Apa itu penelusuran fuzzy?

Penelusuran fuzzy adalah teknik penelusuran yang menemukan kecocokan meskipun kueri penelusuran tidak cocok dengan data terkait. Penelusuran ini tidak hanya melakukan pencocokan karakter demi karakter, tetapi juga mengidentifikasi hasil yang mirip dengan kueri penelusuran dalam hal ejaan, arti, atau kriteria lainnya. Hal ini mungkin sangat berguna saat menangani input pengguna, yang dapat mencakup hal-hal seperti kesalahan ketik, variasi (bentuk jamak vs tunggal, singkatan, stemming, dan lainnya), dan ketidaksesuaian lainnya berdasarkan berbagai cara pengguna berkomunikasi.

Bayangkan Anda menelusuri "apel" di database. Mesin telusur yang lebih sederhana mungkin hanya akan menampilkan entri yang sama persis dengan kata "apel". Namun, mesin dengan penelusuran fuzzy juga akan mempertimbangkan istilah serupa seperti "apple," "apples," atau bahkan "aple", yang dideteksi sebagai potensi kecocokan meskipun ada sedikit variasi ejaan.

Pendekatan ini dapat memperluas cakupan penelusuran dan membantu meningkatkan peluang menemukan informasi yang relevan, meskipun pengguna memiliki ejaan yang berbeda dalam kueri mereka. Hal ini seperti menebar jaring yang lebih luas yang menangkap tidak hanya ikan yang Anda cari, tetapi juga ikan yang mirip dengan ikan tersebut.

Penelusuran fleksibel dapat terbukti bermanfaat dalam skenario dengan data yang mungkin tidak konsisten atau ketika pengguna mungkin tidak tahu ejaan yang tepat dari hal yang mereka telusuri. Hal ini mungkin sangat penting di e-commerce untuk menemukan produk dengan sedikit variasi nama, atau di set data besar yang pembersihan data manualnya tidak praktis.

Produk Google Cloud yang dapat digunakan untuk mem-build dan menjalankan penelusuran fuzzy mencakup Vertex AI, Cloud SQL, dan Cloud Spanner. Untuk mempelajari penelusuran fuzzy yang sesuai kebutuhan Anda, hubungi tim penjualan kami atau mulai uji coba gratis Anda.

Mulai secara gratis

Bagaimana cara kerja penelusuran fuzzy?

Penelusuran fuzzy menggunakan berbagai algoritma dan teknik untuk menentukan kemiripan antara dua string teks, kueri penelusuran, dan potensi kecocokan dalam data. Algoritma ini sering kali mengandalkan konsep seperti:

Jarak Levenshtein: Menentukan jumlah pengeditan terendah (seperti penyisipan, penghapusan, atau penggantian) yang diperlukan untuk mengubah satu string menjadi string lain. Jarak Levenshtein yang lebih rendah menunjukkan kemiripan yang lebih besar. Misalnya, "kucing" dan "kidung" memiliki jarak Levenshtein 3.
Kemiripan kosinus: Metode ini menghitung kosinus sudut antara dua vektor yang merepresentasikan kata atau string. Kemiripan kosinus 1 menunjukkan kecocokan persis, sedangkan 0 menunjukkan tidak ada kemiripan. Metode ini biasanya digunakan untuk membandingkan dokumen berdasarkan konten kata.
Algoritma fonetik: Teknik ini, seperti Soundex atau Metaphone, mengenkode kata berdasarkan pengucapannya. Hal ini membantu menemukan kata-kata yang terdengar mirip meskipun dieja berbeda, seperti "Smith" dan "Smyth".

Dengan menggunakan jenis konsep ini, mesin telusur fuzzy dapat mengurutkan potensi kecocokan berdasarkan kemiripan dengan kueri asli sehingga membantu pengguna melihat berbagai hasil yang relevan, meskipun mengandung sedikit variasi dari istilah penelusurannya.

Mengapa penelusuran fuzzy itu penting?

Seiring bertambah besarnya set data dan input pengguna yang semakin beragam, penelusuran fuzzy menawarkan pendekatan yang penting untuk mengambil informasi secara efektif. Model data dapat membantu menjembatani perbedaan antara berbagai cara pengguna berkomunikasi (atau melakukan penelusuran), dan cara data disusun dan disimpan.

Berikut alasan mengapa penelusuran fuzzy bisa saja penting:

Kemudahan penggunaan: Penelusuran fuzzy mengakomodasi kesalahan ketik, variasi kata, atau salah eja, sehingga memudahkan pengguna untuk menemukan hal yang mereka perlukan tanpa perlu mengetahui ejaan atau ungkapan persisnya. Hal ini dapat menghasilkan pengalaman penelusuran yang lebih lancar dan cepat.
Peningkatan relevansi penelusuran: Dengan mempertimbangkan variasi dan sinonim, penelusuran fuzzy akan menampilkan lebih banyak hasil penelusuran yang relevan yang mungkin tidak ditemukan oleh penelusuran pencocokan sesuai.
Peningkatan visibilitas data: Dalam set data besar dengan potensi inkonsistensi atau variasi dalam entri data, penelusuran fuzzy membantu mengungkap hubungan tersembunyi dan mengambil informasi relevan yang mungkin terlewatkan.

Apa perbedaan antara penelusuran sesuai dan penelusuran fuzzy?

Perbedaan mendasar antara penelusuran sesuai dan penelusuran fuzzy terletak pada cara keduanya menangani variasi dalam data. Mari kita lihat perbedaan utamanya:

	Penelusuran sesuai	Penelusuran fuzzy
Kriteria yang cocok	Memerlukan kecocokan karakter demi karakter yang sesuai	Memungkinkan kesalahan ketik, variasi, dan pencocokan parsial
Cakupan penelusuran	Lebih spesifik, hanya menampilkan hasil yang akurat	Lebih luas, mengambil lebih banyak hasil
Kasus penggunaan	Situasi yang menuntut akurasi yang ketat, seperti katalog produk atau database di industri yang memiliki peraturan ketat	Skenario yang membutuhkan fleksibilitas dan toleransi error merupakan hal yang penting, seperti kotak penelusuran di situs besar

Penelusuran sesuai

Penelusuran fuzzy

Kriteria yang cocok

Memerlukan kecocokan karakter demi karakter yang sesuai

Memungkinkan kesalahan ketik, variasi, dan pencocokan parsial

Cakupan penelusuran

Lebih spesifik, hanya menampilkan hasil yang akurat

Lebih luas, mengambil lebih banyak hasil

Kasus penggunaan

Situasi yang menuntut akurasi yang ketat, seperti katalog produk atau database di industri yang memiliki peraturan ketat

Skenario yang membutuhkan fleksibilitas dan toleransi error merupakan hal yang penting, seperti kotak penelusuran di situs besar

Memahami perbedaan antara penelusuran sesuai dan penelusuran fuzzy sangatlah penting untuk memilih teknik yang tepat untuk suatu tugas. Meskipun penelusuran sesuai cocok untuk situasi yang memerlukan presisi tinggi, penelusuran fuzzy sangat cocok untuk menangani variasi atau kesalahan pengguna dan menemukan informasi yang relevan meskipun tidak konsisten.

Contoh penelusuran fuzzy

Untuk mengilustrasikan penerapan praktisnya, mari kita pelajari beberapa contoh cara penelusuran fuzzy membantu mencocokkan maksud pengguna di balik berbagai kueri penelusuran dengan hasil penelusuran yang relevan.

Kesalahan ketik

Pengguna menelusuri: "pai aple"
Penelusuran fuzzy menemukan: "pai apel"

Dalam kasus ini, meskipun ada kesalahan ketik, algoritma penelusuran fuzzy mengenali maksud pengguna dan menampilkan resep yang diinginkan untuk pai apel. AI memahami bahwa "aple" kemungkinan merupakan kesalahan pengejaan dari "apel" dan memprioritaskan hasilnya.

Bentuk jamak dan tunggal

Pengguna menelusuri: "resep"
Penelusuran fuzzy menemukan: "resep"

Penelusuran fuzzy menangani variasi dalam bentuk jamak dengan lancar. Baik pengguna menelusuri bentuk tunggal atau jamak, mesin telusur akan secara cerdas mengambil hasil yang cocok dengan makna yang dimaksud sehingga memastikan pengguna menemukan resep apa pun pendekatan gramatikalnya.

Sinonim

Pengguna menelusuri: "ide hidangan cepat saji"
Penelusuran fuzzy menemukan: "resep makan malam mudah"

Kemampuan untuk menafsirkan sinonim dapat memperluas cakupan penelusuran. Mesin pencari mengenali bahwa "ide hidangan cepat saji" dan "resep makan malam mudah" secara konseptual mirip dan memberikan hasil yang relevan untuk keduanya, sehingga memperluas kemungkinan yang ada di luar kata kunci literal yang digunakan.

Stemming

Pengguna menelusuri: "sepatu lari"
Penelusuran fuzzy menemukan: "sepatu lari"

Algoritma sering kali menggunakan stemming, yang mengurangi kata ke bentuk dasar atau akarnya. Hal ini memungkinkan penelusuran untuk mencocokkan "sepatu lari" dengan "sepatu berlari," meskipun kata-katanya berbeda secara tata bahasa sehingga memastikan pengguna menemukan produk yang relevan terlepas dari variasi kecilnya.

Singkatan

Pengguna menelusuri: "AS"
Penelusuran fuzzy menemukan: "Amerika Serikat"

Sistem ini menangani singkatan dengan baik, misalnya mengenali bahwa "AS" merujuk pada "Amerika Serikat". Kemampuan ini sangat berguna di database dan mesin telusur yang sering menggunakan singkatan untuk mempersingkat.

Bagaimana penelusuran fuzzy diterapkan?

Menerapkan penelusuran fuzzy biasanya melibatkan langkah-langkah berikut:

Pemrosesan data: Langkah ini melibatkan pembersihan dan standardisasi data hingga tingkat tertentu. Hal ini dapat mencakup pengubahan teks menjadi huruf kecil, penghapusan tanda baca, atau penerapan teknik stemming. Meskipun pencarian fuzzy menoleransi variasi, prapemrosesan dasar dapat meningkatkan efisiensinya.
Pembuatan indeks: Data yang telah diproses akan dibuat indeksnya, yang sering kali menggunakan struktur data khusus seperti indeks terbalik atau struktur pohon trie. Struktur ini memungkinkan pengambilan cepat dari potensi kecocokan untuk kueri tertentu.
Perhitungan kemiripan: Saat pengguna mengirimkan kueri, algoritma penelusuran fuzzy menghitung skor kemiripan antara kueri dan data yang diindeks. Hal ini melibatkan penggunaan algoritma seperti jarak Levenshtein, kemiripan kosinus, atau algoritma fonet untuk mengukur tingkat kecocokan.
Peringkat dan pengambilan: Kecocokan potensial diurutkan berdasarkan skor kemiripan, dan hasil peringkat teratas diambil dan ditampilkan kepada pengguna.

Bagaimana Vertex AI memanfaatkan penelusuran fuzzy?

Meskipun penerapan spesifiknya dapat bervariasi tergantung pada aplikasi, Vertex AI Google Cloud dapat memanfaatkan teknik penelusuran fuzzy dalam alur kerja machine learning untuk meningkatkan akurasi model dan menangani data yang berisi banyak kendala atau tidak konsisten. Misalnya, pencocokan fuzzy dapat meningkatkan kualitas rekayasa fitur dengan mengelompokkan titik data yang serupa atau dengan mengidentifikasi dan memperbaiki error dalam set data pelatihan.

Langkah selanjutnya

Mulailah membangun solusi di Google Cloud dengan kredit gratis senilai $300 dan lebih dari 20 produk yang selalu gratis.