🔴JS07 - Approximate Nearest Neighbors (ANN)

Pengantar

Dalam banyak permasalahan pembelajaran mesin dan sistem cerdas, proses pencarian kemiripan (similarity search) merupakan komponen fundamental. Misalnya, dalam sistem rekomendasi, pengenalan wajah, retrieval citra berbasis konten, atau klasifikasi berbasis jarak seperti k-Nearest Neighbors (k-NN). Namun, ketika ukuran dataset semakin besar dan dimensi fitur meningkat, misalnya pada data citra, teks, atau biosinyal, proses pencarian tetangga terdekat menjadi sangat mahal secara komputasi. Berdasarkan permasalahan inilah muncul Approximate Nearest Neighbors (ANN).

Pendekatan ANN berusaha menemukan tetangga terdekat dengan akurasi yang cukup baik namun dengan waktu komputasi jauh lebih cepat dibanding metode konvensional lainnya. ANN menggunakan berbagai strategi seperti space partitioning (misal: KD-Tree, Ball-Tree), hashing (misal: Locality Sensitive Hashing/LSH), hingga graph-based search (misal: HNSW — Hierarchical Navigable Small World). Metode-metode ini menjadi tulang punggung dalam pengembangan sistem real-time search modern, seperti mesin pencarian vektor (contohnya FAISS, Annoy, dan ScaNN).

Pada praktikum ini, Anda akan mempelajari konsep dasar dari algoritma nearest neighbors, memahami keterbatasan pencarian metode konvensional pada data berdimensi tinggi, serta bagaimana metode ANN menawarkan kompromi antara kecepatan dan akurasi. Praktikum juga akan menuntun Anda untuk mengimplementasikan dan membandingkan berbagai algoritma ANN menggunakan library populer, sehingga mereka dapat memahami prinsip efisiensi dalam desain algoritma pencarian.

Tujuan

• Menjelaskan konsep dasar nearest neighbor search dan tantangannya pada data berdimensi tinggi.

• Memahami prinsip kerja dan karakteristik utama metode approximate nearest neighbors (ANN).

• Menerapkan algoritma ANN menggunakan pustaka populer seperti Annoy, FAISS, atau HNSW.

• Mengevaluasi trade-off antara kecepatan pencarian dan ketepatan hasil dalam konteks aplikasi nyata.