Implementasi Vector Search menggunakan SBERT dan Qdrant untuk pencarian Trade Agreement

⭐ Ken, Kevin (2026) Implementasi Vector Search menggunakan SBERT dan Qdrant untuk pencarian Trade Agreement. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (237kB)
	PDF BAB_II.pdf Download (369kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (639kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (239kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (239kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (892kB)
	Archive (ZIP) 00000067060_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Dokumen Regional Trade Agreement (RTA) memiliki volume dan variasi terminologi hukum yang kompleks, sehingga pencarian berbasis kata kunci pada platform legal.tina.trade berpotensi menimbulkan vocabulary gap. Penelitian ini bertujuan mengimplementasikan sistem vector search menggunakan model Sentence Bidirectional Encoder Representations from Transformers (SBERT) dan vector database Qdrant untuk pencarian provisi dokumen RTA. Tahapan sistem mencakup preprocessing, chunking, pembuatan embedding dengan SBERT, penyimpanan ke Qdrant, serta pencarian berbasis cosine similarity. Evaluasi akurasi menggunakan metrik Normalized Discounted Cumulative Gain at K (NDCG@K), dengan Ground Truth-filtered NDCG@30 (GT-filtered NDCG@30) untuk konfigurasi sistem dan NDCG@5 untuk perbandingan dengan legal.tina.trade. Hasil pengujian menunjukkan konfigurasi Hierarchical Navigable Small World (HNSW) terbaik (M = 8, ef construct = 400, hnsw ef = 256, limit = 100) menghasilkan rata-rata GT-filtered NDCG@30 sebesar 0,7593. Metode hybrid chunking memperoleh nilai 0,8196, lebih tinggi dari recursive chunking (0,7529), sedangkan fitur negasi meningkatkan nilai dari 0,6484 menjadi 0,6859. Pada perbandingan akhir, sistem vector search mencapai rata-rata NDCG@5 sebesar 0,7891, mengungguli legal.tina.trade yang hanya sebesar 0,4119. Kesimpulannya, pendekatan vector search mampu menghasilkan peringkat dokumen yang lebih relevan dan menangkap konteks kueri pengguna dengan lebih baik.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ken, Kevin (00000067060)
Contributors:	Kurniawan, Vincentius (0308079501)
Keywords:	Cosine Similarity, Normalized Discounted Cumulative Gain at K, Qdrant, Regional Trade Agreement, Sentence-BERT, Vector Search
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47924

Actions (login required)

View Item