Langsung ke konten

Apa itu Hybrid Search (Pencarian Gabungan Leksikal & Semantik)?

Hybrid search menggabungkan pencarian kata kunci leksikal seperti BM25 dengan pencarian makna berbasis embedding, lalu menyatukan peringkat keduanya.

Apa itu Hybrid Search?

Hybrid search adalah teknik pencarian yang menjalankan dua mesin sekaligus: pencarian leksikal yang mencocokkan kata secara literal (biasanya BM25 atau TF-IDF) dan pencarian semantik yang mencocokkan makna lewat vektor embedding. Hasil kedua mesin digabung dan diperingkat ulang menjadi satu daftar.

Kenapa perlu dua? Pencarian leksikal unggul pada istilah persis seperti nomor seri, kode error, atau merek produk yang tidak bisa ditafsirkan lewat makna. Pencarian semantik unggul saat orang menulis dengan kata berbeda dari dokumen sumber. Bersama, keduanya menutup kelemahan masing-masing, dan inilah alasan mayoritas sistem RAG produksi memakai hybrid search, bukan vektor saja.

Cara kerja hybrid search

  1. Dua indeks paralel: Dokumen diindeks ke dalam struktur leksikal (inverted index untuk BM25) dan ke dalam indeks vektor (misalnya HNSW untuk embedding).
  2. Kueri ganda: Kueri pengguna dikirim ke kedua mesin. Mesin leksikal mengembalikan dokumen berisi kata yang cocok, mesin vektor mengembalikan dokumen bermakna serupa.
  3. Normalisasi skor: Skor BM25 berupa angka bebas tanpa batas atas, sementara kemiripan kosinus berkisar -1 sampai 1. Keduanya harus disetarakan lebih dulu.
  4. Penggabungan peringkat: Cara paling umum adalah Reciprocal Rank Fusion (RRF) dengan rumus skor = Σ 1 / (k + peringkat), yang hanya memakai urutan peringkat tanpa peduli skala skor. Alternatifnya pembobotan linear yang bisa diatur.
  5. Peringkat ulang opsional: Sebagian sistem menambahkan reranker berbasis model cross-encoder di lapisan akhir untuk memoles urutan teratas.

Contoh pemakaian

Pengguna mencari "kode error d02 di Shopee". Pencarian semantik saja bisa mengembalikan artikel tentang error pembayaran secara umum dan melewatkan artikel spesifik yang menyebut "d02" karena istilah itu terlalu pendek untuk bermakna. Pencarian leksikal saja akan menemukan "d02" tetapi juga ikut menarik semua halaman yang menyebut "d02" di konteks lain. Hybrid search menempatkan artikel yang benar di posisi teratas karena cocok di kedua jalur.

Contoh implementasi di OpenSearch:

{
  "query": {
    "hybrid": {
      "queries": [ {"match": {"isi": "kode error d02"}},
                   {"knn": {"embedding": {"vector": [...], "k": 10}}} ]
    }
  }
}

Batasan dan salah paham umum

  • Hybrid search bukan jaminan akurasi. Bila mesin leksikal menarik banyak dokumen sampah yang kebetulan memuat kata kueri, penggabungan bisa menurunkan kualitas hasil. Bobot RRF perlu disetel.
  • Lebih mahal dan lebih lambat. Dua indeks berarti dua kali biaya penyimpanan dan dua kali pemanggilan mesin. Latensi gabungan biasanya masih bisa diterima karena keduanya berjalan paralel.
  • Embedding tetap bisa salah. Kalau model embedding tidak memahami kosakata domain lokal, jalur semantik bisa memberi hasil menyesatkan sementara jalur leksikal yang menyelamatkan.
  • RRF mengabaikan besaran skor. Dua dokumen dengan skor jauh berbeda bisa dianggap setara bila peringkatnya sama. Karena itu RRF dirancang untuk tahan banting, bukan untuk presisi maksimal.

Rujukan resmi

Dicek 11 November 2026.

Istilah Terkait

Semantic Search (Pencarian Semantik AI)RAG (Retrieval-Augmented Generation)Reranker AI (Peringkat Ulang Konteks RAG)HNSW (Hierarchical Navigable Small World)Vector Database