Apa itu Vector Database?

Apa itu vector database?

Vector database (basis data vektor) adalah sistem basis data yang dioptimalkan untuk menyimpan, mengindeks, dan mencari informasi dalam bentuk deretan angka berdimensi tinggi (vector embeddings). Tidak seperti database tradisional yang mencocokkan kata kunci persis (exact keyword matching), vector database mencari data berdasarkan kedekatan makna dan konteks semantik.

Sistem ini menjadi fondasi penting bagi kecerdasan buatan modern, terutama dalam penerapan pencarian semantik, sistem rekomendasi, dan arsitektur RAG (Retrieval-Augmented Generation).

Cara kerja vector database

1. Konversi data ke vektor: Teks, gambar, atau audio diubah menjadi representasi numerik menggunakan model embedding (misalnya text-embedding-3 dari OpenAI).
2. Penyimpanan koordinat dimensi tinggi: Setiap data diposisikan dalam ruang matematis yang bisa memiliki ratusan hingga ribuan dimensi. Kata atau konsep yang bermakna mirip ditempatkan berdekatan satu sama lain.
3. Pengindeksan vektor (vector indexing): Data diorganisasi menggunakan algoritma penelusuran cepat seperti HNSW (Hierarchical Navigable Small World) atau IVF (Inverted File Index).
4. Pencarian kemiripan (similarity search): Saat pengguna memasukkan pertanyaan, pertanyaan tersebut diubah menjadi vektor pencarian. Database kemudian menghitung jarak kemiripan (menggunakan cosine similarity atau euclidean distance) untuk menemukan dokumen yang paling relevan.

Contoh pemakaian

• Arsitektur RAG pada LLM: Menyimpan ribuan halaman dokumen manual produk perusahaan agar chatbot AI dapat memberikan jawaban teknis yang tepat tanpa halusinasi.
• Pencarian gambar berdasarkan deskripsi: Menemukan foto pemandangan di katalog digital hanya dengan mengetik suasana pantai saat senja, meski foto tidak memiliki tag nama yang cocok.
• Deteksi duplikasi konten: Mengidentifikasi teks plagiat atau dokumen yang memiliki isi serupa walau kata-katanya telah diubah susunannya.

Batasan dan salah paham umum

• Bukan pengganti database relasional: Vector database tidak dirancang untuk menangani transaksi keuangan presisi, integritas data referensial ketat (ACID), atau agregasi angka tabel biasa.
• Kualitas hasil bergantung pada model embedding: Jika model embedding yang dipakai kurang memahami istilah teknis atau bahasa lokal tertentu, hasil pencarian vektor juga akan kurang akurat.
• Kebutuhan memori tinggi: Menjaga indeks jutaan vektor berdimensi tinggi di dalam memori kerja (RAM) membutuhkan sumber daya komputasi server yang cukup intensif.

Rujukan resmi

• OpenAI Guides: Vector Embeddings and Search (Pengecekan: September 2026, sumber: platform.openai.com/docs/guides/embeddings).
• PostgreSQL pgvector Extension Documentation (Pengecekan: September 2026, sumber: github.com/pgvector/pgvector).