Pertemuan 10: RAG Part 1 - Embedding & Vector Database

Repositori ini berisi implementasi praktikum Retrieval-Augmented Generation (RAG) Bagian 1 untuk mata kuliah Kecerdasan Buatan (Artificial Intelligence). Proyek ini berfokus pada tahapan krusial sebelum generasi teks oleh LLM, yaitu: pemotongan teks (chunking), pembuatan vector embedding, penyimpanan ke dalam vector database (ChromaDB), pencarian semantik (semantic search), hingga evaluasi performa pengambilan dokumen menggunakan metrik $\text{Hit}@k$.

4. Penjelasan Kode (rag_lab_runner.py)

Skrip rag_lab_runner.py dibagi menjadi beberapa modul fungsional:

1. Fungsi Utilitas (baca_pdf & potong):

   • baca_pdf(path): Membaca seluruh halaman file PDF dan menggabungkannya menjadi satu string utuh.
   • potong(teks, ukuran, tumpang): Memotong teks menjadi bagian-bagian (chunks) berukuran tetap (ukuran) dengan pergeseran karakter sebesar \text{step} = \text{ukuran} - \text{tumpang} untuk menjaga konteks antarpotongan (overlap).

2. Lab 1 (run_lab1):

   • Mengekstrak teks dari salah satu dokumen (Code of Conduct.pdf) dan membandingkan jumlah chunk yang dihasilkan pada tiga konfigurasi: (500, 50), (1000, 100), dan (1500, 150).
   • Melakukan inspeksi pemotongan kalimat (cutoff check) dengan memeriksa apakah suatu chunk diawali huruf kecil (starts_mid) atau tidak diakhiri tanda baca akhir kalimat .!? (ends_mid).

3. Lab 2 (setup_collection & run_lab2):

   • Membuat koleksi vektor di ChromaDB (pedoman_500 dan pedoman_1000) menggunakan metrik cosine distance.
   • Menguji pencarian menggunakan 5 kueri standar (mengambil top-3 tetapi menampilkan hasil teratas beserta skor jaraknya) dan 2 kueri parafrase untuk menguji pemahaman semantik model ketika kata kunci eksak tidak digunakan.

4. Lab 3 (hit_at_k & run_lab3):

   • Mengevaluasi performa sistem menggunakan 15 pasangan kueri dan kata kunci target (TEST_SET).
   • Menghitung nilai \text{Hit}@k untuk k \in \{1, 3, 5\} dengan rumus: \text{Hit}@k = \frac{\text{Jumlah kueri yang kata kuncinya ditemukan pada top-}k\text{ chunks}}{\text{Total kueri pengujian } (N = 15)}
   • Menampilkan analisis kegagalan (Miss Analysis) pada kueri yang gagal ditemukan di urutan pertama (k=1).

---

5. Hasil Eksperimen & Pembahasan Output

Berikut adalah hasil eksekusi program di Windows PowerShell beserta analisis untuk masing-masing laboratorium.

---

Lab 1: Chunking Experiment

Pada tahap ini, program membaca file Code of Conduct.pdf yang memiliki total panjang 2.015 karakter.

Gambar 1: Pembacaan karakter awal PDF, perbandingan jumlah chunk pada 3 konfigurasi, dan sampel ukuran 500.

Gambar 2: Pemeriksaan kalimat terpotong (cutoff check) pada sampel ukuran 500, 1000, dan 1500.

Gambar 3: Detail akhir pemeriksaan sampel pada konfigurasi chunk 1500.

Analisis Hasil Lab 1:

1. Perbandingan Jumlah Chunk:

   • Ukuran 500 (overlap 50): Menghasilkan 5 chunks.
   • Ukuran 1000 (overlap 100): Menghasilkan 3 chunks.
   • Ukuran 1500 (overlap 150): Menghasilkan 2 chunks.
   • Semakin kecil ukuran chunk, semakin banyak jumlah potongan dokumen yang disimpan di database, namun informasi di tiap chunk menjadi lebih spesifik.

2. Fenomena Kalimat Terpotong (Truncated Sentences):

   • Karena metode yang digunakan adalah fixed-size character chunking (memotong tepat pada hitungan karakter ke-N tanpa memedulikan batas kata atau kalimat), hampir seluruh sampel memiliki status Ends mid-sentence=True dan sebagian besar Starts mid-sentence=True.
   • Contoh nyata terlihat pada Chunk Size 500 Sample 1 yang terpotong tepat di tengah kata: ...Employees are ex, serta Sample 3 yang diawali potongan kata st... dan diakhiri ...softwar.
   • Solusi Mitigasi: Penggunaan overlap (tumpang) sebesar 10% sangat membantu agar kata atau kalimat yang terbelah di ujung suatu chunk tetap utuh di bagian awal chunk berikutnya.

---

Lab 2: Build Index & Search

Pada Lab 2, pencarian dilakukan terhadap koleksi pedoman_500 (ukuran chunk 500 karakter). Jarak dihitung menggunakan Cosine Distance (semakin kecil nilai distance mendekati 0, semakin mirip/relevan dokumen tersebut dengan kueri).

Gambar 4: Hasil pengujian 5 kueri standar dan 2 kueri parafrase pada koleksi ChromaDB.

Analisis Hasil Lab 2:

1. Pengujian 5 Kueri Standar: Seluruh kueri standar berhasil memetakan pencarian ke dokumen PDF yang tepat dengan jarak cosine yang rendah (0.3113 hingga 0.4653):

   • Kueri panjang password \rightarrow Data Protection Policy.pdf | chunk 2 (distance: 0.3603), langsung memuat jawaban "at least 12 cha[racters]".
   • Kueri pelecehan & diskriminasi \rightarrow Code of Conduct.pdf | chunk 1 (distance: 0.3113 - kemiripan tertinggi).
   • Kueri tempat penyimpanan data elektronik \rightarrow Data Protection Policy.pdf | chunk 1 (distance: 0.3670).

2. Pengujian 2 Kueri Parafrase (Semantic vs Keyword):

   • Kueri 1: "Can I log in using a free cafe internet connection?" (Target maksud: Kebijakan kerja jarak jauh / penggunaan VPN di Wi-Fi publik).
     • Hasil: Mengambil Remote Work Policy.pdf | chunk 3 (distance: 0.6669). Meskipun di kueri menggunakan istilah "free cafe internet", model embedding memahami konteksnya berkaitan dengan remote work.
   • Kueri 2: "What is the penalty if I take a second job or outside gig?" (Target maksud: Konflik kepentingan / sanksi pekerjaan sampingan).
     • Hasil: Mengambil Code of Conduct.pdf | chunk 4 (distance: 0.6437) yang membahas sanksi mulai dari pelatihan wajib hingga pemutusan hubungan kerja (termination of employment).
   • Skor jarak pada kueri parafrase (\approx 0.64 - 0.66) lebih besar dibandingkan kueri standar (\approx 0.31 - 0.46) karena tidak adanya kesamaan leksikal (kata per kata), namun pencarian vektor tetap mampu mengarahkan ke dokumen yang berkaitan.

---

Lab 3: Measure Hit@k Evaluation

Pada Lab 3, dilakukan pengujian kuantitatif menggunakan 15 kueri (TEST_SET) untuk membandingkan performa antara Collection (size=500) dan Collection (size=1000).

Gambar 5: Tabel hasil evaluasi metrik Hit@1, Hit@3, Hit@5 beserta analisis kegagalan (Miss Analysis) pada k=1.

Tabel Ringkasan Evaluasi \text{Hit}@k

Collection	\text{Hit}@1	\text{Hit}@3	\text{Hit}@5
Collection (size=500)	0.80 (12/15)	1.00 (15/15)	1.00 (15/15)
Collection (size=1000)	0.80 (12/15)	0.93 (14/15)	0.93 (14/15)

Analisis Hasil Lab 3:

1. Perbandingan Ukuran Chunk (500 vs 1000):

   • Pada $k=1$, kedua koleksi sama-sama mencapai akurasi 0.80 (80\%), artinya 12 dari 15 pertanyaan langsung menemukan jawaban di urutan paling atas (top-1).
   • Pada k=3 dan $k=5$, koleksi size=500 unggul mutlak dengan skor sempurna 1.00 (100\%), sedangkan size=1000 tertahan di 0.93 (93\%).
   • Mengapa size=500 lebih baik? Chunk yang lebih kecil memiliki representasi vektor (embedding) yang lebih terfokus pada satu topik spesifik. Pada size=1000, satu chunk memuat banyak sub-bab sekaligus sehingga makna vektornya menjadi "tercampur" (diluted embedding), yang menyebabkan informasi spesifik lebih sulit menempati peringkat teratas.

2. Analisis Kegagalan (Miss Analysis) pada size=500 saat k=1: Terdapat 3 kueri yang meleset di peringkat ke-1 (namun berhasil ditemukan ketika cakupan diperluas ke k=3):

   • Miss 1: 'What is required before connecting to public Wi-Fi?' (Target: 'VPN')
     • Penyebab: Top-1 justru mengambil Data Protection Policy.pdf tentang akses data umum, karena kata "connecting" dan "required" memiliki kedekatan semantik umum dengan aturan akses data. Potongan tentang VPN berada di urutan ke-2 atau ke-3.
   • Miss 2: 'What should be done with sensitive paper documents?' (Target: 'shredded')
     • Penyebab: Kata "sensitive ... documents" sangat dominan beririsan dengan bagian awal aturan penyimpanan data di Data Protection Policy.pdf (urutan ke-1), sementara instruksi penghancuran kertas (shredded) berada di chunk selanjutnya.
   • Miss 3: 'What disciplinary actions can follow policy violations?' (Target: 'termination')
     • Penyebab: Kueri ini mengambil Code of Conduct.pdf | chunk 1 tentang perilaku profesional di urutan pertama, sedangkan kata kunci 'termination' berada di bagian akhir dokumen (chunk 4).

---

6. Kesimpulan

1. Trade-off Ukuran Chunk: Metode fixed-size chunking dengan ukuran yang lebih kecil (chunk_size=500, overlap=50) memberikan presisi pengambilan (retrieval) yang lebih tinggi (\text{Hit}@3 = 1.00) dibandingkan ukuran besar (chunk_size=1000, \text{Hit}@3 = 0.93) pada dokumen kebijakan yang padat informasi.
2. Kelemahan Fixed-Size Splitting: Pemotongan berbasis jumlah karakter murni sering membelah kata dan kalimat di tengah jalan (Ends mid-sentence=True). Untuk pengembangan selanjutnya, metode ini dapat ditingkatkan menggunakan Recursive Character Text Splitter (memotong berdasarkan paragraf \n\n, kalimat . , lalu spasi).
3. Pentingnya Nilai k pada RAG: Mengandalkan hanya 1 dokumen teratas (k=1) berisiko kehilangan konteks penting (akurasi hanya 80\%). Dengan mengatur parameter pengambilan ke k=3 (n_results=3), sistem berhasil mencapai cakupan informasi 100\% untuk diteruskan ke Large Language Model (LLM).