Digital Marketing
Reciprocal Rank Fusion (RRF)
TL;DR: Reciprocal Rank Fusion (RRF) adalah algoritma sederhana yang menggabungkan beberapa daftar peringkat menjadi satu, dengan rumus skor 1 dibagi (k + posisi). Per 2026, RRF jadi default untuk menggabungkan hybrid search (keyword BM25 + semantic search) di AI Search seperti Perplexity dan ChatGPT Search.
Apa itu Reciprocal Rank Fusion?
RRF, diperkenalkan oleh Cormack dkk. (2009), bekerja tanpa perlu skor mentah dari tiap retriever. Cukup ambil posisi dokumen di tiap daftar, hitung 1 dibagi (k + rank), lalu jumlahkan untuk tiap dokumen. Konstanta k umumnya bernilai 60 untuk mencegah dokumen di posisi 1 mendominasi total.
Rumus dan Contoh
| Dokumen | Rank Keyword | Rank Semantic | Skor RRF (k=60) |
|---|---|---|---|
| A | 1 | 5 | 1/61 + 1/65 = 0,0317 |
| B | 3 | 1 | 1/63 + 1/61 = 0,0323 |
| C | 2 | 10 | 1/62 + 1/70 = 0,0304 |
Dokumen B menang karena performanya konsisten di dua retriever, bukan menang telak di satu saja.
Kenapa Penting?
Marketer Indonesia yang menjalankan sistem RAG untuk asisten AI internal bisa pakai RRF tanpa training data. Berdasarkan pengalaman Vito Atmo memasang RRF di pipeline asisten konten klien, kombinasi BM25 + embedding biasanya naikkan recall@10 sebesar 12 sampai 18 persen dibanding salah satu retriever saja. Referensi paper asli ada di University of Waterloo.
Pertanyaan Umum
Apakah RRF lebih baik dari weighted sum?
RRF lebih robust karena tidak perlu kalibrasi skor antar retriever. Weighted sum memerlukan normalisasi yang sering rapuh.
Berapa nilai k yang ideal?
Default k=60 cocok untuk daftar peringkat panjang. Untuk top-10, k=10 sampai 30 sering memberi hasil lebih tajam.
Istilah Terkait