P-10 RAG Embedding dan Vector Database

evaluasi_retrieval.py

@@ -14,26 +14,47 @@ MODEL_EMBEDDING = "paraphrase-multilingual-MiniLM-L12-v2"
 
 # ==========================================
 # 15 PERTANYAAN PENGUJIAN
-# GANTI PERTANYAAN DAN KATA KUNCI
+# Berdasarkan materi PDF yang digunakan
-# SESUAI ISI PDF YANG KAMU GUNAKAN.
 # ==========================================
 
 UJI = [
-    ("Pertanyaan 1 dari dokumen", "kata kunci jawaban 1"),
+    ("Apa kepanjangan dari LLM?", "Large Language Model"),
-    ("Pertanyaan 2 dari dokumen", "kata kunci jawaban 2"),
+
-    ("Pertanyaan 3 dari dokumen", "kata kunci jawaban 3"),
+    ("Bagaimana cara kerja Bag-of-Words?", "frekuensi kata"),
-    ("Pertanyaan 4 dari dokumen", "kata kunci jawaban 4"),
+
-    ("Pertanyaan 5 dari dokumen", "kata kunci jawaban 5"),
+    ("Apa kelemahan Bag-of-Words?", "tidak memahami urutan panjang"),
-    ("Pertanyaan 6 dari dokumen", "kata kunci jawaban 6"),
+
-    ("Pertanyaan 7 dari dokumen", "kata kunci jawaban 7"),
+    ("Apa fungsi Word Embedding?", "vektor"),
-    ("Pertanyaan 8 dari dokumen", "kata kunci jawaban 8"),
+
-    ("Pertanyaan 9 dari dokumen", "kata kunci jawaban 9"),
+    ("Apa contoh metode Word Embedding?", "Word2vec"),
-    ("Pertanyaan 10 dari dokumen", "kata kunci jawaban 10"),
+
-    ("Pertanyaan 11 dari dokumen", "kata kunci jawaban 11"),
+    ("Apa itu RNN dan LSTM?", "RNN / LSTM"),
-    ("Pertanyaan 12 dari dokumen", "kata kunci jawaban 12"),
+
-    ("Pertanyaan 13 dari dokumen", "kata kunci jawaban 13"),
+    ("Apa mekanisme yang digunakan Transformer?", "self-attention"),
-    ("Pertanyaan 14 dari dokumen", "kata kunci jawaban 14"),
+
-    ("Pertanyaan 15 dari dokumen", "kata kunci jawaban 15"),
+    ("Apa judul penelitian yang memperkenalkan Transformer?",
+     "Attention Is All You Need"),
+
+    ("Apa contoh model pada era pre-training skala besar?",
+     "BERT, GPT-2, GPT-3"),
+
+    ("Apa kemampuan GPT-3 yang ditunjukkan dalam materi?",
+     "few-shot"),
+
+    ("Apa yang dimaksud dengan RAG?",
+     "kumpulan dokumen"),
+
+    ("Kapan RAG tepat digunakan?",
+     "sering berubah"),
+
+    ("Apa kelemahan memasukkan seluruh dokumen ke prompt?",
+     "context window"),
+
+    ("Apa teknik yang digunakan untuk memberikan contoh kepada model?",
+     "Few-shot"),
+
+    ("Apa materi utama pada P-10?",
+     "Embedding & Vector Database"),
 ]
 
 
@@ -42,6 +63,7 @@ UJI = [
 # ==========================================
 
 def hubungkan_database(ukuran):
+
     client = chromadb.PersistentClient(
         path=FOLDER_DATABASE
     )
@@ -67,6 +89,7 @@ def hubungkan_database(ukuran):
 # ==========================================
 
 def evaluasi(koleksi, k):
+
     benar = 0
     total_reciprocal_rank = 0
 
@@ -88,16 +111,24 @@ def evaluasi(koleksi, k):
 
         peringkat_benar = None
 
-        for nomor, dokumen in enumerate(daftar_dokumen, start=1):
+        for nomor, dokumen in enumerate(
+            daftar_dokumen,
+            start=1
+        ):
+
             if kata_kunci.lower() in dokumen.lower():
+
                 peringkat_benar = nomor
                 break
 
         if peringkat_benar is not None:
+
             benar += 1
+
             total_reciprocal_rank += 1 / peringkat_benar
 
     hit = benar / len(UJI)
+
     mrr = total_reciprocal_rank / len(UJI)
 
     return hit, mrr
@@ -108,25 +139,33 @@ def evaluasi(koleksi, k):
 # ==========================================
 
 def jalankan_evaluasi():
+
     print("\n===== EVALUASI RETRIEVAL RAG =====")
 
     print("Jumlah pertanyaan:", len(UJI))
 
     print("\nHasil perbandingan ukuran chunk:")
+
     print("-----------------------------------------------")
+
     print("Ukuran | Hit@1 | Hit@3 | Hit@5 | MRR")
+
     print("-----------------------------------------------")
 
     for ukuran in [500, 1000, 1500]:
 
         try:
+
             koleksi = hubungkan_database(ukuran)
 
             hasil_1, mrr_1 = evaluasi(koleksi, 1)
+
             hasil_3, mrr_3 = evaluasi(koleksi, 3)
+
             hasil_5, mrr_5 = evaluasi(koleksi, 5)
 
-            # MRR dihitung menggunakan hasil top-5.
+            # MRR ditampilkan berdasarkan hasil top-5.
+
             print(
                 f"{ukuran:6} | "
                 f"{hasil_1:.2f}  | "
@@ -136,12 +175,20 @@ def jalankan_evaluasi():
             )
 
         except Exception as error:
+
             print(f"Chunk {ukuran}: gagal dievaluasi.")
+
             print("Keterangan:", error)
 
     print("-----------------------------------------------")
+
     print("Evaluasi selesai.")
 
 
+# ==========================================
+# MENJALANKAN PROGRAM
+# ==========================================
+
 if __name__ == "__main__":
+
     jalankan_evaluasi()