{"content_id":"iwjyzvg4t2","slug":"geo-eeat-scoring-system-design","locale":"id","schema_type":"TechArticle","category":"ai_data","category_name":"Data AI","title":"Cara Memberi Skor E-E-A-T secara Reproduktif dalam Alat Analisis GEO","summary":"E-E-A-T bukanlah skor resmi yang disediakan Google maupun formula kutipan generatif AI yang dipublikasikan. Dalam alat analisis GEO, jangan biarkan LLM menentukan skor secara arbitrer. Ekstrak sinyal yang dapat diverifikasi dari snapshot web yang sama, lalu hitung skor dan tingkat kepercayaan menggunakan kode dengan aturan serta versi yang telah ditetapkan.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Agar input yang sama menghasilkan hasil yang sama, versi snapshot halaman web, aturan evaluasi, bobot, dan sumber data harus ditetapkan bersama.","Experience, Expertise, Authoritativeness, dan Trustworthiness harus dinilai berdasarkan bukti yang berbeda, terutama dengan memisahkan klaim sendiri dari verifikasi eksternal.","LLM lebih sesuai untuk peran terbatas dalam menjelaskan bukti yang diekstrak dan hasil yang dihitung oleh kode, bukan sebagai penghitung skor akhir.","Skor E-E-A-T dan skor peluang kutipan AI saling berkaitan, tetapi tidak sama, sehingga harus dihitung dalam modul terpisah.","Jangan hanya memublikasikan skor; sertakan juga URL sumber, kalimat yang diekstrak, aturan penilaian, status data yang hilang, dan tingkat kepercayaan evaluasi."],"content_markdown":"GEO (Generative Engine Optimization) adalah konsep praktis untuk meningkatkan dan menganalisis kemungkinan konten ditemukan serta digunakan sebagai dasar jawaban dalam lingkungan AI generatif seperti ChatGPT dan Gemini. Namun, layanan AI generatif belum mengungkapkan formula lengkap yang digunakan untuk memilih sumber, dan juga tidak ada satu skor standar yang berlaku umum untuk GEO.\n\nE-E-A-T dari Google berarti Experience, Expertise, Authoritativeness, Trustworthiness, tetapi bukan angka resmi yang dipublikasikan Google untuk setiap halaman web. Oleh karena itu, harus dijelaskan dengan tegas bahwa “skor E-E-A-T 78” yang ditampilkan alat analisis bukanlah penilaian Google, melainkan indikator observasi yang ditetapkan oleh alat tersebut.\n\n## Alasan penilaian tidak boleh diserahkan langsung kepada LLM\n\nMemasukkan seluruh halaman web ke dalam LLM lalu memintanya menilai pengalaman, keahlian, otoritas, dan keterpercayaan masing-masing dengan skor 100 dapat mempercepat pembuatan prototipe. Namun, sebagai sistem pengukuran operasional, pendekatan ini menimbulkan masalah berikut.\n\n- Skor dapat berubah setiap kali dijalankan meskipun konten dan prompt-nya sama.\n- Jika model atau penyedia berubah, skor akan sulit dibandingkan dengan skor sebelumnya.\n- Halusinasi dapat terjadi ketika model menyimpulkan pengalaman kerja, kualifikasi, atau reputasi yang tidak tercantum di halaman.\n- Sulit mengaudit kalimat dan aturan yang memengaruhi skor.\n- Profil yang dibuat sendiri oleh situs dapat diterima sebagai fakta tanpa verifikasi eksternal.\n- Jika dokumen panjang terpotong atau urutan ekstraksinya berubah, hasil evaluasinya juga dapat berubah.\n\nStruktur yang direkomendasikan adalah sebagai berikut.\n\n```text\nSitus web\n  → Pengumpulan snapshot pada satu titik waktu\n  → Ekstraksi isi utama, metadata, entitas, dan klaim\n  → Verifikasi silang dengan materi eksternal\n  → Perhitungan skor berdasarkan aturan dengan versi tetap\n  → Penyimpanan skor, bukti, dan tingkat keyakinan\n  → LLM menjelaskan hasil dalam bahasa alami\n```\n\nIni bukan berarti LLM sama sekali tidak boleh digunakan. LLM dapat dimanfaatkan untuk klasifikasi kalimat, ekstraksi kandidat klaim, dan pencarian variasi nama, tetapi hasilnya harus dihubungkan dengan bukti dari teks asli dan disimpan dalam cache. Menyerahkan perhitungan aritmetika akhir serta aturan batas atas dan pengurangan skor kepada kode akan meningkatkan reproduktibilitas dan kemampuan audit.\n\n## Objek dan cakupan evaluasi yang harus ditentukan terlebih dahulu\n\nSebelum menghitung skor, tentukan secara tetap apa yang dievaluasi. Sinyal dari keseluruhan situs, organisasi, penulis, dan masing-masing dokumen tidak dapat saling menggantikan.\n\n| Unit evaluasi | Pertanyaan utama | Bukti representatif |\n|---|---|---|\n| Dokumen | Apakah klaim dan proses penulisan artikel ini dapat dipercaya? | Isi utama, kutipan, tanggal penulisan, tanggal revisi, data eksperimen |\n| Penulis | Apakah pengalaman atau keahlian untuk membahas topik ini dapat dikonfirmasi? | Halaman penulis, kualifikasi, riwayat pekerjaan, riwayat penelitian dan penulisan |\n| Organisasi | Apakah pihak penerbit dapat diidentifikasi dan memiliki struktur pertanggungjawaban? | Tentang perusahaan, kontak, kebijakan editorial, data Organization |\n| Domain | Apakah pihak eksternal mengakui domain tersebut sebagai sumber untuk topik terkait? | Kutipan dari lembaga independen, backlink relevan, materi media dan akademis |\n| Permukaan teknis | Apakah crawler dapat membaca konten dan informasi sumber? | Kode status, kebijakan robots, canonical, HTML, data terstruktur |\n\nTopik juga harus diklasifikasikan. Bidang seperti medis, keuangan, dan hukum, yang dapat menimbulkan kerugian besar akibat informasi yang salah, membutuhkan bukti keahlian dan keterpercayaan yang berbeda dari ulasan hobi pribadi. Jika satu bobot tetap diterapkan pada semua bidang, makna skor akan melemah.\n\n## Cara mengumpulkan snapshot web yang sama\n\nPenganalisis harus berbagi snapshot yang disimpan dalam satu kali pengambilan. Jika isi utama diminta ulang pukul 10.00, JSON-LD pukul 10.05, dan halaman penulis pukul 10.10, status yang sudah berubah dapat tercampur.\n\nJika memungkinkan, simpan item berikut dalam snapshot.\n\n- URL akhir, jalur pengalihan, kode status HTTP, dan header respons\n- HTML asli dan, jika diperlukan, HTML yang telah dirender\n- Isi utama yang diekstrak, judul, deskripsi, canonical, dan informasi bahasa\n- Penulis, tanggal publikasi, tanggal revisi, dan organisasi penerbit\n- Tautan internal dan eksternal beserta teks jangkar\n- Data terstruktur seperti JSON-LD dan Microdata\n- Instruksi robots dan URL terkait yang dikonfirmasi melalui sitemap\n- Waktu pengumpulan, versi pengumpul, dan hash konten\n\nSaat menjelajahi beberapa halaman, jangan hanya mengandalkan halaman utama. Gunakan sitemap.xml dan tautan internal untuk menjelajahi kandidat seperti About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy, dan Terms hingga kedalaman terbatas. Halaman yang berisi informasi pribadi atau memiliki pembatasan penggunaan tidak boleh dikumpulkan secara berlebihan, dan kebijakan robots, ketentuan layanan, serta hukum yang berlaku juga harus diperiksa.\n\n## Memisahkan bukti di dalam situs dan di luar situs\n\nData di dalam situs adalah informasi yang dipublikasikan langsung oleh situs tersebut. Ini mencakup profil penulis, deskripsi produk, studi kasus pelanggan, kebijakan editorial, informasi kontak, serta data terstruktur Person dan Organization.\n\nData di luar situs menunjukkan bagaimana sumber eksternal yang independen mengonfirmasi penulis atau organisasi. Ini mencakup materi pemerintah dan lembaga publik, institusi akademis, asosiasi profesi, media tepercaya, materi industri, profil eksternal, serta backlink dan kutipan yang relevan.\n\nKedua jenis bukti tersebut harus dibedakan dalam penilaian.\n\n- Pernyataan promosi diri seperti “terbaik di industri” bukanlah bukti independen untuk Authority.\n- Meskipun berupa artikel eksternal, materi yang hanya menerbitkan ulang siaran pers memiliki independensi rendah.\n- Jika artikel yang sama diduplikasi pada URL berbeda, jumlah sumber tidak boleh dihitung berulang kali.\n- Entitas harus diperiksa agar pencapaian orang atau organisasi lain yang memiliki nama sama tidak ikut dihubungkan.\n- Tautan sameAs adalah petunjuk untuk menghubungkan kandidat entitas, bukan jaminan otomatis atas kebenaran riwayat tersebut.\n\n## Experience: mengubah pengalaman langsung menjadi bukti\n\nExperience menilai pengalaman langsung ketika penulis menggunakan produk atau mengunjungi tempat, menjalankan prosedur, atau mengoperasikan eksperimen. Ini terpisah dari Expertise. Pembeli yang menggunakan laptop dalam jangka panjang mungkin memiliki pengalaman penggunaan nyata yang kaya, tetapi belum tentu merupakan ahli teknik baterai.\n\n### Sinyal yang perlu dideteksi\n\n- Ungkapan bahwa penulis secara langsung menggunakan, membeli, mengunjungi, memasang, mengoperasikan, atau membandingkan sesuatu\n- Durasi penggunaan, jumlah pengujian, jumlah sampel, lingkungan, dan peralatan\n- Tahapan pelaksanaan, proses kegagalan, batasan, dan pengecualian\n- Gambar yang diambil sendiri, log, data mentah, dan prosedur reproduksi\n- Hasil sebelum dan sesudah pengukuran serta metode pengukuran\n\nMemberikan skor tinggi hanya berdasarkan satu kalimat “saya sudah mencobanya sendiri” akan mudah dimanipulasi. Angka spesifik juga tidak dengan sendirinya membuktikan fakta. Angka tersebut harus diperlakukan sebagai bukti yang lebih kuat jika metode pengukuran, periode, data mentah, dan konteksnya saling konsisten.\n\nSkor pengalaman dapat dibuat berjenjang seperti berikut.\n\n| Tingkat | Contoh | Prinsip pemrosesan |\n|---|---|---|\n| Lemah | Hanya terdapat pernyataan bahwa sesuatu pernah digunakan | Skor dasar rendah |\n| Sedang | Periode, lingkungan, dan prosedur dijelaskan secara spesifik | Tambahkan skor kekonkretan |\n| Kuat | Menyediakan data mentah, foto, log, dan standar perbandingan | Tambahkan skor kemampuan verifikasi |\n| Terverifikasi | Konsisten dengan materi independen atau pengujian reproduksi | Terapkan bobot verifikasi silang |\n\n## Expertise: mengevaluasi keahlian yang dapat dikonfirmasi\n\nExpertise menilai apakah seseorang memiliki pengetahuan dan kompetensi untuk membahas topik terkait secara akurat. Hanya mencantumkan kata “ahli” di samping nama tidaklah cukup.\n\nKandidat analisis meliputi hal-hal berikut.\n\n- Jabatan terkait, afiliasi, bidang pekerjaan, dan lama pengalaman kerja\n- Gelar, sertifikasi resmi, lisensi, dan lembaga penerbit\n- Penelitian, makalah, buku, kuliah, dan proyek terkait\n- Pengalaman kerja nyata yang berkaitan dengan topik\n- Akurasi, cakupan, batasan, dan sumber penjelasan profesional\n- Peninjau ahli dan tanggal peninjauan\n\nJika nilai penulis berupa nama peran seperti `admin`, `administrator`, `관리자`, `운영자`, `운영팀`, atau `editor`, jangan menetapkannya sebagai individu nyata. Meskipun ada data terstruktur Person, periksa apakah data tersebut sesuai dengan informasi penulis yang ditampilkan di layar.\n\nKeahlian harus mencerminkan relevansi terhadap topik. Kualifikasi pengacara dapat menjadi sinyal kuat untuk konten hukum, tetapi tidak secara otomatis membuktikan keahlian dalam semua topik medis atau teknis. Dalam bidang yang memerlukan verifikasi kualifikasi, tingkat verifikasi ditingkatkan jika dapat dihubungkan dengan lembaga penerbit atau materi pencarian resmi.\n\n## Authoritativeness: pengakuan eksternal dan kecocokan entitas\n\nAuthoritativeness menilai sejauh mana seseorang, organisasi, atau situs diakui oleh pihak eksternal dalam topik tertentu. Kualitas sumber, relevansi topik, independensi, dan keragaman lebih penting daripada sekadar jumlah penyebutan.\n\nPenganalisis otoritas dapat mengikuti prosedur berikut.\n\n1. Buat entitas standar untuk nama organisasi, nama penulis, domain, dan merek.\n2. Hubungkan alias yang telah dikonfirmasi, seperti nama lama, nama dalam bahasa Inggris, dan singkatan.\n3. Tentukan apakah entitas dalam dokumen eksternal merupakan entitas yang sama.\n4. Evaluasi independensi, kualitas, relevansi topik, dan kebaruan sumber.\n5. Kelompokkan distribusi ulang siaran pers dan duplikasi dokumen yang sama.\n6. Bedakan apakah kutipan atau penyebutan merupakan pengakuan positif, sekadar pencantuman, atau kritik.\n\nJika analisis web berbahasa Korea hanya menggunakan Wikipedia, Wikidata, Reddit, dan media berbahasa Inggris, otoritas lembaga serta perusahaan domestik dapat dinilai terlalu rendah. Sesuai pasar yang dievaluasi, registri sumber harus mencakup pemerintah dan lembaga publik, data publik, basis data akademis, asosiasi profesi, media utama, serta media khusus industri. Sebaliknya, eksposur pada portal di negara tertentu saja juga tidak boleh dijadikan dasar untuk menyimpulkan otoritas global.\n\nSebaiknya registri sumber mencatat yurisdiksi, pihak penerbit, cakupan topik, independensi, status sebagai sumber asli, siklus pembaruan, dan ketentuan akses. Meskipun sumber dari berbagai negara ditambahkan, aturan penilaian dan kriteria pemilihannya harus dipublikasikan.\n\n## Trustworthiness: poros keamanan yang paling luas dan penting\n\nTrustworthiness menopang tiga unsur lainnya. Meskipun terdapat pengalaman langsung dan kualifikasi, batas atas dapat diterapkan pada keseluruhan evaluasi jika ditemukan klaim palsu, penyembunyian konflik kepentingan, atau manipulasi sumber.\n\nHal-hal yang harus diperiksa dalam modul keterpercayaan adalah sebagai berikut.\n\n### Pihak penerbit dan pertanggungjawaban\n\n- Apakah organisasi pengelola dan penulis ditampilkan dengan jelas\n- Apakah metode kontak dan informasi dukungan pelanggan benar-benar tersedia di halaman\n- Apakah kebijakan editorial, peninjauan, dan koreksi dapat dikonfirmasi\n- Apakah iklan, sponsor, afiliasi, dan konflik kepentingan dibedakan\n\n### Klaim dan bukti\n\n- Apakah fakta utama dihubungkan dengan sumber asli atau bukti yang sesuai\n- Apakah kutipan dan statistik sesuai dengan maksud sumber aslinya\n- Apakah tanggal publikasi dan revisi sesuai dengan perubahan konten yang sebenarnya\n- Apakah fakta, opini, dan klaim promosi dibedakan dengan jelas\n- Apakah ketidakpastian, cakupan penerapan, pengecualian, dan batasan dijelaskan\n\n### Transaksi dan keamanan\n\n- Apakah kebijakan privasi dan ketentuan penggunaan disediakan sesuai dengan sifat layanan\n- Apakah ketentuan pembayaran, pengembalian dana, dan pengiriman dijelaskan secara jelas pada situs yang memerlukannya\n- Apakah tidak ada risiko teknis seperti HTTPS, pengalihan berbahaya, atau sertifikat yang rusak\n- Apakah informasi kesehatan, keuangan, dan hukum tidak menggunakan pernyataan tegas atau jaminan yang berbahaya\n\nKeberadaan HTTPS atau kebijakan privasi saja tidak menjadikan konten akurat. Keduanya merupakan sinyal keamanan dasar, sedangkan keterpercayaan pada tingkat klaim harus diverifikasi secara terpisah.\n\n## Data terstruktur dan verifikasi entitas\n\nData terstruktur Person dan Organization menyediakan nama, afiliasi, jabatan, URL resmi, dan hubungan dengan profil eksternal dalam bentuk yang mudah dipahami mesin. author, publisher, datePublished, dan dateModified pada Article juga berguna untuk mengekspresikan struktur sumber dokumen.\n\nNamun, markup Schema harus dievaluasi berdasarkan prinsip berikut.\n\n- Periksa apakah data terstruktur sesuai dengan konten yang terlihat di layar.\n- Jangan menetapkan kualifikasi, penghargaan, atau reputasi sebagai fakta hanya karena data tersebut tersedia.\n- Periksa konsistensi pengenal dan hubungan antara Person, Organization, dan Article.\n- Pastikan target sameAs benar-benar merupakan profil resmi.\n- Pisahkan kesalahan sintaksis dari tidak adanya properti wajib atau yang direkomendasikan.\n- Jangan memberikan skor tambahan untuk penggunaan jenis Schema yang berlebihan atau tidak relevan.\n\nData terstruktur adalah lapisan representasi yang membantu pemahaman dan ekstraksi. Data tersebut tidak menjamin peringkat pencarian yang tinggi atau kutipan oleh AI generatif.\n\n## Merancang formula skor yang dapat direproduksi\n\nJika setiap sinyal hanya diproses sebagai “ada atau tidak ada”, perbedaan kualitas akan terlewat. Memisahkan nilainya seperti berikut akan memudahkan pelacakan bukti.\n\n- `presence`: keberadaan sinyal atau tingkat pemenuhan\n- `verification`: tingkat verifikasi independen\n- `relevance`: relevansi terhadap topik evaluasi\n- `source_quality`: kualitas dan independensi sumber bukti\n- `freshness`: validitas sinyal yang memerlukan kebaruan\n- `weight`: tingkat kepentingan sinyal yang dikelola berdasarkan versi\n\nContoh formulanya adalah sebagai berikut.\n\n```text\nKontribusi sinyal = weight × presence × verification × relevance × source_quality × freshness\nSkor dimensi = 100 × jumlah kontribusi ÷ jumlah weight yang dapat diterapkan\n```\n\nFormula ini adalah contoh desain, bukan formula resmi E-E-A-T. Setiap koefisien dapat dinormalisasi antara 0 dan 1. Hanya item yang secara logis tidak berlaku yang dikecualikan sebagai `N/A`, sedangkan keadaan ketika bukti yang diperlukan tidak ditemukan harus disimpan sebagai `missing`, terpisah dari skor 0.\n\n### Menampilkan tingkat keyakinan secara terpisah dari skor\n\nHasil 78 poin pun sulit dipercaya jika setengah dari halaman wajib tidak berhasil dikumpulkan. Oleh karena itu, tingkat keyakinan evaluasi atau cakupan bukti harus dihitung secara terpisah.\n\n```text\nTingkat keyakinan evaluasi = cakupan pengumpulan × kecocokan entitas × proporsi bukti yang dapat diverifikasi\n```\n\nLayar hasil setidaknya harus menampilkan hal-hal berikut secara bersamaan.\n\n- Skor setiap dimensi dan skor keseluruhan\n- Tingkat keyakinan evaluasi\n- Status terkonfirmasi, belum dikonfirmasi, tidak cocok, dan dikecualikan dari penerapan\n- URL bukti dan sebagian teks asli\n- Waktu pengumpulan dan hash snapshot\n- Versi aturan, bobot, dan registri sumber\n\n## Memisahkan skor keseluruhan GEO dari E-E-A-T\n\nE-E-A-T yang tinggi tidak selalu berarti konten akan dikutip dalam jawaban AI. Sistem jawaban juga dapat mempertimbangkan kesesuaian dengan pertanyaan, kemudahan ekstraksi informasi, kebaruan, kemampuan crawling, dan format dokumen, sedangkan metode pemilihan spesifik berbeda-beda untuk setiap layanan.\n\nSebaiknya alat GEO memisahkan modul-modul berikut.\n\n| Modul | Objek analisis |\n|---|---|\n| E-E-A-T konten | Pengalaman, keahlian, otoritas eksternal, keterpercayaan |\n| Kesiapan kutipan AI | Kalimat yang dapat dipahami secara mandiri, kesesuaian pertanyaan, hubungan bukti, kemampuan peringkasan |\n| Otoritas merek | Pengakuan independen dari lembaga eksternal dan kecocokan entitas |\n| Aksesibilitas teknis | Crawling, kode status, canonical, rendering, akses isi utama |\n| Kualitas Schema | Sintaksis, kesesuaian dengan konten yang ditampilkan, hubungan entitas |\n\nSebagai contoh, komposisinya dapat berupa kesiapan kutipan AI 30%, otoritas merek 20%, E-E-A-T konten 20%, aksesibilitas teknis 20%, dan Schema 10%. Rasio ini sepenuhnya merupakan contoh kebijakan produk. Bobot aktual harus dikalibrasi menggunakan data validasi per topik dan versinya harus ditampilkan.\n\nDalam kesiapan kutipan AI, kalimat pendek tidak boleh selalu diutamakan tanpa syarat. Evaluasi apakah klaim utama dapat dipahami secara mandiri, bukti dan ketentuannya berada di dekat klaim, serta struktur tabel, daftar, dan judul mempertahankan maknanya. Teks tersembunyi, frasa berulang, dan halaman massal tanpa bukti yang ditujukan untuk menipu mesin pencari atau AI harus diproses sebagai pengurangan skor atau sinyal risiko.\n\n## Struktur untuk mencegah propagasi kesalahan antarmodul\n\nJika setiap penganalisis langsung menerima kesimpulan penganalisis lain sebagai input, kesalahan awal dapat membesar. Yang harus dibagikan bukan kesimpulannya, melainkan snapshot asli dan bukti yang telah dinormalisasi.\n\n```text\nSnapshot Store\n ├─ Content / Claim Analyzer\n ├─ Author / Expertise Analyzer\n ├─ Entity / Authority Analyzer\n ├─ Trust Analyzer\n ├─ Technical Analyzer\n └─ Schema Analyzer\n          ↓\n Evidence Store → Deterministic Scorer → Explanation LLM\n```\n\nSebaiknya semua rekaman keputusan mencakup `claim_id`, `evidence_id`, posisi teks asli, aturan keputusan, dan versi modul. Hanya JSON yang telah dihitung dan kalimat bukti yang diizinkan yang diberikan kepada LLM, disertai batasan agar LLM tidak menambahkan kualifikasi baru atau reputasi eksternal.\n\n## Masalah yang sering terlewat: ketidakpastian dan manipulasi adversarial\n\nBanyak analisis GEO berfokus pada pencarian sinyal, tetapi tidak cukup menangani situasi ketika situs mencoba menipu penganalisis. Masalah ini harus dioperasikan sebagai lapisan kualitas dan keamanan tersendiri.\n\n- Riwayat pekerjaan dan kata kunci dapat disisipkan berulang kali di area yang tidak terlihat.\n- Penulis palsu dan data terstruktur Person palsu dapat dibuat.\n- Siaran pers yang sama dapat didistribusikan ke beberapa domain untuk menggelembungkan jumlah penyebutan eksternal.\n- Penelitian, kualifikasi, atau angka yang sebenarnya tidak ada dapat dikutip.\n- Hanya tanggal revisi yang dapat diperbarui agar artikel lama terlihat seperti konten terbaru.\n- Sistem dapat diarahkan untuk menghubungkan secara keliru otoritas milik orang dengan nama sama atau merek serupa.\n\nMetode penanganannya meliputi perbandingan antara konten yang ditampilkan di layar dan markup, pengelompokan sumber asli, verifikasi lembaga penerbit kualifikasi, deteksi perubahan berbasis hash konten, pemeriksaan silang atribut entitas, serta deteksi pola tautan abnormal. Jika ditemukan ketidaksesuaian serius, menerapkan batas atas pada keseluruhan skor atau status peninjauan manual akan lebih aman daripada sekadar mengurangi skor.\n\n## Cara memvalidasi model evaluasi\n\nMeskipun formula skor bersifat deterministik, validitas evaluasi tidak terbentuk secara otomatis. Pengujian berikut diperlukan.\n\n1. **Uji pengulangan:** Pastikan snapshot dan versi yang sama menghasilkan hasil identik hingga tingkat bit.\n2. **Set acuan ahli:** Bandingkan bukti yang ditandai secara independen oleh ahli bidang dengan hasil sistem.\n3. **Kesepakatan penilai:** Temukan item yang sulit disepakati bahkan di antara penilai manusia, lalu perbaiki aturannya.\n4. **Uji gangguan:** Periksa apakah hasil berubah ke arah yang diperkirakan ketika nama penulis, tanggal, Schema, atau tautan bukti dihapus.\n5. **Uji ketahanan manipulasi:** Pastikan frasa tersembunyi, profil palsu, dan siaran pers duplikat tidak meningkatkan skor secara berlebihan.\n6. **Uji bias regional:** Ukur apakah entitas berkualitas setara secara sistematis dirugikan berdasarkan bahasa atau negara.\n7. **Kalibrasi hasil:** Jika menggunakan data observasi kutipan aktual, catat pertanyaan, waktu, model, dan lokasi secara bersamaan.\n\nHasil kutipan AI generatif dapat berubah bergantung pada formulasi pertanyaan dan pembaruan layanan. Karena itu, hasil tersebut sebaiknya diperlakukan sebagai indikator validasi eksternal yang mencantumkan waktu, bukan sebagai jawaban mutlak.\n\n## Spesifikasi data yang harus disertakan dalam hasil operasional\n\nAgar manusia dan sistem lain dapat memverifikasi ulang hasilnya, struktur berikut dapat disediakan.\n\n```json\n{\n  \"snapshot_id\": \"sha256:...\",\n  \"collected_at\": \"ISO-8601 timestamp\",\n  \"scoring_version\": \"eeat-1.3.0\",\n  \"scope\": \"document\",\n  \"topic_class\": \"software-review\",\n  \"scores\": {\n    \"experience\": 72,\n    \"expertise\": 61,\n    \"authoritativeness\": 54,\n    \"trustworthiness\": 80\n  },\n  \"confidence\": 0.74,\n  \"evidence\": [\n    {\n      \"dimension\": \"experience\",\n      \"status\": \"verified\",\n      \"source_url\": \"https://example.invalid/page\",\n      \"rule_id\": \"EXP-METHOD-02\"\n    }\n  ],\n  \"missing\": [\"independent_author_profile\"]\n}\n```\n\nURL di atas adalah contoh string tidak valid untuk menunjukkan struktur data. Dalam hasil sebenarnya, masukkan URL bukti yang dikumpulkan dan posisi teks asli. Jika tidak memiliki hak untuk mendistribusikan ulang keseluruhan teks asli, simpan hanya bukti singkat dalam cakupan yang diperlukan beserta hash dan informasi posisinya.\n\n## Daftar periksa implementasi\n\n- Bedakan unit evaluasi menjadi dokumen, penulis, organisasi, dan domain.\n- Berikan snapshot dari titik waktu yang sama kepada semua penganalisis.\n- Pisahkan klaim sendiri dari verifikasi eksternal yang independen.\n- Hitung pengalaman dan keahlian sebagai dimensi yang terpisah.\n- Kelola registri sumber Authority berdasarkan negara dan bahasa.\n- Periksa kesesuaian antara data terstruktur dan konten yang ditampilkan di layar.\n- Simpan data yang hilang, ketidaksesuaian, dan pengecualian penerapan sebagai status yang berbeda.\n- Publikasikan skor dan tingkat keyakinan evaluasi secara bersamaan.\n- Naikkan versi ketika bobot dan aturan berubah.\n- Batasi penjelasan LLM agar tidak dapat menambahkan fakta di luar bukti.\n- Sediakan jalur deteksi manipulasi dan peninjauan manual.\n- Saat mengamati hasil kutipan AI aktual, catat model, pertanyaan, dan waktu.\n\nIntinya adalah tidak memadatkan E-E-A-T menjadi satu skor impresi yang samar. Bukti yang dapat diverifikasi, aturan yang diterapkan, ketidakpastian, dan silsilah sumber harus disediakan secara bersamaan agar hasil analisis GEO menjadi data yang dapat digunakan untuk pengambilan keputusan operasional dan perbandingan jangka panjang.","content_html":"\u003cp\u003eGEO (Generative Engine Optimization) adalah konsep praktis untuk meningkatkan dan menganalisis kemungkinan konten ditemukan serta digunakan sebagai dasar jawaban dalam lingkungan AI generatif seperti ChatGPT dan Gemini. Namun, layanan AI generatif belum mengungkapkan formula lengkap yang digunakan untuk memilih sumber, dan juga tidak ada satu skor standar yang berlaku umum untuk GEO.\u003c/p\u003e\n\u003cp\u003eE-E-A-T dari Google berarti Experience, Expertise, Authoritativeness, Trustworthiness, tetapi bukan angka resmi yang dipublikasikan Google untuk setiap halaman web. Oleh karena itu, harus dijelaskan dengan tegas bahwa “skor E-E-A-T 78” yang ditampilkan alat analisis bukanlah penilaian Google, melainkan indikator observasi yang ditetapkan oleh alat tersebut.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alasan-penilaian-tidak-boleh-diserahkan-langsung-kepada-llm\" class=\"anchor\" id=\"alasan-penilaian-tidak-boleh-diserahkan-langsung-kepada-llm\"\u003e\u003c/a\u003eAlasan penilaian tidak boleh diserahkan langsung kepada LLM\u003c/h2\u003e\n\u003cp\u003eMemasukkan seluruh halaman web ke dalam LLM lalu memintanya menilai pengalaman, keahlian, otoritas, dan keterpercayaan masing-masing dengan skor 100 dapat mempercepat pembuatan prototipe. Namun, sebagai sistem pengukuran operasional, pendekatan ini menimbulkan masalah berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eSkor dapat berubah setiap kali dijalankan meskipun konten dan prompt-nya sama.\u003c/li\u003e\n\u003cli\u003eJika model atau penyedia berubah, skor akan sulit dibandingkan dengan skor sebelumnya.\u003c/li\u003e\n\u003cli\u003eHalusinasi dapat terjadi ketika model menyimpulkan pengalaman kerja, kualifikasi, atau reputasi yang tidak tercantum di halaman.\u003c/li\u003e\n\u003cli\u003eSulit mengaudit kalimat dan aturan yang memengaruhi skor.\u003c/li\u003e\n\u003cli\u003eProfil yang dibuat sendiri oleh situs dapat diterima sebagai fakta tanpa verifikasi eksternal.\u003c/li\u003e\n\u003cli\u003eJika dokumen panjang terpotong atau urutan ekstraksinya berubah, hasil evaluasinya juga dapat berubah.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eStruktur yang direkomendasikan adalah sebagai berikut.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eSitus web\n\u003c/span\u003e\u003cspan\u003e  → Pengumpulan snapshot pada satu titik waktu\n\u003c/span\u003e\u003cspan\u003e  → Ekstraksi isi utama, metadata, entitas, dan klaim\n\u003c/span\u003e\u003cspan\u003e  → Verifikasi silang dengan materi eksternal\n\u003c/span\u003e\u003cspan\u003e  → Perhitungan skor berdasarkan aturan dengan versi tetap\n\u003c/span\u003e\u003cspan\u003e  → Penyimpanan skor, bukti, dan tingkat keyakinan\n\u003c/span\u003e\u003cspan\u003e  → LLM menjelaskan hasil dalam bahasa alami\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eIni bukan berarti LLM sama sekali tidak boleh digunakan. LLM dapat dimanfaatkan untuk klasifikasi kalimat, ekstraksi kandidat klaim, dan pencarian variasi nama, tetapi hasilnya harus dihubungkan dengan bukti dari teks asli dan disimpan dalam cache. Menyerahkan perhitungan aritmetika akhir serta aturan batas atas dan pengurangan skor kepada kode akan meningkatkan reproduktibilitas dan kemampuan audit.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#objek-dan-cakupan-evaluasi-yang-harus-ditentukan-terlebih-dahulu\" class=\"anchor\" id=\"objek-dan-cakupan-evaluasi-yang-harus-ditentukan-terlebih-dahulu\"\u003e\u003c/a\u003eObjek dan cakupan evaluasi yang harus ditentukan terlebih dahulu\u003c/h2\u003e\n\u003cp\u003eSebelum menghitung skor, tentukan secara tetap apa yang dievaluasi. Sinyal dari keseluruhan situs, organisasi, penulis, dan masing-masing dokumen tidak dapat saling menggantikan.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eUnit evaluasi\u003c/th\u003e\n\u003cth\u003ePertanyaan utama\u003c/th\u003e\n\u003cth\u003eBukti representatif\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unit evaluasi\"\u003eDokumen\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah klaim dan proses penulisan artikel ini dapat dipercaya?\u003c/td\u003e\n\u003ctd data-label=\"Bukti representatif\"\u003eIsi utama, kutipan, tanggal penulisan, tanggal revisi, data eksperimen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unit evaluasi\"\u003ePenulis\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah pengalaman atau keahlian untuk membahas topik ini dapat dikonfirmasi?\u003c/td\u003e\n\u003ctd data-label=\"Bukti representatif\"\u003eHalaman penulis, kualifikasi, riwayat pekerjaan, riwayat penelitian dan penulisan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unit evaluasi\"\u003eOrganisasi\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah pihak penerbit dapat diidentifikasi dan memiliki struktur pertanggungjawaban?\u003c/td\u003e\n\u003ctd data-label=\"Bukti representatif\"\u003eTentang perusahaan, kontak, kebijakan editorial, data Organization\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unit evaluasi\"\u003eDomain\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah pihak eksternal mengakui domain tersebut sebagai sumber untuk topik terkait?\u003c/td\u003e\n\u003ctd data-label=\"Bukti representatif\"\u003eKutipan dari lembaga independen, backlink relevan, materi media dan akademis\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unit evaluasi\"\u003ePermukaan teknis\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah crawler dapat membaca konten dan informasi sumber?\u003c/td\u003e\n\u003ctd data-label=\"Bukti representatif\"\u003eKode status, kebijakan robots, canonical, HTML, data terstruktur\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eTopik juga harus diklasifikasikan. Bidang seperti medis, keuangan, dan hukum, yang dapat menimbulkan kerugian besar akibat informasi yang salah, membutuhkan bukti keahlian dan keterpercayaan yang berbeda dari ulasan hobi pribadi. Jika satu bobot tetap diterapkan pada semua bidang, makna skor akan melemah.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#cara-mengumpulkan-snapshot-web-yang-sama\" class=\"anchor\" id=\"cara-mengumpulkan-snapshot-web-yang-sama\"\u003e\u003c/a\u003eCara mengumpulkan snapshot web yang sama\u003c/h2\u003e\n\u003cp\u003ePenganalisis harus berbagi snapshot yang disimpan dalam satu kali pengambilan. Jika isi utama diminta ulang pukul 10.00, JSON-LD pukul 10.05, dan halaman penulis pukul 10.10, status yang sudah berubah dapat tercampur.\u003c/p\u003e\n\u003cp\u003eJika memungkinkan, simpan item berikut dalam snapshot.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eURL akhir, jalur pengalihan, kode status HTTP, dan header respons\u003c/li\u003e\n\u003cli\u003eHTML asli dan, jika diperlukan, HTML yang telah dirender\u003c/li\u003e\n\u003cli\u003eIsi utama yang diekstrak, judul, deskripsi, canonical, dan informasi bahasa\u003c/li\u003e\n\u003cli\u003ePenulis, tanggal publikasi, tanggal revisi, dan organisasi penerbit\u003c/li\u003e\n\u003cli\u003eTautan internal dan eksternal beserta teks jangkar\u003c/li\u003e\n\u003cli\u003eData terstruktur seperti JSON-LD dan Microdata\u003c/li\u003e\n\u003cli\u003eInstruksi robots dan URL terkait yang dikonfirmasi melalui sitemap\u003c/li\u003e\n\u003cli\u003eWaktu pengumpulan, versi pengumpul, dan hash konten\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eSaat menjelajahi beberapa halaman, jangan hanya mengandalkan halaman utama. Gunakan sitemap.xml dan tautan internal untuk menjelajahi kandidat seperti About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy, dan Terms hingga kedalaman terbatas. Halaman yang berisi informasi pribadi atau memiliki pembatasan penggunaan tidak boleh dikumpulkan secara berlebihan, dan kebijakan robots, ketentuan layanan, serta hukum yang berlaku juga harus diperiksa.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#memisahkan-bukti-di-dalam-situs-dan-di-luar-situs\" class=\"anchor\" id=\"memisahkan-bukti-di-dalam-situs-dan-di-luar-situs\"\u003e\u003c/a\u003eMemisahkan bukti di dalam situs dan di luar situs\u003c/h2\u003e\n\u003cp\u003eData di dalam situs adalah informasi yang dipublikasikan langsung oleh situs tersebut. Ini mencakup profil penulis, deskripsi produk, studi kasus pelanggan, kebijakan editorial, informasi kontak, serta data terstruktur Person dan Organization.\u003c/p\u003e\n\u003cp\u003eData di luar situs menunjukkan bagaimana sumber eksternal yang independen mengonfirmasi penulis atau organisasi. Ini mencakup materi pemerintah dan lembaga publik, institusi akademis, asosiasi profesi, media tepercaya, materi industri, profil eksternal, serta backlink dan kutipan yang relevan.\u003c/p\u003e\n\u003cp\u003eKedua jenis bukti tersebut harus dibedakan dalam penilaian.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003ePernyataan promosi diri seperti “terbaik di industri” bukanlah bukti independen untuk Authority.\u003c/li\u003e\n\u003cli\u003eMeskipun berupa artikel eksternal, materi yang hanya menerbitkan ulang siaran pers memiliki independensi rendah.\u003c/li\u003e\n\u003cli\u003eJika artikel yang sama diduplikasi pada URL berbeda, jumlah sumber tidak boleh dihitung berulang kali.\u003c/li\u003e\n\u003cli\u003eEntitas harus diperiksa agar pencapaian orang atau organisasi lain yang memiliki nama sama tidak ikut dihubungkan.\u003c/li\u003e\n\u003cli\u003eTautan sameAs adalah petunjuk untuk menghubungkan kandidat entitas, bukan jaminan otomatis atas kebenaran riwayat tersebut.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#experience-mengubah-pengalaman-langsung-menjadi-bukti\" class=\"anchor\" id=\"experience-mengubah-pengalaman-langsung-menjadi-bukti\"\u003e\u003c/a\u003eExperience: mengubah pengalaman langsung menjadi bukti\u003c/h2\u003e\n\u003cp\u003eExperience menilai pengalaman langsung ketika penulis menggunakan produk atau mengunjungi tempat, menjalankan prosedur, atau mengoperasikan eksperimen. Ini terpisah dari Expertise. Pembeli yang menggunakan laptop dalam jangka panjang mungkin memiliki pengalaman penggunaan nyata yang kaya, tetapi belum tentu merupakan ahli teknik baterai.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#sinyal-yang-perlu-dideteksi\" class=\"anchor\" id=\"sinyal-yang-perlu-dideteksi\"\u003e\u003c/a\u003eSinyal yang perlu dideteksi\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eUngkapan bahwa penulis secara langsung menggunakan, membeli, mengunjungi, memasang, mengoperasikan, atau membandingkan sesuatu\u003c/li\u003e\n\u003cli\u003eDurasi penggunaan, jumlah pengujian, jumlah sampel, lingkungan, dan peralatan\u003c/li\u003e\n\u003cli\u003eTahapan pelaksanaan, proses kegagalan, batasan, dan pengecualian\u003c/li\u003e\n\u003cli\u003eGambar yang diambil sendiri, log, data mentah, dan prosedur reproduksi\u003c/li\u003e\n\u003cli\u003eHasil sebelum dan sesudah pengukuran serta metode pengukuran\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eMemberikan skor tinggi hanya berdasarkan satu kalimat “saya sudah mencobanya sendiri” akan mudah dimanipulasi. Angka spesifik juga tidak dengan sendirinya membuktikan fakta. Angka tersebut harus diperlakukan sebagai bukti yang lebih kuat jika metode pengukuran, periode, data mentah, dan konteksnya saling konsisten.\u003c/p\u003e\n\u003cp\u003eSkor pengalaman dapat dibuat berjenjang seperti berikut.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTingkat\u003c/th\u003e\n\u003cth\u003eContoh\u003c/th\u003e\n\u003cth\u003ePrinsip pemrosesan\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tingkat\"\u003eLemah\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003eHanya terdapat pernyataan bahwa sesuatu pernah digunakan\u003c/td\u003e\n\u003ctd data-label=\"Prinsip pemrosesan\"\u003eSkor dasar rendah\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tingkat\"\u003eSedang\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003ePeriode, lingkungan, dan prosedur dijelaskan secara spesifik\u003c/td\u003e\n\u003ctd data-label=\"Prinsip pemrosesan\"\u003eTambahkan skor kekonkretan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tingkat\"\u003eKuat\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003eMenyediakan data mentah, foto, log, dan standar perbandingan\u003c/td\u003e\n\u003ctd data-label=\"Prinsip pemrosesan\"\u003eTambahkan skor kemampuan verifikasi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tingkat\"\u003eTerverifikasi\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003eKonsisten dengan materi independen atau pengujian reproduksi\u003c/td\u003e\n\u003ctd data-label=\"Prinsip pemrosesan\"\u003eTerapkan bobot verifikasi silang\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#expertise-mengevaluasi-keahlian-yang-dapat-dikonfirmasi\" class=\"anchor\" id=\"expertise-mengevaluasi-keahlian-yang-dapat-dikonfirmasi\"\u003e\u003c/a\u003eExpertise: mengevaluasi keahlian yang dapat dikonfirmasi\u003c/h2\u003e\n\u003cp\u003eExpertise menilai apakah seseorang memiliki pengetahuan dan kompetensi untuk membahas topik terkait secara akurat. Hanya mencantumkan kata “ahli” di samping nama tidaklah cukup.\u003c/p\u003e\n\u003cp\u003eKandidat analisis meliputi hal-hal berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eJabatan terkait, afiliasi, bidang pekerjaan, dan lama pengalaman kerja\u003c/li\u003e\n\u003cli\u003eGelar, sertifikasi resmi, lisensi, dan lembaga penerbit\u003c/li\u003e\n\u003cli\u003ePenelitian, makalah, buku, kuliah, dan proyek terkait\u003c/li\u003e\n\u003cli\u003ePengalaman kerja nyata yang berkaitan dengan topik\u003c/li\u003e\n\u003cli\u003eAkurasi, cakupan, batasan, dan sumber penjelasan profesional\u003c/li\u003e\n\u003cli\u003ePeninjau ahli dan tanggal peninjauan\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eJika nilai penulis berupa nama peran seperti \u003ccode\u003eadmin\u003c/code\u003e, \u003ccode\u003eadministrator\u003c/code\u003e, \u003ccode\u003e관리자\u003c/code\u003e, \u003ccode\u003e운영자\u003c/code\u003e, \u003ccode\u003e운영팀\u003c/code\u003e, atau \u003ccode\u003eeditor\u003c/code\u003e, jangan menetapkannya sebagai individu nyata. Meskipun ada data terstruktur Person, periksa apakah data tersebut sesuai dengan informasi penulis yang ditampilkan di layar.\u003c/p\u003e\n\u003cp\u003eKeahlian harus mencerminkan relevansi terhadap topik. Kualifikasi pengacara dapat menjadi sinyal kuat untuk konten hukum, tetapi tidak secara otomatis membuktikan keahlian dalam semua topik medis atau teknis. Dalam bidang yang memerlukan verifikasi kualifikasi, tingkat verifikasi ditingkatkan jika dapat dihubungkan dengan lembaga penerbit atau materi pencarian resmi.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#authoritativeness-pengakuan-eksternal-dan-kecocokan-entitas\" class=\"anchor\" id=\"authoritativeness-pengakuan-eksternal-dan-kecocokan-entitas\"\u003e\u003c/a\u003eAuthoritativeness: pengakuan eksternal dan kecocokan entitas\u003c/h2\u003e\n\u003cp\u003eAuthoritativeness menilai sejauh mana seseorang, organisasi, atau situs diakui oleh pihak eksternal dalam topik tertentu. Kualitas sumber, relevansi topik, independensi, dan keragaman lebih penting daripada sekadar jumlah penyebutan.\u003c/p\u003e\n\u003cp\u003ePenganalisis otoritas dapat mengikuti prosedur berikut.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eBuat entitas standar untuk nama organisasi, nama penulis, domain, dan merek.\u003c/li\u003e\n\u003cli\u003eHubungkan alias yang telah dikonfirmasi, seperti nama lama, nama dalam bahasa Inggris, dan singkatan.\u003c/li\u003e\n\u003cli\u003eTentukan apakah entitas dalam dokumen eksternal merupakan entitas yang sama.\u003c/li\u003e\n\u003cli\u003eEvaluasi independensi, kualitas, relevansi topik, dan kebaruan sumber.\u003c/li\u003e\n\u003cli\u003eKelompokkan distribusi ulang siaran pers dan duplikasi dokumen yang sama.\u003c/li\u003e\n\u003cli\u003eBedakan apakah kutipan atau penyebutan merupakan pengakuan positif, sekadar pencantuman, atau kritik.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eJika analisis web berbahasa Korea hanya menggunakan Wikipedia, Wikidata, Reddit, dan media berbahasa Inggris, otoritas lembaga serta perusahaan domestik dapat dinilai terlalu rendah. Sesuai pasar yang dievaluasi, registri sumber harus mencakup pemerintah dan lembaga publik, data publik, basis data akademis, asosiasi profesi, media utama, serta media khusus industri. Sebaliknya, eksposur pada portal di negara tertentu saja juga tidak boleh dijadikan dasar untuk menyimpulkan otoritas global.\u003c/p\u003e\n\u003cp\u003eSebaiknya registri sumber mencatat yurisdiksi, pihak penerbit, cakupan topik, independensi, status sebagai sumber asli, siklus pembaruan, dan ketentuan akses. Meskipun sumber dari berbagai negara ditambahkan, aturan penilaian dan kriteria pemilihannya harus dipublikasikan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#trustworthiness-poros-keamanan-yang-paling-luas-dan-penting\" class=\"anchor\" id=\"trustworthiness-poros-keamanan-yang-paling-luas-dan-penting\"\u003e\u003c/a\u003eTrustworthiness: poros keamanan yang paling luas dan penting\u003c/h2\u003e\n\u003cp\u003eTrustworthiness menopang tiga unsur lainnya. Meskipun terdapat pengalaman langsung dan kualifikasi, batas atas dapat diterapkan pada keseluruhan evaluasi jika ditemukan klaim palsu, penyembunyian konflik kepentingan, atau manipulasi sumber.\u003c/p\u003e\n\u003cp\u003eHal-hal yang harus diperiksa dalam modul keterpercayaan adalah sebagai berikut.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#pihak-penerbit-dan-pertanggungjawaban\" class=\"anchor\" id=\"pihak-penerbit-dan-pertanggungjawaban\"\u003e\u003c/a\u003ePihak penerbit dan pertanggungjawaban\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eApakah organisasi pengelola dan penulis ditampilkan dengan jelas\u003c/li\u003e\n\u003cli\u003eApakah metode kontak dan informasi dukungan pelanggan benar-benar tersedia di halaman\u003c/li\u003e\n\u003cli\u003eApakah kebijakan editorial, peninjauan, dan koreksi dapat dikonfirmasi\u003c/li\u003e\n\u003cli\u003eApakah iklan, sponsor, afiliasi, dan konflik kepentingan dibedakan\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#klaim-dan-bukti\" class=\"anchor\" id=\"klaim-dan-bukti\"\u003e\u003c/a\u003eKlaim dan bukti\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eApakah fakta utama dihubungkan dengan sumber asli atau bukti yang sesuai\u003c/li\u003e\n\u003cli\u003eApakah kutipan dan statistik sesuai dengan maksud sumber aslinya\u003c/li\u003e\n\u003cli\u003eApakah tanggal publikasi dan revisi sesuai dengan perubahan konten yang sebenarnya\u003c/li\u003e\n\u003cli\u003eApakah fakta, opini, dan klaim promosi dibedakan dengan jelas\u003c/li\u003e\n\u003cli\u003eApakah ketidakpastian, cakupan penerapan, pengecualian, dan batasan dijelaskan\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#transaksi-dan-keamanan\" class=\"anchor\" id=\"transaksi-dan-keamanan\"\u003e\u003c/a\u003eTransaksi dan keamanan\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eApakah kebijakan privasi dan ketentuan penggunaan disediakan sesuai dengan sifat layanan\u003c/li\u003e\n\u003cli\u003eApakah ketentuan pembayaran, pengembalian dana, dan pengiriman dijelaskan secara jelas pada situs yang memerlukannya\u003c/li\u003e\n\u003cli\u003eApakah tidak ada risiko teknis seperti HTTPS, pengalihan berbahaya, atau sertifikat yang rusak\u003c/li\u003e\n\u003cli\u003eApakah informasi kesehatan, keuangan, dan hukum tidak menggunakan pernyataan tegas atau jaminan yang berbahaya\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eKeberadaan HTTPS atau kebijakan privasi saja tidak menjadikan konten akurat. Keduanya merupakan sinyal keamanan dasar, sedangkan keterpercayaan pada tingkat klaim harus diverifikasi secara terpisah.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#data-terstruktur-dan-verifikasi-entitas\" class=\"anchor\" id=\"data-terstruktur-dan-verifikasi-entitas\"\u003e\u003c/a\u003eData terstruktur dan verifikasi entitas\u003c/h2\u003e\n\u003cp\u003eData terstruktur Person dan Organization menyediakan nama, afiliasi, jabatan, URL resmi, dan hubungan dengan profil eksternal dalam bentuk yang mudah dipahami mesin. author, publisher, datePublished, dan dateModified pada Article juga berguna untuk mengekspresikan struktur sumber dokumen.\u003c/p\u003e\n\u003cp\u003eNamun, markup Schema harus dievaluasi berdasarkan prinsip berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003ePeriksa apakah data terstruktur sesuai dengan konten yang terlihat di layar.\u003c/li\u003e\n\u003cli\u003eJangan menetapkan kualifikasi, penghargaan, atau reputasi sebagai fakta hanya karena data tersebut tersedia.\u003c/li\u003e\n\u003cli\u003ePeriksa konsistensi pengenal dan hubungan antara Person, Organization, dan Article.\u003c/li\u003e\n\u003cli\u003ePastikan target sameAs benar-benar merupakan profil resmi.\u003c/li\u003e\n\u003cli\u003ePisahkan kesalahan sintaksis dari tidak adanya properti wajib atau yang direkomendasikan.\u003c/li\u003e\n\u003cli\u003eJangan memberikan skor tambahan untuk penggunaan jenis Schema yang berlebihan atau tidak relevan.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eData terstruktur adalah lapisan representasi yang membantu pemahaman dan ekstraksi. Data tersebut tidak menjamin peringkat pencarian yang tinggi atau kutipan oleh AI generatif.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#merancang-formula-skor-yang-dapat-direproduksi\" class=\"anchor\" id=\"merancang-formula-skor-yang-dapat-direproduksi\"\u003e\u003c/a\u003eMerancang formula skor yang dapat direproduksi\u003c/h2\u003e\n\u003cp\u003eJika setiap sinyal hanya diproses sebagai “ada atau tidak ada”, perbedaan kualitas akan terlewat. Memisahkan nilainya seperti berikut akan memudahkan pelacakan bukti.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003ccode\u003epresence\u003c/code\u003e: keberadaan sinyal atau tingkat pemenuhan\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003everification\u003c/code\u003e: tingkat verifikasi independen\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003erelevance\u003c/code\u003e: relevansi terhadap topik evaluasi\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003esource_quality\u003c/code\u003e: kualitas dan independensi sumber bukti\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003efreshness\u003c/code\u003e: validitas sinyal yang memerlukan kebaruan\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003eweight\u003c/code\u003e: tingkat kepentingan sinyal yang dikelola berdasarkan versi\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eContoh formulanya adalah sebagai berikut.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eKontribusi sinyal = weight × presence × verification × relevance × source_quality × freshness\n\u003c/span\u003e\u003cspan\u003eSkor dimensi = 100 × jumlah kontribusi ÷ jumlah weight yang dapat diterapkan\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eFormula ini adalah contoh desain, bukan formula resmi E-E-A-T. Setiap koefisien dapat dinormalisasi antara 0 dan 1. Hanya item yang secara logis tidak berlaku yang dikecualikan sebagai \u003ccode\u003eN/A\u003c/code\u003e, sedangkan keadaan ketika bukti yang diperlukan tidak ditemukan harus disimpan sebagai \u003ccode\u003emissing\u003c/code\u003e, terpisah dari skor 0.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#menampilkan-tingkat-keyakinan-secara-terpisah-dari-skor\" class=\"anchor\" id=\"menampilkan-tingkat-keyakinan-secara-terpisah-dari-skor\"\u003e\u003c/a\u003eMenampilkan tingkat keyakinan secara terpisah dari skor\u003c/h3\u003e\n\u003cp\u003eHasil 78 poin pun sulit dipercaya jika setengah dari halaman wajib tidak berhasil dikumpulkan. Oleh karena itu, tingkat keyakinan evaluasi atau cakupan bukti harus dihitung secara terpisah.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eTingkat keyakinan evaluasi = cakupan pengumpulan × kecocokan entitas × proporsi bukti yang dapat diverifikasi\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eLayar hasil setidaknya harus menampilkan hal-hal berikut secara bersamaan.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eSkor setiap dimensi dan skor keseluruhan\u003c/li\u003e\n\u003cli\u003eTingkat keyakinan evaluasi\u003c/li\u003e\n\u003cli\u003eStatus terkonfirmasi, belum dikonfirmasi, tidak cocok, dan dikecualikan dari penerapan\u003c/li\u003e\n\u003cli\u003eURL bukti dan sebagian teks asli\u003c/li\u003e\n\u003cli\u003eWaktu pengumpulan dan hash snapshot\u003c/li\u003e\n\u003cli\u003eVersi aturan, bobot, dan registri sumber\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#memisahkan-skor-keseluruhan-geo-dari-e-e-a-t\" class=\"anchor\" id=\"memisahkan-skor-keseluruhan-geo-dari-e-e-a-t\"\u003e\u003c/a\u003eMemisahkan skor keseluruhan GEO dari E-E-A-T\u003c/h2\u003e\n\u003cp\u003eE-E-A-T yang tinggi tidak selalu berarti konten akan dikutip dalam jawaban AI. Sistem jawaban juga dapat mempertimbangkan kesesuaian dengan pertanyaan, kemudahan ekstraksi informasi, kebaruan, kemampuan crawling, dan format dokumen, sedangkan metode pemilihan spesifik berbeda-beda untuk setiap layanan.\u003c/p\u003e\n\u003cp\u003eSebaiknya alat GEO memisahkan modul-modul berikut.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eModul\u003c/th\u003e\n\u003cth\u003eObjek analisis\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Modul\"\u003eE-E-A-T konten\u003c/td\u003e\n\u003ctd data-label=\"Objek analisis\"\u003ePengalaman, keahlian, otoritas eksternal, keterpercayaan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Modul\"\u003eKesiapan kutipan AI\u003c/td\u003e\n\u003ctd data-label=\"Objek analisis\"\u003eKalimat yang dapat dipahami secara mandiri, kesesuaian pertanyaan, hubungan bukti, kemampuan peringkasan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Modul\"\u003eOtoritas merek\u003c/td\u003e\n\u003ctd data-label=\"Objek analisis\"\u003ePengakuan independen dari lembaga eksternal dan kecocokan entitas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Modul\"\u003eAksesibilitas teknis\u003c/td\u003e\n\u003ctd data-label=\"Objek analisis\"\u003eCrawling, kode status, canonical, rendering, akses isi utama\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Modul\"\u003eKualitas Schema\u003c/td\u003e\n\u003ctd data-label=\"Objek analisis\"\u003eSintaksis, kesesuaian dengan konten yang ditampilkan, hubungan entitas\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eSebagai contoh, komposisinya dapat berupa kesiapan kutipan AI 30%, otoritas merek 20%, E-E-A-T konten 20%, aksesibilitas teknis 20%, dan Schema 10%. Rasio ini sepenuhnya merupakan contoh kebijakan produk. Bobot aktual harus dikalibrasi menggunakan data validasi per topik dan versinya harus ditampilkan.\u003c/p\u003e\n\u003cp\u003eDalam kesiapan kutipan AI, kalimat pendek tidak boleh selalu diutamakan tanpa syarat. Evaluasi apakah klaim utama dapat dipahami secara mandiri, bukti dan ketentuannya berada di dekat klaim, serta struktur tabel, daftar, dan judul mempertahankan maknanya. Teks tersembunyi, frasa berulang, dan halaman massal tanpa bukti yang ditujukan untuk menipu mesin pencari atau AI harus diproses sebagai pengurangan skor atau sinyal risiko.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#struktur-untuk-mencegah-propagasi-kesalahan-antarmodul\" class=\"anchor\" id=\"struktur-untuk-mencegah-propagasi-kesalahan-antarmodul\"\u003e\u003c/a\u003eStruktur untuk mencegah propagasi kesalahan antarmodul\u003c/h2\u003e\n\u003cp\u003eJika setiap penganalisis langsung menerima kesimpulan penganalisis lain sebagai input, kesalahan awal dapat membesar. Yang harus dibagikan bukan kesimpulannya, melainkan snapshot asli dan bukti yang telah dinormalisasi.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eSnapshot Store\n\u003c/span\u003e\u003cspan\u003e ├─ Content / Claim Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Author / Expertise Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Entity / Authority Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Trust Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Technical Analyzer\n\u003c/span\u003e\u003cspan\u003e └─ Schema Analyzer\n\u003c/span\u003e\u003cspan\u003e          ↓\n\u003c/span\u003e\u003cspan\u003e Evidence Store → Deterministic Scorer → Explanation LLM\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eSebaiknya semua rekaman keputusan mencakup \u003ccode\u003eclaim_id\u003c/code\u003e, \u003ccode\u003eevidence_id\u003c/code\u003e, posisi teks asli, aturan keputusan, dan versi modul. Hanya JSON yang telah dihitung dan kalimat bukti yang diizinkan yang diberikan kepada LLM, disertai batasan agar LLM tidak menambahkan kualifikasi baru atau reputasi eksternal.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#masalah-yang-sering-terlewat-ketidakpastian-dan-manipulasi-adversarial\" class=\"anchor\" id=\"masalah-yang-sering-terlewat-ketidakpastian-dan-manipulasi-adversarial\"\u003e\u003c/a\u003eMasalah yang sering terlewat: ketidakpastian dan manipulasi adversarial\u003c/h2\u003e\n\u003cp\u003eBanyak analisis GEO berfokus pada pencarian sinyal, tetapi tidak cukup menangani situasi ketika situs mencoba menipu penganalisis. Masalah ini harus dioperasikan sebagai lapisan kualitas dan keamanan tersendiri.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eRiwayat pekerjaan dan kata kunci dapat disisipkan berulang kali di area yang tidak terlihat.\u003c/li\u003e\n\u003cli\u003ePenulis palsu dan data terstruktur Person palsu dapat dibuat.\u003c/li\u003e\n\u003cli\u003eSiaran pers yang sama dapat didistribusikan ke beberapa domain untuk menggelembungkan jumlah penyebutan eksternal.\u003c/li\u003e\n\u003cli\u003ePenelitian, kualifikasi, atau angka yang sebenarnya tidak ada dapat dikutip.\u003c/li\u003e\n\u003cli\u003eHanya tanggal revisi yang dapat diperbarui agar artikel lama terlihat seperti konten terbaru.\u003c/li\u003e\n\u003cli\u003eSistem dapat diarahkan untuk menghubungkan secara keliru otoritas milik orang dengan nama sama atau merek serupa.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eMetode penanganannya meliputi perbandingan antara konten yang ditampilkan di layar dan markup, pengelompokan sumber asli, verifikasi lembaga penerbit kualifikasi, deteksi perubahan berbasis hash konten, pemeriksaan silang atribut entitas, serta deteksi pola tautan abnormal. Jika ditemukan ketidaksesuaian serius, menerapkan batas atas pada keseluruhan skor atau status peninjauan manual akan lebih aman daripada sekadar mengurangi skor.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#cara-memvalidasi-model-evaluasi\" class=\"anchor\" id=\"cara-memvalidasi-model-evaluasi\"\u003e\u003c/a\u003eCara memvalidasi model evaluasi\u003c/h2\u003e\n\u003cp\u003eMeskipun formula skor bersifat deterministik, validitas evaluasi tidak terbentuk secara otomatis. Pengujian berikut diperlukan.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003eUji pengulangan:\u003c/strong\u003e Pastikan snapshot dan versi yang sama menghasilkan hasil identik hingga tingkat bit.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eSet acuan ahli:\u003c/strong\u003e Bandingkan bukti yang ditandai secara independen oleh ahli bidang dengan hasil sistem.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eKesepakatan penilai:\u003c/strong\u003e Temukan item yang sulit disepakati bahkan di antara penilai manusia, lalu perbaiki aturannya.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eUji gangguan:\u003c/strong\u003e Periksa apakah hasil berubah ke arah yang diperkirakan ketika nama penulis, tanggal, Schema, atau tautan bukti dihapus.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eUji ketahanan manipulasi:\u003c/strong\u003e Pastikan frasa tersembunyi, profil palsu, dan siaran pers duplikat tidak meningkatkan skor secara berlebihan.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eUji bias regional:\u003c/strong\u003e Ukur apakah entitas berkualitas setara secara sistematis dirugikan berdasarkan bahasa atau negara.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eKalibrasi hasil:\u003c/strong\u003e Jika menggunakan data observasi kutipan aktual, catat pertanyaan, waktu, model, dan lokasi secara bersamaan.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eHasil kutipan AI generatif dapat berubah bergantung pada formulasi pertanyaan dan pembaruan layanan. Karena itu, hasil tersebut sebaiknya diperlakukan sebagai indikator validasi eksternal yang mencantumkan waktu, bukan sebagai jawaban mutlak.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#spesifikasi-data-yang-harus-disertakan-dalam-hasil-operasional\" class=\"anchor\" id=\"spesifikasi-data-yang-harus-disertakan-dalam-hasil-operasional\"\u003e\u003c/a\u003eSpesifikasi data yang harus disertakan dalam hasil operasional\u003c/h2\u003e\n\u003cp\u003eAgar manusia dan sistem lain dapat memverifikasi ulang hasilnya, struktur berikut dapat disediakan.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e{\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003esnapshot_id\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003esha256:...\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003ecollected_at\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eISO-8601 timestamp\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escoring_version\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eeeat-1.3.0\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escope\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003edocument\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003etopic_class\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003esoftware-review\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escores\u003c/span\u003e\u003cspan\u003e\": {\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eexperience\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e72\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eexpertise\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e61\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eauthoritativeness\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e54\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003etrustworthiness\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e80\n\u003c/span\u003e\u003cspan\u003e  },\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003econfidence\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e0.74\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003eevidence\u003c/span\u003e\u003cspan\u003e\": [\n\u003c/span\u003e\u003cspan\u003e    {\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003edimension\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eexperience\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003estatus\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003everified\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003esource_url\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003ehttps://example.invalid/page\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003erule_id\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eEXP-METHOD-02\u003c/span\u003e\u003cspan\u003e\"\n\u003c/span\u003e\u003cspan\u003e    }\n\u003c/span\u003e\u003cspan\u003e  ],\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003emissing\u003c/span\u003e\u003cspan\u003e\": [\"\u003c/span\u003e\u003cspan\u003eindependent_author_profile\u003c/span\u003e\u003cspan\u003e\"]\n\u003c/span\u003e\u003cspan\u003e}\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eURL di atas adalah contoh string tidak valid untuk menunjukkan struktur data. Dalam hasil sebenarnya, masukkan URL bukti yang dikumpulkan dan posisi teks asli. Jika tidak memiliki hak untuk mendistribusikan ulang keseluruhan teks asli, simpan hanya bukti singkat dalam cakupan yang diperlukan beserta hash dan informasi posisinya.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#daftar-periksa-implementasi\" class=\"anchor\" id=\"daftar-periksa-implementasi\"\u003e\u003c/a\u003eDaftar periksa implementasi\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003eBedakan unit evaluasi menjadi dokumen, penulis, organisasi, dan domain.\u003c/li\u003e\n\u003cli\u003eBerikan snapshot dari titik waktu yang sama kepada semua penganalisis.\u003c/li\u003e\n\u003cli\u003ePisahkan klaim sendiri dari verifikasi eksternal yang independen.\u003c/li\u003e\n\u003cli\u003eHitung pengalaman dan keahlian sebagai dimensi yang terpisah.\u003c/li\u003e\n\u003cli\u003eKelola registri sumber Authority berdasarkan negara dan bahasa.\u003c/li\u003e\n\u003cli\u003ePeriksa kesesuaian antara data terstruktur dan konten yang ditampilkan di layar.\u003c/li\u003e\n\u003cli\u003eSimpan data yang hilang, ketidaksesuaian, dan pengecualian penerapan sebagai status yang berbeda.\u003c/li\u003e\n\u003cli\u003ePublikasikan skor dan tingkat keyakinan evaluasi secara bersamaan.\u003c/li\u003e\n\u003cli\u003eNaikkan versi ketika bobot dan aturan berubah.\u003c/li\u003e\n\u003cli\u003eBatasi penjelasan LLM agar tidak dapat menambahkan fakta di luar bukti.\u003c/li\u003e\n\u003cli\u003eSediakan jalur deteksi manipulasi dan peninjauan manual.\u003c/li\u003e\n\u003cli\u003eSaat mengamati hasil kutipan AI aktual, catat model, pertanyaan, dan waktu.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eIntinya adalah tidak memadatkan E-E-A-T menjadi satu skor impresi yang samar. Bukti yang dapat diverifikasi, aturan yang diterapkan, ketidakpastian, dan silsilah sumber harus disediakan secara bersamaan agar hasil analisis GEO menjadi data yang dapat digunakan untuk pengambilan keputusan operasional dan perbandingan jangka panjang.\u003c/p\u003e\n","tags":["AI","AI generatif","Perlindungan data pribadi","Pengembangan AI","Strategi teknologi","GEO"],"faqs":[{"question":"Apakah skor E-E-A-T merupakan metrik resmi yang disediakan oleh Google?","answer":"Tidak. Google menjelaskan E-E-A-T sebagai konsep untuk memahami kualitas konten, tetapi tidak memublikasikan skor resmi untuk setiap halaman web. Skor E-E-A-T dari alat analisis merupakan metrik internal yang bergantung pada sinyal, bobot, dan cakupan data yang ditetapkan oleh alat tersebut."},{"question":"Jika temperature LLM diatur ke 0, bolehkah penilaian langsung dipercayakan kepadanya?","answer":"Hal itu dapat mengurangi variasi, tetapi tidak menjamin reproduktibilitas dan faktualitas sepenuhnya. Versi model, pemotongan input, dan pengaturan sistem dapat berbeda, serta terdapat risiko menyimpulkan fakta yang tidak ada di halaman. Karena itu, lebih aman jika perhitungan akhir dilakukan dengan kode yang versinya telah ditetapkan."},{"question":"Mengapa Experience dan Expertise harus dinilai secara terpisah?","answer":"Experience adalah pengalaman menggunakan, mengunjungi, menguji, atau mengoperasikan secara langsung, sedangkan Expertise adalah pengetahuan, pengalaman kerja, kualifikasi, dan kemampuan penelitian yang relevan. Seorang pengulas yang kaya akan pengalaman penggunaan nyata belum tentu merupakan pakar teknis, dan seseorang yang memiliki kualifikasi profesional pun belum tentu pernah menggunakan produk tersebut secara langsung."},{"question":"Jika penulis menyatakan bahwa dirinya telah menggunakannya secara langsung, bolehkah skor Experience dinaikkan?","answer":"Sebaiknya pernyataan pribadi saja diperlakukan sebagai sinyal yang lemah. Bobot yang lebih tinggi harus diterapkan jika disertai bukti yang konkret dan dapat diverifikasi, seperti durasi, lingkungan, prosedur pelaksanaan, metode pengukuran, data mentah, atau materi yang dibuat sendiri."},{"question":"Apakah Authority rendah jika tidak ada artikel Wikipedia atau media?","answer":"Belum tentu. Sumber eksternal yang penting berbeda-beda menurut negara dan industri. Sumber independen yang sesuai dengan wilayah dan bidang, seperti pemerintah atau lembaga publik, institusi akademik, asosiasi profesional, dan media industri, harus dinilai bersama, sedangkan publikasi ulang siaran pers harus dideduplikasi."},{"question":"Apakah menambahkan banyak Schema akan meningkatkan skor GEO?","answer":"Akurasi dan kesesuaian dengan konten yang ditampilkan lebih penting daripada jumlah Schema. Data terstruktur membantu memahami entitas dan hubungan antardokumen, tetapi tidak menjamin visibilitas dalam pencarian atau kutipan oleh AI. Markup palsu atau tidak relevan dapat menimbulkan risiko terhadap kepercayaan."},{"question":"Jika E-E-A-T tinggi, apakah pasti akan dikutip oleh ChatGPT atau Gemini?","answer":"Tidak. Cara setiap layanan memilih sumber tidak diungkapkan sepenuhnya, dan berbagai faktor seperti kesesuaian dengan pertanyaan, keterkinian, aksesibilitas, dan struktur penyajian dapat berpengaruh. E-E-A-T dan kesiapan untuk dikutip oleh AI mungkin berkaitan, tetapi harus dikelola sebagai skor yang terpisah."},{"question":"Jika skornya sama, apakah hasil analisisnya dapat dianggap memiliki kualitas yang sama?","answer":"Tidak. Skor 80 yang diperoleh dengan mengumpulkan cukup banyak halaman memiliki makna yang berbeda dari skor 80 dengan separuh data yang hilang. Bersama dengan skor, perlu ditampilkan tingkat keandalan evaluasi yang mencerminkan cakupan pengumpulan, tingkat kecocokan entitas, dan proporsi bukti yang telah diverifikasi."},{"question":"Bagaimana cara menentukan bobot skor GEO?","answer":"Bobot awal harus ditetapkan sebagai kebijakan produk yang eksplisit, lalu dikalibrasi menggunakan set acuan pakar, pengujian faktor perancu, pengujian ketahanan terhadap manipulasi, dan data pengamatan aktual. Bidang dengan risiko topik dan maksud pengguna yang berbeda, seperti medis, keuangan, dan ulasan produk, memerlukan profil yang berbeda."},{"question":"Peran apa yang cocok untuk LLM dalam sistem analisis GEO?","answer":"LLM dapat digunakan untuk mengekstrak kandidat klaim, mengklasifikasikan kalimat, mencari variasi nama, dan menjelaskan hasil yang dihitung oleh kode dalam bahasa alami. Namun, sebaiknya semua hasil ditautkan ke bukti dalam sumber asli, sementara perhitungan skor akhir serta aturan batas atas dan pengurangan skor ditangani oleh kode deterministik."}],"sources":[{"url":"https://developers.google.com/search/docs/fundamentals/creating-helpful-content","title":"Membuat konten yang bermanfaat, andal, dan mengutamakan pengguna","type":"source"},{"url":"https://developers.google.com/search/docs/appearance/ai-features","title":"Fitur AI dan situs web Anda","type":"source"},{"url":"https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data","title":"Pengantar markup data terstruktur di Google Penelusuran","type":"source"},{"url":"https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview","title":"Pelajari peta situs","type":"source"},{"url":"https://schema.org/Person","title":"Person Schema.org","type":"source"},{"url":"https://schema.org/Organization","title":"Organization Schema.org","type":"source"},{"url":"https://www.w3.org/TR/prov-o/","title":"PROV-O: Ontologi PROV","type":"source"},{"url":"https://arxiv.org/abs/2311.09735","title":"GEO: Pengoptimalan Mesin Generatif","type":"source"}],"images":[{"id":902,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"사무실에서 대형 터치스크린 분석 대시보드를 조작하는 여성","caption":"분석가가 대형 대시보드에서 데이터와 평가 항목을 검토하고 있다.","description":null},"en":{"alt":"Woman using a large touchscreen analytics dashboard in an office","caption":"An analyst reviews data and evaluation criteria on an interactive dashboard.","description":null},"ja":{"alt":"オフィスで大型タッチスクリーンの分析ダッシュボードを操作する女性","caption":"分析担当者が対話型ダッシュボードでデータと評価項目を確認している。","description":null},"es":{"alt":"Mujer usando un panel analítico táctil de gran tamaño en una oficina","caption":"Una analista revisa datos y criterios de evaluación en un panel interactivo.","description":null},"id":{"alt":"Perempuan menggunakan dasbor analitik layar sentuh besar di kantor","caption":"Seorang analis meninjau data dan kriteria penilaian pada dasbor interaktif.","description":null},"pt":{"alt":"Mulher usando um painel analítico em uma grande tela sensível ao toque","caption":"Uma analista revisa dados e critérios de avaliação em um painel interativo.","description":null},"zh-hant":{"alt":"女子在辦公室操作大型觸控分析儀表板","caption":"分析人員透過互動式儀表板檢視資料與評估項目。","description":null},"de":{"alt":"Frau bedient ein großes Touchscreen-Analyse-Dashboard in einem Büro","caption":"Eine Analystin prüft Daten und Bewertungskriterien auf einem interaktiven Dashboard.","description":null}}},{"id":903,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"웹페이지 데이터를 보안 서버와 4개 평가 모듈로 분석해 점수 대시보드로 출력하는 흐름도","caption":"콘텐츠, 작성자, 연결망, 신뢰도 신호를 통합해 E-E-A-T 점수를 산출하는 분석 과정을 보여준다.","description":null},"en":{"alt":"Flowchart of webpage data passing through a secure server and four modules into scoring dashboards","caption":"The diagram shows content, author, network, and trust signals being combined into reproducible E-E-A-T scores.","description":null},"ja":{"alt":"ウェブページのデータを安全なサーバーと4つの評価モジュールで処理し、スコア画面へ送るフロー図","caption":"コンテンツ、著者、ネットワーク、信頼性のシグナルを統合してE-E-A-Tスコアを算出する流れを示している。","description":null},"es":{"alt":"Diagrama del paso de datos web por un servidor seguro y cuatro módulos hasta paneles de puntuación","caption":"El diagrama muestra cómo se combinan señales de contenido, autoría, red y confianza para puntuar E-E-A-T.","description":null},"id":{"alt":"Diagram alur data halaman web melalui server aman dan empat modul menuju dasbor penilaian","caption":"Diagram ini menunjukkan penggabungan sinyal konten, penulis, jaringan, dan kepercayaan untuk menghasilkan skor E-E-A-T.","description":null},"pt":{"alt":"Fluxograma de dados de página web passando por servidor seguro e quatro módulos até painéis de pontuação","caption":"O diagrama mostra a combinação de sinais de conteúdo, autoria, rede e confiança para gerar pontuações de E-E-A-T.","description":null},"zh-hant":{"alt":"網頁資料經安全伺服器與四個評估模組處理後輸出至評分儀表板的流程圖","caption":"此圖呈現內容、作者、網路與信任訊號如何整合為可重現的 E-E-A-T 分數。","description":null},"de":{"alt":"Flussdiagramm: Webseitendaten laufen über einen sicheren Server und vier Module zu Bewertungs-Dashboards","caption":"Das Diagramm zeigt, wie Inhalts-, Autoren-, Netzwerk- und Vertrauenssignale zu E-E-A-T-Werten kombiniert werden.","description":null}}}],"published_at":"2026-08-26T15:49:11+09:00","updated_at":"2026-08-26T15:49:11+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/geo-eeat-scoring-system-design"}