Pencarian Tradisional vs Pencarian Berbasis LLM

Table of Contents

Dimensi	Pencarian Tradisional (Berbasis Kata Kunci)	Pencarian Berbasis LLM (Generatif)
Tujuan Utama	Pengambilan Informasi: Mengembalikan daftar dokumen relevan yang sudah ada dan telah diperingkat.	Pembuatan Informasi: Membuat jawaban baru yang disintesis dan bersifat percakapan untuk sebuah kueri.
Teknologi Inti	Crawling, Indexing, dan Algoritma Peringkat (contoh: PageRank).	Model Bahasa Prediktif dan Retrieval-Augmented Generation (RAG).
Sumber Data	Indeks web publik yang terus diperbarui.	Kombinasi data pelatihan statis dan pengambilan data langsung dari basis pengetahuan eksternal (termasuk web).
Input Pengguna	Terutama kata kunci dan frasa pendek.	Pertanyaan dalam bahasa alami dan perintah percakapan yang kompleks.
Format Output	Daftar tautan biru (SERP) dengan cuplikan (snippets).	Jawaban langsung dalam bentuk paragraf, seringkali dengan kutipan dan anjuran tindak lanjut.
Interaksi Pengguna	Navigasi dan Transaksional: Pengguna mengklik tautan untuk meninggalkan mesin pencari dan mengunjungi situs web.	Percakapan dan Informasi: Pengguna terlibat dalam dialog, menyempurnakan pertanyaan tanpa meninggalkan antarmuka.
Target Optimisasi	Kata kunci, backlink, dan sinyal pada halaman untuk menentukan peringkat URL tertentu.	Entitas, topik, data terstruktur, dan sinyal E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) untuk konten yang dikutip dalam jawaban.

Tabel di atas membandingkan dua jenis teknologi pencarian: pencarian tradisional yang kita kenal melalui mesin pencari seperti Google dan Bing selama bertahun-tahun, dan pencarian berbasis LLM (Large Language Model) yang merupakan teknologi lebih baru yang mendukung fitur seperti jawaban generatif di Gemini, ChatGPT, atau Copilot.

Berikut adalah penjelasan mendalam untuk setiap dimensinya:

1. Tujuan Utama

• Pencarian Tradisional: Tujuannya adalah menjadi "pustakawan digital". Anda memberikan kata kunci, dan ia akan mencarikan "buku" (halaman web) yang paling relevan dari koleksinya yang sangat besar. Hasilnya adalah daftar tautan yang perlu Anda saring sendiri untuk menemukan jawaban.
• Pencarian Berbasis LLM: Tujuannya lebih seperti bertanya kepada "asisten ahli". Alih-alih hanya memberi Anda daftar sumber, ia mencoba memahami pertanyaan Anda, mengambil informasi dari berbagai sumber, mensintesisnya, dan memberikan jawaban langsung dalam format yang mudah dipahami. Tujuannya adalah menciptakan informasi baru (jawaban yang koheren) dari informasi yang sudah ada.

2. Teknologi Inti

• Pencarian Tradisional: Prosesnya terdiri dari tiga langkah utama:
• Crawling: "Laba-laba" (bot) mesin pencari menjelajahi internet untuk menemukan konten baru.
• Indexing: Konten yang ditemukan disimpan dan diatur dalam database raksasa (indeks).
• Ranking: Ketika Anda mencari sesuatu, algoritma seperti PageRank Google akan menilai dan mengurutkan miliaran halaman dalam indeks berdasarkan relevansi dan otoritas untuk memberikan hasil terbaik.
• Pencarian Berbasis LLM: Menggunakan teknologi yang berbeda:
• Model Bahasa Prediktif: LLM seperti GPT-4 atau LaMDA dilatih pada dataset teks dan kode yang sangat besar untuk memahami dan menghasilkan bahasa manusia.
• Retrieval-Augmented Generation (RAG): Ini adalah teknik kunci. Saat Anda bertanya, model tidak hanya mengandalkan pengetahuannya yang sudah ada (data pelatihan). Ia secara aktif "mengambil" (retrieve) informasi terkini dari basis pengetahuan eksternal (seperti web) dan kemudian "membangkitkan" (generate) jawaban berdasarkan informasi yang baru ditemukannya. Ini membantu mengurangi halusinasi (informasi yang salah) dan memastikan jawaban lebih relevan dan akurat.

3. Sumber Data

• Pencarian Tradisional: Bergantung sepenuhnya pada indeks web publik yang terus-menerus diperbarui oleh proses crawling. Jika suatu halaman tidak ada di indeks, ia tidak akan muncul di hasil pencarian.
• Pencarian Berbasis LLM: Menggunakan dua jenis sumber data:
• Data Pelatihan Statis: Pengetahuan "bawaan" model dari data yang digunakan saat pelatihannya. Pengetahuan ini bisa menjadi usang.
• Pengambilan Langsung: Melalui RAG, model dapat mengakses informasi real-time dari internet atau database lainnya, sehingga jawabannya bisa lebih mutakhir daripada pengetahuan statisnya.

4. Input Pengguna

• Pencarian Tradisional: Pengguna telah dilatih untuk menggunakan "bahasa mesin pencari"—kata kunci pendek dan spesifik untuk mendapatkan hasil terbaik. Contoh: "restoran italia terbaik jakarta".
• Pencarian Berbasis LLM: Dirancang untuk memahami bahasa manusia sehari-hari. Anda bisa bertanya dengan kalimat lengkap dan kompleks, seolah-olah berbicara dengan orang lain. Contoh: "Bisakah kamu merekomendasikan restoran Italia di Jakarta yang cocok untuk makan malam romantis dengan anggaran di bawah 500 ribu per orang?"

5. Format Output

• Pencarian Tradisional: Hasilnya adalah SERP (Search Engine Results Page)—halaman yang didominasi oleh daftar 10 tautan biru, masing-masing dengan cuplikan singkat (snippet) dari konten halaman tersebut.
• Pencarian Berbasis LLM: Memberikan jawaban langsung dalam bentuk paragraf atau daftar yang mudah dibaca. Seringkali, jawaban ini menyertakan kutipan ke sumber aslinya dan saran pertanyaan lanjutan untuk mendorong dialog yang lebih dalam.

6. Interaksi Pengguna

• Pencarian Tradisional: Interaksinya bersifat transaksional. Anda melihat daftar hasil, mengklik tautan, mengunjungi situs web lain, lalu kembali ke hasil pencarian jika tidak puas. Prosesnya adalah bolak-balik antara mesin pencari dan situs web lain.
• Pencarian Berbasis LLM: Interaksinya bersifat percakapan. Anda bisa tetap berada di antarmuka yang sama untuk bertanya, mendapatkan jawaban, dan mengajukan pertanyaan lanjutan untuk menyempurnakan atau memperdalam informasi tanpa harus membuka banyak tab.

7. Target Optimisasi

• Pencarian Tradisional (SEO Tradisional): Untuk membuat sebuah halaman web berperingkat tinggi, para profesional SEO (Search Engine Optimization) fokus pada:
• Kata Kunci: Memastikan halaman berisi kata kunci yang relevan.
• Backlink: Mendapatkan tautan dari situs web lain yang berkualitas untuk membangun otoritas.
• Sinyal pada Halaman: Faktor teknis seperti kecepatan situs, struktur judul, dll.
• Pencarian Berbasis LLM (SEO Generatif): Aturan mainnya sedikit berubah. Yang menjadi penting adalah:
• Entitas dan Topik: Seberapa baik konten Anda mencakup suatu entitas (orang, tempat, benda) atau topik secara mendalam.
• Data Terstruktur: Menggunakan markup skema untuk membantu mesin pencari memahami konten Anda dengan lebih baik.
• E-E-A-T (Pengalaman, Keahlian, Otoritas, Kepercayaan): Sinyal yang menunjukkan bahwa konten Anda dibuat oleh sumber yang tepercaya dan ahli di bidangnya. Mesin pencari generatif cenderung mengutip dari sumber yang paling dapat diandalkan.