Vector Database

Apa itu Vector Database?

Kamu pernah nggak search di Spotify 'lagu yang vibes-nya sama kayak lagu ini' dan hasilnya surprisingly akurat? Atau rekomendasi produk di marketplace yang nyambung dengan selera kamu meski produknya beda kategori? Itu contoh nyata sistem yang pakai Vector Database di belakang layar.

Vector Database adalah database yang dirancang khusus untuk menyimpan dan mencari embedding vectors: representasi data seperti teks, gambar, atau audio dalam bentuk array angka berdimensi tinggi. Satu kalimat bisa direpresentasikan jadi vektor berisi 1.536 angka, misalnya. Dan vektor yang 'dekat' satu sama lain secara matematis berarti kontennya 'mirip secara makna'.

Cara Kerja: Similarity Search

Kalau database biasa cari data berdasarkan kecocokan eksak (WHERE nama = 'Budi'), Vector Database cari berdasarkan kemiripan (siapa yang paling dekat dengan vektor query ini?).

Teknik pencariannya disebut Approximate Nearest Neighbor (ANN) Search: menemukan vektor yang paling 'dekat' secara geometris dalam ruang berdimensi tinggi. Jarak ini diukur dengan metrik seperti Cosine Similarity atau Euclidean Distance.

Perbandingan dengan Database Biasa

Aspek	Database Tradisional	Vector Database
Data yang disimpan	Teks, angka, tanggal	Embedding vectors (array angka)
Cara mencari	Kecocokan eksak atau LIKE	Kemiripan semantik (similarity search)
Contoh query	WHERE nama = 'Budi'	Cari yang paling mirip vektor ini
Use case utama	Transaksi, profil user	AI search, rekomendasi, RAG
Contoh tool	PostgreSQL, MySQL	Pinecone, Weaviate, pgvector

Kenapa Penting untuk Aplikasi AI Modern?

Dengan makin banyaknya aplikasi berbasis Large Language Model (LLM) dan RAG (Retrieval Augmented Generation), Vector Database jadi komponen penting. Kalau kamu mau bikin chatbot yang bisa jawab pertanyaan dari dokumen internal perusahaan, kamu perlu tempat untuk simpan embedding dokumen-dokumen itu dan cari yang relevan dengan cepat. Itulah peran Vector Database dalam arsitektur AI modern.