Optimasi Pencarian Berbasis Inverted Index dan Binary Search pada Aplikasi Desktop Free Pascal
Abstract
Performa pencarian pada aplikasi desktop cenderung menurun seiring bertambahnya volume data, terutama pada pendekatan Linear Search yang berkompleksitas waktu O(N), sementara aplikasi desktop skala kecil-menengah umumnya tidak memiliki mekanisme indexing bawaan sebagaimana tersedia pada sistem basis data modern. Penelitian ini mengoptimalkan performa pencarian pada aplikasi desktop berbasis Free Pascal melalui penerapan Inverted Index yang dipadukan dengan Binary Search, menggunakan desain eksperimen kuantitatif komparatif pada lima ukuran dataset sintetis (100–10.000 baris), masing-masing diuji sepuluh kali dan dilaporkan dalam nilai rata-rata, minimum, maksimum, dan standar deviasi waktu eksekusi. Hasil pengujian menunjukkan peningkatan performa yang konsisten, dari 88,13% pada dataset 100 baris hingga 99,82% pada dataset 10.000 baris, sejalan dengan penurunan kompleksitas teoretis dari O(N) menjadi O(log K). Kebaruan penelitian ini terletak pada evaluasi kuantitatif langsung atas kombinasi Inverted Index dan Binary Search pada aplikasi desktop native berbasis Free Pascal, konteks yang belum banyak didokumentasikan dalam literatur information retrieval yang selama ini didominasi kajian pada sistem basis data server dan mesin pencari berskala besar. Penelitian ini memberikan kontribusi konseptual, empiris, dan praktis berupa bukti kuantitatif serta panduan implementasi bagi developer yang menghadapi kendala performa pencarian serupa tanpa bergantung pada mesin basis data eksternal.
Kata Kunci: Inverted Index; Binary Search; performa pencarian; Free Pascal; pengujian benchmark
References
Amir, R. (2024). Optimasi struktur data pada aplikasi desktop berbasis Pascal. Jurnal Teknik Informatika, 12(1), 45–56.
Asrul, M., dkk. (2023). Studi kompleksitas algoritma pencarian pada aplikasi native. Jurnal Sains dan Teknologi, 9(2), 88–97.
Elizabeth, T. (2024). Implementasi Algoritma Sequential Search dan Binary Search dalam Pencarian Data Faktur. Jurnal Teknik Informatika dan Sistem Informasi, 11(2).
Lin, J., & Ma, X. (2021). A few brief notes on DeepImpact, COIL, and a conceptual framework for information retrieval techniques. arXiv preprint arXiv:2106.14807.
Lin, J., Paniak, L., & Boerke, G. (2019). The performance envelope of inverted indexing on modern hardware. arXiv preprint arXiv:1910.11028.
Mackenzie, J., Petri, M., & Moffat, A. (2021). Anytime ranking on document-ordered indexes. ACM Transactions on Information Systems, 40(1), Article 13.
Mallia, A., Siedlaczek, M., Mackenzie, J., & Suel, T. (2019). PISA: Performant indexes and search for academia. In Proceedings of the Open-Source IR Replicability Challenge (OSIRRC) at SIGIR 2019 (pp. 50–56).
Mallia, A., Khattab, O., Suel, T., & Tonellotto, N. (2021). Learning passage impacts for inverted indexes. In Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 1723-1727).
Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press.
Moffat, A., & Mackenzie, J. (2023). Efficient immediate-access dynamic indexing. Information Processing & Management, 60(3), 103248.
Thakur, N., Reimers, N., Rückle, A., Srivastava, A., & Gurevych, I. (2021). BEIR: A heterogeneous benchmark for zero-shot evaluation of information retrieval models. In 35th Conference on Neural Information Processing Systems (NeurIPS 2021) Datasets and Benchmarks Track.
Zhao, W., Zhao, M., Hu, H., & Qian, W. (2025). Columnar formatted inverted index for highly-paralleled, vectorized query processing. In 2025 IEEE 41st International Conference on Data Engineering (ICDE) (pp. 1800-1813). https://doi.org/10.1109/ICDE65448.2025.00138
