Kapan Elasticsearch digunakan?

Search engine aplikasi e-commerce dengan relevance ranking dan filter produk. Log aggregation dan analitik infrastruktur via Elastic Stack (ELK). Observability platform untuk monitoring performa dan debugging production. Real-time dashboard bisnis dari stream data yang terus masuk. Security information and event management (SIEM) untuk analitik ancaman

Apa kesalahpahaman umum tentang Elasticsearch?

"Elasticsearch bisa menggantikan database utama" - Elasticsearch tidak dirancang untuk ini. Tidak ada ACID transactions, relasi antar dokumen terbatas, dan tidak cocok untuk data transaksional. Pakai sebagai lapisan pencarian, bukan primary store. "Elasticsearch selalu real-time" - Elasticsearch bersifat near real-time (NRT), ada jeda default 1 detik antara dokumen diinsert dan bisa dicari. Untuk kebutuhan benar-benar real-time, butuh tuning tambahan. "ELK Stack gratis sepenuhnya" - Elastic Stack punya fitur enterprise yang berbayar (security, machine learning, alerting canggih). Versi open-source punya keterbatasan. OpenSearch adalah alternatif yang lebih open. "Elasticsearch mudah dioperasikan" - setup awal mudah, tapi mengelola cluster Elasticsearch di production butuh expertise: tuning JVM heap, shard strategy, index lifecycle management, dan monitoring yang aktif

Elasticsearch: Search Engine untuk Full-Text Search

Apa itu Elasticsearch?

Elasticsearch adalah distributed search and analytics engine open-source yang dibangun di atas Apache Lucene. Dikembangkan oleh Shay Banon dan dirilis pertama kali tahun 2010, Elasticsearch jadi fondasi dari Elastic Stack - yang dulu sering disebut ELK Stack (Elasticsearch, Logstash, Kibana).

Elasticsearch menyimpan data sebagai dokumen JSON dalam indices (tunggal: index) - mirip collection di MongoDB. Tapi yang bikin Elasticsearch benar-benar beda adalah engine indexing-nya yang sangat powerful untuk pencarian teks dan analitik real-time.

Bagaimana Elasticsearch Bekerja?

Ketika kamu insert dokumen ke Elasticsearch, engine langsung melakukan proses indexing secara otomatis:

Tokenization: Teks dipecah jadi token (kata-kata)
Analysis: Token diproses - lowercase, stemming, penghapusan stop words, penambahan sinonim
Inverted Index: Token disimpan dalam struktur data yang memungkinkan pencarian sangat cepat

Dengan inverted index, Elasticsearch bisa menemukan semua dokumen yang mengandung kata tertentu dalam hitungan milidetik - bahkan di dataset dengan miliaran dokumen.

Elasticsearch vs Database Lain untuk Search

Kemampuan	Elasticsearch	PostgreSQL Full-Text	MySQL Full-Text
Relevance scoring	Sangat canggih (BM25)	Terbatas	Terbatas
Fuzzy search (salah eja)	Native	Butuh extension	Tidak ada
Sinonim dan analisis bahasa	Built-in, bisa custom	Terbatas	Sangat terbatas
Faceted search dan agregasi	Sangat kuat	Butuh query kompleks	Butuh query kompleks
Horizontal scaling	Built-in	Butuh setup tambahan	Butuh setup tambahan
ACID transactions	Tidak ada	Penuh	Penuh
Relasi data (JOIN)	Tidak (denormalized)	Ya	Ya
Biaya setup	Lebih kompleks	Sederhana	Sederhana

Tiga Use Case Utama Elasticsearch

1. Search Engine Aplikasi

Fitur pencarian di e-commerce, portal berita, atau aplikasi enterprise yang butuh relevance ranking, autocomplete, typo tolerance, dan filter multi-dimensi. Marketplace besar di Indonesia pakai Elasticsearch untuk search produk mereka - ini yang bikin kamu masih bisa ketemu produk meski nama yang kamu ketik sedikit beda dari nama aslinya.

2. Log Analysis dan Observability

Ini mungkin use case terbesar Elasticsearch sekarang. Dengan Elastic Stack lengkap:

Logstash atau Beats: Kumpulkan dan kirim log dari berbagai sistem
Elasticsearch: Simpan, index, dan query log
Kibana: Visualisasi dashboard dan alerting

Tim ops dan SRE pakai setup ini untuk debugging masalah di production, monitoring performa sistem, dan analitik keamanan.

3. Business Intelligence Real-Time

Elasticsearch bisa aggregate data dalam jumlah sangat besar dengan sangat cepat - cocok untuk dashboard real-time yang butuh insight instan dari data yang terus bertambah setiap detik.

Konsep Penting di Elasticsearch

Shard dan Replica: Elasticsearch memecah setiap index jadi beberapa shard yang didistribusikan ke banyak node. Setiap shard bisa punya replica untuk fault tolerance dan meningkatkan performa baca. Ini yang bikin Elasticsearch bisa scale horizontal hampir tanpa batas teoritis.

Mappings: Definisi tipe data untuk setiap field dalam dokumen - mirip schema di database relasional tapi lebih fleksibel. Elasticsearch juga bisa auto-detect tipe data dengan dynamic mapping, meski untuk production lebih baik definisikan mapping secara eksplisit.

Query DSL: Elasticsearch punya query language berbasis JSON yang sangat ekspresif - dari simple term query sampai kombinasi boolean query kompleks dengan boosting, fuzziness, dan highlighting hasil pencarian.

Refresh Interval: Elasticsearch bersifat near real-time, bukan real-time penuh. Ada jeda kecil (default 1 detik) antara dokumen diinsert dan bisa muncul di hasil pencarian.

Elasticsearch di Pipeline Data Modern

Untuk data engineer, Elasticsearch sering muncul di ujung pipeline data sebagai endpoint dari stream processing - hasil analitik real-time disimpan ke Elasticsearch supaya bisa divisualisasikan di Kibana oleh tim bisnis atau operasional. Ini bagian dari arsitektur yang sering disebut Lambda Architecture atau Kappa Architecture.

Ada juga OpenSearch - fork open-source dari Elasticsearch yang dibuat Amazon setelah Elastic mengubah lisensi Elasticsearch dari Apache 2.0 ke SSPL pada 2021. OpenSearch kompatibel dengan Elasticsearch API dan banyak dipakai di managed AWS environment.