Pernahkah kamu mengirimkan *bug* ini? Seorang pengguna mengetik "laptop" di bilah pencarian, tapi hasilnya nol. Padahal, database punya lusinan artikel "notebook". Kata-katanya berbeda, tapi maknanya identik. Pencarian kata kunci melihat keduanya sebagai string yang tidak berhubungan.

Ini bukan kasus langka, justru ini inti dari keterbatasan pencocokan kata kunci. Sistem ini membandingkan karakter, bukan konsep. Ia tidak tahu bahwa "membeli" dan "membeli" menjelaskan tindakan yang sama, atau bahwa "mobil" dan "kendaraan" berarti hal yang sama, atau "pengiriman" dan "pengiriman" adalah masalah yang sama yang diutarakan dengan dua cara berbeda. Untungnya, kita bisa mengatasi ini dengan **Building Semantic Search with Transformers.js and Sentence Embeddings**.

Pencarian semantik memperbaiki ini dengan membandingkan makna. Dengan **Transformers.js**, kamu bisa membangunnya sepenuhnya di browser tanpa server, tanpa kunci API, dan tanpa infrastruktur *backend*. Artikel ini akan memandu kamu melalui seluruh proses: bagaimana *sentence embedding* bekerja, cara menghasilkannya, bagaimana *cosine similarity* menilai relevansi, dan cara menyatukan semuanya ke dalam aplikasi pencarian basis pengetahuan yang berfungsi.

## Apa Itu Embedding Kalimat Sebenarnya?

Model *transformer* tidak bisa memproses teks mentah. Sebelum komputasi apa pun terjadi, sebuah kalimat harus diubah menjadi angka. **Embedding** adalah hasil dari konversi itu, sebuah kalimat yang direpresentasikan sebagai daftar nilai *floating-point* yang disebut **vektor**.

Properti kuncinya bukan hanya kalimat menjadi angka. Sentensi dengan makna yang serupa menjadi vektor yang secara geometris berdekatan di ruang vektor yang sama.

Model yang digunakan sepanjang tutorial ini, **all-MiniLM-L6-v2**, memetakan setiap kalimat ke titik dalam ruang vektor 384 dimensi. Model ini disetel secara halus pada dataset **SNLI dan MultiNLI** khusus untuk mempelajari properti geometris ini. Kalimat seperti "pengiriman cepat" dan "pilihan pengiriman murah" akan berakhir berdekatan. Sementara itu, "perbaikan mesin mobil" akan berakhir jauh dari keduanya.

Dimensi 384 tidak mudah dibaca manusia. Kamu tidak bisa melihat dimensi 47 dan mengatakan apa yang dikodekannya. Yang penting untuk pencarian bukanlah dimensi individual, melainkan jarak antara dua vektor. Jarak pendek berarti makna serupa. Jarak besar berarti tidak terkait.

## Pooling dan Normalisasi

Model *transformer* mentah menghasilkan satu vektor per **token**. Setiap kata dan *subword* dalam sebuah kalimat mendapatkan vektornya sendiri. Untuk pencarian semantik, kamu butuh satu vektor per kalimat.

**Mean pooling** menangani ini dengan merata-ratakan semua vektor *token*, yang diberi bobot oleh *attention mask*, sehingga *padding token* tidak berkontribusi. **Normalisasi** kemudian mengubah skala hasilnya menjadi panjang unit (magnitude = 1), yang menyederhanakan perhitungan kesamaan yang dibahas di bagian berikutnya.

Di Transformers.js, keduanya terjadi secara otomatis ketika kamu meneruskan `pooling: 'mean'` dan `normalize: true` ke panggilan *pipeline*. Tanpa opsi ini, kamu akan mendapatkan *embedding* tingkat *token*, yang berguna untuk tugas seperti pengenalan entitas bernama, tetapi tidak untuk pencarian tingkat kalimat.

## Pipeline Feature-Extraction Transformers.js

Tugas `feature-extraction` berbeda dari setiap *pipeline* Transformers.js lainnya. Tugas seperti `sentiment-analysis` mengembalikan *output* yang bisa dibaca manusia: label, skor, string. `feature-extraction` mengembalikan representasi vektor mentah yang dihitung secara internal oleh model. Kamu bekerja satu tingkat lebih rendah, mendapatkan angka-angka yang menjadi dasar semua tugas tingkat yang lebih tinggi.

```jsx
import { pipeline } from '@xenova/transformers';

const extractor = await pipeline(
    'feature-extraction',
    'Xenova/all-MiniLM-L6-v2',
    { progress_callback: console.log }
);
// downloads and initializes the model on first run
// (browser caches it after that, so subsequent page loads are instant)

const output = await extractor(
    'Ini adalah kalimat contoh.',
    { pooling: 'mean', normalize: true }
);
// You then call the extractor with a string and the two options that give you a single, normalized sentence vector

const embedding = output.data;
// .data converts it to a plain JavaScript array of 384 numbers you can work with directly
```

## Memahami Output Tensor

Objek **Tensor** yang dikembalikan oleh `feature-extraction` memiliki tiga bidang yang perlu diketahui:

*   `dims`: `[1, 384]` untuk satu kalimat, `[10, 384]` untuk sepuluh kalimat dalam sebuah *batch*. Dimensi kedua selalu 384 untuk model ini.
*   `type`: `'float32'`, artinya setiap dari 384 nilai adalah angka *floating-point* 32-bit.
*   `data`: Berisi semua angka dalam urutan *row-major*. Untuk *batch* 3 kalimat, ini adalah array datar berisi 3 × 384 = 1.152 angka.

Kamu bisa menggunakan `output.tolist()` untuk mengonversi tensor menjadi array JavaScript bersarang, satu array dalam untuk setiap kalimat. `output[0].data` memberikan vektor untuk kalimat pertama sebagai array biasa berisi 384 angka.

## Batching: Memproses Banyak Kalimat Sekaligus

Meneruskan array string ke *extractor* memproses semuanya dalam satu panggilan model. Ini secara signifikan lebih cepat daripada memanggil *pipeline* sekali per kalimat, karena *transformer* memproses semua *input* secara paralel dalam satu *forward pass*.

```jsx
const outputs = await extractor(
    [
        'Saya ingin membeli laptop baru.',
        'Di mana saya bisa mendapatkan mobil?',
        'Pengiriman paket saya tertunda.',
        'Bagaimana cara saya melakukan pembelian online?'
    ],
    { pooling: 'mean', normalize: true }
);
// Instead of four separate extractor calls, one call handles all four sentences simultaneously
// The transformer architecture is optimized for batched input, so the time it takes to embed 10 sentences together
// is much closer to embedding 1 sentence than to embedding 10 individually
```

*Batching* adalah keputusan kinerja paling penting dalam sistem pencarian semantik. Saat mengindeks kumpulan 50 dokumen, satu panggilan *batch* jauh lebih cepat daripada 50 panggilan individual. Perbedaan ini akan berlipat ganda seiring bertambahnya ukuran kumpulan dokumen kamu.

## Cosine Similarity: Matematika di Balik Pencarian

Setelah kamu memiliki vektor untuk dokumen dan vektor untuk *query* pencarian, kamu membutuhkan cara untuk mengukur seberapa mirip dua vektor tersebut. Itulah yang dilakukan oleh **cosine similarity**.

*Cosine similarity* mengukur sudut antara dua vektor. Skor 1.0 berarti vektor-vektor menunjuk ke arah yang sama (makna identik). Skor 0 berarti tidak berhubungan sama sekali. Karena kita menggunakan `normalize: true` saat menghasilkan *embedding*, kedua vektor sudah memiliki panjang unit (magnitude = 1), yang menyederhanakan rumus secara signifikan:

Cukup jumlahkan hasil perkalian elemen-demi-elemen dari kedua vektor. Angka itu adalah *cosine similarity*. Untuk *sentence embedding* dengan *mean pooling* dan normalisasi, skor praktis jatuh kira-kira dalam rentang ini:

| Rentang Skor | Makna Kesamaan |
|--------------|----------------|
| 0.8 - 1.0    | Makna identik  |
| 0.6 - 0.8    | Sangat mirip   |
| 0.4 - 0.6    | Terkait        |
| 0.2 - 0.4    | Cukup terkait  |
| 0.0 - 0.2    | Tidak terkait  |

Berikut adalah implementasinya:

```jsx
function cosineSimilarity(vec1, vec2) {
    let sum = 0;
    for (let i = 0; i < vec1.length; i++) {
        sum += vec1[i] * vec2[i];
    }
    // The function loops through both 384-element vectors in parallel, multiplies corresponding values, and sums the results
    // That sum is the dot product, which equals cosine similarity when both vectors are normalized
    return Math.max(0, sum); // clamp at the end handles the rare case where floating-point arithmetic produces a value like -0.000000001
}
```

## Membangun Kelas SemanticSearch

Pola untuk pencarian semantik selalu sama, terlepas dari skalanya: *embed* dokumen sekali saat *startup*, *embed* setiap *query* pada waktu pencarian, nilai setiap dokumen terhadap *query*, lalu urutkan berdasarkan skor.

Langkah yang mahal adalah menghasilkan vektor 384 angka untuk setiap kalimat. Menyimpan vektor tersebut di memori (*caching*) berarti pencarian berikutnya hanya perlu *embed query*, yang membutuhkan waktu milidetik.

*   `indexDocuments(documents)`: Mengambil array objek dokumen (setiap objek minimal memiliki bidang `text`), *embed* semua teks dalam satu panggilan *batch*, dan menyimpan hasilnya di `this.index`. Ini mempertahankan *metadata* apa pun yang kamu teruskan, jadi tidak ada yang hilang.
*   `search(query)`: Hanya *embed query* (satu panggilan inferensi, biasanya di bawah 100ms), kemudian menjalankan `cosineSimilarity` terhadap setiap vektor dokumen yang disimpan dalam *loop* JavaScript biasa. Tidak ada inferensi model lebih lanjut selama penilaian, itulah mengapa pencarian terasa instan setelah pengindeksan selesai.
*   Metode `save()` dan `load()`: Memungkinkan kamu mempertahankan indeks di antara muatan halaman, melewati langkah *embedding* sepenuhnya pada kunjungan berikutnya.

## Demo: Pencarian Knowledge Base Berfungsi Penuh

Aplikasi di bawah ini lengkap dan mandiri. Salin ke file `.html`, buka di browser modern mana pun, dan itu akan berfungsi. Aplikasi ini menggunakan 12 entri FAQ dari basis pengetahuan dukungan *e-commerce* fiktif. *Query* contoh sengaja ditulis tanpa tumpang tindih kata kunci sama sekali dengan dokumen yang cocok untuk menunjukkan bahwa pencarian semantik benar-benar berfungsi.

Kamu bisa menemukan kode lengkapnya di sini: [https://machinelearningmastery.com/building-semantic-search-with-transformers-js-and-sentence-embeddings/](https://machinelearningmastery.com/building-semantic-search-with-transformers-js-and-sentence-embeddings/)

Fungsi `main()` berjalan segera. Ini membuat *pipeline feature-extraction* dengan *callback* kemajuan yang memperbarui baris status selama pengunduhan model. Setelah model siap, `indexDocuments` menanamkan ke-12 artikel dalam satu panggilan *batch* dan menyimpan vektor dalam memori. Input pencarian dan tombol dinonaktifkan sampai langkah itu selesai, sehingga pengguna tidak bisa memicu pencarian di tengah pengindeksan.

Ketika pengguna mencari, `search(query)` hanya menanamkan *query* (satu panggilan inferensi, biasanya di bawah 100ms), kemudian mengulang ke-12 vektor dokumen yang di-*cache*, menghitung *cosine similarity* untuk setiapnya. *Loop* penilaian itu adalah aritmatika JavaScript murni tanpa melibatkan model, jadi selesai dalam waktu kurang dari satu milidetik. Hasilnya dirender diurutkan berdasarkan skor dengan *badge* persentase kecocokan berkode warna.

Contoh *query* menunjukkan kemampuan kunci. "Opsi pengiriman murah" mengembalikan "Pilihan Pengiriman Ekonomi" di bagian atas meskipun tidak berbagi kata kunci sama sekali.

## Menjalankan Inferensi dalam Web Worker

Demo di atas menjalankan semua inferensi model di *main browser thread*. Untuk alat internal dan demo, ini tidak masalah. Untuk aplikasi produksi yang menghadap pengguna, ini tidak ideal: pemuatan model dan pembuatan *embedding* memblokir *main thread*, artinya *scroll*, *input*, dan animasi semuanya akan berhenti saat inferensi berjalan. Pada perangkat keras lama, browser mungkin menampilkan peringatan "halaman tidak responsif".

**Web Workers** memecahkan masalah ini dengan menjalankan JavaScript di *background thread*. *Main thread* tetap responsif sementara *Worker* menangani semua pekerjaan model.

*   **Komunikasi *main thread* dan *worker***
    ```jsx
    const worker = new Worker('worker.js', { type: 'module' });
    const promises = new Map();
    let requestId = 0;

    worker.onmessage = (event) => {
        const { id, type, data } = event.data;
        if (type === 'progress') {
            console.log(data); // Update progress in UI
        } else if (type === 'result') {
            promises.get(id)?.resolve(data);
            promises.delete(id);
        }
    };

    async function embedInWorker(sentences) {
        const id = requestId++;
        return new Promise((resolve, reject) => {
            promises.set(id, { resolve, reject });
            worker.postMessage({ id, type: 'embed', data: sentences });
        });
    }
    ```
*   **Komunikasi *Worker***
    ```jsx
    // worker.js
    import { pipeline } from '@xenova/transformers';

    let extractor = null;

    self.onmessage = async (event) => {
        const { id, type, data } = event.data;

        if (type === 'embed') {
            if (!extractor) {
                extractor = await pipeline('feature-extraction', 'Xenova/all-MiniLM-L6-v2', {
                    progress_callback: (status) => self.postMessage({ id, type: 'progress', data: status })
                });
            }
            const output = await extractor(data, { pooling: 'mean', normalize: true });
            self.postMessage({ id, type: 'result', data: output.data });
        }
    };
    ```
*   *Worker* menggunakan pola *singleton* (`extractor` membuat *pipeline* sekali dan mengembalikannya pada panggilan berikutnya) untuk menghindari pengunduhan ulang model jika beberapa pesan datang secara beruruk.
*   Bidang `id` pada setiap pesan adalah kunci korelasi: ketika *Worker* mengirim kembali `result`, *main thread* menggunakan `id` untuk menemukan *Promise* yang cocok di `promises` Map dan menyelesaikannya. Tanpa ini, jika dua permintaan *embedding* sedang dalam proses secara bersamaan, kamu tidak bisa mengetahui hasil mana milik permintaan mana.
*   `promises` Map tetap kecil (satu entri per permintaan yang sedang dalam proses) dan membersihkan dirinya sendiri saat respons tiba.

## Mempertahankan Indeks Antar Muatan Halaman

Menghitung *embedding* adalah langkah yang lambat. Untuk kumpulan dokumen yang tidak berubah di antara kunjungan, kamu bisa melakukan *serialize* indeks ke JSON dan menyimpannya di **`localStorage`**, sehingga muatan halaman berikutnya melewati langkah *embedding* sepenuhnya.

`localStorage` menangani sekitar 5 MB, tergantung pada browser. Untuk 12 dokumen dengan vektor *float* 384 dimensi, indeks yang di-*serialize* kira-kira 200 KB, masih dalam batas. Untuk kumpulan dokumen yang lebih besar, **IndexedDB** tidak memiliki batasan ukuran praktis dan bekerja dengan cara yang sama dengan API yang sedikit lebih *verbose*.

## Skala Melampaui Beberapa Ratus Dokumen

Pendekatan di atas menilai setiap dokumen per *query*. Itu berfungsi baik hingga beberapa ratus dokumen sebelum latensi mulai terlihat. Untuk kumpulan dokumen yang lebih besar, demo Transformers.js menjalankan instans PostgreSQL dalam browser dengan ekstensi **`pg_embedding`** untuk pencarian *approximate nearest neighbor*, yang secara signifikan lebih cepat daripada penilaian *brute-force* untuk koleksi besar, sementara semuanya tetap di sisi klien.

## Memilih Model yang Tepat

**`Xenova/all-MiniLM-L6-v2`** adalah *default* yang tepat untuk sebagian besar kasus penggunaan bahasa Inggris. Ini cepat, kecil, dan menghasilkan hasil yang kuat untuk pencarian semantik. Tabel di bawah ini mencakup opsi utama:

| Model                       | Deskripsi                                                                                                          |
|-----------------------------|--------------------------------------------------------------------------------------------------------------------|
| `Xenova/all-MiniLM-L6-v2`   | Cepat, kecil, hasil kuat untuk bahasa Inggris. Pilihan *default* terbaik.                                           |
| `Xenova/multilingual-e5-base` | Untuk kasus penggunaan multibahasa (misal, basis pengetahuan Prancis, Jerman, dan Inggris secara bersamaan). Menangani *query* lintas bahasa. |

Untuk kasus penggunaan multibahasa di mana basis pengetahuan memiliki konten dalam bahasa Prancis, Jerman, dan Inggris secara bersamaan, **`Xenova/multilingual-e5-base`** menangani *query* lintas bahasa. Pengguna yang mencari dalam bahasa Inggris akan memunculkan dokumen relevan yang ditulis dalam bahasa Prancis karena model memetakan makna yang setara ke vektor terdekat terlepas dari bahasanya.

*Pipeline* ini terdiri dari empat langkah: muat model sekali, *embed* kumpulan dokumen kamu dalam satu *batch*, *embed* setiap *query* pada waktu pencarian, nilai dengan *cosine similarity*, dan urutkan. Semua yang ada dalam tutorial ini berjalan dari satu *import* CDN tanpa server, tanpa kunci API, dan tanpa data meninggalkan perangkat pengguna.

Konsep inti yang sama, yaitu vektor, kesamaan, dan peringkat, juga merupakan dasar dari sistem rekomendasi, deteksi konten duplikat, *clustering*, dan *retrieval-augmented generation*. Masing-masing aplikasi tersebut dibangun di atas fungsi `cosineSimilarity` yang sama yang dibahas di sini. Mulai dengan demo basis pengetahuan, perluas kumpulan dokumen ke dokumen kamu sendiri, dan pola yang lebih canggih itu akan cepat masuk akal setelah kamu melihat dasar-dasarnya berfungsi.

## Referensi
https://machinelearningmastery.com/building-semantic-search-with-transformers-js-and-sentence-embeddings/

Pelajari cara membangun mesin pencari semantik sepenuhnya di sisi klien menggunakan Transformers.js, tanpa server atau API key, memanfaatkan embedding kalimat untuk memahami makna di balik teks.

Membangun Pencarian Semantik di Browser dengan Transformers.js dan Embedding Kalimat

Reggi

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#client-side-ml

Getting Lastest Post..

Populer Bulan Ini