Semantic Search Produk di ERP: Cari Barang Tanpa Hafal Nama Persis
Semantic search produk AI ERP adalah teknologi pencarian yang memahami makna di balik kata-kata, bukan sekadar mencocokkan teks secara harfiah. Sistem ini menggunakan vector embeddings — representasi numerik dari bahasa — untuk menemukan produk yang relevan secara kontekstual, bahkan ketika istilah yang diketik berbeda dari nama resmi di katalog. Di Erzap, teknologi ini dibangun di atas Qdrant vector database dan Gemini text embeddings sehingga pencarian produk dapat memahami sinonim, konteks, dan deskripsi fungsional secara otomatis.
⏱ Estimasi baca: 9 menit
⏱ Estimasi baca: 7 menit
Bayangkan dua bisnis distribusi dengan skala hampir sama dan jumlah SKU hampir identik. Yang satu stafnya masih bolak-balik tanya ke gudang setiap ada pesanan masuk — "nama produknya apa ya persis?" Yang satunya, staf cukup ketik baterai Samsung di sistem, dan semua varian relevan langsung muncul — termasuk produk yang namanya tidak mengandung kata "baterai" sama sekali. Perbedaannya bukan pada siapa yang lebih rajin menghafal, melainkan pada bagaimana sistem dirancang untuk memahami bahasa manusia.
Apa Itu Semantic Search dan Mengapa Berbeda dari Pencarian Biasa?
Pencarian konvensional bekerja dengan cara sederhana: sistem mencari teks yang persis sama atau mirip secara karakter dengan kata yang Anda ketikkan. Ketik "charger", sistem mencari produk yang namanya mengandung kata "charger". Jika produknya bernama "Adaptor USB-C 65W", mesin pencari biasa tidak akan menemukannya — karena tidak ada kata "charger" di sana.
Semantic search bekerja sebaliknya. Alih-alih membandingkan teks karakter per karakter, sistem ini mengubah setiap kata atau kalimat menjadi titik koordinat dalam ruang vektor berdimensi tinggi. Bayangkan semua kata dan konsep dipetakan dalam sebuah peta tiga dimensi yang sangat besar. Kata "charger", "adaptor", "pengisi daya", dan "power brick" semuanya berada di area yang berdekatan di peta itu karena maknanya saling berkaitan. Ketika Anda mengetik sebuah kueri, sistem tidak mencari kata yang sama — melainkan mencari titik-titik yang paling dekat secara makna.
Inilah lompatan dari sekadar string matching ke intent understanding: sistem memahami apa yang Anda maksud, bukan hanya apa yang Anda ketik.
Teknologi di Balik Semantic Search Produk
Ada dua komponen utama yang bekerja di balik layar sistem ini.
Text Embedding Model
Komponen pertama adalah text embedding model — dalam implementasi Erzap menggunakan Gemini dari Google. Model ini mengubah teks (nama produk, deskripsi, kategori, atribut) menjadi vektor numerik. Setiap produk di katalog direpresentasikan sebagai deretan angka yang mencerminkan maknanya secara semantik. Proses ini disebut embedding.
Vector Database (Qdrant)
Komponen kedua adalah vector database — menggunakan Qdrant, mesin pencari vektor berkinerja tinggi yang dirancang untuk menyimpan dan mengquery data vektor dalam skala besar. Ketika Anda mengetikkan kueri pencarian, sistem mengubah kueri tersebut menjadi vektor menggunakan model yang sama, lalu Qdrant mencari vektor produk yang paling "dekat" secara matematis — menggunakan metrik seperti cosine similarity.
Hasilnya: sistem menemukan produk yang fungsinya relevan, bukan hanya yang namanya mirip. Ketik "pelindung layar untuk tablet", sistem bisa menemukan "tempered glass 10 inci" meski tidak ada kata "pelindung" atau "tablet" di nama produk tersebut.
Cara Kerja Semantic Search di Erzap: Pipeline Lengkap
Secara teknis, infrastruktur semantic search di Erzap bekerja melalui tahapan berikut:
- Indexing produk: Setiap produk di katalog — nama, deskripsi, kategori, dan atribut — diproses melalui Gemini text embedding model untuk diubah menjadi vektor numerik.
- Penyimpanan vektor: Vektor-vektor ini disimpan di Qdrant vector database, yang dioptimalkan untuk pencarian kemiripan skala besar dengan latensi rendah.
- Pemrosesan kueri: Ketika Anda mengetik kueri pencarian, teks tersebut juga diubah menjadi vektor secara real-time menggunakan model yang sama.
- Pencarian kemiripan: Qdrant menghitung kedekatan antara vektor kueri dan seluruh vektor produk di database, lalu mengembalikan produk dengan skor kemiripan tertinggi.
- Hasil relevan: Anda melihat daftar produk yang relevan secara semantik — bukan hanya yang namanya cocok, tetapi yang maknanya paling dekat dengan apa yang dicari.
Proses ini terjadi dalam hitungan milidetik. Bagi staf di kasir atau bagian penjualan, pengalaman yang dirasakan sederhana: ketik apa yang Anda maksud, produk yang tepat muncul. Tidak perlu hafal kode SKU, tidak perlu tahu nama persis di katalog.
Contoh Pencarian Natural Language yang Didukung
- Nama umum berbeda dari nama resmi — "baterai tanam" menemukan "Li-Ion Battery Pack OEM"
- Fungsi atau kegunaan — "kabel yang bisa untuk charge dan transfer data"
- Kompatibilitas perangkat — "aksesori untuk tablet layar besar"
- Kategori umum tanpa tahu nama merek — "pelindung kamera belakang"
- Kombinasi atribut — "casing tipis warna hitam untuk laptop 15 inci"
Perbandingan: Pencarian Keyword vs Semantic Search
| Aspek | Pencarian Keyword Biasa | Semantic Search (AI ERP) |
|---|---|---|
| Cara kerja | Mencocokkan teks karakter per karakter | Membandingkan makna dan konteks via vektor |
| Pencarian sinonim | Tidak bisa — "charger" tidak menemukan "adaptor" | Bisa — mengenali kesamaan fungsi antar istilah |
| Pencarian deskriptif | Gagal jika deskripsi tidak ada di nama produk | Berhasil — memahami konteks dari kalimat panjang |
| Toleransi ejaan/variasi | Rendah — typo kecil bisa gagalkan pencarian | Tinggi — memahami maksud meski ada variasi penulisan |
| Staf baru | Harus hafal nama persis produk di katalog | Cukup deskripsikan produk dengan kata-kata sendiri |
| Skalabilitas katalog besar | Makin banyak SKU, makin sulit ditemukan | Performa tetap relevan di katalog ribuan SKU |
| Dependensi pada konvensi nama | Sangat tinggi — penamaan harus konsisten | Rendah — sistem memahami konteks meski nama berbeda |
Apakah Bisnis Distribusi Benar-Benar Perlu Semantic Search?
Kalau katalog produk Anda hanya 50 SKU, pencarian konvensional mungkin masih cukup. Tapi bisnis distribusi yang mengelola 3.000 hingga 10.000 SKU — angka yang sangat umum di segmen elektronik, spare part, atau FMCG — menghadapi tantangan berbeda. Nama produk menjadi labirin: kode part yang tidak intuitif, nama teknis yang berbeda dari nama pasar, variasi penulisan yang tidak konsisten antarpemasok.
Riset di berbagai platform e-commerce menunjukkan bahwa sekitar 30–40% sesi pencarian berakhir tanpa hasil, bukan karena produknya tidak ada, melainkan karena nama yang diketik tidak cocok dengan nama di katalog. Di konteks operasional dengan staf yang melayani banyak pesanan per hari, ini bukan gangguan kecil — ini adalah kehilangan efisiensi yang terukur: waktu terbuang untuk konfirmasi manual, potensi salah input, dan pelanggan yang menunggu.
Lebih jauh, staf baru di bisnis distribusi sering kesulitan karena belum hafal nama persis setiap produk di sistem. Dengan semantic search, kurva pembelajaran menjadi jauh lebih landai — mereka cukup mendeskripsikan produk dengan kata-kata yang mereka tahu, dan sistem yang akan menerjemahkan ke nama resmi di katalog. Erzap merancang fitur ini justru karena masalah ini terlalu sering muncul di klien distribusi dan retail skala menengah yang sudah mengelola 5.000 SKU ke atas.
Ilustrasi Kasus: Distributor Elektronik dengan Ribuan SKU
Skenario berikut adalah ilustrasi yang menggambarkan situasi nyata yang kerap ditemui di lapangan. Nama dan detail usaha bersifat fiktif, namun polanya sangat familiar.
Sebuah bisnis distribusi skala menengah di segmen elektronik dan aksesori gadget memiliki lebih dari 5.000 SKU aktif. Produk datang dari puluhan pemasok berbeda, dengan konvensi penamaan yang masing-masing berbeda pula — ada yang memakai kode pabrikan, ada yang pakai nama merek dagang, ada pula yang menggunakan deskripsi teknis dalam bahasa Inggris.
Masalah mulai terasa ketika staf bagian penjualan menerima pesanan dari pelanggan yang menyebutkan produk dengan nama umum: "baterai untuk Samsung Galaxy seri lama" atau "kabel data yang bisa ngisi cepat". Di sistem lama mereka, pencarian keyword tidak menemukan apa-apa jika staf tidak mengetik nama yang benar-benar persis sama dengan yang ada di katalog. Staf harus menelepon bagian gudang, atau scrolling manual melalui ratusan baris produk serupa.
Setelah beralih ke Erzap dan mengaktifkan fitur semantic search berbasis Qdrant dan Gemini, situasinya berubah signifikan. Staf kini cukup mengetik "baterai untuk Samsung Galaxy" di kolom pencarian — dan sistem menemukan produk-produk relevan: baterai OEM dengan kode part teknis, powerbank yang kompatibel, bahkan aksesori pengisian daya terkait. Semua ini meski tidak ada satu pun nama produk di katalog yang mengandung frasa tersebut secara harfiah. Waktu konfirmasi manual berkurang drastis, dan staf baru bisa mulai bekerja produktif dalam hitungan hari, bukan minggu.
FAQ: Semantic Search Produk di ERP
Apakah semantic search memerlukan konfigurasi khusus dari pengguna?
Secara umum tidak. Proses indexing produk ke vector database berjalan di infrastruktur Erzap. Anda tidak perlu mengonfigurasi model AI atau mengelola database vektor secara manual. Yang perlu diperhatikan adalah kualitas data produk: semakin lengkap deskripsi dan atribut produk di katalog, semakin akurat hasil pencariannya — karena model memiliki lebih banyak konteks untuk dipelajari.
Bagaimana jika nama produk di katalog sangat teknis atau menggunakan kode part?
Ini justru salah satu kasus penggunaan utama semantic search. Model embedding telah dilatih dengan korpus bahasa yang sangat luas, termasuk terminologi teknis. Ia memahami bahwa kode part tertentu berkaitan dengan kategori produk tertentu. Namun, menambahkan deskripsi singkat berbahasa Indonesia di setiap produk akan secara signifikan meningkatkan relevansi hasil pencarian — terutama ketika staf mencari dengan bahasa sehari-hari.
Apakah fitur ini tersedia untuk semua jenis bisnis di Erzap?
Fitur semantic search produk di Erzap dirancang sebagai bagian dari kapabilitas AI Agent dan Analitik, yang paling relevan untuk bisnis dengan katalog produk besar seperti distribusi, retail multi-SKU, dan toko elektronik. Bisnis yang paling merasakan dampaknya adalah yang memiliki ribuan SKU dengan konvensi penamaan tidak seragam, atau yang stafnya sering kesulitan menemukan produk yang tepat di sistem.
Apakah semantic search menggantikan pencarian keyword biasa?
Tidak sepenuhnya menggantikan — keduanya bisa bekerja bersama dalam pendekatan hybrid search. Pencarian keyword masih efektif ketika Anda tahu nama persis produk. Semantic search mengisi celah ketika pencarian keyword gagal: ketika nama tidak persis sama, ketika Anda mencari dengan deskripsi, atau ketika ada variasi istilah. Kombinasi keduanya memberikan pengalaman pencarian yang paling komprehensif.
Seberapa cepat hasil pencarian semantik muncul dibandingkan pencarian biasa?
Qdrant dirancang khusus untuk approximate nearest neighbor search dalam skala besar dengan latensi sangat rendah — umumnya di bawah 100 milidetik bahkan untuk database dengan jutaan vektor. Dalam konteks penggunaan di Erzap dengan katalog ribuan SKU, perbedaan kecepatan antara pencarian keyword dan semantic search praktis tidak terasa bagi pengguna akhir.
Relevansi untuk Bisnis Anda
Jika bisnis Anda mengelola katalog produk besar, memiliki staf yang sering kesulitan menemukan produk di sistem, atau kehilangan efisiensi karena pencarian yang gagal — pertanyaan yang layak diajukan adalah: seberapa banyak waktu operasional yang sebenarnya terbuang hanya untuk menemukan produk yang sudah ada di katalog?
Erzap, dengan pengalaman lebih dari 13 tahun melayani UKM Indonesia sejak 2013 dan lebih dari 5.000 pengguna aktif, membangun infrastruktur semantic search berbasis Qdrant dan Gemini karena masalah ini terlalu sering muncul di bisnis distribusi dan retail skala menengah. Fitur ini tersedia sebagai bagian dari ekosistem 17 modul terintegrasi Erzap yang dirancang untuk mendukung operasional bisnis yang lebih efisien.
Jika Anda ingin memahami lebih dalam bagaimana fitur ini bekerja dalam konteks operasional bisnis Anda, pertimbangkan untuk mencoba Erzap secara gratis dan lihat langsung bagaimana pencarian berbasis makna bisa mengubah cara tim Anda menemukan produk setiap hari.
