Apa itu Cosine Similarity (Kemiripan Kosinus Vektor AI)?

Apa itu Cosine Similarity?

Cosine Similarity (Kemiripan Kosinus) adalah metrik matematis yang digunakan dalam kecerdasan buatan, pencarian semantik (semantic search), dan sistem RAG (Retrieval-Augmented Generation) untuk mengukur seberapa mirip makna dua potongan teks berdasarkan representasi vektor embedding-nya.

Metrik ini mengukur arah sudut antara dua vektor di dalam ruang multidimensi, bukan mengukur jarak fisik atau magnitudo panjang vektor tersebut. Nilai skor kemiripan kosinus selalu berkisar antara -1 (berlawanan arah secara mutlak) hingga +1 (searah sempurna / identik secara semantik).

Rumus dan prinsip matematis

Secara formal, kemiripan kosinus antara dua vektor $\mathbf{A}$ dan $\mathbf{B}$ dirumuskan sebagai hasil kali titik (dot product) dibagi dengan perkalian panjang (norm) kedua vektor:

$$\text{Cosine Similarity}(\mathbf{A}, \mathbf{B}) = \frac{\mathbf{A} \cdot \mathbf{B}}{|\mathbf{A}| |\mathbf{B}|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$

Karakteristik nilai skor:

• Skor 1.0: Kedua vektor memiliki arah yang sama persis, menunjukkan kesamaan makna yang sangat identik.
• Skor 0.0: Kedua vektor tegak lurus (orthogonal), menandakan tidak ada korelasi atau keterkaitan semantik sama sekali.
• Skor -1.0: Kedua vektor saling bertolak belakang 180 derajat.

Jika vektor embedding sudah dinormalisasi ke panjang unit ($\lVert\mathbf{A}\rVert = 1$ dan $\lVert\mathbf{B}\rVert = 1$), rumus kemiripan kosinus menjadi sangat efisien karena sama persis dengan hasil dot product biasa.

Contoh penerapan praktis

Contoh 1: Pencarian dokumen pada sistem RAG

Dalam arsitektur RAG, pertanyaan pengguna diubah menjadi vektor $V_{\text{tanya}}$, lalu basis data vektor membandingkan sudut $V_{\text{tanya}}$ terhadap ribuan pecahan dokumen:

• Dokumen A: "Cara menyetel alamat IP statis pada Windows 11" $\rightarrow$ Skor Kemiripan = 0.88 (Sangat Relevan)
• Dokumen B: "Resep membuat rendang daging sapi empuk" $\rightarrow$ Skor Kemiripan = 0.08 (Tidak Relevan) Sistem kemudian mengambil Dokumen A sebagai konteks rujukan untuk diteruskan ke LLM.

Contoh 2: Deteksi plagiarisme dan clustering topik

Sistem dapat membandingkan ribuan artikel berita secara otomatis untuk mengelompokkan topik yang membahas peristiwa serupa tanpa bergantung pada kecocokan kata kunci harfiah.

Batasan dan salah paham umum

• Bukan jarak Euclidean (L2 Distance): Kemiripan kosinus hanya melihat sudut arah, bukan panjang vektor. Dokumen pendek dan dokumen panjang yang membahas topik sama persis akan memiliki sudut kosinus yang hampir identik.
• Tergantung kualitas model embedding: Cosine similarity hanya menghitung angka vektor yang diberikan. Jika model embedding yang dipakai berkualitas rendah atau bias, skor kemiripan kosinus yang tinggi tidak selalu menjamin akurasi logika manusia.
• Bukan persentase kebenaran: Skor 0.75 tidak berarti informasi tersebut 75% benar, melainkan kedua teks memiliki kemiripan orientasi makna sekitar 0.75 dalam ruang laten model.

Rujukan resmi

• OpenAI Documentation — Vector Embeddings Guide & Similarity Metrics: platform.openai.com/docs/guides/embeddings (Pengecekan: 13 Oktober 2026)
• Google Cloud Vertex AI Documentation — Measuring Vector Distance in Vector Search: cloud.google.com/vertex-ai/docs/vector-search/overview (Pengecekan: 13 Oktober 2026)
• Scikit-Learn Documentation — Pairwise Metrics: cosine_similarity API: scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html (Pengecekan: 13 Oktober 2026)