SSD Nodes Learn Hosting plans →
Panduan Matt ConnorOleh Matt Connor · Diperbarui 2026-10-30

Token Input vs Output Claude: Mengapa Biayanya Berbeda

Token output Claude berbiaya lima kali token input. Pahami perbedaan prefill dan decoding, lalu hitung dampaknya pada tagihan agen Anda setiap bulan.

Mengapa token output lebih mahal daripada token input

Biaya token output lima kali lipat biaya token input pada setiap model Claude dalam katalog saat ini. Penyebabnya adalah bentuk komputasinya. Model membaca prompt dalam satu lintasan. Model menulis jawaban dalam satu lintasan untuk setiap token, dan setiap lintasan harus menunggu lintasan sebelumnya selesai.

Rasio tersebut sama pada setiap baris daftar harga. Karena itu, model yang Anda pilih tidak mengubah seberapa besar porsi tagihan Anda yang berasal dari output. Bentuk beban kerja Anda yang menentukannya. Langkah agen yang membaca 60,000 token dan menjawab dengan 800 token hampir tidak mengeluarkan biaya untuk output. Tugas penyusunan draf yang membaca 2,000 token dan menulis 12,000 token hampir tidak mengeluarkan biaya untuk input. Kedua kasus tersebut dihitung di bawah menggunakan tarif yang dipublikasikan Anthropic, dengan verifikasi pada 27 October 2026.

Prefill berjalan sekali, sedangkan decoding berjalan sekali per token

Inference server menangani request dalam dua fase dengan biaya yang sangat berbeda. Prefill membaca prompt. Decoding menghasilkan respons.

Prefill memproses seluruh prompt sekaligus. Setiap token prompt masuk ke network dalam forward pass yang sama. Karena itu, operasi attention dan feed-forward menjadi sejumlah kecil perkalian matriks berukuran besar yang mencakup ribuan token sekaligus. Satu pembacaan bobot model dari memori sudah cukup untuk memproses seluruh prompt. Unit matriks accelerator tetap sibuk. Karena itu, prefill biasanya dibatasi komputasi: batasnya adalah seberapa cepat chip dapat melakukan perkalian. Dokumentasi serving NVIDIA menyebutkan pengecualiannya: prefill yang sangat singkat dan prefill dengan prefix panjang yang sudah menjadi cache hit justru dibatasi memori.

Decoding biasa tidak dapat bekerja dengan cara yang sama karena token 2 bergantung pada token 1. Token yang baru dihasilkan model menjadi bagian dari input untuk langkah berikutnya. Karena itu, setiap langkah berjalan berurutan. Setiap token output memiliki forward pass sendiri. Setiap pass tersebut membaca seluruh bobot model, serta KV cache (key/value cache, yaitu state attention yang tersimpan untuk setiap token sejauh ini), dari memori berbandwidth tinggi untuk menghasilkan satu token. Karena itu, decoding biasanya dibatasi memori: batasnya adalah seberapa cepat bobot dan state yang di-cache dapat dipindahkan, bukan seberapa cepat keduanya dapat dikalikan. Untuk konteks panjang, NVIDIA menegaskan bahwa pembacaan KV cache menjadi bottleneck. Trafik bobot yang sama dan memproses seluruh prompt saat prefill hanya menghasilkan satu token saat decoding.

Speculative decoding mengubah aturan tersebut tanpa melanggarnya. Model draft berukuran kecil menebak beberapa token ke depan. Model besar memeriksa semua token tersebut secara paralel dalam satu pass. NVIDIA menyatakan bahwa cara ini dapat menggeser decoding menjadi lebih dibatasi komputasi. Model besar tetap menerima tebakan secara berurutan dan berhenti pada tebakan pertama yang salah. Karena itu, respons yang panjang tetap memerlukan banyak pass.

Serving system mengatasi hal ini dengan batching. Banyak request melakukan decoding secara bersamaan. Dengan demikian, satu pembacaan bobot menghasilkan satu token untuk setiap request dalam batch. Itulah alasan decoding tetap terjangkau. Batasnya kembali berada pada memori. Setiap request yang sedang diproses menyimpan KV cache sendiri. Cache tersebut bertambah untuk setiap token yang dihasilkan. Saat cache memenuhi kapasitas accelerator, batch tidak dapat diperbesar lagi.

Semua itu tidak menghasilkan angka yang pasti. Anda juga tidak boleh menganggap 5x sebagai rasio hardware yang diukur. Angka tersebut adalah harga yang ditetapkan Anthropic berdasarkan perbedaan karakteristik tersebut. Hal yang dapat Anda periksa sendiri adalah arahnya. Pemeriksaan ini memerlukan waktu sekitar satu menit.

Ukur sendiri kesenjangan input dan output

Instal alat tersebut pada mesin Ubuntu mana pun:

sudo apt update && sudo apt install -y curl jq moreutils

Sekarang alirkan prompt singkat yang meminta jawaban panjang, lalu catat waktu kedatangan setiap baris.

curl -sN https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{"model":"claude-sonnet-5","max_tokens":1000,"stream":true,
       "messages":[{"role":"user","content":"Count from 1 to 300, one number per line."}]}' \
  | ts -s '%.s'

ts -s menambahkan awalan pada setiap baris berupa jumlah detik sejak perintah dimulai. Ada dua hal penting yang dapat dibaca dari output tersebut. Baris pertama content_block_delta adalah waktu hingga token pertama diterima, dan seluruh proses prefill berlangsung di dalamnya. Setiap baris setelah itu merupakan satu langkah kecil decoding, dan penanda waktunya terus bertambah hingga message_stop tiba.

Sekarang balik polanya. Masukkan dokumen panjang ke dalam prompt dan batasi jawaban hingga beberapa token.

curl -sN https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d "$(jq -n --rawfile doc ./long-document.txt \
       '{model:"claude-sonnet-5", max_tokens:16, stream:true,
         messages:[{role:"user", content:("Answer in one word. Is this document about networking?\n\n" + $doc)}]}')" \
  | ts -s '%.s'

Delta pertama membutuhkan waktu lebih lama daripada saat prompt pendek digunakan karena proses prefill harus membaca jauh lebih banyak teks. Setelah delta tersebut tiba, respons hampir langsung selesai karena hanya beberapa token yang perlu di-decode. Puluhan ribu token masuk, tetapi waktu hampir tidak bertambah. Beberapa ratus token keluar, dan jam terus berjalan sepanjang proses.

Setiap respons non-streaming diakhiri dengan angka yang menjadi dasar penagihan Anda.

{
  "usage": {
    "input_tokens": 41283,
    "output_tokens": 6,
    "cache_creation_input_tokens": 0,
    "cache_read_input_tokens": 0
  }
}

Catat keempat bidang untuk setiap request. output_tokens mencakup token berpikir, sehingga model yang berpikir sebelum menjawab akan menagihkan token tersebut dengan tarif output. Untuk menghitung harga prompt sebelum mengirimnya, POST /v1/messages/count_tokens menerima body request yang sama untuk sebagian besar request, mengembalikan {"input_tokens": N} sebagai perkiraan tanpa menjalankan model, dan tidak dikenai biaya dalam batas rate limit-nya sendiri. Fitur ini menolak beberapa body yang diterima Messages API: sebagian besar server tools seperti web search, konektor MCP, serta blok gambar atau dokumen dengan sumber url atau file. Karena itu, kirim gambar dan PDF sebagai base64 saat menghitung jumlah token. Fitur ini bukan satu-satunya bagian API yang tidak dikenai biaya, dan bagian Claude API yang tidak pernah ditagihkan kepada Anda layak diperiksa sebelum Anda menyusun anggaran proyek pertama.

Biaya Claude per juta token per Oktober 2026

GrafikClaude API list rates, US dollars per million tokens, October 2026
Data di balik grafik ini
[
  {
    "label": "Haiku 4.5",
    "input_usd": 1,
    "output_usd": 5,
    "output_multiple": 5
  },
  {
    "label": "Sonnet 5",
    "input_usd": 2,
    "output_usd": 10,
    "output_multiple": 5
  },
  {
    "label": "Opus 5",
    "input_usd": 5,
    "output_usd": 25,
    "output_multiple": 5
  },
  {
    "label": "Fable 5",
    "input_usd": 10,
    "output_usd": 50,
    "output_multiple": 5
  }
]

Kolom terakhir adalah output dibagi input, dan nilainya 5 pada setiap baris. Haiku 4.5 mengenakan biaya $1 untuk input dan $5 untuk output. Opus 5 mengenakan biaya $5 untuk input dan $25 untuk output. Fable 5, yang paling mahal, mengenakan biaya $10 untuk input dan $50 untuk output. Penjelasan tentang manfaat tarif Fable 5 tersebut layak dibaca sebelum Anda mengabaikan baris teratas itu. Kenaikan pada rentang harga mengalikan kedua sisi dengan faktor yang sama. Total biaya berubah, tetapi pembagian input terhadap output tetap persis sama.

Sonnet 5 mengenakan biaya $2 untuk input dan $10 untuk output. Anthropic meluncurkannya dengan tarif tersebut sebagai harga perkenalan hingga 31 August 2026. Kenaikan menjadi $3 dan $15 dijadwalkan pada 1 September, tetapi Anthropic kemudian menetapkan $2 dan $10 sebagai harga standar. Kenaikan itu tidak pernah berlaku. Oleh karena itu, tarif dalam setiap contoh di bawah adalah tarif yang Anda bayar saat ini.

Anthropic juga telah merilis model yang lebih baru sejak halaman ini pertama kali diterbitkan. Kini, claude.com/pricing mencantumkan empat model di atas sebagai model lama yang masih tersedia. Model-model baru tersebut tetap menggunakan rasio 5x yang sama. Opus 5.5 mengenakan biaya $4 dan $20, Sonnet 5.5 mengenakan biaya $2 dan $10, Fable 5.1 mengenakan biaya $10 dan $50, sedangkan Haiku 5.5 mengenakan biaya $0.10 dan $0.50 untuk prompt hingga 100,000 token. Di atas jumlah tersebut, tarifnya menjadi $0.50 dan $2.50. Biaya langkah agent sebesar 60,000 token yang dibahas lebih lanjut masih berada di bawah batas tersebut. Namun, agent yang riwayatnya terus bertambah pada akhirnya akan melewati batas itu. Penjelasan tentang penerapan dua tingkat harga Haiku 5.5 pada pekerjaan nyata menunjukkan dampaknya terhadap tagihan. Tarif dasar input dan output Opus 5.5 20% lebih rendah daripada Opus 5. Karena itu, setiap angka Opus 5 tanpa cache di bawah ini 20% lebih rendah jika menggunakan Opus 5.5. Angka dengan cache turun lebih jauh. Opus 5.5 membaca cache hit dengan biaya $0.20 per juta token, sedangkan Opus 5 mengenakan $0.50, yaitu pengurangan 60%. Biaya langkah agent dengan cache yang di Opus 5 adalah $0.0725, seperti dibahas lebih lanjut di bawah, menjadi sekitar $0.047 pada Opus 5.5, atau sekitar 35% lebih rendah.

Tarif dapat berubah. Halaman ini bukan tempat untuk memeriksanya. claude.com/pricing adalah sumber informasi resmi. Yang tetap berlaku setelah perubahan harga adalah metodenya.

Ada satu catatan penting dalam catatan di bawah tabel harga Anthropic, bukan dalam tarifnya sendiri. Halaman harga Anthropic menyatakan bahwa Claude 4.7 dan model yang lebih baru menggunakan tokenizer baru yang menghasilkan sekitar 30% lebih banyak token untuk teks yang sama dibandingkan tokenizer pada Sonnet 4.6 dan versi sebelumnya. Perbandingan dua model hanya berdasarkan harga per juta token akan menguntungkan model yang lebih baru secara semu, karena dokumen yang sama menghasilkan lebih banyak token pada model tersebut. Bandingkan biaya per tugas yang selesai, dan hitung prompt nyata Anda pada model yang benar-benar akan digunakan. Masalah yang sama juga terjadi antarapenyedia karena tokenizer mereka berbeda. Oleh sebab itu, perhitungan biaya pekerjaan nyata pada Claude dan ChatGPT memberikan informasi yang lebih berguna daripada menempatkan kedua daftar tarif berdampingan. nilai satu juta token Claude dalam teks nyata menjelaskan seperti apa volume tersebut dalam praktik.

Kapan output mulai mendominasi biaya Anda?

Dengan harga output sebesar 5 kali harga input, titik impasnya mudah dihitung. Misalkan token input adalah I dan token output adalah O. Biaya input adalah I. Biaya output adalah 5 kali O. Output menyumbang lebih dari separuh total biaya ketika 5 kali O lebih besar daripada I, yaitu pada rasio token 5 input berbanding 1 output.

Jadi, jika prompt Anda lebih dari lima kali lebih panjang daripada balasan, input menjadi komponen biaya yang lebih besar. Jika kurang dari itu, output yang lebih besar.

GrafikShare of spend by input to output token ratio, at 5x output pricing
Data di balik grafik ini
[
  {
    "label": "100:1",
    "input_share_pct": 95.2,
    "output_share_pct": 4.8
  },
  {
    "label": "75:1",
    "input_share_pct": 93.75,
    "output_share_pct": 6.25
  },
  {
    "label": "20:1",
    "input_share_pct": 80,
    "output_share_pct": 20
  },
  {
    "label": "10:1",
    "input_share_pct": 66.7,
    "output_share_pct": 33.3
  },
  {
    "label": "5:1",
    "input_share_pct": 50,
    "output_share_pct": 50
  },
  {
    "label": "1:1",
    "input_share_pct": 16.7,
    "output_share_pct": 83.3
  },
  {
    "label": "1:6",
    "input_share_pct": 3.2,
    "output_share_pct": 96.8
  }
]

Pada rasio 100 berbanding 1, output menyumbang 4.8% dari total biaya, sehingga mempersingkat prompt adalah satu-satunya optimasi yang layak dilakukan. Pada rasio 5 berbanding 1, kedua komponen biayanya sama besar. Pada rasio 1 berbanding 6, output menyumbang 96.8% dan prompt hanya menjadi perbedaan pembulatan. Kebanyakan orang keliru memperkirakan rasio mereka sendiri, jadi ambil angkanya dari log sebelum melakukan optimasi apa pun.

Beban kerja agen: konteks input panjang, jawaban output pendek

Ambil satu langkah agen retrieval: 60,000 token input dari dokumen yang diambil dan riwayat percakapan, serta jawaban sepanjang 800 token. Rasio ini adalah 75 banding 1, yang merupakan hal wajar untuk proses apa pun yang membaca sebelum menulis.

GrafikOne agent step, 60,000 input and 800 output tokens, US dollars per call
Data di balik grafik ini
[
  {
    "label": "Haiku 4.5",
    "input_cost": 0.06,
    "output_cost": 0.004,
    "total_cost": 0.064
  },
  {
    "label": "Sonnet 5",
    "input_cost": 0.12,
    "output_cost": 0.008,
    "total_cost": 0.128
  },
  {
    "label": "Opus 5",
    "input_cost": 0.3,
    "output_cost": 0.02,
    "total_cost": 0.32
  },
  {
    "label": "Fable 5",
    "input_cost": 0.6,
    "output_cost": 0.04,
    "total_cost": 0.64
  }
]

Output adalah 6.25% dari panggilan tersebut pada setiap model, karena rasio ini tetap di seluruh daftar harga. Panggilan tersebut memakan biaya $0.32 pada Opus 5, $0.128 pada Sonnet 5, dan $0.064 pada Haiku 4.5. Dua ratus langkah tersebut per hari pada Opus 5 setara dengan $64 per hari.

Tuas pengungkitnya terlihat jelas setelah Anda melihat pembagiannya. Memangkas jawaban dari 800 token menjadi 400 hanya menghemat sekitar 3% dari biaya panggilan. Memangkas 20,000 token konteks yang tidak relevan dari prompt menghemat sekitar sepertiganya. Memperpendek panjang output pada agen yang berat di pembacaan (read-heavy) hampir merupakan upaya yang sia-sia. ke mana sebenarnya token agen coding pergi menguraikan apa saja yang mengisi prompt tersebut sejak awal.

Beban kerja generasi: prompt singkat, draf panjang

Sekarang ubah perbandingannya. Brief 2,000 token dan draf 12,000 token menghasilkan rasio 1 banding 6.

GrafikOne draft, 2,000 input and 12,000 output tokens, US dollars per draft
Data di balik grafik ini
[
  {
    "label": "Haiku 4.5",
    "input_cost": 0.002,
    "output_cost": 0.06,
    "total_cost": 0.062,
    "batch_total_cost": 0.031
  },
  {
    "label": "Sonnet 5",
    "input_cost": 0.004,
    "output_cost": 0.12,
    "total_cost": 0.124,
    "batch_total_cost": 0.062
  },
  {
    "label": "Opus 5",
    "input_cost": 0.01,
    "output_cost": 0.3,
    "total_cost": 0.31,
    "batch_total_cost": 0.155
  },
  {
    "label": "Fable 5",
    "input_cost": 0.02,
    "output_cost": 0.6,
    "total_cost": 0.62,
    "batch_total_cost": 0.31
  }
]

Output menyumbang 96.8% dari biaya ini. Opus 5 berbiaya $0.31 per draf, sedangkan Haiku 4.5 berbiaya $0.062. Selisih lima kali lipat itu hampir seluruhnya berasal dari sisi output. Di situlah model yang lebih murah paling banyak menghemat biaya.

Kolom terakhir menunjukkan pekerjaan yang sama melalui Batch API, yang mengurangi biaya input dan output sebesar 50%. Biaya Opus 5 turun menjadi $0.155 per draf. Batch berjalan secara asynchronous, bukan langsung. Anthropic menyatakan bahwa sebagian besar batch selesai dalam waktu kurang dari satu jam. Namun, batch yang masih diproses setelah 24 jam akan kedaluwarsa. Setiap request yang belum diproses hingga batas waktu tersebut juga akan berstatus expired, tidak ditagihkan, dan tidak menghasilkan pesan. Karena itu, Batch cocok untuk pembuatan laporan semalaman dan klasifikasi dalam jumlah besar, dengan langkah pengiriman ulang untuk item yang kedaluwarsa. Batch tidak cocok untuk pekerjaan yang sedang ditunggu langsung oleh pengguna.

Model routing menguntungkan di sini, tetapi tidak pernah memberikan keuntungan yang sama pada langkah agent. Jika bagian pekerjaan yang panjang bersifat mekanis, seperti memformat ulang teks atau mengembangkan outline yang sudah Anda setujui, model murah dapat menghasilkan token tersebut dengan biaya seperlima. memilih antara Opus, Sonnet, dan Haiku menjelaskan posisi batas kualitas yang sebenarnya.

Diskon caching hanya berlaku untuk input

Prompt caching menyimpan prefix prompt Anda di server dan mengenakan sebagian dari tarif input saat prefix tersebut dibaca kembali. Per 27 October 2026, pengalinya adalah 1.25x tarif input dasar untuk menulis cache 5 menit, 2x untuk menulis cache 1 jam, dan 0.1x untuk membaca cache yang berhasil digunakan pada model dengan harga yang tercantum di halaman ini. Model terbaru mengenakan tarif yang lebih rendah untuk pembacaan cache yang berhasil: 0.05x pada Opus 5.5 dan Sonnet 5.5, serta 0.025x pada Fable 5.1.

Output tidak termasuk dalam skema tersebut. Tidak ada output yang di-cache. Setiap token yang ditulis model ditagihkan dengan tarif output penuh setiap kali, berapa pun bagian prompt yang berasal dari cache.

Gunakan langkah agen yang sama pada Opus 5, dengan 55,000 dari 60,000 token input dilayani dari cache yang masih hangat.

GrafikThe same Opus 5 agent step, with and without a warm 55,000 token cache, US dollars
Data di balik grafik ini
[
  {
    "label": "No cache",
    "input_cost": 0.3,
    "output_cost": 0.02,
    "total_cost": 0.32
  },
  {
    "label": "55k prefix cache read",
    "input_cost": 0.0525,
    "output_cost": 0.02,
    "total_cost": 0.0725
  }
]

Biaya panggilan turun dari $0.32 menjadi $0.0725. Baris output tidak berubah: $0.02 sebelumnya dan $0.02 setelahnya. Caching mengurangi tagihan dan mengubah komposisinya. Output sebelumnya mencakup 6.25% dari biaya panggilan tersebut. Kini porsinya lebih dari seperempat, sehingga pilihan penghematan berikutnya menjadi berbeda.

Panggilan pertama membayar biaya penulisan. Penulisan cache 5 menit dikenai biaya 1.25x input dasar, sehingga biaya tersebut tertutupi setelah satu kali pembacaan cache. Penulisan cache 1 jam dikenai biaya 2x, sehingga memerlukan dua kali pembacaan. pengali penulisan dan pembacaan, serta batas saat caching tidak lagi menguntungkan menjelaskan perhitungannya.

Empat pengungkit yang dapat Anda kendalikan

  1. Tetapkan max_tokens pada panjang output p95, bukan pada maksimum model.
  2. Arahkan langkah yang menghasilkan banyak teks ke model yang lebih murah.
  3. Batch semua pekerjaan yang tidak sedang ditunggu.
  4. Hapus instruksi yang membuat respons menjadi lebih panjang.

max_tokens adalah batas atas yang tidak dapat dilampaui. Menetapkannya tinggi tidak menimbulkan biaya dengan sendirinya karena Anda ditagih berdasarkan token yang dihasilkan, bukan berdasarkan batas tersebut. Batas yang besar hanya menghilangkan pembatas pada respons yang berjalan buruk. Ambil distribusi output_tokens dari log Anda, tetapkan batas sedikit di atas persentil ke-95, lalu tangani stop_reason: "max_tokens" dalam kode dengan melanjutkan respons atau melakukan percobaan ulang. Pemotongan yang Anda deteksi biayanya lebih rendah daripada respons bertele-tele sepanjang 4,000 token yang harus Anda bayar lalu buang. Proses berpikir juga masuk ke output_tokens dan dihitung dalam max_tokens, jadi tentukan ukuran batas berdasarkan bukti yang sama. Pada model dengan proses berpikir adaptif, turunkan tingkat upaya jika proses berpikir terus menghabiskan ruang respons.

Perutean efektif jika bagian mahal dari suatu langkah disebabkan oleh volume, bukan penilaian. Pertahankan model yang lebih kuat untuk mengambil keputusan, lalu serahkan pengetikan kepada model yang lebih murah. Ukur versi yang dirutekan pada evaluation set Anda sendiri terlebih dahulu karena angka yang penting adalah biaya per tugas yang selesai. Pada langkah agen di atas, dua percobaan dengan Haiku 4.5 berbiaya $0.128, sedangkan satu percobaan dengan Opus 5 berbiaya $0.32. Selisih harga tersebut dapat menanggung satu atau dua percobaan ulang. Namun, selisih itu tidak dapat menanggung jawaban yang salah dan tidak terdeteksi.

Batching adalah satu-satunya pengungkit yang memberikan diskon pada output. Diskon 50% berlaku untuk kedua sisi, sebagian besar batch selesai dalam satu jam, dan semua pekerjaan terjadwal memenuhi syarat, asalkan job mengirim ulang pekerjaan apa pun yang kedaluwarsa pada batas 24 jam.

Pengungkit terakhir adalah hal yang sering dilewati. Frasa seperti "be thorough" dan "explain your reasoning" menetapkan panjang output pada setiap panggilan yang akan Anda buat. Ganti frasa tersebut dengan format yang Anda inginkan: "Answer in at most three sentences", atau "Return only the JSON object, with no preamble". System prompt yang menambahkan 300 token ke setiap respons berbiaya lima kali lipat dibandingkan 300 token yang sama pada prompt. mengendalikan biaya agen yang terus berjalan membahas sisi pemantauan, dan menentukan apakah API atau langganan berbiaya tetap lebih murah untuk pola penggunaan Anda layak ditetapkan sebelum Anda menghabiskan waktu seminggu untuk menyetel pengeluaran per token yang sebenarnya dapat ditanggung oleh langganan. Bagi satu developer, keputusan tersebut terutama bergantung pada apakah Claude Pro seharga $20 per bulan dan batas penggunaan yang menyertainya mencukupi pekerjaan yang jika tidak akan Anda ukur berdasarkan penggunaan. Jika Anda sudah mencapai batas tersebut di tengah sesi, menentukan jendela mana yang sedang Anda tunggu harus didahulukan karena solusinya adalah model yang lebih kecil, context yang lebih ringan, kredit penggunaan tambahan, atau memindahkan pekerjaan tersebut ke API yang ditagihkan berdasarkan penggunaan. Jika API yang ditagihkan berdasarkan penggunaan ternyata menjadi pilihan yang lebih murah untuk pekerjaan itu, beralih ke plan yang lebih kecil atau membatalkannya tidak mengubah bulan yang sudah Anda bayar, sehingga perpindahan tersebut tidak menimbulkan biaya tambahan. Jika plan yang Anda bandingkan dengan Pro adalah milik ChatGPT, bukan API yang ditagihkan berdasarkan penggunaan, dua tingkatan langganan yang harganya ditampilkan berdampingan menunjukkan mana yang lebih murah untuk pekerjaan coding. Jika pertanyaan tersebut diajukan untuk tim, bukan satu developer, perhatikan bahwa Claude Enterprise menggabungkan biaya per seat dengan token yang ditagihkan pada tarif API yang sama, sehingga semua pengungkit di halaman ini tetap berlaku untuk bagian tagihan yang ditagihkan berdasarkan penggunaan.

FAQ

Mengapa token output berbiaya lebih tinggi daripada token input?

Pembuatan token output memerlukan waktu akselerator yang jauh lebih besar untuk setiap token. Prompt diproses dalam satu forward pass untuk seluruh isinya, sehingga satu pembacaan bobot model mencakup ribuan token dan perangkat keras biasanya dibatasi oleh throughput operasi perkalian. Dalam decoding biasa, balasan dihasilkan satu token setiap kali. Setiap token memerlukan forward pass tersendiri yang kembali membaca bobot model dan KV cache yang terus bertambah, sehingga perangkat keras biasanya dibatasi oleh bandwidth memori. Teknik seperti speculative decoding mempersempit kesenjangan tersebut, tetapi tidak menghilangkannya. Anthropic menetapkan harga output lima kali harga input di seluruh katalog saat ini, mulai dari Haiku 5.5 hingga Fable 5.1.

Apakah prompt caching membuat token output lebih murah?

Tidak. Prompt caching hanya berlaku untuk input. Per 27 October 2026, pembacaan cache dikenai biaya 0.1x dari tarif input dasar pada sebagian besar model (0.05x pada Opus 5.5 dan Sonnet 5.5, 0.025x pada Fable 5.1), sedangkan penulisan cache dikenai biaya 1.25x untuk durasi 5 menit atau 2x untuk durasi 1 jam. Output ditagihkan dengan tarif penuh pada setiap pemanggilan, terlepas dari pengaruh cache. Karena itu, caching mengubah struktur tagihan sekaligus jumlahnya: setelah sisi input turun drastis, output menjadi bagian yang paling layak dioptimalkan.

Apakah max_tokens yang tinggi membuat saya dikenai biaya jika balasan yang diterima singkat?

Tidak. Anda ditagihkan berdasarkan token yang benar-benar dihasilkan model, sehingga max_tokens adalah batas maksimum, bukan kuota yang dipesan. Nilai ini tetap penting karena merupakan satu-satunya batas tegas untuk balasan yang terus bertambah. Tetapkan nilainya sedikit di atas persentil ke-95 dari output_tokens yang Anda amati, lalu tangani stop_reason: "max_tokens" dalam kode, bukan dengan mengirimkan jawaban yang terpotong tanpa pemberitahuan.

Bagaimana cara mengetahui rasio token input terhadap output saya sendiri?

Catat input_tokens, output_tokens, cache_read_input_tokens, dan cache_creation_input_tokens dari objek usage pada setiap respons, lalu bagi totalnya selama satu minggu. Jika lebih dari 5 input berbanding 1 output, biaya utama Anda berasal dari prompt. Karena itu, cache bagian yang stabil dan ringkas bagian lainnya. Jika kurang dari itu, biaya utama Anda berasal dari balasan. Batasi panjangnya, lalu pindahkan langkah yang menghasilkan sebagian besar output ke model yang lebih murah atau ke Batch API.

Apakah artikel ini bermanfaat?