{"id":9700,"date":"2025-09-24T13:14:10","date_gmt":"2025-09-24T06:14:10","guid":{"rendered":"https:\/\/www.qiscus.com\/id\/?p=9700"},"modified":"2025-09-24T13:14:10","modified_gmt":"2025-09-24T06:14:10","slug":"rag-chunking-smarter-ai","status":"publish","type":"post","link":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/","title":{"rendered":"RAG &amp; Chunking: The Secret Behind Smarter AI"},"content":{"rendered":"\n<p>Meski Artificial Intelligence (AI) kian canggih, model bahasa masih sering kesulitan menangani konteks panjang dan informasi spesifik. Di sinilah Retrieval-Augmented Generation (RAG) dan strategi Chunking hadir sebagai \u2018senjata rahasia\u2019 yang membuat chatbot maupun sistem AI mampu memberi jawaban lebih relevan, akurat, dan sesuai kebutuhan.<\/p>\n\n\n\n<p>Pada sesi AI Insight kali ini, kami mengundang <em>Rahmad Afandi<\/em>, Tech Lead at Product Features Qiscus, untuk membagikan wawasannya mengenai <em>RAG &amp; Chunking: The Secret Behind Smarter AI<\/em>.<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<div class=\"cs-embed cs-embed-responsive\"><iframe loading=\"lazy\" title=\"AI Insight: RAG &amp; Chunking - the Secret Behind Smarter AI\" width=\"1200\" height=\"675\" src=\"https:\/\/www.youtube.com\/embed\/sjyfiRHbGlw?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/div>\n<\/div><\/figure>\n\n\n\n<p>Untuk penjelasan lebih lengkap, tonton video di atas dan baca ulasan detailnya pada artikel berikut.<\/p>\n\n\n\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_76 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Daftar Isi<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Content\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Apa_Itu_RAG_Retrieval-Augmented_Generation\" >Apa Itu RAG (Retrieval-Augmented Generation)?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Bagaimana_Retrieval-Augmented_Generation_RAG_Bekerja\" >Bagaimana Retrieval-Augmented Generation (RAG) Bekerja?<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#1_User_Query\" >1. User Query<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#2_Retrieval\" >2. Retrieval<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#3_Generation\" >3. Generation<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Memahami_Embeddings\" >Memahami Embeddings<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#1_Human_Text\" >1. Human Text<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#2_Embedding_Model\" >2. Embedding Model<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#3_Numerical_Vector\" >3. Numerical Vector<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Memahami_Chunking_dan_Perannya\" >Memahami Chunking dan Perannya<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#1_Tanpa_Chunking\" >1. Tanpa Chunking<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#2_Dengan_Chunking\" >2. Dengan Chunking<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Cara_Menemukan_Ukuran_Chunk_yang_Tepat\" >Cara Menemukan Ukuran Chunk yang Tepat<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-14\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#1_Panduan_Umum_Faktor_Penting\" >1. Panduan Umum &amp; Faktor Penting<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-15\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#2_Trade-off_dalam_Menentukan_Chunk_Size\" >2. Trade-off dalam Menentukan Chunk Size<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-16\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Mengenal_Vector_Search_dan_Perannya_dalam_RAG\" >Mengenal Vector Search dan Perannya dalam RAG<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-17\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#1_Query_Embedding\" >1. Query Embedding<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-18\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#2_Vector_Database\" >2. Vector Database<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-19\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#3_Similarity_Search\" >3. Similarity Search<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-20\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Memaksimalkan_RAG_dan_Chunking\" >Memaksimalkan RAG dan Chunking<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-21\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Konsep_RAG_Lebih_Lanjut\" >Konsep RAG Lebih Lanjut<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-22\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#1_Refining_Retrieval\" >1. Refining Retrieval<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-23\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#2_Flexible_Knowledge_Bases\" >2. Flexible Knowledge Bases<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-24\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#3_Challenges_and_the_Future_of_RAG\" >3. Challenges and the Future of RAG<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-25\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#Rahasia_di_Balik_AI_yang_Relevan_RAG_Chunking\" >Rahasia di Balik AI yang Relevan: RAG &amp; Chunking<\/a><\/li><\/ul><\/nav><\/div>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Apa_Itu_RAG_Retrieval-Augmented_Generation\"><\/span>Apa Itu RAG (Retrieval-Augmented Generation)?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>RAG adalah teknik AI yang menggabungkan dua komponen utama:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Retrieval<\/strong>: pencarian informasi dari knowledge base, dokumen internal, API, atau vector database (Qdrant, Pinecone, Weaviate, FAISS).<\/li>\n\n\n\n<li><strong>Generation<\/strong>: pemanfaatan informasi hasil retrieval sebagai <em>grounding context<\/em> oleh LLM untuk membentuk jawaban bahasa alami yang akurat.<\/li>\n<\/ul>\n\n\n\n<p>Pendekatan ini mengurangi halusinasi LLM dan meningkatkan kepercayaan pengguna karena jawaban berbasis data nyata.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Bagaimana_Retrieval-Augmented_Generation_RAG_Bekerja\"><\/span>Bagaimana Retrieval-Augmented Generation (RAG) Bekerja?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Retrieval-Augmented Generation (RAG) memungkinkan AI memberikan jawaban yang akurat melalui proses dua tahap: pencarian informasi (retrieval) dan generasi jawaban (generation). Dengan alur ini, AI tidak hanya menghasilkan teks yang terdengar alami, tetapi juga memastikan jawaban yang diberikan berbasis data nyata dan terkini.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_User_Query\"><\/span>1. User Query<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Proses dimulai ketika seorang pengguna mengajukan pertanyaan atau permintaan informasi kepada sistem AI. Pertanyaan ini bisa berupa apa saja, misalnya \u201cApa kebijakan refund terbaru perusahaan?\u201d atau \u201cApa manfaat dari obat X dalam studi klinis terbaru?\u201d.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Retrieval\"><\/span>2. Retrieval<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Setelah menerima query, sistem RAG melakukan pencarian pada knowledge base yang tersedia. Knowledge base ini bisa berupa dokumen internal perusahaan, database publikasi ilmiah, regulasi, artikel medis, hingga database vektor seperti Qdrant, Pinecone, atau Weaviate. Pada tahap ini, sistem mengekstrak informasi paling relevan untuk menjawab pertanyaan.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"3_Generation\"><\/span>3. Generation<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Informasi yang telah diambil kemudian diproses oleh Large Language Model (LLM). LLM menyatukan data hasil retrieval dengan konteks pertanyaan pengguna, lalu menghasilkan jawaban dalam bentuk bahasa alami yang jelas, koheren, dan mudah dipahami.<\/p>\n\n\n\n<p>Pendekatan hybrid RAG memastikan bahwa jawaban AI tidak hanya terstruktur dengan baik, tetapi juga berdasarkan fakta dan data terbaru. Artinya, RAG mampu menjembatani kekurangan LLM murni yang seringkali menghasilkan jawaban halusinatif atau tidak relevan.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Memahami_Embeddings\"><\/span>Memahami Embeddings<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Sebelum AI dapat \u201cmengerti\u201d atau melakukan pencarian berdasarkan teks, sistem perlu mengubah teks manusia ke dalam format yang bisa dipahami komputer. Format ini bukan berupa huruf atau kata, melainkan angka. Proses penting inilah yang disebut dengan Embeddings.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Human_Text\"><\/span>1. Human Text<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Setiap interaksi manusia dengan AI dimulai dari teks biasa, entah itu pertanyaan, instruksi, atau pernyataan. Namun, teks dalam bentuk aslinya tidak bisa langsung dipahami oleh komputer karena sistem AI bekerja dengan angka, bukan huruf atau kata. Karena itu, langkah pertama adalah menangkap teks manusia dalam bentuk kalimat asli untuk kemudian diproses lebih lanjut.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Embedding_Model\"><\/span>2. Embedding Model<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Di sinilah embedding model berperan. Model ini bertugas menerjemahkan teks manusia menjadi representasi numerik yang bisa dipahami komputer.<\/p>\n\n\n\n<p>Proses ini bukan sekadar konversi kata-per-kata, melainkan menguraikan makna, hubungan semantik, dan konteks di balik teks. Hasilnya adalah angka-angka yang menggambarkan arti mendalam dari sebuah kalimat.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"3_Numerical_Vector\"><\/span>3. Numerical Vector<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Setelah diproses, teks manusia diubah menjadi <em>numerical vector<\/em> atau vektor angka berdimensi tinggi. Vektor ini ibarat sidik jari unik yang mewakili makna teks. Dengan representasi ini, sistem dapat membandingkan kesamaan atau perbedaan antar-teks, bukan dari bentuk katanya, melainkan dari kedekatan maknanya.<\/p>\n\n\n\n<p>Hasil dari embedding ini membuka pintu untuk berbagai aplikasi cerdas. Misalnya, semantic search memungkinkan pencarian berdasarkan arti, bukan hanya kata kunci. Rekomendasi bisa lebih personal karena memahami konteks pengguna.<\/p>\n\n\n\n<p>Clustering mengelompokkan data serupa secara otomatis. Dan yang terpenting, embedding adalah fondasi utama bagi RAG, karena tanpa representasi numerik ini, AI tidak bisa mencari dan mengaitkan informasi relevan dari sumber eksternal.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Memahami_Chunking_dan_Perannya\"><\/span>Memahami Chunking dan Perannya<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Chunking adalah proses membagi dokumen besar ke potongan kecil yang bermakna.<br>Dokumen panjang biasanya sulit ditangani secara utuh oleh model AI. Dengan chunking, teks dipecah menjadi unit-unit yang lebih kecil namun tetap menjaga konteks. Potongan ini ibarat paragraf atau blok informasi yang bisa diproses, disimpan, dan dicari ulang dengan lebih efisien.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Tanpa_Chunking\"><\/span>1. Tanpa Chunking<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Jika dokumen besar langsung diproses tanpa pemecahan, embedding yang dihasilkan menjadi \u201ckabur\u201d karena memuat terlalu banyak konteks sekaligus. Akibatnya, sistem kesulitan menemukan detail spesifik yang dibutuhkan, sehingga hasil pencarian bisa meleset atau tidak relevan.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Dengan_Chunking\"><\/span>2. Dengan Chunking<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Sebaliknya, chunking memastikan setiap embedding hanya memuat informasi yang lebih terfokus. Hal ini membuat AI mampu menangkap nuansa yang relevan dan melakukan retrieval secara lebih presisi. Alhasil, jawaban yang dihasilkan pun lebih sesuai dengan kebutuhan pengguna.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th><strong>Jenis Chunking<\/strong><\/th><th><strong>Cara Kerja<\/strong><\/th><th><strong>Kelebihan<\/strong><\/th><th><strong>Kekurangan<\/strong><\/th><th><strong>Cocok Untuk<\/strong><\/th><\/tr><\/thead><tbody><tr><td><strong>Fixed-Size<\/strong><\/td><td>Membagi teks berdasarkan jumlah kata\/token tertentu<\/td><td>Sederhana, cepat, mudah diimplementasikan<\/td><td>Bisa memotong konteks di tengah kalimat<\/td><td>Data umum, prototipe, skala besar<\/td><\/tr><tr><td><strong>Structural<\/strong><\/td><td>Mengikuti struktur dokumen (paragraf, heading, dsb)<\/td><td>Menjaga keteraturan dokumen, lebih alami<\/td><td>Kurang fleksibel jika struktur dokumen buruk<\/td><td>Artikel, laporan, dokumen formal<\/td><\/tr><tr><td><strong>Semantic<\/strong><\/td><td>Memecah teks berdasarkan makna\/semantik<\/td><td>Konsistensi konteks tinggi, hasil retrieval akurat<\/td><td>Lebih kompleks, butuh model tambahan<\/td><td>Knowledge base, FAQ, chatbot cerdas<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p>Chunk yang terlalu besar akan kembali kabur, sedangkan chunk yang terlalu kecil bisa membuat konteks terpecah-pecah. Oleh karena itu, keseimbangan ukuran chunk menjadi faktor krusial agar sistem RAG dapat bekerja optimal\u2014cukup ringkas untuk fokus, namun tetap kaya konteks agar makna tidak hilang.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Cara_Menemukan_Ukuran_Chunk_yang_Tepat\"><\/span>Cara Menemukan Ukuran Chunk yang Tepat<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Menentukan ukuran chunk yang ideal adalah salah satu kunci performa RAG. Tidak ada aturan baku yang berlaku untuk semua kasus, sehingga pemilihan chunk size harus mempertimbangkan keseimbangan antara konteks, akurasi, dan efisiensi pemrosesan.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Panduan_Umum_Faktor_Penting\"><\/span>1. Panduan Umum &amp; Faktor Penting<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Ada beberapa aspek utama yang perlu dipertimbangkan sebelum menentukan ukuran chunk, mulai dari hasil riset terkini, tingkat kompleksitas pertanyaan, hingga keterbatasan model AI yang digunakan.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Riset Terbaru:<\/strong> Beberapa penelitian merekomendasikan ukuran chunk sekitar 1024 token sebagai titik optimal, meskipun hasil terbaik tetap bergantung pada kebutuhan spesifik.<\/li>\n\n\n\n<li><strong>Kompleksitas Pertanyaan: <\/strong>Pertanyaan sederhana berbasis fakta lebih cocok dengan chunk kecil untuk menjaga presisi. Sebaliknya, pertanyaan yang lebih kompleks sering memerlukan chunk lebih besar agar konteks tetap utuh.<\/li>\n\n\n\n<li><strong>Kapasitas Model: <\/strong>Ukuran chunk harus disesuaikan dengan batas token embedding model dan context window LLM yang digunakan, agar informasi tidak terpotong atau berlebihan.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Trade-off_dalam_Menentukan_Chunk_Size\"><\/span>2. Trade-off dalam Menentukan Chunk Size<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Setiap pilihan ukuran chunk memiliki konsekuensinya masing-masing\u2014baik terlalu kecil maupun terlalu besar dapat memengaruhi kualitas hasil retrieval dan efisiensi sistem.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Terlalu Kecil:<\/strong> Konteks mudah hilang, potongan menjadi terlalu banyak, dan biaya pemrosesan meningkat karena sistem harus mengelola lebih banyak data.<\/li>\n\n\n\n<li><strong>Terlalu Besar:<\/strong> Informasi spesifik menjadi kabur, embedding kehilangan presisi, dan risiko memasukkan informasi tidak relevan ke dalam jawaban semakin tinggi.<\/li>\n<\/ul>\n\n\n\n<p>Menentukan chunk size adalah soal menemukan sweet spot. Baik chunk terlalu kecil maupun terlalu besar dapat menurunkan kualitas retrieval. Oleh karena itu, pengujian dan evaluasi iteratif sangat penting agar RAG dapat memberikan hasil terbaik sesuai kebutuhan bisnis dan domain data.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Mengenal_Vector_Search_dan_Perannya_dalam_RAG\"><\/span>Mengenal Vector Search dan Perannya dalam RAG<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Vector search adalah inti dari RAG yang memungkinkan sistem menemukan potongan informasi paling relevan, bukan hanya berdasarkan kecocokan kata kunci, tetapi juga kedekatan makna secara semantik.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Query_Embedding\"><\/span>1. Query Embedding<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Pertanyaan pengguna pertama-tama diubah menjadi embedding (representasi numerik). Misalnya, pertanyaan \u201cApa komposisi tanah Mars?\u201d akan diterjemahkan ke dalam vektor angka yang bisa dipahami komputer.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Vector_Database\"><\/span>2. Vector Database<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Semua chunk yang sudah di-embedding disimpan dalam vector database khusus, seperti Qdrant, Pinecone, atau Weaviate. Database ini memungkinkan pencarian super cepat berdasarkan kedekatan numerik, bukan sekadar kata kunci.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"3_Similarity_Search\"><\/span>3. Similarity Search<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Sistem kemudian mencari chunk embeddings yang secara numerik paling dekat dengan query embedding. Semakin dekat jaraknya, semakin tinggi tingkat kesamaan makna. Dengan cara ini, AI tidak hanya mencari teks yang cocok secara kata, tetapi juga yang relevan secara semantik.<\/p>\n\n\n\n<p>Keunggulan vector search adalah hasil pencarian menjadi lebih cepat, presisi, dan kontekstual, karena sistem memahami <em>arti di balik teks<\/em>, bukan sekadar cocok-cocokan kata. Inilah yang membuat vector search jadi tulang punggung <em>retrieval<\/em> dalam RAG.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Memaksimalkan_RAG_dan_Chunking\"><\/span>Memaksimalkan RAG dan Chunking<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Sinergi antara Retrieval-Augmented Generation (RAG) dan strategi chunking yang efektif memberikan lompatan besar dalam performa AI modern. Kombinasi ini membuat sistem tidak hanya lebih cepat, tapi juga lebih akurat, efisien, dan dapat dipercaya. Berikut manfaat detailnya:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Pencarian Cepat:<\/strong> Chunk kecil dan fokus memudahkan pencarian di vector database, membuat respon AI jauh lebih cepat meski dokumen yang diproses sangat besar.<\/li>\n\n\n\n<li><strong>Retrieval Relevan:<\/strong> Embeddings yang presisi menghasilkan retrieval yang sangat relevan, hampir menghilangkan risiko <em>hallucination<\/em> dan memastikan jawaban berbasis fakta.<\/li>\n\n\n\n<li><strong>Mengurangi Biaya Operasional:<\/strong> Pemrosesan chunk kecil lebih hemat sumber daya komputasi, sehingga efisiensi meningkat dan biaya operasional lebih rendah.<\/li>\n\n\n\n<li><strong>Selalu Diperbarui:<\/strong> Knowledge base bisa diperbarui secara berkelanjutan tanpa melatih ulang seluruh LLM, sehingga AI selalu memiliki informasi terbaru.<\/li>\n\n\n\n<li><strong>Meningkatkan Kepercayaan:<\/strong> Jawaban dapat dirujuk langsung ke sumber aslinya, meningkatkan transparansi dan kepercayaan pengguna terhadap sistem AI.<\/li>\n<\/ul>\n\n\n\n<p>Namun, untuk memaksimalkan semua manfaat tersebut, seni sesungguhnya ada pada bagaimana kita melakukan chunking. Terdapat tiga pendekatan umum yang bisa dipilih:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Semantic Chunking<\/strong>: Membagi teks berdasarkan pergeseran makna atau topik. Metode paling canggih karena menjaga konsistensi konteks dan relevansi tinggi.<\/li>\n\n\n\n<li><strong>Fixed-size chunking<\/strong>: Metode paling sederhana dengan memotong teks berdasarkan jumlah token tertentu, namun berisiko merusak konteks di tengah kalimat.<\/li>\n\n\n\n<li><strong>Structural chunking<\/strong>: Pendekatan lebih alami karena mengikuti paragraf, heading, atau section, menjaga alur dokumen tetap utuh.<\/li>\n<\/ul>\n\n\n\n<p>Pertanyaannya sekarang, bagaimana Anda bisa menemukan <em>sweet spot <\/em>dalam chunking? Berikut langkah-langkahnya:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Terlalu kecil<\/strong>: Konteks hilang, sistem harus mengelola terlalu banyak potongan.<\/li>\n\n\n\n<li><strong>Terlalu besar<\/strong>: Embedding jadi bising, informasi bercampur, akurasi menurun.<\/li>\n<\/ul>\n\n\n\n<p>Solusi adalah temukan ukuran chunk yang seimbang, cukup kecil untuk efisiensi dan presisi, namun cukup besar untuk menjaga konteks tetap utuh.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Konsep_RAG_Lebih_Lanjut\"><\/span>Konsep RAG Lebih Lanjut<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>RAG adalah bidang yang terus berkembang pesat. Para peneliti dan praktisi AI terus menghadirkan teknik lanjutan untuk meningkatkan performa dan keandalan sistem. Beberapa di antaranya:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"1_Refining_Retrieval\"><\/span>1. Refining Retrieval<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Re-ranking:<\/strong> Menyaring ulang hasil retrieval dengan model yang lebih presisi agar chunk paling relevan terpilih.<\/li>\n\n\n\n<li><strong>Query Expansion:<\/strong> Menambahkan kata kunci terkait atau memformulasi ulang pertanyaan untuk memperkaya hasil pencarian.<\/li>\n\n\n\n<li><strong>Multi-hop Retrieval:<\/strong> Memecah pertanyaan kompleks menjadi sub-pertanyaan, lalu menggabungkan hasil retrieval bertahap untuk jawaban yang lebih lengkap.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"2_Flexible_Knowledge_Bases\"><\/span>2. Flexible Knowledge Bases<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Vector Databases:<\/strong> Mengelola embedding dalam jumlah besar dengan pencarian super cepat berbasis kesamaan semantik.<\/li>\n\n\n\n<li><strong>Knowledge Graphs:<\/strong> Menghubungkan fakta dalam jaringan terstruktur untuk penalaran yang lebih mendalam.<\/li>\n\n\n\n<li><strong>Hybrid Retrieval:<\/strong> Mengombinasikan pencarian keyword tradisional dengan vector search untuk hasil yang lebih komprehensif.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"3_Challenges_and_the_Future_of_RAG\"><\/span>3. Challenges and the Future of RAG<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Meski potensinya besar, RAG masih menghadapi tantangan:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Garbage In, Garbage Out:<\/strong> Kualitas output sangat bergantung pada kualitas data.<\/li>\n\n\n\n<li><strong>Complex Queries:<\/strong> Pertanyaan rumit atau ambigu masih sulit dipecahkan.<\/li>\n\n\n\n<li><strong>Latency:<\/strong> Proses retrieval real-time bisa memicu keterlambatan.<\/li>\n<\/ul>\n\n\n\n<p>Ke depan, arah inovasi RAG akan bergerak menuju:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Adaptive Chunking:<\/strong> AI menentukan chunk size secara dinamis sesuai konteks.<\/li>\n\n\n\n<li><strong>Multi-modal RAG:<\/strong> Retrieval diperluas ke teks, gambar, video, dan audio.<\/li>\n\n\n\n<li><strong>Self-Improving RAG:<\/strong> Sistem belajar dari interaksi pengguna untuk terus menyempurnakan retrieval dan jawaban.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Rahasia_di_Balik_AI_yang_Relevan_RAG_Chunking\"><\/span>Rahasia di Balik AI yang Relevan: RAG &amp; Chunking<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>RAG dan chunking bukan sekadar fitur teknis, melainkan pilar utama yang membuat AI lebih relevan, akurat, dan dapat diandalkan. Dengan kombinasi keduanya, bisnis dapat membangun sistem berbasis LLM yang tidak hanya cepat merespons, tetapi juga menghadirkan jawaban yang berbasis fakta dan benar-benar bernilai bagi pengguna.<\/p>\n\n\n\n<p>Siap membawa performa AI bisnis Anda ke level berikutnya dengan RAG &amp; Chunking? <a href=\"https:\/\/www.qiscus.com\/id\/contact\">Qiscus <\/a>hadir untuk membantu Anda menemukan solusinya.<\/p>\n","protected":false},"excerpt":{"rendered":"Meski Artificial Intelligence (AI) kian canggih, model bahasa masih sering kesulitan menangani konteks panjang dan informasi spesifik. Di&hellip;\n","protected":false},"author":28,"featured_media":9716,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[3],"tags":[2267,2265,2266,2268,2264,2010],"class_list":{"0":"post-9700","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-insight","8":"tag-ai-chatbot","9":"tag-chunking-ai","10":"tag-embeddings","11":"tag-nlp-llm","12":"tag-qiscus-ai-insight","13":"tag-retrieval-augmented-generation-rag"},"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>RAG &amp; Chunking: The Secret Behind Smarter AI<\/title>\n<meta name=\"description\" content=\"Pelajari bagaimana RAG &amp; Chunking meningkatkan akurasi AI, mengurangi halusinasi, dan menghadirkan jawaban relevan berbasis data nyata.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"RAG &amp; Chunking: The Secret Behind Smarter AI\" \/>\n<meta property=\"og:description\" content=\"Pelajari bagaimana RAG &amp; Chunking meningkatkan akurasi AI, mengurangi halusinasi, dan menghadirkan jawaban relevan berbasis data nyata.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/\" \/>\n<meta property=\"og:site_name\" content=\"Omnichannel Conversational Platform\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/Qiscus\" \/>\n<meta property=\"article:published_time\" content=\"2025-09-24T06:14:10+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.qiscus.com\/id\/wp-content\/uploads\/sites\/2\/2025\/09\/RAG-dan-Chunking-AI.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"981\" \/>\n\t<meta property=\"og:image:height\" content=\"613\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Anggun Puspa Mahareja\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@qiscus_io\" \/>\n<meta name=\"twitter:site\" content=\"@qiscus_io\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Anggun Puspa Mahareja\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/\"},\"author\":{\"name\":\"Anggun Puspa Mahareja\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/#\\\/schema\\\/person\\\/da1967bc7f6d27333952a470c7d345e8\"},\"headline\":\"RAG &amp; Chunking: The Secret Behind Smarter AI\",\"datePublished\":\"2025-09-24T06:14:10+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/\"},\"wordCount\":1797,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/wp-content\\\/uploads\\\/sites\\\/2\\\/2025\\\/09\\\/RAG-dan-Chunking-AI.webp\",\"keywords\":[\"AI chatbot\",\"chunking AI\",\"embeddings\",\"NLP &amp; LLM\",\"Qiscus AI Insight\",\"Retrieval-Augmented Generation (RAG)\"],\"articleSection\":[\"Insight\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/\",\"url\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/\",\"name\":\"RAG &amp; Chunking: The Secret Behind Smarter AI\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/wp-content\\\/uploads\\\/sites\\\/2\\\/2025\\\/09\\\/RAG-dan-Chunking-AI.webp\",\"datePublished\":\"2025-09-24T06:14:10+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/#\\\/schema\\\/person\\\/da1967bc7f6d27333952a470c7d345e8\"},\"description\":\"Pelajari bagaimana RAG & Chunking meningkatkan akurasi AI, mengurangi halusinasi, dan menghadirkan jawaban relevan berbasis data nyata.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/wp-content\\\/uploads\\\/sites\\\/2\\\/2025\\\/09\\\/RAG-dan-Chunking-AI.webp\",\"contentUrl\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/wp-content\\\/uploads\\\/sites\\\/2\\\/2025\\\/09\\\/RAG-dan-Chunking-AI.webp\",\"width\":981,\"height\":613,\"caption\":\"Peran RAG dan chunking untuk AI.\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/rag-chunking-smarter-ai\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Insight\",\"item\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/category\\\/insight\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"RAG &amp; Chunking: The Secret Behind Smarter AI\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/#website\",\"url\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/\",\"name\":\"Omnichannel Conversational Platform\",\"description\":\"Artikel bagi Perusahaan untuk memajukan Customer Experience\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/#\\\/schema\\\/person\\\/da1967bc7f6d27333952a470c7d345e8\",\"name\":\"Anggun Puspa Mahareja\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/73b6e8217c8ec77a0d610f32024635b07e973655b7722f6e1a0b4be145830cf6?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/73b6e8217c8ec77a0d610f32024635b07e973655b7722f6e1a0b4be145830cf6?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/73b6e8217c8ec77a0d610f32024635b07e973655b7722f6e1a0b4be145830cf6?s=96&d=mm&r=g\",\"caption\":\"Anggun Puspa Mahareja\"},\"url\":\"https:\\\/\\\/www.qiscus.com\\\/id\\\/blog\\\/author\\\/anggun\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"RAG &amp; Chunking: The Secret Behind Smarter AI","description":"Pelajari bagaimana RAG & Chunking meningkatkan akurasi AI, mengurangi halusinasi, dan menghadirkan jawaban relevan berbasis data nyata.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/","og_locale":"en_US","og_type":"article","og_title":"RAG &amp; Chunking: The Secret Behind Smarter AI","og_description":"Pelajari bagaimana RAG & Chunking meningkatkan akurasi AI, mengurangi halusinasi, dan menghadirkan jawaban relevan berbasis data nyata.","og_url":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/","og_site_name":"Omnichannel Conversational Platform","article_publisher":"https:\/\/www.facebook.com\/Qiscus","article_published_time":"2025-09-24T06:14:10+00:00","og_image":[{"width":981,"height":613,"url":"https:\/\/www.qiscus.com\/id\/wp-content\/uploads\/sites\/2\/2025\/09\/RAG-dan-Chunking-AI.webp","type":"image\/webp"}],"author":"Anggun Puspa Mahareja","twitter_card":"summary_large_image","twitter_creator":"@qiscus_io","twitter_site":"@qiscus_io","twitter_misc":{"Written by":"Anggun Puspa Mahareja","Est. reading time":"9 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#article","isPartOf":{"@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/"},"author":{"name":"Anggun Puspa Mahareja","@id":"https:\/\/www.qiscus.com\/id\/#\/schema\/person\/da1967bc7f6d27333952a470c7d345e8"},"headline":"RAG &amp; Chunking: The Secret Behind Smarter AI","datePublished":"2025-09-24T06:14:10+00:00","mainEntityOfPage":{"@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/"},"wordCount":1797,"commentCount":0,"image":{"@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#primaryimage"},"thumbnailUrl":"https:\/\/www.qiscus.com\/id\/wp-content\/uploads\/sites\/2\/2025\/09\/RAG-dan-Chunking-AI.webp","keywords":["AI chatbot","chunking AI","embeddings","NLP &amp; LLM","Qiscus AI Insight","Retrieval-Augmented Generation (RAG)"],"articleSection":["Insight"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/","url":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/","name":"RAG &amp; Chunking: The Secret Behind Smarter AI","isPartOf":{"@id":"https:\/\/www.qiscus.com\/id\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#primaryimage"},"image":{"@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#primaryimage"},"thumbnailUrl":"https:\/\/www.qiscus.com\/id\/wp-content\/uploads\/sites\/2\/2025\/09\/RAG-dan-Chunking-AI.webp","datePublished":"2025-09-24T06:14:10+00:00","author":{"@id":"https:\/\/www.qiscus.com\/id\/#\/schema\/person\/da1967bc7f6d27333952a470c7d345e8"},"description":"Pelajari bagaimana RAG & Chunking meningkatkan akurasi AI, mengurangi halusinasi, dan menghadirkan jawaban relevan berbasis data nyata.","breadcrumb":{"@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#primaryimage","url":"https:\/\/www.qiscus.com\/id\/wp-content\/uploads\/sites\/2\/2025\/09\/RAG-dan-Chunking-AI.webp","contentUrl":"https:\/\/www.qiscus.com\/id\/wp-content\/uploads\/sites\/2\/2025\/09\/RAG-dan-Chunking-AI.webp","width":981,"height":613,"caption":"Peran RAG dan chunking untuk AI."},{"@type":"BreadcrumbList","@id":"https:\/\/www.qiscus.com\/id\/blog\/rag-chunking-smarter-ai\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Insight","item":"https:\/\/www.qiscus.com\/id\/blog\/category\/insight\/"},{"@type":"ListItem","position":2,"name":"RAG &amp; Chunking: The Secret Behind Smarter AI"}]},{"@type":"WebSite","@id":"https:\/\/www.qiscus.com\/id\/#website","url":"https:\/\/www.qiscus.com\/id\/","name":"Omnichannel Conversational Platform","description":"Artikel bagi Perusahaan untuk memajukan Customer Experience","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.qiscus.com\/id\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Person","@id":"https:\/\/www.qiscus.com\/id\/#\/schema\/person\/da1967bc7f6d27333952a470c7d345e8","name":"Anggun Puspa Mahareja","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/73b6e8217c8ec77a0d610f32024635b07e973655b7722f6e1a0b4be145830cf6?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/73b6e8217c8ec77a0d610f32024635b07e973655b7722f6e1a0b4be145830cf6?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/73b6e8217c8ec77a0d610f32024635b07e973655b7722f6e1a0b4be145830cf6?s=96&d=mm&r=g","caption":"Anggun Puspa Mahareja"},"url":"https:\/\/www.qiscus.com\/id\/blog\/author\/anggun\/"}]}},"_links":{"self":[{"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/posts\/9700","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/users\/28"}],"replies":[{"embeddable":true,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/comments?post=9700"}],"version-history":[{"count":2,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/posts\/9700\/revisions"}],"predecessor-version":[{"id":9718,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/posts\/9700\/revisions\/9718"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/media\/9716"}],"wp:attachment":[{"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/media?parent=9700"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/categories?post=9700"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.qiscus.com\/id\/wp-json\/wp\/v2\/tags?post=9700"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}