---
title: "Cara Memberi Skor E-E-A-T secara Reproduktif dalam Alat Analisis GEO"
locale: id
category: ai_data
category_name: "Data AI"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/geo-eeat-scoring-system-design
published_at: 2026-08-26T15:49:11+09:00
---

# Cara Memberi Skor E-E-A-T secara Reproduktif dalam Alat Analisis GEO

> 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.

## 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.

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.

E-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.

## Alasan penilaian tidak boleh diserahkan langsung kepada LLM

Memasukkan 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.

- Skor dapat berubah setiap kali dijalankan meskipun konten dan prompt-nya sama.
- Jika model atau penyedia berubah, skor akan sulit dibandingkan dengan skor sebelumnya.
- Halusinasi dapat terjadi ketika model menyimpulkan pengalaman kerja, kualifikasi, atau reputasi yang tidak tercantum di halaman.
- Sulit mengaudit kalimat dan aturan yang memengaruhi skor.
- Profil yang dibuat sendiri oleh situs dapat diterima sebagai fakta tanpa verifikasi eksternal.
- Jika dokumen panjang terpotong atau urutan ekstraksinya berubah, hasil evaluasinya juga dapat berubah.

Struktur yang direkomendasikan adalah sebagai berikut.

```text
Situs web
  → Pengumpulan snapshot pada satu titik waktu
  → Ekstraksi isi utama, metadata, entitas, dan klaim
  → Verifikasi silang dengan materi eksternal
  → Perhitungan skor berdasarkan aturan dengan versi tetap
  → Penyimpanan skor, bukti, dan tingkat keyakinan
  → LLM menjelaskan hasil dalam bahasa alami
```

Ini 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.

## Objek dan cakupan evaluasi yang harus ditentukan terlebih dahulu

Sebelum menghitung skor, tentukan secara tetap apa yang dievaluasi. Sinyal dari keseluruhan situs, organisasi, penulis, dan masing-masing dokumen tidak dapat saling menggantikan.

| Unit evaluasi | Pertanyaan utama | Bukti representatif |
|---|---|---|
| Dokumen | Apakah klaim dan proses penulisan artikel ini dapat dipercaya? | Isi utama, kutipan, tanggal penulisan, tanggal revisi, data eksperimen |
| Penulis | Apakah pengalaman atau keahlian untuk membahas topik ini dapat dikonfirmasi? | Halaman penulis, kualifikasi, riwayat pekerjaan, riwayat penelitian dan penulisan |
| Organisasi | Apakah pihak penerbit dapat diidentifikasi dan memiliki struktur pertanggungjawaban? | Tentang perusahaan, kontak, kebijakan editorial, data Organization |
| Domain | Apakah pihak eksternal mengakui domain tersebut sebagai sumber untuk topik terkait? | Kutipan dari lembaga independen, backlink relevan, materi media dan akademis |
| Permukaan teknis | Apakah crawler dapat membaca konten dan informasi sumber? | Kode status, kebijakan robots, canonical, HTML, data terstruktur |

Topik 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.

## Cara mengumpulkan snapshot web yang sama

Penganalisis 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.

Jika memungkinkan, simpan item berikut dalam snapshot.

- URL akhir, jalur pengalihan, kode status HTTP, dan header respons
- HTML asli dan, jika diperlukan, HTML yang telah dirender
- Isi utama yang diekstrak, judul, deskripsi, canonical, dan informasi bahasa
- Penulis, tanggal publikasi, tanggal revisi, dan organisasi penerbit
- Tautan internal dan eksternal beserta teks jangkar
- Data terstruktur seperti JSON-LD dan Microdata
- Instruksi robots dan URL terkait yang dikonfirmasi melalui sitemap
- Waktu pengumpulan, versi pengumpul, dan hash konten

Saat 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.

## Memisahkan bukti di dalam situs dan di luar situs

Data 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.

Data 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.

Kedua jenis bukti tersebut harus dibedakan dalam penilaian.

- Pernyataan promosi diri seperti “terbaik di industri” bukanlah bukti independen untuk Authority.
- Meskipun berupa artikel eksternal, materi yang hanya menerbitkan ulang siaran pers memiliki independensi rendah.
- Jika artikel yang sama diduplikasi pada URL berbeda, jumlah sumber tidak boleh dihitung berulang kali.
- Entitas harus diperiksa agar pencapaian orang atau organisasi lain yang memiliki nama sama tidak ikut dihubungkan.
- Tautan sameAs adalah petunjuk untuk menghubungkan kandidat entitas, bukan jaminan otomatis atas kebenaran riwayat tersebut.

## Experience: mengubah pengalaman langsung menjadi bukti

Experience 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.

### Sinyal yang perlu dideteksi

- Ungkapan bahwa penulis secara langsung menggunakan, membeli, mengunjungi, memasang, mengoperasikan, atau membandingkan sesuatu
- Durasi penggunaan, jumlah pengujian, jumlah sampel, lingkungan, dan peralatan
- Tahapan pelaksanaan, proses kegagalan, batasan, dan pengecualian
- Gambar yang diambil sendiri, log, data mentah, dan prosedur reproduksi
- Hasil sebelum dan sesudah pengukuran serta metode pengukuran

Memberikan 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.

Skor pengalaman dapat dibuat berjenjang seperti berikut.

| Tingkat | Contoh | Prinsip pemrosesan |
|---|---|---|
| Lemah | Hanya terdapat pernyataan bahwa sesuatu pernah digunakan | Skor dasar rendah |
| Sedang | Periode, lingkungan, dan prosedur dijelaskan secara spesifik | Tambahkan skor kekonkretan |
| Kuat | Menyediakan data mentah, foto, log, dan standar perbandingan | Tambahkan skor kemampuan verifikasi |
| Terverifikasi | Konsisten dengan materi independen atau pengujian reproduksi | Terapkan bobot verifikasi silang |

## Expertise: mengevaluasi keahlian yang dapat dikonfirmasi

Expertise menilai apakah seseorang memiliki pengetahuan dan kompetensi untuk membahas topik terkait secara akurat. Hanya mencantumkan kata “ahli” di samping nama tidaklah cukup.

Kandidat analisis meliputi hal-hal berikut.

- Jabatan terkait, afiliasi, bidang pekerjaan, dan lama pengalaman kerja
- Gelar, sertifikasi resmi, lisensi, dan lembaga penerbit
- Penelitian, makalah, buku, kuliah, dan proyek terkait
- Pengalaman kerja nyata yang berkaitan dengan topik
- Akurasi, cakupan, batasan, dan sumber penjelasan profesional
- Peninjau ahli dan tanggal peninjauan

Jika 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.

Keahlian 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.

## Authoritativeness: pengakuan eksternal dan kecocokan entitas

Authoritativeness 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.

Penganalisis otoritas dapat mengikuti prosedur berikut.

1. Buat entitas standar untuk nama organisasi, nama penulis, domain, dan merek.
2. Hubungkan alias yang telah dikonfirmasi, seperti nama lama, nama dalam bahasa Inggris, dan singkatan.
3. Tentukan apakah entitas dalam dokumen eksternal merupakan entitas yang sama.
4. Evaluasi independensi, kualitas, relevansi topik, dan kebaruan sumber.
5. Kelompokkan distribusi ulang siaran pers dan duplikasi dokumen yang sama.
6. Bedakan apakah kutipan atau penyebutan merupakan pengakuan positif, sekadar pencantuman, atau kritik.

Jika 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.

Sebaiknya 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.

## Trustworthiness: poros keamanan yang paling luas dan penting

Trustworthiness 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.

Hal-hal yang harus diperiksa dalam modul keterpercayaan adalah sebagai berikut.

### Pihak penerbit dan pertanggungjawaban

- Apakah organisasi pengelola dan penulis ditampilkan dengan jelas
- Apakah metode kontak dan informasi dukungan pelanggan benar-benar tersedia di halaman
- Apakah kebijakan editorial, peninjauan, dan koreksi dapat dikonfirmasi
- Apakah iklan, sponsor, afiliasi, dan konflik kepentingan dibedakan

### Klaim dan bukti

- Apakah fakta utama dihubungkan dengan sumber asli atau bukti yang sesuai
- Apakah kutipan dan statistik sesuai dengan maksud sumber aslinya
- Apakah tanggal publikasi dan revisi sesuai dengan perubahan konten yang sebenarnya
- Apakah fakta, opini, dan klaim promosi dibedakan dengan jelas
- Apakah ketidakpastian, cakupan penerapan, pengecualian, dan batasan dijelaskan

### Transaksi dan keamanan

- Apakah kebijakan privasi dan ketentuan penggunaan disediakan sesuai dengan sifat layanan
- Apakah ketentuan pembayaran, pengembalian dana, dan pengiriman dijelaskan secara jelas pada situs yang memerlukannya
- Apakah tidak ada risiko teknis seperti HTTPS, pengalihan berbahaya, atau sertifikat yang rusak
- Apakah informasi kesehatan, keuangan, dan hukum tidak menggunakan pernyataan tegas atau jaminan yang berbahaya

Keberadaan HTTPS atau kebijakan privasi saja tidak menjadikan konten akurat. Keduanya merupakan sinyal keamanan dasar, sedangkan keterpercayaan pada tingkat klaim harus diverifikasi secara terpisah.

## Data terstruktur dan verifikasi entitas

Data 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.

Namun, markup Schema harus dievaluasi berdasarkan prinsip berikut.

- Periksa apakah data terstruktur sesuai dengan konten yang terlihat di layar.
- Jangan menetapkan kualifikasi, penghargaan, atau reputasi sebagai fakta hanya karena data tersebut tersedia.
- Periksa konsistensi pengenal dan hubungan antara Person, Organization, dan Article.
- Pastikan target sameAs benar-benar merupakan profil resmi.
- Pisahkan kesalahan sintaksis dari tidak adanya properti wajib atau yang direkomendasikan.
- Jangan memberikan skor tambahan untuk penggunaan jenis Schema yang berlebihan atau tidak relevan.

Data terstruktur adalah lapisan representasi yang membantu pemahaman dan ekstraksi. Data tersebut tidak menjamin peringkat pencarian yang tinggi atau kutipan oleh AI generatif.

## Merancang formula skor yang dapat direproduksi

Jika setiap sinyal hanya diproses sebagai “ada atau tidak ada”, perbedaan kualitas akan terlewat. Memisahkan nilainya seperti berikut akan memudahkan pelacakan bukti.

- `presence`: keberadaan sinyal atau tingkat pemenuhan
- `verification`: tingkat verifikasi independen
- `relevance`: relevansi terhadap topik evaluasi
- `source_quality`: kualitas dan independensi sumber bukti
- `freshness`: validitas sinyal yang memerlukan kebaruan
- `weight`: tingkat kepentingan sinyal yang dikelola berdasarkan versi

Contoh formulanya adalah sebagai berikut.

```text
Kontribusi sinyal = weight × presence × verification × relevance × source_quality × freshness
Skor dimensi = 100 × jumlah kontribusi ÷ jumlah weight yang dapat diterapkan
```

Formula 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.

### Menampilkan tingkat keyakinan secara terpisah dari skor

Hasil 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.

```text
Tingkat keyakinan evaluasi = cakupan pengumpulan × kecocokan entitas × proporsi bukti yang dapat diverifikasi
```

Layar hasil setidaknya harus menampilkan hal-hal berikut secara bersamaan.

- Skor setiap dimensi dan skor keseluruhan
- Tingkat keyakinan evaluasi
- Status terkonfirmasi, belum dikonfirmasi, tidak cocok, dan dikecualikan dari penerapan
- URL bukti dan sebagian teks asli
- Waktu pengumpulan dan hash snapshot
- Versi aturan, bobot, dan registri sumber

## Memisahkan skor keseluruhan GEO dari E-E-A-T

E-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.

Sebaiknya alat GEO memisahkan modul-modul berikut.

| Modul | Objek analisis |
|---|---|
| E-E-A-T konten | Pengalaman, keahlian, otoritas eksternal, keterpercayaan |
| Kesiapan kutipan AI | Kalimat yang dapat dipahami secara mandiri, kesesuaian pertanyaan, hubungan bukti, kemampuan peringkasan |
| Otoritas merek | Pengakuan independen dari lembaga eksternal dan kecocokan entitas |
| Aksesibilitas teknis | Crawling, kode status, canonical, rendering, akses isi utama |
| Kualitas Schema | Sintaksis, kesesuaian dengan konten yang ditampilkan, hubungan entitas |

Sebagai 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.

Dalam 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.

## Struktur untuk mencegah propagasi kesalahan antarmodul

Jika 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.

```text
Snapshot Store
 ├─ Content / Claim Analyzer
 ├─ Author / Expertise Analyzer
 ├─ Entity / Authority Analyzer
 ├─ Trust Analyzer
 ├─ Technical Analyzer
 └─ Schema Analyzer
          ↓
 Evidence Store → Deterministic Scorer → Explanation LLM
```

Sebaiknya 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.

## Masalah yang sering terlewat: ketidakpastian dan manipulasi adversarial

Banyak 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.

- Riwayat pekerjaan dan kata kunci dapat disisipkan berulang kali di area yang tidak terlihat.
- Penulis palsu dan data terstruktur Person palsu dapat dibuat.
- Siaran pers yang sama dapat didistribusikan ke beberapa domain untuk menggelembungkan jumlah penyebutan eksternal.
- Penelitian, kualifikasi, atau angka yang sebenarnya tidak ada dapat dikutip.
- Hanya tanggal revisi yang dapat diperbarui agar artikel lama terlihat seperti konten terbaru.
- Sistem dapat diarahkan untuk menghubungkan secara keliru otoritas milik orang dengan nama sama atau merek serupa.

Metode 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.

## Cara memvalidasi model evaluasi

Meskipun formula skor bersifat deterministik, validitas evaluasi tidak terbentuk secara otomatis. Pengujian berikut diperlukan.

1. **Uji pengulangan:** Pastikan snapshot dan versi yang sama menghasilkan hasil identik hingga tingkat bit.
2. **Set acuan ahli:** Bandingkan bukti yang ditandai secara independen oleh ahli bidang dengan hasil sistem.
3. **Kesepakatan penilai:** Temukan item yang sulit disepakati bahkan di antara penilai manusia, lalu perbaiki aturannya.
4. **Uji gangguan:** Periksa apakah hasil berubah ke arah yang diperkirakan ketika nama penulis, tanggal, Schema, atau tautan bukti dihapus.
5. **Uji ketahanan manipulasi:** Pastikan frasa tersembunyi, profil palsu, dan siaran pers duplikat tidak meningkatkan skor secara berlebihan.
6. **Uji bias regional:** Ukur apakah entitas berkualitas setara secara sistematis dirugikan berdasarkan bahasa atau negara.
7. **Kalibrasi hasil:** Jika menggunakan data observasi kutipan aktual, catat pertanyaan, waktu, model, dan lokasi secara bersamaan.

Hasil 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.

## Spesifikasi data yang harus disertakan dalam hasil operasional

Agar manusia dan sistem lain dapat memverifikasi ulang hasilnya, struktur berikut dapat disediakan.

```json
{
  "snapshot_id": "sha256:...",
  "collected_at": "ISO-8601 timestamp",
  "scoring_version": "eeat-1.3.0",
  "scope": "document",
  "topic_class": "software-review",
  "scores": {
    "experience": 72,
    "expertise": 61,
    "authoritativeness": 54,
    "trustworthiness": 80
  },
  "confidence": 0.74,
  "evidence": [
    {
      "dimension": "experience",
      "status": "verified",
      "source_url": "https://example.invalid/page",
      "rule_id": "EXP-METHOD-02"
    }
  ],
  "missing": ["independent_author_profile"]
}
```

URL 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.

## Daftar periksa implementasi

- Bedakan unit evaluasi menjadi dokumen, penulis, organisasi, dan domain.
- Berikan snapshot dari titik waktu yang sama kepada semua penganalisis.
- Pisahkan klaim sendiri dari verifikasi eksternal yang independen.
- Hitung pengalaman dan keahlian sebagai dimensi yang terpisah.
- Kelola registri sumber Authority berdasarkan negara dan bahasa.
- Periksa kesesuaian antara data terstruktur dan konten yang ditampilkan di layar.
- Simpan data yang hilang, ketidaksesuaian, dan pengecualian penerapan sebagai status yang berbeda.
- Publikasikan skor dan tingkat keyakinan evaluasi secara bersamaan.
- Naikkan versi ketika bobot dan aturan berubah.
- Batasi penjelasan LLM agar tidak dapat menambahkan fakta di luar bukti.
- Sediakan jalur deteksi manipulasi dan peninjauan manual.
- Saat mengamati hasil kutipan AI aktual, catat model, pertanyaan, dan waktu.

Intinya 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.

## FAQ

### Apakah skor E-E-A-T merupakan metrik resmi yang disediakan oleh Google?
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.

### Jika temperature LLM diatur ke 0, bolehkah penilaian langsung dipercayakan kepadanya?
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.

### Mengapa Experience dan Expertise harus dinilai secara terpisah?
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.

### Jika penulis menyatakan bahwa dirinya telah menggunakannya secara langsung, bolehkah skor Experience dinaikkan?
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.

### Apakah Authority rendah jika tidak ada artikel Wikipedia atau media?
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.

### Apakah menambahkan banyak Schema akan meningkatkan skor GEO?
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.

### Jika E-E-A-T tinggi, apakah pasti akan dikutip oleh ChatGPT atau Gemini?
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.

### Jika skornya sama, apakah hasil analisisnya dapat dianggap memiliki kualitas yang sama?
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.

### Bagaimana cara menentukan bobot skor GEO?
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.

### Peran apa yang cocok untuk LLM dalam sistem analisis GEO?
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

- [Membuat konten yang bermanfaat, andal, dan mengutamakan pengguna](https://developers.google.com/search/docs/fundamentals/creating-helpful-content)
- [Fitur AI dan situs web Anda](https://developers.google.com/search/docs/appearance/ai-features)
- [Pengantar markup data terstruktur di Google Penelusuran](https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data)
- [Pelajari peta situs](https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview)
- [Person Schema.org](https://schema.org/Person)
- [Organization Schema.org](https://schema.org/Organization)
- [PROV-O: Ontologi PROV](https://www.w3.org/TR/prov-o/)
- [GEO: Pengoptimalan Mesin Generatif](https://arxiv.org/abs/2311.09735)

## Images

![Perempuan menggunakan dasbor analitik layar sentuh besar di kantor](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp)
![Diagram alur data halaman web melalui server aman dan empat modul menuju dasbor penilaian](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp)