Cara Menggunakan Qdrant untuk Knowledge Base AI, Backup, dan Restore Data

adit

June 16, 2026

Saat membangun aplikasi AI berbasis Ollama, salah satu tantangan terbesar adalah menyimpan pengetahuan yang terus bertambah. Misalnya hasil scraping berita, catatan pribadi, dokumentasi proyek, atau riwayat percakapan.

Di sinilah Qdrant menjadi sangat berguna.

Qdrant adalah vector database open source yang dirancang untuk menyimpan embedding dan melakukan pencarian berdasarkan kemiripan makna. Teknologi ini banyak digunakan pada sistem Retrieval-Augmented Generation (RAG), AI Agent, chatbot pintar, hingga sistem pencarian berbasis AI.

Artikel ini akan membahas cara menggunakan Qdrant dari nol, mulai dari instalasi, menyimpan data, melakukan pencarian, hingga backup dan restore.

Apa Itu Qdrant?

Qdrant adalah vector database yang digunakan untuk menyimpan data dalam bentuk vector embedding.

Berbeda dengan database biasa yang mencari berdasarkan kata atau ID, Qdrant mencari berdasarkan makna.

Contoh sederhana:

Anda memiliki berita:

Pemerintah menaikkan anggaran pendidikan tahun depan.

Kemudian ada tweet:

Dana pendidikan semakin besar setiap tahun.

Walaupun kata-katanya berbeda, Qdrant dapat memahami bahwa kedua kalimat tersebut membahas topik yang mirip.

Karena itulah Qdrant banyak digunakan sebagai knowledge base untuk AI.

Kapan Sebaiknya Menggunakan Qdrant?

Qdrant cocok digunakan jika Anda ingin menyimpan:

Hasil scraping berita.
Artikel.
Dokumentasi.
Catatan pribadi.
Riwayat percakapan.
Memory AI.
Data untuk chatbot.
Data untuk sistem RAG.

Jika hanya menyimpan data biasa seperti user, password, atau konfigurasi aplikasi, database seperti PostgreSQL atau SQLite masih lebih cocok.

Instalasi Qdrant dengan Docker

Cara paling mudah menjalankan Qdrant adalah menggunakan Docker.

Jalankan perintah berikut:

docker run -d \
  --name qdrant \
  -p 6333:6333 \
  -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant

Penjelasan singkat:

6333 = REST API
6334 = gRPC API
qdrant_storage = lokasi penyimpanan data

Setelah container berjalan, buka:

http://localhost:6333/dashboard

Anda akan melihat dashboard Qdrant.

Instalasi Client Node.js

Jika menggunakan JavaScript atau Node.js:

npm install @qdrant/js-client-rest

Kemudian buat koneksi:

import { QdrantClient } from "@qdrant/js-client-rest";

const client = new QdrantClient({
  url: "http://localhost:6333"
});

Membuat Collection

Collection di Qdrant mirip seperti tabel pada database relasional.

Contoh membuat collection bernama news:

await client.createCollection("news", {
  vectors: {
    size: 384,
    distance: "Cosine"
  }
});

Penjelasan:

size      = ukuran vector embedding
distance  = metode perhitungan kemiripan

Untuk model embedding 384 dimensi, gunakan:

Untuk model lain sesuaikan jumlah dimensinya.

Menyimpan Data ke Qdrant

Misalnya Anda sudah memiliki berita dan embedding.

Contoh:

await client.upsert("news", {
  points: [
    {
      id: 1,
      vector: embedding,
      payload: {
        title: "Anggaran Pendidikan Naik",
        category: "politik",
        date: "2026-06-16"
      }
    }
  ]
});

Struktur data Qdrant terdiri dari:

ID
+
Vector
+
Payload

Payload adalah metadata yang akan membantu saat melakukan pencarian.

Melakukan Pencarian

Misalnya ada tweet:

Pemerintah makin boros anggaran.

Pertama ubah tweet menjadi embedding.

Kemudian lakukan pencarian:

const results = await client.search("news", {
  vector: tweetEmbedding,
  limit: 5
});

Qdrant akan mengembalikan lima data yang paling relevan secara makna.

Contoh hasil:

Anggaran Pendidikan Naik
APBN 2026 Bertambah
Audit Belanja Negara

Data inilah yang nantinya dikirim ke Ollama sebagai konteks tambahan.

Menggunakan Qdrant Bersama Ollama

Salah satu kombinasi paling populer saat ini adalah:

Scraper
↓
Qdrant
↓
Ollama
↓
Jawaban AI

Contoh alur:

Scraping berita
↓
Generate embedding
↓
Simpan ke Qdrant
↓
Cari berita relevan
↓
Kirim ke Ollama
↓
Generate jawaban

Dengan cara ini Ollama dapat menjawab menggunakan informasi terbaru tanpa perlu fine-tuning.

Cara Backup Qdrant

Backup sangat penting karena knowledge base biasanya lebih berharga daripada model AI itu sendiri.

Ada beberapa metode yang bisa digunakan.

Metode 1: Backup Storage Langsung

Jika menggunakan Docker volume:

-v /data/qdrant:/qdrant/storage

Backup cukup menggunakan:

tar -czf qdrant-backup.tar.gz /data/qdrant

File backup akan berisi seluruh data Qdrant.

Metode 2: Menggunakan Snapshot

Qdrant memiliki fitur snapshot bawaan.

Misalnya ingin membackup collection news.

Jalankan:

curl -X POST \
http://localhost:6333/collections/news/snapshots

Hasilnya:

{
  "result": {
    "name": "news.snapshot"
  }
}

Snapshot akan tersimpan di storage Qdrant.

Keuntungan metode ini:

Tidak perlu mematikan server.
Aman untuk produksi.
Bisa backup per collection.

Backup Otomatis dengan Cron

Misalnya setiap malam pukul 02:00.

Tambahkan ke crontab:

0 2 * * * /opt/scripts/qdrant-backup.sh

Isi script:

#!/bin/bash

curl -X POST \
http://localhost:6333/collections/news/snapshots

curl -X POST \
http://localhost:6333/collections/memory/snapshots

Backup dapat dikirim ke:

NAS
Server cadangan
MinIO
Amazon S3
Google Drive

Cara Restore Qdrant

Restore dapat dilakukan menggunakan snapshot yang sudah dibuat sebelumnya.

Pertama lihat daftar snapshot:

curl http://localhost:6333/collections/news/snapshots

Kemudian upload snapshot kembali:

curl -X PUT \
"http://localhost:6333/collections/news/snapshots/upload?priority=snapshot" \
-F '[email protected]'

Setelah proses selesai, collection akan kembali seperti kondisi saat snapshot dibuat.

Strategi Backup yang Direkomendasikan

Untuk proyek AI pribadi, saya biasanya menggunakan struktur berikut:

project/
├── qdrant/
├── sqlite/
├── raw_news/
└── backups/

Penjelasan:

qdrant

Berisi vector database.

sqlite

Berisi konfigurasi aplikasi dan data operasional.

raw_news

Berisi artikel hasil scraping sebelum diproses.

backups

Berisi snapshot dan arsip backup.

Jangan Hanya Menyimpan Embedding

Kesalahan yang sering terjadi adalah hanya menyimpan embedding.

Padahal model embedding bisa berubah sewaktu-waktu.

Lebih aman menyimpan:

Artikel Asli
+
Ringkasan
+
Embedding

Jika suatu hari ingin menggunakan model embedding baru, Anda cukup membuat ulang embedding dari data asli tanpa kehilangan informasi.

Kesimpulan

Qdrant adalah salah satu vector database open source terbaik untuk membangun knowledge base AI. Instalasinya sederhana, performanya cepat, dan sangat cocok digunakan bersama Ollama.

Untuk penggunaan sehari-hari, alur yang umum digunakan adalah:

Scraping Berita
↓
Generate Embedding
↓
Simpan ke Qdrant
↓
Cari Informasi Relevan
↓
Kirim ke Ollama
↓
Generate Jawaban

Agar data tetap aman, gunakan fitur snapshot bawaan Qdrant atau lakukan backup langsung pada storage. Dengan kombinasi backup rutin dan penyimpanan data mentah, Anda dapat membangun knowledge base AI yang terus berkembang tanpa khawatir kehilangan data penting.

General

AI, programming, Qdrant

Aditya Pratama