggris lebih hemat token?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-16\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Apa_bedanya_kompresi_prompt_dan_menyederhanakan_prompt\" >Apa bedanya kompresi prompt dan menyederhanakan prompt?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-17\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Bagaimana_cara_menghitung_token_prompt_saya\" >Bagaimana cara menghitung token prompt saya?<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-18\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Penutup\" >Penutup<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-19\" href=\"https:\/\/komunitech.com\/blog\/tutorial\/tips-prompting-hemat-token-ai-token-%e2%89%a0-kata\/#Referensi\" >Referensi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Token_Bukan_Kata_%E2%80%94_Ini_Bedanya\"><\/span>Token Bukan Kata \u2014 Ini Bedanya<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ini kesalahpahaman paling sering, dan sayangnya banyak artikel tips prompting ikut menyebarkannya. Kalimat &#8220;setiap kata yang kamu kirim ke AI menghabiskan satu token&#8221; itu tidak akurat.<\/p>\n<p>Model bahasa tidak membaca teks per kata. Teks kamu dipecah dulu oleh komponen bernama <strong>tokenizer<\/strong> menjadi unit-unit kecil yang disebut token. Satu token bisa berupa:<\/p>\n<ul>\n<li>satu kata utuh yang umum (<em>the<\/em>, <em>dan<\/em>, <em>ini<\/em>)<\/li>\n<li>potongan kata (<em>meng<\/em> + <em>optimal<\/em> + <em>kan<\/em>)<\/li>\n<li>tanda baca, spasi, bahkan emoji (emoji sering makan beberapa token sekaligus)<\/li>\n<\/ul>\n<p>Konsekuensinya penting buat kamu yang menulis prompt dalam Bahasa Indonesia: <strong>teks Bahasa Indonesia biasanya menghabiskan lebih banyak token dibanding teks Bahasa Inggris dengan makna yang sama<\/strong>. Alasannya, sebagian besar tokenizer model populer dilatih dominan di korpus Bahasa Inggris, jadi kata Inggris yang umum sering jadi satu token, sementara kata Indonesia dengan imbuhan panjang seperti &#8220;mempertimbangkan&#8221; bisa pecah jadi beberapa token.<\/p>\n<p>Jumlah token yang sama persis juga tidak berlaku lintas model. Tokenizer GPT, Claude, dan Gemini berbeda, jadi prompt yang sama bisa menghasilkan hitungan token yang berbeda di tiap model. Kalau kamu belum familiar dengan karakter tiap model, kami sudah bahas perbandingannya di artikel <a href=\"https:\/\/komunitech.com\/blog\/ai-agent\/perbedaan-model-llm-claude-gpt-gemini-5-lainnya\/\">perbedaan model LLM Claude, GPT, dan Gemini<\/a> \u2014 dan perbedaan tokenizer adalah salah satu alasan biaya antar model tidak bisa dibandingkan hanya dari harga per token.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Eksperimen_10_Prompt_Bahasa_Indonesia_vs_Inggris_di_3_Tokenizer\"><\/span>Eksperimen: 10 Prompt Bahasa Indonesia vs Inggris di 3 Tokenizer<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Daripada cuma bilang &#8220;Bahasa Indonesia lebih boros token&#8221;, kami uji langsung. Kami susun 10 pasang prompt dengan makna setara (Bahasa Indonesia vs Bahasa Inggris), lalu hitung jumlah tokennya di tiga tokenizer berbeda: tokenizer keluarga GPT (o200k\/gpt-4o), tokenizer Claude, dan tokenizer Gemma (proxy open-source terdekat untuk keluarga Gemini, karena tokenizer Gemini resmi tidak open-source).<\/p>\n<table>\n<thead>\n<tr>\n<th>Tokenizer<\/th>\n<th>Total token (10 prompt ID)<\/th>\n<th>Total token (10 prompt EN)<\/th>\n<th>Selisih<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPT (gpt-4o family)<\/td>\n<td>138<\/td>\n<td>103<\/td>\n<td>+34%<\/td>\n<\/tr>\n<tr>\n<td>Claude<\/td>\n<td>211<\/td>\n<td>105<\/td>\n<td>+101%<\/td>\n<\/tr>\n<tr>\n<td>Gemma (proxy Gemini)<\/td>\n<td>130<\/td>\n<td>113<\/td>\n<td>+15%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Hasilnya menegaskan sekaligus meluruskan klaim di atas: <strong>ya, Bahasa Indonesia konsisten lebih boros token di ketiga tokenizer<\/strong> \u2014 tapi besar selisihnya jauh dari seragam. Di tokenizer Claude, prompt Bahasa Indonesia butuh <strong>dua kali lipat<\/strong> token dibanding versi Inggrisnya. Di tokenizer Gemma, selisihnya cuma 15%, hampir tidak terasa. Jadi kalau ada yang bilang &#8220;Bahasa Indonesia X kali lebih boros dari Inggris&#8221; tanpa menyebut tokenizer\/model yang dipakai, angka itu tidak bisa dipercaya begitu saja \u2014 <strong>rasio pemborosannya sangat tergantung model yang kamu pakai.<\/strong><\/p>\n<p>Contoh satu kata yang menunjukkan kenapa variasinya bisa sebesar itu \u2014 kata &#8220;mempertimbangkan&#8221; vs &#8220;consider&#8221;:<\/p>\n<table>\n<thead>\n<tr>\n<th>Kata<\/th>\n<th>GPT<\/th>\n<th>Claude<\/th>\n<th>Gemma<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>mempertimbangkan<\/td>\n<td>4 token<\/td>\n<td>6 token<\/td>\n<td>4 token<\/td>\n<\/tr>\n<tr>\n<td>consider<\/td>\n<td>1 token<\/td>\n<td>1 token<\/td>\n<td>2 token<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Tiap tokenizer dilatih dengan komposisi data berbeda, jadi &#8220;kosakata&#8221; token yang dianggap satu unit juga berbeda. Ini kenapa kami tidak menyarankan kamu menghafal angka rasio tertentu \u2014 <strong>hitung langsung dengan tokenizer model yang benar-benar kamu pakai kalau butuh angka presisi untuk estimasi biaya.<\/strong> Metodologi lengkap: 10 prompt disusun manual dengan makna setara (bukan terjemahan mesin literal), dihitung pakai library <code>tokenizers<\/code> open-source dengan tokenizer publik masing-masing model (Agustus 2026). Catatan jujur: tokenizer Gemma dipakai sebagai proxy karena tokenizer Gemini resmi belum open-source saat artikel ini ditulis \u2014 hasilnya indikatif, bukan angka pasti dari model Gemini asli.<\/p>\n<p>Definisi yang lebih tepat: <strong>token adalah unit terkecil teks yang diproses model, dan jumlahnya bergantung pada teks serta tokenizer yang dipakai \u2014 bukan pada jumlah kata.<\/strong><\/p>\n<p>Kenapa ini bukan sekadar rewel soal istilah? Karena kalau kamu mengira token = kata, kamu akan mengoptimasi hal yang salah. Kamu sibuk menghapus kata sambungan, padahal yang bikin tagihan membengkak biasanya konteks berulang dan output yang kepanjangan.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Biaya_Token_yang_Sebenarnya_Input_Output_dan_Cache\"><\/span>Biaya Token yang Sebenarnya: Input, Output, dan Cache<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Kalau mau serius hemat, kamu perlu tahu bahwa token tidak dihargai sama rata. Ada tiga jenis dengan harga berbeda jauh. Berikut data dari halaman harga resmi OpenAI (per Agustus 2026, model GPT-5, satuan per 1 juta token):<\/p>\n<table>\n<thead>\n<tr>\n<th>Jenis token<\/th>\n<th>Harga per 1 juta token<\/th>\n<th>Catatan<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Input (prompt kamu)<\/td>\n<td>$1.25<\/td>\n<td>Harga dasar<\/td>\n<\/tr>\n<tr>\n<td>Cached input<\/td>\n<td>$0.125<\/td>\n<td>90% lebih murah dari input biasa<\/td>\n<\/tr>\n<tr>\n<td>Output (jawaban AI)<\/td>\n<td>$10.00<\/td>\n<td>8x harga input di pricing ini<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Baca ulang baris terakhir. <strong>Pada pricing GPT-5 yang dirujuk di artikel ini, output sekitar 8\u00d7 harga input.<\/strong> Rasio ini bukan aturan universal semua LLM \u2014 tiap penyedia dan tiap model punya rasio sendiri, dan angkanya berubah dari waktu ke waktu. Tapi polanya konsisten di hampir semua penyedia besar: <strong>output selalu lebih mahal daripada input.<\/strong> Itu yang mengubah strategi penghematan kamu.<\/p>\n<p>Artinya, memangkas 50 token dari prompt kamu jauh lebih kecil dampaknya dibanding mencegah AI menjawab 400 token yang nggak kamu butuhkan. Kalau kamu cuma butuh tiga poin, minta tiga poin \u2014 jangan biarkan model menulis esai lengkap dengan pembuka, penutup, dan permintaan maaf.<\/p>\n<p>Ini juga alasan kenapa instruksi pembatas output justru <em>menambah<\/em> beberapa token input tapi <em>menghemat<\/em> banyak token output. Menambahkan &#8220;Jawab maksimal 5 poin, tanpa pengantar&#8221; mungkin memakan 10 token input tambahan (setara $0.0000125), tapi bisa memotong 300 token output (setara $0.003). Selisihnya ratusan kali lipat.<\/p>\n<p>Pelajaran praktisnya: <strong>menambah instruksi yang mengontrol output sering lebih hemat daripada memangkas kata di prompt.<\/strong> Ini kebalikan dari saran &#8220;bikin prompt sependek mungkin&#8221; yang beredar di banyak tips prompting.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Prompt_Pendek_Tidak_Selalu_Lebih_Baik\"><\/span>Prompt Pendek Tidak Selalu Lebih Baik<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Sekarang bagian yang paling sering salah kaprah. Banyak contoh &#8220;kompresi prompt&#8221; yang beredar sebenarnya bukan kompresi \u2014 itu penyederhanaan yang menghilangkan informasi.<\/p>\n<p>Contoh yang sering dipakai:<\/p>\n<blockquote>\n<p><strong>Sebelum:<\/strong> &#8220;Tolong buatkan artikel yang sangat lengkap dan detail tentang AI untuk pemula dengan bahasa yang mudah dipahami dan tidak terlalu teknis.&#8221;<\/p>\n<p><strong>Sesudah:<\/strong> &#8220;Buat artikel AI untuk pemula, bahasa sederhana, non-teknis.&#8221;<\/p>\n<\/blockquote>\n<p>Versi &#8220;sesudah&#8221; memang lebih pendek. Tapi perhatikan: instruksi &#8220;sangat lengkap dan detail&#8221; hilang. Kalau kamu memang butuh artikel yang mendalam, kamu baru saja menghapus salah satu syarat utama outputmu. Model akan menjawab lebih singkat, kamu nggak puas, lalu kamu kirim prompt susulan \u2014 dan token yang &#8220;dihemat&#8221; tadi terbayar lunas dengan bunga.<\/p>\n<p>Yang seperti itu namanya <strong>simplifikasi<\/strong>, bukan kompresi. Bedanya jelas:<\/p>\n<ul>\n<li><strong>Kompresi<\/strong> = jumlah token turun, informasi yang dibutuhkan model tetap utuh.<\/li>\n<li><strong>Simplifikasi<\/strong> = jumlah token turun karena informasi ikut dibuang.<\/li>\n<\/ul>\n<p>Versi kompresi yang benar untuk contoh di atas:<\/p>\n<blockquote>\n<p>&#8220;Tulis panduan AI untuk pemula, mendalam, bahasa sederhana, minim jargon.&#8221;<\/p>\n<\/blockquote>\n<p>Lebih pendek dari aslinya, tapi keempat syaratnya (topik, kedalaman, gaya bahasa, tingkat teknis) masih lengkap.<\/p>\n<p>Prinsip yang dipakai di sini namanya <strong>minimum sufficient context<\/strong> \u2014 konteks paling minimal yang masih cukup untuk model menyelesaikan tugas dengan benar. Bukan &#8220;sependek mungkin&#8221;, tapi &#8220;seperlunya saja&#8221;.<\/p>\n<p>Kalau kamu potong terlalu agresif, yang biasanya jadi korban duluan adalah: format output yang diinginkan, batasan\/larangan, contoh yang jadi acuan gaya, dan kriteria kapan hasilnya dianggap benar. Empat hal itu justru yang paling menentukan kualitas jawaban.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Soal_%E2%80%9CPlease%E2%80%9D_dan_%E2%80%9CTerima_Kasih%E2%80%9D_%E2%80%94_Ini_Kata_Sam_Altman_Sebenarnya\"><\/span>Soal &#8220;Please&#8221; dan &#8220;Terima Kasih&#8221; \u2014 Ini Kata Sam Altman Sebenarnya<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ada klaim yang sempat viral: menulis &#8220;please&#8221; dan &#8220;thank you&#8221; ke ChatGPT membuang uang OpenAI jutaan dolar. Sumbernya beneran ada, tapi konteksnya sering dipotong.<\/p>\n<p>Ceritanya bermula dari cuitan di X (dulu Twitter) yang bertanya berapa banyak biaya listrik yang &#8220;terbuang&#8221; gara-gara orang sopan ke chatbot. CEO OpenAI Sam Altman menjawab santai, bilang itu &#8220;tens of millions of dollars well spent&#8221; alias puluhan juta dolar yang dikeluarkan dengan pantas. Bukan keluhan \u2014 lebih ke candaan sambil ngasih pembenaran budaya.<\/p>\n<p>Yang sering salah dipahami: orang mengira ini artinya <strong>kesopanan bikin token boros secara teknis<\/strong>. Padahal secara token, kata &#8220;please&#8221; atau &#8220;tolong&#8221; cuma nambah 1-2 token doang \u2014 nyaris tidak signifikan dibanding total token satu prompt lengkap. Kalau kamu ngirim prompt 200 token, nambah &#8220;tolong&#8221; di depan itu 1% dari total, dan sama sekali bukan penyebab tagihan kamu bengkak.<\/p>\n<p>Yang membuat biaya AI benar-benar boros itu bukan soal sopan atau tidak \u2014 tapi tiga hal ini:<\/p>\n<ul>\n<li><strong>Riwayat percakapan yang terus menumpuk.<\/strong> Tiap kali kamu chat lanjutan, model biasanya perlu &#8220;membaca ulang&#8221; percakapan sebelumnya sebagai konteks. Makin panjang obrolan, makin banyak token input yang diproses ulang \u2014 bukan cuma pesan terbaru kamu.<\/li>\n<li><strong>Output yang lebih panjang dari kebutuhan.<\/strong> Ingat, di pricing yang kita bahas tadi output berkali lipat lebih mahal daripada input. Model yang dibiarkan menjawab bebas tanpa batasan panjang cenderung menulis lebih dari yang kamu perlukan.<\/li>\n<li><strong>Instruksi yang diulang-ulang atau ambigu<\/strong> yang memaksa kamu mengirim beberapa kali prompt susulan buat mengoreksi jawaban yang salah arah.<\/li>\n<\/ul>\n<p>Soal ada tidaknya manfaat menulis sopan ke AI, itu sendiri masih ranah yang berbeda dari isu token \u2014 beberapa praktisi desain AI menyebut instruksi dengan nada sopan dan jelas cenderung menghasilkan output yang lebih terstruktur, meski ini bukan soal token, melainkan soal bagaimana model &#8220;membaca&#8221; nada instruksi. Yang jelas secara token: dua kata tambahan bukan sumber pemborosan. <a href=\"https:\/\/futurism.com\/altman-please-thanks-chatgpt\" rel=\"noopener nofollow\" target=\"_blank\">Baca detail komentar Altman di Futurism<\/a>.<\/p>\n<p>Jadi kalau kamu cari cara hemat token, jangan buang waktu menghapus kata &#8220;tolong&#8221;. Fokus ke tiga hal di atas \u2014 itu yang benar-benar bikin tagihan kamu naik turun.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Framework_Keep_Compress_Remove\"><\/span>Framework: Keep, Compress, Remove<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Daripada mikirin &#8220;gimana caranya prompt jadi pendek&#8221;, pakai kerangka yang lebih presisi. Tiap bagian prompt kamu masuk ke salah satu dari tiga kategori ini:<\/p>\n<table>\n<thead>\n<tr>\n<th>Kategori<\/th>\n<th>Isinya apa<\/th>\n<th>Contoh<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Keep (pertahankan)<\/strong><\/td>\n<td>Tujuan, konteks yang benar-benar dipakai model, batasan\/constraint, format output, contoh yang jadi acuan gaya<\/td>\n<td>&#8220;Jawab dalam 5 poin&#8221;, &#8220;gunakan data tabel di bawah&#8221;, &#8220;format markdown&#8221;<\/td>\n<\/tr>\n<tr>\n<td><strong>Compress (padatkan)<\/strong><\/td>\n<td>Kalimat bertele-tele yang bisa diringkas tanpa kehilangan makna, instruksi yang diulang<\/td>\n<td>&#8220;Tolong dengan sangat detail dan lengkap jelaskan&#8221; \u2192 &#8220;Jelaskan detail:&#8221;<\/td>\n<\/tr>\n<tr>\n<td><strong>Remove (buang)<\/strong><\/td>\n<td>Informasi tidak relevan, riwayat percakapan lama yang sudah tidak dipakai, basa-basi pembuka\/penutup<\/td>\n<td>&#8220;Halo, semoga harimu menyenangkan, saya mau tanya&#8230;&#8221; \u2192 langsung ke pertanyaan<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Cara pakainya: baca ulang prompt kamu baris per baris, tandai tiap bagian masuk kategori mana. Bagian <em>Keep<\/em> jangan disentuh sama sekali \u2014 itu yang menjaga kualitas output. Bagian <em>Compress<\/em> dipadatkan. Bagian <em>Remove<\/em> dihapus total.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Contoh_Before-After_dengan_Token_Count_Nyata\"><\/span>Contoh Before-After dengan Token Count Nyata<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Berikut contoh nyata, dihitung pakai tokenizer resmi o200k_base (dipakai keluarga model GPT-5) \u2014 kami hitung langsung pakai library tiktoken, bukan estimasi:<\/p>\n<blockquote>\n<p><strong>Before<\/strong> (56 token): &#8220;Halo, apa kabar? Saya ingin bertanya, tolong dengan sangat detail dan selengkap-lengkapnya jelaskan kepada saya mengenai apa itu strategi pemasaran digital untuk bisnis kecil, dan mohon dijelaskan dengan bahasa yang mudah dipahami ya, terima kasih banyak sebelumnya.&#8221;<\/p>\n<p><strong>After<\/strong> (15 token): &#8220;Jelaskan strategi pemasaran digital untuk bisnis kecil. Detail, bahasa sederhana.&#8221;<\/p>\n<\/blockquote>\n<p>Turun dari 56 ke 15 token \u2014 hemat 73%, dan semua instruksi inti (topik, target audiens, kedalaman, gaya bahasa) tetap utuh. Bandingkan dengan contoh &#8220;kompresi&#8221; yang salah di bagian sebelumnya: itu memangkas token dengan cara membuang instruksi, bukan membuang kata yang tidak perlu.<\/p>\n<p>Catatan buat yang menulis prompt dalam Bahasa Indonesia: kata berimbuhan seperti &#8220;mempertimbangkan&#8221; butuh 4 token di tokenizer ini, sementara padanan Inggrisnya &#8220;consider&#8221; cuma 1 token. Ini bukan alasan buat nulis prompt dalam Bahasa Inggris kalau kamu lebih nyaman pakai Bahasa Indonesia \u2014 akurasi instruksi lebih penting daripada selisih token segitu. Tapi ini menjelaskan kenapa prompt Bahasa Indonesia yang panjang bisa terasa lebih &#8220;boros&#8221; dibanding prompt Inggris yang maknanya setara.<\/p>\n<p>Kalau prompt ini dikirim 1.000 kali sebulan (skenario realistis buat bisnis yang pakai AI agent buat otomasi konten atau customer service), selisih 41 token per prompt itu setara 41.000 token input per bulan. Dengan harga GPT-5 ($1.25\/1 juta token input), itu memang cuma sekitar $0.05 \u2014 kelihatan kecil. Tapi kalau prompt-nya panjang dan dipanggil ribuan kali sehari lewat automasi, akumulasinya baru terasa signifikan, apalagi kalau prompt itu adalah system prompt yang dikirim ulang di SETIAP request tanpa caching.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Prompt_Caching_Trik_yang_Paling_Sering_Dilewatkan\"><\/span>Prompt Caching: Trik yang Paling Sering Dilewatkan<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ini bagian yang hampir tidak pernah dibahas di artikel tips prompting biasa, padahal dampaknya jauh lebih besar daripada memangkas kata.<\/p>\n<p>Kalau kamu memakai AI lewat API (bukan lewat chat biasa), sejumlah penyedia model menyediakan fitur <strong>prompt caching<\/strong> \u2014 ketersediaan, mekanisme, dan besar diskonnya berbeda-beda, jadi cek dokumentasi penyedia yang kamu pakai. Prinsipnya: bagian prompt yang isinya selalu sama di setiap request \u2014 misalnya system prompt, panduan gaya bahasa, atau dokumen referensi \u2014 disimpan sementara di sisi penyedia, jadi tidak perlu diproses ulang dari nol setiap kali.<\/p>\n<p>Lihat lagi tabel harga di atas: cached input GPT-5 dihargai $0.125 per 1 juta token, sementara input biasa $1.25. Selisihnya <strong>90%<\/strong>.<\/p>\n<p>Artinya, kalau kamu punya system prompt 2.000 token yang dikirim ulang 10.000 kali sebulan:<\/p>\n<ul>\n<li>Tanpa caching: 20 juta token input \u00d7 $1.25 = <strong>$25\/bulan<\/strong><\/li>\n<li>Dengan caching: 20 juta token \u00d7 $0.125 = <strong>$2,5\/bulan<\/strong><\/li>\n<\/ul>\n<p>Hemat $22,5 tanpa menghapus satu kata pun dari prompt kamu. Bandingkan dengan usaha memangkas prompt 40 token tadi yang cuma hemat sekitar $0.05. Ini alasan kenapa &#8220;hemat token&#8221; untuk pemakaian serius bukan soal gaya menulis \u2014 tapi soal arsitektur.<\/p>\n<p>Syarat supaya caching bekerja: <strong>bagian prompt yang statis harus ditaruh di AWAL dan isinya persis sama tiap request<\/strong>. Kalau kamu menaruh timestamp atau nama user di paling depan system prompt, cache-nya meleset dan kamu bayar harga penuh. Susun urutannya: instruksi statis dulu, baru konteks dinamis, baru pertanyaan user.<\/p>\n<p>Detail implementasi (berapa lama cache bertahan, minimum panjang prompt supaya bisa di-cache) berbeda antar penyedia, jadi cek dokumentasi resmi model yang kamu pakai \u2014 jangan asumsikan sama semua.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Kalau_Prompt-nya_Dipakai_AI_Agent_yang_Jalan_Terus\"><\/span>Kalau Prompt-nya Dipakai AI Agent yang Jalan Terus<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Semua di atas masih relevan buat kamu yang cuma pakai ChatGPT harian. Tapi perhitungannya berubah total begitu prompt itu dipakai <strong>AI agent yang jalan otomatis 24\/7<\/strong>.<\/p>\n<p>Bedanya: kamu tidak lagi mengirim prompt manual sepuluh kali sehari. Agent yang menangani chat customer atau memproses laporan bisa memanggil model ratusan sampai ribuan kali sehari, dengan system prompt yang sama dikirim berulang, plus konteks percakapan yang menumpuk tiap interaksi.<\/p>\n<p>Di skala itu, tiga hal jadi penentu biaya operasional bulanan kamu:<\/p>\n<ol>\n<li><strong>Manajemen konteks<\/strong> \u2014 seberapa banyak riwayat yang benar-benar perlu dibawa tiap request. Ini masalah arsitektur, bukan gaya menulis prompt. Kami bahas lebih dalam di artikel <a href=\"https:\/\/komunitech.com\/blog\/implementasi\/context-os-kenapa-ai-agent-kamu-gampang-lupa\/\">Context OS: kenapa AI agent kamu gampang lupa<\/a> \u2014 karena masalah &#8220;agent lupa&#8221; dan &#8220;agent boros token&#8221; itu dua sisi dari koin yang sama.<\/li>\n<li><strong>Pemilihan model per tugas<\/strong> \u2014 tidak semua tugas butuh model termahal. Klasifikasi pesan masuk bisa pakai model kecil, penyusunan jawaban kompleks baru pakai model besar.<\/li>\n<li><strong>Caching dan batching<\/strong> \u2014 dua fitur infrastruktur yang menghemat jauh lebih banyak daripada optimasi kalimat.<\/li>\n<\/ol>\n<p>Yang menarik, di praktik nyata angka biaya API sering jauh lebih kecil daripada yang orang bayangkan. Salah satu klien kami, CEO sebuah produsen minuman bubuk, menjalankan AI agent yang menggantikan sebagian pekerjaan tiga peran sekaligus (analis data, content creator, dan SEO) dengan biaya AI di kisaran ratusan ribu rupiah per bulan \u2014 bukan puluhan juta. Rincian perbandingannya kami tulis di artikel <a href=\"https:\/\/komunitech.com\/blog\/karyawan-ai\/biaya-karyawan-ai-vs-karyawan-manusia-hitungan-jujur-untuk-bisnis-indonesia-2026\/\">biaya Karyawan AI vs karyawan manusia<\/a>.<\/p>\n<p>Poinnya bukan &#8220;AI itu murah&#8221;, tapi: <strong>biaya AI ditentukan oleh cara kamu merancang alurnya, bukan oleh seberapa singkat kamu menulis prompt.<\/strong> Prompt hemat token itu bonus. Arsitektur yang benar itu yang menentukan.<\/p>\n<p>Kalau kamu lagi menyusun agent untuk bisnis dan bingung menentukan struktur prompt, model, serta pengelolaan konteksnya, ini yang kami bahas hands-on di workshop Komunitech \u2014 peserta membangun Karyawan AI pertamanya dalam 2 jam, dari nol sampai jalan, tanpa perlu bisa coding, dan dapat sertifikat sebagai peserta workshop.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Ringkasan_Tips_Prompting_Hemat_Token\"><\/span>Ringkasan Tips Prompting Hemat Token<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li>Berhenti menghitung kata. Token bukan kata, dan jumlahnya beda tiap model.<\/li>\n<li>Prioritaskan mengontrol panjang output \u2014 di hampir semua penyedia, output lebih mahal daripada input (di pricing GPT-5 yang dirujuk artikel ini, sekitar 8\u00d7).<\/li>\n<li>Pakai prinsip minimum sufficient context, bukan &#8220;sependek mungkin&#8221;.<\/li>\n<li>Bedakan kompresi (token turun, informasi utuh) dari simplifikasi (token turun karena informasi hilang).<\/li>\n<li>Jangan buang waktu menghapus kata &#8220;tolong&#8221; \u2014 hemat 1-2 token, bukan itu masalahnya.<\/li>\n<li>Buang riwayat percakapan yang sudah tidak relevan \u2014 ini penyumbang token terbesar di sesi panjang.<\/li>\n<li>Kalau pakai API: taruh bagian statis di awal prompt supaya kena caching. Hemat sampai 90% di sisi input.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Pertanyaan_yang_Sering_Ditanya\"><\/span>Pertanyaan yang Sering Ditanya<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3><span class=\"ez-toc-section\" id=\"Apakah_prompt_yang_lebih_pendek_selalu_lebih_hemat_token\"><\/span>Apakah prompt yang lebih pendek selalu lebih hemat token?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Untuk satu request, ya \u2014 input token-nya lebih sedikit. Tapi tidak selalu lebih hemat secara total. Prompt yang terlalu pendek sering menghilangkan konteks atau batasan yang dibutuhkan model, sehingga jawabannya melenceng dan kamu harus mengirim prompt susulan. Dua atau tiga percobaan tambahan biasanya jauh lebih mahal daripada token yang kamu hemat di awal.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Berapa_jumlah_token_untuk_satu_kata\"><\/span>Berapa jumlah token untuk satu kata?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Tidak ada angka tetap. Satu kata bisa jadi satu token, bisa juga terpecah jadi beberapa token, tergantung kata dan tokenizer model. Sebagai gambaran, di tokenizer o200k_base, kata &#8220;mempertimbangkan&#8221; butuh 4 token sementara &#8220;consider&#8221; cuma 1 token. Perkiraan kasar yang beredar (misalnya 1 token \u2248 4 karakter untuk Bahasa Inggris) berguna untuk estimasi awal, tapi jangan dijadikan dasar perhitungan biaya yang presisi \u2014 hitung langsung dengan tokenizer model yang kamu pakai.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Apakah_bilang_%E2%80%9Ctolong%E2%80%9D_dan_%E2%80%9Cterima_kasih%E2%80%9D_ke_AI_bikin_boros_token\"><\/span>Apakah bilang &#8220;tolong&#8221; dan &#8220;terima kasih&#8221; ke AI bikin boros token?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Secara token, tambahannya sangat kecil \u2014 sekitar 1-2 token per kata. Komentar Sam Altman soal &#8220;tens of millions of dollars&#8221; itu bicara di skala agregat ratusan juta pengguna OpenAI, bukan soal tagihan pribadi kamu. Untuk pemakaian individu maupun bisnis, penyebab pemborosan yang sebenarnya adalah riwayat percakapan yang menumpuk, output yang tidak dibatasi panjangnya, dan prompt ambigu yang memaksa pengulangan.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Apakah_menulis_prompt_dalam_Bahasa_Inggris_lebih_hemat_token\"><\/span>Apakah menulis prompt dalam Bahasa Inggris lebih hemat token?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Umumnya iya, karena tokenizer model populer dilatih dominan pada teks Bahasa Inggris. Tapi selisihnya biasanya tidak sebanding dengan risiko instruksi jadi kurang presisi kalau kamu tidak nyaman menulis dalam Bahasa Inggris. Prompt yang salah dipahami model jauh lebih mahal daripada selisih beberapa token. Pakai bahasa yang bikin instruksi kamu paling jelas.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Apa_bedanya_kompresi_prompt_dan_menyederhanakan_prompt\"><\/span>Apa bedanya kompresi prompt dan menyederhanakan prompt?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Kompresi mengurangi jumlah token tanpa menghilangkan informasi yang dibutuhkan model \u2014 misalnya mengganti kalimat bertele-tele dengan frasa padat. Simplifikasi mengurangi token dengan cara membuang sebagian instruksi, sehingga hasilnya bisa berubah. Banyak contoh &#8220;kompresi prompt&#8221; yang beredar sebenarnya simplifikasi.<\/p>\n<h3><span class=\"ez-toc-section\" id=\"Bagaimana_cara_menghitung_token_prompt_saya\"><\/span>Bagaimana cara menghitung token prompt saya?<span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p>Untuk model keluarga GPT, kamu bisa memakai library tiktoken dengan encoding yang sesuai model (misalnya o200k_base untuk model generasi terbaru). Penyedia model lain umumnya menyediakan endpoint atau utilitas penghitung token sendiri. Karena tokenizer tiap keluarga model berbeda, hitung dengan tokenizer model yang benar-benar kamu pakai \u2014 hasil dari model lain hanya perkiraan.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Penutup\"><\/span>Penutup<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Hemat token bukan lomba menulis prompt sependek mungkin. Yang kamu kejar adalah membuang token yang tidak memberi nilai, sambil mempertahankan semua yang dibutuhkan model untuk menjawab dengan benar sejak percobaan pertama.<\/p>\n<p>Kalau pemakaian kamu masih sebatas chat harian, fokus di dua hal saja: batasi panjang output dan mulai sesi baru kalau topiknya sudah ganti. Kalau kamu membangun sistem yang jalan otomatis, optimasinya pindah ke ranah arsitektur \u2014 caching, pemilihan model, dan manajemen konteks.<\/p>\n<p><em>Disclaimer: harga token dan detail fitur caching yang dikutip di artikel ini berlaku per Agustus 2026 dan bisa berubah sewaktu-waktu. Selalu cek halaman harga resmi penyedia model sebelum menghitung anggaran. Lakukan riset mandiri (DYOR) sebelum mengambil keputusan teknis maupun bisnis.<\/em><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Referensi\"><\/span>Referensi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/developers.openai.com\/api\/docs\/pricing\" rel=\"noopener nofollow\" target=\"_blank\">OpenAI \u2014 API Pricing (input, cached input, output per 1M token)<\/a><\/li>\n<li><a href=\"https:\/\/futurism.com\/altman-please-thanks-chatgpt\" rel=\"noopener nofollow\" target=\"_blank\">Futurism \u2014 Sam Altman soal biaya &#8220;please&#8221; dan &#8220;thank you&#8221; di ChatGPT<\/a><\/li>\n<li><a href=\"https:\/\/github.com\/openai\/tiktoken\" rel=\"noopener nofollow\" target=\"_blank\">OpenAI tiktoken \u2014 tokenizer resmi untuk menghitung token<\/a><\/li>\n<li><a href=\"https:\/\/www.microsoft.com\/en-us\/worklab\/why-using-a-polite-tone-with-ai-matters\" rel=\"noopener nofollow\" target=\"_blank\">Microsoft WorkLab \u2014 kenapa nada sopan pada AI berpengaruh pada output<\/a><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>tl;dr: Token bukan kata. Satu kata bisa jadi beberapa token, dan satu token bisa cuma potongan kata \u2014 tergantung tokenizer tiap model. Jadi &#8220;hemat token&#8221; bukan soal bikin prompt sependek-pendeknya, tapi buang token yang nggak menambah nilai. Output token harganya jauh lebih mahal dari input (di GPT-5: $10 vs $1.25 per 1 juta token), dan [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":1318,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[75],"tags":[],"class_list":["post-1316","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tutorial"],"_links":{"self":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/1316","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/comments?post=1316"}],"version-history":[{"count":3,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/1316\/revisions"}],"predecessor-version":[{"id":1320,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/1316\/revisions\/1320"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media\/1318"}],"wp:attachment":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media?parent=1316"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/categories?post=1316"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/tags?post=1316"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}