Seiring dengan perkembangan mesin pencari, begitu juga dengan strategi mengoptimalkan situs web untuk meningkatkan peringkat di mesin pencari. Salah satu istilah terbaru yang populer adalah Semantic SEO. Sebagai salah satu SEO Agency di Indonesia, kami juga mengadopsi strategi berbasis semantik dalam layanan kami..
Dalam artikel ini, kita akan mempelajari dunia Teknik SEO semantik - pola pikir yang berfokus pada pengoptimalan berdasarkan kecerdasan buatan (AI) dan pembelajaran mesin. Bersiaplah untuk menemukan bagaimana pendekatan revolusioner ini mengubah cara kita memahami dan berinteraksi dengan mesin pencari untuk membawa situs web Anda ke tingkat visibilitas dan kesuksesan yang lebih tinggi. Mari kita mulai penelusuran kita dengan mengerti Apa Semantic SEO dan Semantic Search Engine
Pengertian Semantic SEO dan Semantic Search Engine
Semantic SEO adalah strategi optimasi mesin pencari yang memfokuskan pada pembuatan jaringan konten yang relevan dan bermakna untuk membentuk sebuah topik dan informasi yang dibutuhkan pengguna mesin pencari. Ini berarti, daripada berfokus pada keyword tertentu, Semantic SEO lebih berfokus pada makna, entitas, topik, dan menjadi sumber terpercaya (otoritas) bagi Google dan pengguna di suatu subjek tertentu.
Google sendiri adalah sebuah mesin pencari berbasis semantik yang membuat hubungan antar entitas, maksud pencarian, dan mengorganisir informasi di web. Dengan begitu, struktur konten yang telah terorganisir dengan entitas yang saling terhubung satu sama lain dalam membuat sebuah konsep (Information Extraction) menjadi sangat penting bagi mesin pencari untuk menjawan kebutuhan informasi pengguna (Information Retrieval).
Beberapa Konsep Semantic SEO yang perlu anda tahu
- Konsep Semantic SEO bukan untuk menggantikan metode konsep optimasi tradisional yang dilakukan selama ini. Optimasi konten umum seperti Technical SEO Audit, Optimasi On-Page dan Off-Page tetap dilakukan
- Konsep Semantic SEO membuat anda memiliki pola pikir sebagai seorang engineer daripada seorang penulis konten karena Anda akan banyak belajar tentang cara mesin/algoritma memproses Informasi
- Konsep Semantic SEO bukan tentang mempelajari patent Google apalagi membongkar Algoritma Google.
Dalam sebuah wawancara dengan Gary Illyes, salah satu Tim Advokasi Engineer Google, mengatakan bahwa "Hanya persentase kecil di keseluruhan agloritma Google adalah Black Box dan tidak bisa dipublikasikan.Namun bagian besarnya adalah Information Retrieval System yang tersedia di publik".
Dalam penelusuran kami, kami juga melihat bahwa pengembangan konsep bagaimana mesin mengerti tentang bahasa manusia seperti yang dilakukan oleh ChatGPT atau Google Bard, juga merupakan hasil penelitian Google yang dipublikasikan ke publik (baca detail di: https://research.google/pubs/pub46201/).
Jadi, walaupun Semantic SEO adalah sebuah konsep tingkat lanjut tentang SEO, namun konsep ini diadopsi Google dan bisa dikuasai banyak praktisi
Jargon dan Istilah dalam Semantik SEO
Sebelum membahas artikel ini lebih lanjut, ada baiknya Anda mengenal beberapa istilah penting dalam konsep Semantik SEO sehingga saat membaca artikel ini lebih lanjut, anda tidak kehilangan konteks
Search Intent / Maksud Pencarian Pengguna
Search Intent adalah maksud dan tujuan pengguna ketika mereka melakukan pencarian di mesin pencari. Ada empat jenis Search Intent, yaitu:
- Informasional: Pengguna mencari informasi tentang sesuatu, seperti cara melakukan sesuatu, jawaban atas pertanyaan, atau ringkasan topik tertentu.
- Navigasional: Pengguna mencari situs web atau halaman web tertentu, seperti situs web perusahaan atau halaman produk.
- Transaksional: Pengguna mencari untuk membeli sesuatu, seperti produk, layanan, atau tiket.
- Komersial: Pengguna menelusuri tentang tujuan utama layanan, produk, atau brand
Central Search Intent adalah tujuan pengguna utama dalam sebuah sesi pencarian secara spesifik. .
Contohnya: Anda membaca artikel ini berarti secara Search Intent, anda ingin mendapatkan informasi seputar Semantic SEO (Informational) namun Tujuan utama anda adalah melakukan pemasaran berbasis digital (Central Search Intent)
Memahami Search Intent dan Central Search Intent penting untuk SEO karena membantu Anda membuat konten yang relevan dan menarik bagi pengguna. Ketika Anda memahami apa yang dicari pengguna, Anda dapat membuat konten yang lebih mungkin untuk muncul di hasil pencarian dan menarik pengguna untuk membaca informasi yang dibutuhkan dalam situs web Anda.
Natural Language Processing
Natural Language Processing (NLP) adalah proses komputer yang memungkinkan mesin untuk membaca konten dan memahami konteksnya. Hal ini membantu mesin memahami relevansi konten dengan pertanyaan pengguna. NLP juga memungkinkan mesin untuk mengidentifikasi inti tema dari konten dan membantu meningkatkan relevansi semantik SEO. Proses dalam NLP ini terlalu teknis untuk dijelaskan dalam artikel ini karena didalamnya banyak merujuk dalam istilah Tokenisasi, Stemming, Vector, Embedding, dan lain sebagainya. Kita akan bahas ini dalam artikel lain.
Information Retrieval
Information Retrieval di Search Engine adalah proses menemukan dokumen yang relevan atau sumber data lain dari kumpulan data (Big Data) yang sesuai yang dicocokkan dengan permintaan dan maksud pengguna (Search Intent). Pada salah satu dokumen paten Google, untuk menemukan maksud utama pengguna (Central Search Intent), Google menggunakan informasi dari profil kata kunci dan aktivitas pengguna dalam mesin pencari
Information Extraction
Information extraction (IE) adalah proses otomatis untuk mengekstrak informasi terstruktur dari dokumen yang tidak terstruktur dan/atau semi-terstruktur yang dapat dibaca mesin dan sumber yang diwakili secara elektronik lainnya. IE digunakan dalam berbagai aplikasi, termasuk:
- Perpustakaan dan penelusuran informasi: IE dapat digunakan untuk mengekstrak metadata dari dokumen, seperti judul, penulis, dan abstrak, untuk membantu pengguna menemukan informasi yang mereka cari.
- Pemrosesan bahasa alami: IE dapat digunakan untuk mengekstrak informasi dari dokumen teks, seperti nama orang, tanggal, dan lokasi, untuk membantu aplikasi NLP memahami teks.
- Analisis bisnis: IE dapat digunakan untuk mengekstrak informasi dari laporan keuangan, kontrak, dan dokumen lain untuk membantu perusahaan membuat keputusan bisnis yang lebih baik.
Ada dua pendekatan utama untuk IE: rule-based dan statistical. Pendekatan rule-based menggunakan serangkaian aturan untuk menentukan informasi apa yang harus diekstraksi dari dokumen. Pendekatan statistical menggunakan model statistik untuk menentukan informasi apa yang kemungkinan besar ada dalam dokumen.
IE adalah bidang penelitian yang aktif, dan ada banyak tantangan yang harus diatasi. Salah satu tantangan terbesar adalah ambiguitas bahasa. Kata-kata dan frasa yang sama dapat memiliki arti yang berbeda dalam konteks yang berbeda. Tantangan lain adalah skalabilitas. IE dapat menjadi sangat mahal untuk diterapkan pada dataset yang besar.
Meskipun ada tantangan, IE adalah bidang penelitian yang penting dengan banyak aplikasi potensial. IE dapat membantu kita memahami informasi yang terkandung dalam dokumen yang tidak terstruktur dan/atau semi-terstruktur, dan dapat membantu kita membuat keputusan yang lebih baik berdasarkan informasi tersebut.
Entity (Entitas)
Dalam NLP, entity adalah unit informasi yang terkandung dalam teks. Segala sesuatu yang bisa didefinisikan adalah Entitas.
Entity dapat berupa nama orang, tempat, organisasi, produk, tanggal, atau waktu. Entity dapat diidentifikasi dengan menggunakan berbagai teknik, termasuk tokenisasi, tagging POS, dan named-entity recognition.
Ada berbagai jenis entity, termasuk:
- Person: Entity yang merujuk pada orang, seperti "Viktor Iwan" atau "Ratna".
- Place: Entity yang merujuk pada tempat, seperti "Indonesia" atau "Jakarta".
- Organization: Entity yang merujuk pada organisasi, seperti "Google" atau "Doxadigital".
- Product: Entity yang merujuk pada produk, seperti "Android" atau "Toyota".
- Date: Entity yang merujuk pada tanggal, seperti "2023-07-28" atau "1776-07-04".
- Time: Entity yang merujuk pada waktu, seperti "10:00 AM" atau "6:00 PM".
Entity adalah komponen penting dari NLP, dan mereka dapat digunakan untuk berbagai tugas. Dengan memahami entity, Anda dapat lebih memahami teks dan menggunakannya untuk mendapatkan wawasan tentang dunia.
Lexical Relation dan Entity Attribute
Lexical relation adalah hubungan antara dua kata atau frasa yang memiliki arti yang terkait. Hubungan ini dapat berupa sinonim, antonim, hiponim, atau hipernim.
Entity attribute adalah properti dari entitas. Properti ini dapat berupa nama, umur, jenis kelamin, pekerjaan, dan lain-lain.
Berikut adalah beberapa contoh lexical relation dan entity attribute:
- Lexical relation:
- Sinonim: besar - besar
- Antonim: besar - kecil
- Hiponim: kucing - hewan
- Hipernim: hewan - kucing
- Entity attribute untuk Orang (Person):
- Nama: John Smith
- Umur: 30 tahun
- Jenis kelamin: laki-laki
- Pekerjaan: insinyur
Lexical relation dan entity attribute dapat digunakan untuk berbagai tujuan, termasuk:
- Memahami makna teks
- Mencari informasi dalam teks
- Menerjemahkan bahasa
- Menulis teks yang kreatif
- Menjawab pertanyaan
Lexical relation dan entity attribute adalah komponen penting dari pemrosesan bahasa alami (NLP) dalam berbagai aplikasi, termasuk:
- Penerjemahan bahasa
- Pemahaman bahasa alami
- Pengenalan wicara
- Pemrosesan dokumen
- Analisis sentimen
Evolusi SEO: Dari SEO tradisional ke SEO Semantik
Google secara konsisten selalu mengejar tujuannya untuk menjadi mesin pencari terdepan dengan menerapkan berbagai inovasi yang telah merevolusi cara melakukan ranking situs web dan dioptimalkan untuk personalisasi hasil pencarian penggunanya.
2010
Salah satu tonggak terpenting dalam perjalanan Google untuk menjadi mesin pencari berbasis semantik adalah pembelian Freebase, database semantik yang menyediakan data entitas terstruktur.
2012
Akuisisi Freebase ini memungkinkan Google untuk meningkatkan konsep Knowledge Graph-nya, yang merupakan basis data yang mengatur informasi dengan cara yang menciptakan sebuah pengetahuan dari data yang tersedia. Dengan Knowledge Graph, entitas dihubungkan melalui hubungan, atribut, dan konteks tematik, sehingga memungkinkan pemahaman yang lebih mendalam tentang informasi yang disajikan dalam hasil pencarian.
2013
Pada tahun ini, Google memperkenalkan pembaruan Hummingbird, yang menandai kemajuan besar dalam algoritme peringkatnya. Pembaruan ini bertujuan untuk menafsirkan kueri penelusuran yang kompleks dengan lebih baik dan memahami maksud sebenarnya di balik penelusuran pengguna. Pembaruan ini secara signifikan memengaruhi peringkat pencarian dan meningkatkan relevansi hasil pencarian dengan mencocokkannya secara lebih akurat dengan informasi yang diinginkan pengguna.
2014
Inovasi penting lainnya adalah pengenalan Knowledge Vault pada tahun 2014. Sistem ini memungkinkan Google untuk mengotomatiskan penambangan data dari sumber yang tidak terstruktur dan mengekstrak informasi yang berharga, sehingga memperluas jangkauan basis pengetahuannya. Dengan memanfaatkan Knowledge Vault, Google meletakkan dasar untuk kemajuan masa depan dalam Pemrosesan Bahasa Alami (atau biasa disebut dengan NLP / Natural Language Processing), yang selanjutnya meningkatkan kemampuannya untuk memahami dan menafsirkan kueri penelusuran.
Komitmen Google terhadap penelusuran semantik dan korelasinya dengan evaluasi kualitas situs web menjadi nyata pada tahun 2014 dengan diterapkannya sistem peringkat E-A-T (Expertise, Authority, Trustworthiness). Meskipun tidak secara langsung terkait dengan pencarian semantik, konsep entitas dan basis data semantik memberikan kerangka kerja yang ideal untuk menilai keahlian, otoritas, dan kepercayaan penerbit dan penulis. Pendekatan yang berpusat pada entitas ini memungkinkan evaluasi yang lebih komprehensif terhadap konten dan kualitas situs web di luar URL individual.
2015
Google memasukkan Machine Learning ke dalam algoritme pencariannya dengan Rankbrain. Dengan menggunakan analisis ruang vektor, Rankbrain bertujuan untuk lebih memahami hubungan, kedekatan tematik, dan relevansi kontekstual dari kueri penelusuran. Kemajuan ini menghasilkan interpretasi yang lebih baik terhadap maksud pengguna, yang pada akhirnya meningkatkan akurasi hasil pencarian.
2018
Tahun ini menjadi saksi diperkenalkannya BERT, sebuah teknologi yang menggunakan Pemrosesan Bahasa Alami untuk mendapatkan pemahaman semantik yang lebih dalam tentang kueri penelusuran, kalimat, dan konten. BERT memungkinkan Google untuk memahami nuansa bahasa dan konteks, yang selanjutnya meningkatkan relevansi hasil penelusuran.
2021
Google meluncurkan MUM (Multitask Unified Model), sebuah teknologi terobosan yang bertujuan untuk memahami kueri penelusuran, pertanyaan, dan berbagai bentuk konten dengan lebih baik, termasuk teks, video, audio, dan gambar. Dengan MUM, informasi entitas diintegrasikan dengan mulus ke dalam basis data semantik yang ada seperti Knowledge Graph, sehingga memungkinkan Google untuk memanfaatkan pengetahuan dunia yang sangat luas dan memberikan hasil penelusuran yang lebih komprehensif dan akurat.
2023
Menatap masa depan dan upaya untuk bersaing dengan popularitas ChatGPT dari OpenAI, Google berupaya mempertahankan posisinya sebagai pemimpin industri dengan memperkenalkan BARD, model bahasa PaLM 2, dan versi beta dari Google Penelusuran SGE (Search Generative Experience). Ini adalah milestone baru karena Google bertujuan untuk mengubah mesin pencarinya menjadi mesin penjawab (Search Engine to Answer Engine), dengan memanfaatkan respons yang dihasilkan AI untuk pertanyaan pengguna.
Perbedaan Metoda Semantic SEO dengan Konsep SEO Secara Umum
Fokus pada Query dan Bukan Keyword
Praktisi Semantic SEO banyak mengabaikan riset berbasis volume kata kunci, namun fokus dalam memahami konteks dari tujuan utama pembaca (Central Search Intent). Ini bukan berarti tidak perlu mencari kata kunci, namun menargetkan niat (Intent) saat seseorang melihat hasil pencarian (SERP)
Topical Authority
Situs diandalkan menjadi sumber informasi pada topik utama tertentu. Pendekatan konten website dengan Metoda Semantic biasanya melibatkan puluhan hingga ratusan artikel dalam 1 bulannya. Setiap Artikel mewakili Topik Utama dan terhubung dengan Subtopik yang memiliki relevansi dalam analisa lexical, Sub Entitas, maupun Entity Attribute. Dengan membangun topik terkait dalam jangka panjang ini meningkatkan otoritas.
Satu Topik Utama Per Artikel, Bukan Long Form Content
Biasanya praktisi Semantik akan menggunakan lebih banyak artikel daripada sebuah Artikel Panjang. Pada prinsipnya saat mengulas sebuah Topik Utama, panjangnya artikel yang disertai dengan beragam sub topik bisa menyebabkan turunnya fokus (delusi) pada Topik Utama.
Struktur Data adalah Hal Penting
Praktisi Semantic SEO mengedepankan Struktur Data (Schema Markup Data) yang lengkap daripada faktor teknis seperti Core Web Vitals. Hal ini disebabkan para praktisi percaya bahwa Mesin Pencari berbasis AI sangat membutuhkan sinyal dari data struktur yang baik untuk proses data yang lebih murah (Crawl Budget)
Prioritaskan Traffic daripada Ranking Website
Fokus pada perluasan Topik merupakan hal yang diprioritaskan daripada melakukan fokus pada URL atau Artikel Tertentu untuk Ranking. Hal ini juga dikarenakan kebutuhan untuk menjawab atau menjadi solusi dari Tujuan Utama Pembaca (Central Search Intent)
Fokus pada Manusia, Teroptimasi Untuk Mesin
Menulis untuk bahasa natural berbeda dengan menulis secara jurnalistik. Bahasa manusia cenderung tidak terstruktur, sementara bahasa mesin harus berpola dan terstruktur. Perbedaan urutan kata dalam proses NLP juga membantu google untuk membedakan bobot makna dari tulisan (biasa disebut Salience).
Contoh 1: "Doxadigital is Digital Marketing Agency Jakarta"
Disini Doxadigital adalah Bobot utama (Saliance Tertinggi), Doxadigital dan Digital Marketing Agency dianggap konsep organisasi yang berbeda.
Contoh 2: "We are Doxadigital, a Digital Marketing Agency in Jakarta"
Disini Doxadigital dan Digital Marketing Agency dianggap menjadi 1 konsep Organisasi dengan fokus konsep yang sangat tinggi (Salience 0.93)
Contoh 3: "We are Doxadigital, an Award Winning Digital Marketing Agency in Jakarta"
Disini penyempurnaan kalimat yang lebih baik dengan menambahkan Sentimen Positif, Skor 0.5 (tetap dengan Salience 0.93).
Dari sini anda bisa melihat bagaimana urutan, penempatan kata, penggunaan kata sambung yang teroptimasi untuk mesin bisa merubah cara mesin melakukan analisa terhadap konten kita.
Cara Penulisan Konten dan dan Membangun Struktur Secara Semantik
- Rangkaian Entitas membentuk Paragraf dengan Tujuan Khusus (Passage Indexing)
Rangkaian entitas adalah kumpulan kata atau frasa yang memiliki hubungan satu sama lain. Rangkaian entitas dapat digunakan untuk menuliskan paragraf dengan tujuan khusus. Misalnya, jika Anda ingin menulis paragraf tentang layanan jasa digital marketing, Anda dapat menggunakan rangkaian entitas berikut:
"Jasa digital marketing, Jasa SEO, Jasa SEM,Jasa Social Media Marketing, Jasa Email Marketing, Jasa Analytics, Jasa Reporting"
Rangkaian entitas ini dapat digunakan untuk membentuk paragraf tentang layanan jasa digital marketing yang lengkap dan informatif. Paragraf ini dapat memberikan informasi tentang jenis-jenis layanan jasa digital marketing yang tersedia, serta manfaat yang dapat diperoleh dari menggunakan layanan tersebut.
Berikut adalah contoh paragraf tentang layanan jasa digital marketing yang menggunakan rangkaian entitas:
"Layanan jasa digital marketing adalah layanan yang membantu bisnis untuk meningkatkan visibilitas dan penjualan mereka di internet. Layanan ini mencakup berbagai jenis layanan, seperti SEO, SEM, Social Media Marketing, Content Marketing, Email Marketing, Analytics, dan Reporting. Dengan menggunakan layanan jasa digital marketing, bisnis dapat meningkatkan peringkat mereka di mesin pencari, menarik lebih banyak pelanggan, dan meningkatkan penjualan mereka." - Rangkain Paragraf membentuk Topik Artikel
Setelah Anda memiliki struktur semantik untuk konten Anda, Anda dapat mulai merangkai paragraf untuk membentuk topik artikel. Perlu diperhatikan bahwa setiap Artikel harus memiliki 1 Topik Utama (Macro Semantic / Main Content). Untuk beberapa Topik Terkait (Micro Semantic / Supplementary Content) jangan sampai membuat delusi Topik Utama - Rangkaian Topik Per Artikel akan membentuk Knowledge (Topical Clustring)
Fokuskan bisnis anda menjadi pusat pengetahuan dari beragam topik yang relevan dengan bisnis
Kesimpulan: SEO untuk Masa Depan, Optimasi secara Semantik !
SEO dengan Metode Semantik adalah cara paling aman dan berbasis konsep data untuk masa depan SEO. Penggunaan kecerdasan buatan (AI) dan Search Generatif Experience (Pengalaman Pencarian Generatif) akan menjadi masa depan dari dunia pencarian. Oleh karena itu, bisnis perlu mulai beradaptasi dengan Analisis Semantik untuk memastikan situs tetap menjadi solusi pasar namun dapat lebih dipercaya oleh mesin pencari .
Dengan menggunakan SEO berbasis semantik, bisnis dapat memaksimalkan performa situs mereka dengan memahami sinyal-sinyal yang dibaca oleh mesin pencari. Ini akan membantu meningkatkan peringkat website Anda secara organik dan memastikan tetap berada di posisi teratas dalam hasil pencarian.
Jangan ragu untuk berkonsultasi dengan tim Doxadigital untuk ide-ide menarik dan dioptimasi dalam menerapkan strategi SEO semantik untuk bisnis Anda. Segera hubungi kami melalui email di info@doxadigital.com atau chat melalui WhatsApp di +6281288883692.
- Tentang Penulis
- Artikel Terbaru
Viktor Iwan adalah CEO dan pendiri Doxadigital Creative Digital Agency. Dia juga merupakan pembicara dan pelatih publik dalam berbagai acara pemasaran digital seperti "Social Media Week", "Tech in Asia", "WordCamp", "SEOCon", "QuBisa Bootcamp", dan "Google Agency Bootcamp". Viktor Iwan memiliki sertifikasi Google Ads, Facebook Lead Trainer, Facebook Media Buying and Planning, dan Google Analytics. Dia juga menjadi salah satu dari 5 Product Expert Google Ads asal Indonesia oleh Google Inc. Viktor Iwan juga memiliki website pribadi di viktoriwan.com.
