Vector Search (Semantic Search)

TL;DR: Vector Search adalah teknik pencarian yang mengubah teks menjadi representasi numerik, disebut vektor, untuk mengukur kemiripan makna. Teknik ini menjadi fondasi AI Search seperti Google AI Overview dan ChatGPT Search, karena mampu memahami intent meski kata kunci tidak cocok persis.

Apa itu Vector Search?

Vector Search, atau semantic search, adalah metode pencarian yang menggunakan embedding, yaitu representasi numerik multidimensi dari teks, gambar, atau audio. Saat pengguna memasukkan query, sistem mencari vektor yang paling dekat secara matematis, umumnya memakai metrik cosine similarity:

$$\text{similarity}(A,B) = \frac{A \cdot B}{|A| \cdot |B|}$$

Berbeda dari pencarian keyword tradisional yang mengandalkan kecocokan karakter, Vector Search memahami bahwa "mobil hemat BBM" dan "kendaraan irit bahan bakar" memiliki makna serupa meski tidak ada kata yang identik. Teknologi ini juga menjadi inti dari GEO dan AEO.

Cara Kerja Singkat

1. Konten diubah menjadi vektor via model embedding (misalnya OpenAI, Gemini, atau model open-source).
2. Vektor disimpan di database khusus seperti Pinecone, Weaviate, atau Supabase pgvector.
3. Query pengguna diubah menjadi vektor, lalu dicocokkan dengan vektor konten paling mirip.

Kenapa Penting?

Dari eksperimen di situs vitoatmo.com yang memakai Supabase dengan ekstensi pgvector, hasil pencarian glosarium jauh lebih relevan dibanding pencarian berbasis keyword murni. Marketer yang memahami Vector Search bisa merancang konten dan Schema Markup agar mudah ditemukan oleh AI, bukan hanya Googlebot tradisional.

Pertanyaan Umum

Apakah Vector Search menggantikan SEO keyword?

Tidak. Keduanya saling melengkapi. Keyword tetap menjadi sinyal utama, tetapi makna semantik kini ikut dinilai.

Apakah perlu tim engineering untuk menerapkan Vector Search?

Untuk implementasi produksi, ya. Namun tools seperti Supabase pgvector dan Algolia NeuralSearch sudah membuat adopsi jauh lebih mudah bagi tim kecil.