Harga API DeepSeek: Tarif Jam Sibuk, Hemat di Luar Jam Sibuk, dan Contoh Perhitungan Biaya
Oleh Nicho
Harga API DeepSeek nggak cuma tergantung nama modelnya. Input yang di-cache, output yang dihasilkan, dan waktu permintaanmu dijalankan bisa mengubah tagihan secara signifikan.
Untuk DeepSeek Flash, tarif yang ditampilkan CheapAIModel berada di bawah tarif peak langsung DeepSeek tapi di atas tarif off-peak langsungnya. Perbedaan itu penting kalau kamu bisa mengatur jadwal kerja. Klaim “30% lebih murah dari DeepSeek” secara umum melewatkan jendela akses langsung yang lebih murah.
Di bawah ini ada snapshot harga bertanggal, diikuti tiga contoh perhitungan. Ini skenario penganggaran, bukan benchmark aplikasi yang terukur atau janji tentang berapa banyak tugas sukses yang bisa dibeli dengan anggaran token tertentu.
Ingin tahu cara membayar? Baca pembayaran API DeepSeek untuk PayPal, top up dengan kartu, pengembalian dana, dan invoice.
Harga API DeepSeek Flash saat ini
Harga dicek pada 26 Oktober 2026. USD per satu juta token:
| Kategori token | DeepSeek langsung: peak | DeepSeek langsung: off-peak | Tarif yang ditampilkan CheapAIModel |
|---|---|---|---|
| Input, cache miss | $0.30 | $0.15 | $0.209351 |
| Input, cache hit | $0.006 | $0.003 | $0.004187 |
| Output | $1.20 | $0.60 | $0.837404 |
Sumber: Model & Harga DeepSeek dan harga CheapAIModel.
Jendela peak DeepSeek adalah 01:00–04:00 dan 06:00–10:00 UTC, Senin sampai Jumat, kecuali hari libur nasional Tiongkok. Jam lain, akhir pekan, dan hari libur tersebut masuk off-peak. Tabel resminya juga mencantumkan V4 Pro secara terpisah; jangan pakai tarif Flash untuk permintaan Pro.
Sebelum membandingkan penyedia, pastikan model dan kategori pembayaran yang tepat. API langsung DeepSeek saat ini memakai deepseek-flash, dilayani oleh DeepSeek-V4.1-Flash-1017. CheapAIModel mencantumkan deepseek-v4-1-flash. Identifier rute yang berbeda bukan bukti bahwa setiap fitur, revisi model, atau batas operasionalnya identik. Setup API langsung
Cara menghitung biaya API DeepSeek kamu
Pisahkan input yang di-cache dan yang nggak:
Biaya = (input cache-miss / 1,000,000 × tarif miss) + (input cache-hit / 1,000,000 × tarif hit) + (output yang ditagih / 1,000,000 × tarif output).
Jangan tambahkan input yang di-cache di atas total input. Skema pemakaian Chat Completions DeepSeek mendefinisikan prompt token sebagai token cache-hit plus cache-miss. Skema pemakaian Responses-nya juga menampilkan reasoning token dalam rincian output. Pakai pemakaian yang ditagih yang dilaporkan, bukan cuma menghitung kata yang terlihat di jawaban akhir. Field pemakaian Chat · Field pemakaian Responses
Contoh di bawah hanya mencakup biaya token model. Nggak termasuk biaya tool terpisah, pajak kalau berlaku, dan infrastruktur eksternal. Pemakaian sebenarnya harus mencakup retry dan panggilan multi-langkah. Beban kerja yang mencakup kedua jendela harga langsung butuh subtotal terpisah, bukan satu tarif yang diasumsikan.
Contoh 1: Beban kerja support
Anggap 15 juta token input tanpa cache dan 4 juta token output:
- DeepSeek langsung peak: 15 × $0.30 + 4 × $1.20 = $9.30.
- DeepSeek langsung off-peak: $4.65.
- CheapAIModel: sekitar $6.49.
Jumlah token ini nggak menjamin jumlah percakapan tertentu. Riwayat yang lebih panjang, konteks hasil pencarian, dan panjang jawaban mengubah biaya per percakapan. Pakai catatan pemakaian aplikasimu untuk memperkirakan berapa banyak chat yang bisa ditanggung anggaran ini.
Contoh 2: Peringkasan dokumen
Anggap 200 juta token input tanpa cache dan 20 juta token output:
- DeepSeek langsung jam sibuk: $84.00.
- DeepSeek langsung luar jam sibuk: $42.00.
- CheapAIModel: sekitar $58.62.
Kalau dokumennya bisa menunggu, pemrosesan langsung di luar jam sibuk punya biaya token paling rendah di snapshot ini. Kalau pekerjaannya harus jalan langsung, bandingkan tarif terkini yang berlaku, kebutuhan operasional, dan kualitas pada dokumenmu sendiri.
Contoh 3: Beban kerja coding yang berat cache
Anggap 225 juta token input, dengan 180 juta di antaranya cache hit dan 45 juta cache miss, plus 22.5 juta token output:
- DeepSeek langsung jam sibuk: $41.58.
- DeepSeek langsung luar jam sibuk: $20.79.
- CheapAIModel: sekitar $29.02.
Tingkat hit 80% adalah asumsi skenario yang eksplisit, bukan hasil yang diamati atau dijamin. Ini juga mengasumsikan jumlah token dan klasifikasi cache yang sama di semua rute. Perilaku cache yang berbeda bisa mengubah perbandingan lebih besar daripada perubahan kecil pada harga yang ditawarkan.
Ketiga contoh ini adalah hitungan aritmetika memakai tarif yang ditampilkan, dibulatkan hanya di total akhir. Ini bukan uji latensi, keandalan, atau keberhasilan tugas.
Apakah API DeepSeek gratis?
Aplikasi chat untuk konsumen dan API untuk developer adalah produk yang berbeda. DeepSeek memperkenalkan aplikasinya sebagai gratis, sementara dokumentasi API-nya menjelaskan biaya pemakaian yang dipotong dari saldo akun. Pengalaman chat gratis nggak memberi aplikasimu jatah API gratis. Pengumuman aplikasi DeepSeek · Pembayaran API
Jangan menyusun anggaran berdasarkan tier gratis permanen kecuali ketentuan akunmu saat ini secara eksplisit menyediakannya. Periksa saldo promosi, masa kedaluwarsa, dan kelayakannya sebelum menganggapnya sebagai saldo yang tersedia. Self-hosting adalah opsi lain, tapi hardware, hosting, dan operasionalnya tetap ada biaya.
CheapAIModel saat ini menawarkan pembayaran prabayar, top up saldo mulai $5, dan tanpa langganan. Periksa ketentuan pembayaran dan pengembalian dana yang berlaku sebelum menambah saldo. Membeli saldo nggak sama dengan biaya token untuk satu permintaan. Pembayaran dan harga
Tiga cara praktis mengontrol pengeluaran
1. Ukur cache hit, jangan cuma mengasumsikannya
Cache DeepSeek mencocokkan awalan prompt yang berulang secara best-effort. Taruh instruksi yang stabil dan konteks yang bisa dipakai ulang di awal, lalu periksa prompt_cache_hit_tokens dan prompt_cache_miss_tokens. Prompt yang kelihatan berulang nggak menjamin cache hit. Panduan context caching
Lacak tingkat hit berdasarkan penyedia dan beban kerja. Dashboard yang berguna memisahkan input dari cache, input baru, dan output, bukan cuma menampilkan satu angka total token yang mengesankan.
2. Sesuaikan reasoning dengan tugasnya
API langsung mengaktifkan thinking secara default. Antarmuka berformat OpenAI-nya memisahkan tombol thinking dari kontrol reasoning-effort. Pastikan sintaksis untuk endpoint pilihanmu, jangan menyalin pengaturan dari penyedia lain. Panduan mode thinking
Bandingkan pengaturan pada beberapa tugas kecil dengan kriteria keberhasilan yang jelas. Jawaban yang lebih pendek bukan penghematan kalau malah bikin percobaan ulang atau gagal menyelesaikan tugas. Gunakan total biaya per hasil yang berhasil sebagai metrik keputusan.
3. Hindari mengirim konteks yang tidak perlu
Periksa apa yang dikirim aplikasi di setiap giliran: dokumen yang diambil, definisi tool, pesan sebelumnya, dan file yang berulang. Hapus materi yang tidak relevan dengan hati-hati, lalu cek apakah kualitas jawaban masih sesuai kebutuhanmu. Tetapkan batas pengeluaran di tingkat output dan aplikasi yang wajar, tapi jangan memotong respons terlalu agresif sampai pengguna harus mengulang permintaan.
Pilih rute, lalu verifikasi beban kerja kecil
Untuk pekerjaan yang bisa jalan di luar jam sibuk, mulai dengan membandingkan harga off-peak langsung dari DeepSeek. Untuk aplikasi multi-model, nilai apakah akses dan pembayaran bersama CheapAIModel cocok dengan alur kerjamu, lalu bandingkan total biaya pada jam dan perilaku cache yang benar-benar kamu perkirakan.
Gunakan key yang diterbitkan oleh penyedia yang kamu panggil, bersama endpoint dan pengenal model dari penyedia tersebut. Jangan campur key resmi DeepSeek dengan endpoint pihak ketiga.
Sebelum memindahkan traffic produksi, verifikasi satu permintaan yang representatif, format respons, fitur yang didukung, kolom pemakaian, dan jumlah yang ditagih. Artikel ini tidak mengklaim bahwa migrasi produksi hanya butuh tiga perubahan konfigurasi.
Cek harga CheapAIModel saat ini sebelum mengisi saldo akun. Untuk pilihan model yang lebih luas, lihat perbandingan harga LLM API kami, lalu validasi beban kerjamu sendiri sebelum melakukan scaling.