Puji dan syukur Tim Penulis hadiahkan kepada Tuhan Yang Maha Esa
atas rahmat-Nya yang telah dilimpahkan kepada Tim Penulis dapat
menyelesaikan makalah yang berjudul “Attracting Buyers with Search,
Semantic, and Recommendation Technology” yang merupakan salah satu
tugas kelompok teknologi informasi untuk manajemen dan akuntansi pada
semester satu. Dalam menyelesaikan makalah ini, Tim Penulis telah banyak
mendapat bantuan dan masukan dari berbagai pihak. Oleh karena itu, dalam
kesempatan ini Tim Penulis ingin menyampaikan terima kasih kepada:
1. Bapak Dr. Emrinaldi Nur DP, SE, M.Si, Ak, CA selaku Dosen Mata
kuliah TIMA Universitas Riau yang telah memberikan tugas mengenai
“Attracting Buyers with Search, Semantic, and Recommendation
Technology” ini sehingga pengetahuan Tim Penulis dalam penulisan
makalah ini semakin bertambah dan hal itu sangat bermanfaat bagi
pembuatan makalah kami selanjutnya dikemudian hari.
2. Teman-teman yang telah membantu dan memberikan dorongan
semangat agar makalah ini dapat diselesaikan.
3. Pihak-pihak yang tidak dapat Tim Penulis sebutkan satu persatu yang
telah turut membantu sehingga makalah ini dapat terselesaikan dengan
baik dalam waktu yang tepat.
Tim Penulis menyadari bahwa penyusunan makalah ini masih jauh dari
kesempurnaan, namun demikian telah memberikan manfaat bagi Tim
Penulis. Akhir kata Tim Penulis berharap makalah ini dapat bermanfaat bagi
kita semua. Kritik dan saran yang bersifat membangun akan Tim Penulis
terima dengan senang hati.
Tim Penulis
i
DAFTAR ISI
KATA PENGANTAR .................................................................................... i
DAFTAR ISI ................................................................................................... ii
BAB I: PENDAHULUAN.............................................................................. 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Rumusan Masalah ...................................................................................... 2
1.3 Tujuan Penulisan ........................................................................................ 2
BAB II: PEMBAHASAN............................................................................... 3
2.1 Menggunakan teknologi pencarian untuk kesuksesan bisnis .................... 3
2.1.1 Bagaimana mesin pencarian bekerja ................................................ 3
2.1.2 Bagaimana Crawler Engines Bekerja .............................................. 4
2.2 Pusat Data Google ..................................................................................... 6
2.3 Mengapa Pencarian Penting untuk Bisnis................................................. 8
2.3.1 Real Time Search............................................................................. 15
2.3.2 Pencarian Bookmark Social............................................................. 16
2.3.3 Mesin Pencari Khusus ..................................................................... 16
2.4 Pencarian Organik dan Optimasi Mesin Pencari ...................................... 16
2.4.1 Strategi untuk Optimasi Mesin Pencari ........................................... 17
2.5 Topi Hitam VS. Topi Putih SEO: Masalah Etis Dalam Optimasi Mesin
Pencarian ................................................................................................... 19
2.6 Strategi Bayar-Per-Klik dan Pencarian Berbayar ...................................... 20
2.6.1 Metrik untuk Iklan Pencarian Bayaran ......................................... 22
2.7 Pencarian Makna — Teknologi Semantik ................................................. 23
2.7.1 Apa Web Semantik?......................................................................... 23
2.7.2 Web Semantik dan Pencarian Semantik .......................................... 24
2.7.3 Web Semantik untuk Bisnis............................................................. 28
2.8 Rekomendasi Mesin ................................................................................... 29
2.8.1 Filter Rekomendasi .......................................................................... 30
2.8.2 Keterbatasan Mesin Rekomendasi ................................................... 33
2.9 Hybrid Recommendation Engines ............................................................. 34
2.10 Kasus ........................................................................................................ 36
DAFTAR PUSTAKA
ii
BAB I
PENDAHULUAN
1
mungkin ingin Anda baca di situs web mereka. Amazon memuji teknologi
rekomendasinya untuk meningkatkan penjualan dengan menyarankan produk
yang mungkin ingin dibeli pelanggan. Manajer bisnis perlu memahami
teknologi pencarian dan rekomendasi karena pengaruhnya dalam mengarahkan
konsumen potensial ke situs web bisnis sudah signifikan dan diperkirakan akan
tumbuh secara substansial di masa depan.
2
BAB II
PEMBAHASAN
3
oleh seseorang, kecil kemungkinan hasil pencarian akan berisi situs web
yang tidak relevan. Contoh direktori populer termasuk Open Directory
Project (dmoz.org), Best of the Web (botw.org), dan Looksmart.com.
Mesin pencari hibrida menggabungkan hasil direktori yang dibuat oleh
manusia dan hasil dari mesin pencari perayap, dengan tujuan
memberikan akurasi dan jangkauan luas dari Internet. Yahoo.com, alat
pencarian komersial terpopuler ketiga, menggunakan pendekatan hybrid
untuk pencarian informasi.
Mesin pencari meta menyusun hasil dari mesin pencari lain. Misalnya,
Dogpile.com membuat daftar dengan menggabungkan hasil dari Google
dan Yandex, dua mesin pencari berbasis crawler, dan Yahoo, sebuah alat
pencarian hybrid.
Mesin pencari semantik dirancang untuk menemukan informasi
berdasarkan sifat dan makna konten Web, bukan pencocokan kata kunci
sederhana. Tujuan dari mesin pencari ini adalah untuk secara dramatis
meningkatkan akurasi dan kegunaan hasil pencarian.
2.1.2 Bagaimana Crawler Engines Bekerja
Dua mesin pencari komersial paling populer di Web, Google dan Bing,
didasarkan pada teknologi perayap. Di balik antarmuka yang relatif sederhana
dari dua mesin pencari yang kuat ini, banyak teknologi kompleks sedang
bekerja. Karena mesin pencari modern menggunakan teknologi eksklusif dalam
perlombaan untuk tetap di depan para pesaing, tidak mungkin untuk mengatakan
dengan tepat bagaimana mereka memutuskan situs web apa yang akan muncul
di halaman hasil mesin pencari (SERP). Meskipun mereka masing-masing
menghasilkan hasil yang berbeda, dimungkinkan untuk menggambarkan proses
dasar yang dibagikan oleh sebagian besar mesin pencari perayap. Deskripsi
berikut didasarkan pada publikasi oleh Grehan (2002) dan Oak (2008).
4
Modul kontrol perayap memberikan URL halaman web ke program yang
disebut spider atau bot. Laba-laba mengunduh laman web ini ke dalam
repositori halaman dan memindai tautan- tautan itu. Tautan ditransfer ke
modul kontrol perayap dan digunakan untuk menentukan ke mana laba-
laba akan dikirim di masa depan. (Sebagian besar mesin pencari juga
memungkinkan webmaster untuk mengirimkan URL, meminta agar situs
web mereka dipindai sehingga mereka akan muncul dalam hasil
pencarian. Permintaan ini ditambahkan ke antrian kontrol perayap).
Modul pengindeks membuat tabel pencarian dengan mengekstraksi kata-
kata dari halaman web dan merekam URL tempat mereka ditemukan.
Modul pengindeks juga membuat indeks terbalik yang membantu mesin
pencari secara efisien menemukan halaman yang relevan yang
mengandung kata kunci yang digunakan dalam pencarian.
Modul analisis pengumpulan membuat indeks utilitas yang membantu
menyediakan hasil pencarian. Indeks utilitas berisi informasi tentang hal-
hal seperti berapa banyak halaman di situs web, lokasi geografis situs
web, jumlah gambar pada halaman web, panjang halaman web, atau
informasi spesifik situs lainnya yang mungkin digunakan mesin pencari
untuk menentukan relevansi sebuah halaman.
Modul pengambilan / peringkat menentukan urutan halaman yang
terdaftar dalam SERP. Metode yang digunakan mesin pencari untuk
menentukan peringkat halaman bervariasi dan algoritma spesifik yang
mereka gunakan sering kali dijaga kerahasiaannya. Dalam beberapa
kasus, mesin pencari dapat menggunakan ratusan kriteria berbeda untuk
menentukan halaman mana yang muncul di bagian atas SERP. Google,
5
misalnya, mengklaim untuk menggunakan lebih dari 200 "petunjuk"
untuk menentukan bagaimana peringkat halaman (Google.com, 2014).
Menurut Dover dan Dafforn (2011), semua faktor ini dapat
dikelompokkan ke dalam dua kategori: relevansi dan popularitas (atau
"otoritas").
Halaman web yang diambil oleh laba-laba, bersama dengan indeks dan
informasi peringkat, disimpan pada server besar.
Antarmuka kueri adalah tempat pengguna memasukkan kata-kata yang
menggambarkan jenis informasi yang mereka cari. Mesin pencari
kemudian menerapkan berbagai algoritma untuk mencocokkan string
kueri dengan informasi yang disimpan dalam indeks untuk menentukan
halaman apa yang akan ditampilkan dalam SERP.
Setiap mesin pencari menggunakan variasi dan penyempurnaan dari
langkah-langkah di atas dalam upaya untuk mencapai hasil yang unggul.
Industri pencarian Web sangat kompetitif dan kemajuan kepemilikan dalam
teknologi pencarian yang digunakan oleh setiap perusahaan adalah rahasia yang
dijaga ketat. Misalnya, bahkan langkah pertama dalam proses, merayapi Web
untuk konten, dapat sangat bervariasi tergantung pada tujuan strategis mesin
pencari. Beberapa mesin pencari membatasi jumlah halaman yang dipindai di
setiap situs web, alih-alih mencari untuk menggunakan daya komputasi dan
sumber daya yang terbatas untuk mencakup sebanyak mungkin situs web.
Namun, mesin pencari lain memprogram laba-laba mereka untuk memindai
secara mendalam ke dalam setiap situs web, mencari cakupan konten situs yang
lebih lengkap.
Mesin pencari lain mengarahkan laba-laba mereka untuk mencari situs
web yang berisi jenis konten tertentu, seperti situs pemerintah, situs belanja (e-
commerce), dan sebagainya. Keputusan lain yang dibuat mesin pencari
berkenaan dengan laba-laba adalah jumlah sumber daya yang diarahkan untuk
mencari situs web baru versus sumber daya yang disediakan untuk menjelajahi
halaman yang sebelumnya diindeks untuk pembaruan atau perubahan. Salah
satu dari banyak tantangan yang dihadapi oleh mesin pencari komersial besar
adalah penyimpanan. Dalam arti paling sederhana, pendekatan perayap untuk
mencari mengharuskan perusahaan untuk menyimpan salinan Web di pusat data
besar. Selain penyimpanan yang diperlukan untuk mempertahankan salinan
Web ini, mesin pencari juga harus menyimpan hasil dari proses pengindeksan
dan daftar tautan untuk perayapan di masa depan.
2.2 Pusat Data Google
Google tidak hanya mempertahankan salinan Internet untuk layanan
6
mesin pencari, tetapi juga secara konstan memperbarui peta seluruh planet untuk
pengguna aplikasi Google Earth yang populer. Selain itu, perusahaan ini
membuat salinan teks lengkap yang dapat dicari dari semua 129.864.880 buku
yang diketahui, sama dengan 4 miliar halaman atau 2 triliun kata. Dan
kemudian ada aplikasi seperti Gmail, melayani sekitar 425 juta orang dan
YouTube, di mana 100 jam video diunggah setiap menit! Tambahkan semua ini,
dan Google mungkin menghadapi tantangan penyimpanan data terbesar yang
pernah ada. Fasilitasnya besar, instalasi mirip pabrik yang berisi deretan server
yang ditumpuk dan ditumpuk. Sistem pendingin, yang diperlukan untuk
menjaga agar server tidak kepanasan, adalah komponen penting dari pusat data
besar apa pun.
7
dan dampak lingkungan yang terkait telah menjadi masalah yang terus
meningkat. Google secara luas diakui sebagai mengoperasikan beberapa pusat
data paling efisien di dunia, tetapi banyak kritikus terganggu oleh tingkat
konsumsi energi industri secara keseluruhan. Menurut beberapa perkiraan, pusat
data menyumbang sekitar 2 persen dari penggunaan energi dunia dan laju
pertumbuhan yang cepat menjadi perhatian. Google telah mengambil
pendekatan aktif untuk mengurangi jejak lingkungannya dengan meningkatkan
penggunaan sumber energi terbarukan perusahaan dan terus mengembangkan
cara-cara baru untuk menjadi lebih hemat energi.
2.3 Mengapa Pencarian Penting untuk Bisnis
8
sebagian besar organisasi saat ini, sebagian besar karyawan adalah "pekerja
berpengetahuan" (misalnya, analis bisnis, manajer pemasaran, agen
pembelian, manajer TI, dll.). Hampir setengah dari waktu mereka dihabiskan
untuk pekerjaan yang tidak produktif — mengumpulkan informasi, pencarian
yang gagal, mengonversi data ke format yang berbeda, atau membuat ulang
informasi (Google.com, 2008, Feldman & Sherman, 2001). Alat pencarian
perusahaan memungkinkan bisnis, perusahaan, dan organisasi untuk
mengekstraksi informasi dari database, intranet, sistem manajemen konten,
file, kontrak, manual kebijakan, dan dokumen untuk membuat keputusan
tepat waktu, menambah nilai bagi perusahaan dan meningkatkan keunggulan
kompetitifnya.
9
kebutuhan untuk membatasi akses berdasarkan fungsi pekerjaan karyawan
atau izin keamanan. Membatasi akses ke dokumen atau data tertentu disebut
sebagai kontrol akses. Alat pencarian perusahaan memperkenalkan potensi
sejumlah pelanggaran keamanan atau akses informasi yang tidak sah.
Sebagian besar dapat diatasi selama pekerja IT organisasi menginstal dan
memelihara fitur keamanan sistem pencarian, termasuk integrasi keamanan
dengan program perusahaan lainnya. Audit log permintaan harus dilakukan
secara teratur untuk mencari pola atau ketidak konsistenan.
10
organisasi berita untuk merekomendasikan artikel dan video berita, Web
pengiklan untuk mengantisipasi iklan yang mungkin ditanggapi orang, dan
sebagainya. Mereka mewakili potensi besar untuk bisnis dan pengembang.
Sementara penggunaan mesin rekomendasi tersebar luas, masih ada banyak
pekerjaan yang harus dilakukan untuk meningkatkan akurasi aplikasi yang
menarik ini.
c. Pemasaran mesin pencari (SEM) - mendapatkan yang ditemukan oleh
konsumen pada Web.
11
tablet baru. Langkah pertama Anda kemungkinan akan melakukan pencarian
informasi, mencoba mempelajari tentang kategori produk perangkat tablet
seluler. Bisnis harus menawarkan konten di situs web dan situs media sosial
mereka untuk konsumen yang mencari informasi produk umum. Pencarian
informasi juga merupakan peluang untuk mempengaruhi konsumen di awal
proses pembelian. Setelah meneliti kategori produk, Anda dapat mencoba
menemukan situs web perusahaan tertentu untuk mempelajari lebih lanjut
tentang masing-masing merek komputer tablet (pencarian navigasi).
Perusahaan perlu merancang situs web mereka sehingga mereka dapat
ditemukan dengan mudah oleh mesin pencari.
Terakhir, Anda dapat mencoba menentukan di mana akan membeli
komputer tablet Anda dengan mencari istilah seperti "harga terendah,"
"pengiriman gratis," dan seterusnya. Ini adalah contoh pencarian
transaksional. Pemasaran mesin pencari (SEM) terdiri dari merancang dan
mengiklankan halaman web, dengan tujuan meningkatkan visibilitasnya
ketika konsumen melakukan tiga jenis pencarian yang baru saja dijelaskan.
Strategi dan taktik SEM menghasilkan dua hasil yang berbeda namun saling
melengkapi:
1. Daftar pencarian organik adalah hasil dari konten dan fitur desain situs
web yang dimaksudkan untuk meningkatkan peringkat situs pada
SERP yang dihasilkan dari kueri kata kunci tertentu. Tidak ada
pembayaran yang dilakukan ke layanan mesin pencari untuk daftar
pencarian organik.
2. Daftar pencarian berbayar adalah bentuk iklan dan dibeli dari
perusahaan mesin pencari. Penempatan dan efektivitas iklan pencarian
berbayar di SERPs, adalah fungsi dari beberapa faktor selain biaya
yang dibayarkan oleh pengiklan.
12
meningkatkan daftar organik situs web mereka di SERP. Praktik
memunculkan website di SERP dengan iklan berbayar ini disebut dengan
Search Engine Marketing (SEM). Spesialis SEO memahami bagaimana
mesin pencari bekerja dan memandu perusahaan dalam mendesain situs web
dan membuat konten yang akan menghasilkan peringkat SERP organik lebih
tinggi daripada situs web pesaing.
Daftar pencarian berbayar sering disebut sebagai iklan bayar per klik
(PPC). Ini karena pengiklan membayar mesin pencari berdasarkan jumlah
orang yang mengklik iklan. Biasanya, iklan PPC dicantumkan secara terpisah
dari hasil pencarian organik. Mengelola kampanye iklan PPC yang efektif
melibatkan pengambilan keputusan strategis tentang permintaan pencarian
kata kunci apa yang Anda inginkan untuk memicu tampilan iklan Anda.
13
Masing-masing aplikasi teknologi pencarian penting ini dijelaskan di
bawah ini.
14
2.3.1 Real Time Search
15
sentimen pada berbagai topik dan masalah secara real time.Alat
pencarian Twitter (twitter.com/search-home) terlihat mirip dengan mesin
pencari lainnya, dan termasuk mode pencarian lanjutan.
2.3.2 Pencarian Bookmark Social
16
traffic ke situs web mereka. Mereka melakukannya dengan mengoptimalkan
situs web dalam upaya meningkatkan visibilitas dan peringkat pada SERP.
Menggunakan program analisis Web seperti Google Analytics, perusahaan
dapat menentukan berapa banyak orang mengunjungi situs mereka, halaman
spesifik apa yang mereka kunjungi, berapa lama mereka habiskan di situs, dan
mesin pencari apa yang menghasilkan lalu lintas terbanyak.
2.4.1 Strategi untuk Optimasi Mesin Pencari
Mesin pencari menggunakan metode kepemilikan yang agak berbeda untuk
menentukan di mana situs web akan muncul dalam hasil pencarian. Akibatnya,
tidak mungkin untuk mengetahui faktor spesifik apa yang akan digunakan dan
berapa berat yang akan mereka bawa dalam menentukan peringkat SERP. Namun,
pada bagian di bawah ini, kami menggambarkan tiga kategori faktor peringkat
(lihat Brown, 2013) dan berupaya menggambarkan masing-masing dengan
beberapa contoh yaitu:
a. Faktor Peringkat
17
paling terkenal untuk menggunakan popularitas untuk menentukan kualitas
situs web. Hal ini didasarkan pada asumsi bahwa orang lebih cenderung
untuk menautkan ke situs web berkualitas tinggi daripada situs berkualitas
buruk. Karena itu, algoritma menghitung backlink-tautan eksternal yang
menunjuk kembali ke suatu situs. Efektivitas strategi PageRank adalah apa
yang awalnya membedakan Google dari mesin pencari yang bersaing dan
menyebabkan dominasinya di pasar. Praktisi SEO dan penulis di bidang ini
telah memberikan penekanan besar pada pentingnya backlink selama
bertahun-tahun. Sejumlah strategi kreatif telah dikembangkan untuk
mendorong orang lain untuk menautkan ke situs web (lihat Zrekat, 2013,
Solihin, 2013, Gaiker, 2012, Ward & French, 2013).
18
pengguna secara signifikan.
Survei kepuasan situs web: Google membuat survei kepuasan
pengguna yang webmaster dapat menyematkan di situs web
mereka. Tanggapan positif terhadap survei ini dapat
meningkatkan peringkat.
Hambatan konten: Membuat orang mendaftar, memberikan nama,
atau mengisi formulir untuk mendapatkan konten berdampak
negatif pada kepuasan pengguna.
Faktor lain: Terlalu banyak iklan, kesalahan halaman tidak
ditemukan, duplikat konten/halaman, konten yang disalin dari
situs web lain, dan spam di bagian komentar semuanya dikurangi
dari kepuasan pengguna.
2.5 Topi Hitam VS. Topi Putih SEO: Masalah Etis Dalam Optimasi Mesin
Pencarian
Mesin pencari secara teratur memperbarui algoritme mereka untuk
meningkatkan hasil. Dua pembaruan Google yang terkenal yang disebut Panda
(dirilis pada 2011) dan Penguin (dirilis pada 2012) dirancang untuk
meningkatkan peringkat situs web dengan konten berkualitas dan menurunkan
situs berkualitas buruk. Kedua pembaruan dirancang untuk mengalahkan apa
yang biasa disebut sebagai taktik SEO topi hitam. Orang yang memakai topi
hitam taktik mencoba menipu mesin pencari untuk berpikir bahwa situs web
memiliki konten berkualitas tinggi, padahal sebenarnya tidak. Beberapa contoh
teknik topi hitam yang jelas tercantum di bawah ini. Dengan sistem
pendeteksian yang lebih kuat sekarang, situs web yang menggunakan taktik ini
(atau bahkan tampaknya menggunakannya) akan sangat diturunkan
peringkatnya dalam sistem peringkat Google.
1. Tautan spamming - menghasilkan backlink untuk tujuan utama SEO,
bukan menambah nilai bagi pengguna. Black hat SEO menggunakan trik
19
untuk membuat backlink. Beberapa contoh termasuk menambahkan
tautan ke halaman di bagian komentar pada posting blog yang tidak
terkait, atau membangun situs yang disebut farm link hanya untuk tujuan
menghubungkan kembali ke halaman yang dipromosikan.
2. Trik kata kunci - Black hat SEO akan menyematkan beberapa kata
kunci bernilai tinggi pada halaman dengan konten yang tidak terkait
untuk menaikkan statistik lalu lintas. Misalnya, situs e-commerce
mungkin menyematkan kata-kata seperti "amazon" (kata yang sering
muncul dalam permintaan pencarian) dalam upaya untuk didaftar di
SERP orang yang mencari amazon.com.
3. Teks hantu - Taktik ini melibatkan penambahan teks pada halaman yang
akan memengaruhi peringkat halaman. Teks mungkin tidak ada
hubungannya dengan konten halaman yang sebenarnya, atau mungkin
hanya mengulang kata-kata tertentu untuk meningkatkan kepadatan
konten. Teks tersebut kemudian disembunyikan, biasanya dengan
membuatnya dengan warna yang sama dengan latar belakang.
4. Halaman bayangan - Juga disebut halaman hantu atau halaman berjubah,
taktik topi hitam ini melibatkan pembuatan halaman yang dioptimalkan
untuk menarik banyak orang. Halaman-halaman tersebut, bagaimanapun,
mengandung perintah pengalihan sehingga pengguna dikirim ke halaman
lain untuk meningkatkan lalu lintas di halaman itu.
20
mereka untuk menghasilkan hasil. Sebagian besar mesin pencari utama
membedakan hasil pencarian organik dari daftar iklan berbayar di SERPs
dengan label, naungan, dan menempatkan iklan di tempat yang berbeda di
halaman. Beberapa kritikus mengeluh bahwa iklan berbayar menerima
penempatan halaman preferensial dan tidak jelas dibedakan dari daftar organik.
Namun, pada saat publikasi ini, mudah untuk membedakan iklan dari hasil
organik di Google dan Bing SERPs. Pembela perusahaan mesin pencari
berpendapat bahwa karena iklan berbayar memungkinkan semua orang
menggunakan layanan pencarian secara gratis, penempatan halaman preferensial
dapat dibenarkan.
Ada empat langkah untuk membuat kampanye iklan PPC di mesin pencari yaitu:
Tetapkan anggaran keseluruhan untuk kampanye.
Buat iklan — sebagian besar iklan mesin pencari hanya teks.
Pilih kata kunci yang terkait dengan kampanye.
Atur informasi akun penagihan.
Iklan pencarian memungkinkan bisnis untuk menargetkan pelanggan yang
cenderung membeli produk mereka.Mereka melakukan ini dengan memilih kata
kunci yang sesuai dengan permintaan pencarian yang berpotensi
mengidentifikasi seseorang sebagai pelanggan. Misalnya, perusahaan yang
menjual dompet wanita mungkin ingin muncul di SERP ketika seseorang
melakukan pencarian menggunakan salah satu syarat atau frasa berikut:
Dompet
Tas tangan
Dompet wanita
Dompet desainer
Tas tangan desainer
21
2.6.1 Metrik untuk Iklan Pencarian Bayaran
Selain penargetan yang lebih efektif, salah satu manfaat utama dari iklan
online adalah kemampuan untuk mengevaluasi kontribusinya terhadap
pendapatan penjualan secara lebih efektif. Pengiklan PPC menggunakan metrik
berikut untuk mengukur efektivitas kampanye mereka:
Rasio klik-tayang (RKT) —Dengan sendirinya, RKT tidak mengukur
kinerja keuangan kampanye iklan.Tetapi mereka berguna untuk
mengevaluasi banyak keputusan yang masuk ke kampanye, seperti
pemilihan kata kunci dan salinan iklan.
Konversi kata kunci — RKT tinggi tidak selalu baik jika tidak
menghasilkan penjualan.Karena biaya kampanye didasarkan pada
berapa banyak orang mengklik iklan, Anda ingin memilih kata kunci
yang mengarah pada penjualan (konversi), bukan hanya kunjungan
situs.Pengiklan PPC memantau kata kunci mana yang mengarah ke
penjualan danfokus pada kata kunci yang ada di kampanye mendatang.
Biaya perolehan pelanggan (CoCA) —Metrik ini mewakili jumlah
uang yang dihabiskan untuk menarik pelanggan yang membayar.
Untuk menghitung CoCA untuk kampanye PPC, Anda membagi total
anggaran kampanye dengan jumlah pelanggan yang membeli sesuatu
dari situs Anda. Misalnya, jika Anda menghabiskan $ 1.000 untuk
kampanye yang menghasilkan 40 pelanggan, CoCA Anda akan
menjadi $ 1.000 / 40 $ 25 per pelanggan.
Pengembalian pengeluaran iklan (ROAS) —Kefektifan keuangan
kampanye secara keseluruhan dievaluasi dengan ROAS (pendapatan /
biaya). Misalnya, jika $ 1.000 dihabiskan untuk kampanye yang
menghasilkan $ 6.000 dalam penjualan, ROAS akan menjadi $ 6.000 /
$ 1.000 $ 6. Dengan kata lain, untuk setiap dolar yang dihabiskan untuk
iklan PPC, $ 6 diperoleh.
22
2.7 Pencarian Makna — Teknologi Semantik
Jika ada satu hal yang diajarkan sejarah kepada kita, masa depan itu sulit
diprediksi. Mungkin konyol untuk memprediksi seperti apa Internet di masa
depan ketika jelas begitu banyak orang mengalami kesulitan memahami semua
implikasi dari Internet yang sekarang ada. Web masa depan akan menggunakan
konteks, personalisasi, dan pencarian vertikal untuk membuat konten,
perdagangan, dan komunitas lebih relevan dan lebih mudah diakses (Mitra,
2007). Dengan penambahan teknologi seluler, Web ini akan selalu dapat
diakses.
23
2010)
Semantic web adalah suatu inovasi dalam berbentuk website yang
mempunyai knowledge sehingga bisa dikatakan mempunyai sifat lebih pintar dari
web sebelumnya. Salah satu teknologi yang diterapkan dalam pembangunan web
semantic dengan data yang ada dinamakan Resource Description Framework atau
RDF dan Web Ontology Language atau OWL. Semantic web juga merupakan
bagian dari Web 3.0 yang mengunggulkan integrasi data. Maksud dari integrasi
data adalah data yang ada akan di olah menjadi bentuk metadata sehingga
informasi yang dihasilkan menjadi informasi yang lebih jelas dan bermakna.
Dengan metadata, konten file-file ini dapat diberi label dengan tag yang
menggambarkan sifat informasi, dari mana asalnya, atau bagaimana
pengaturannya, pada dasarnya menjadikan Web satu basis data besar yang dapat
dibaca dan digunakan oleh berbagai macam aplikasi. Sangat membantu untuk
memikirkan Web semantik dengan latar belakang fungsi Internet sebelumnya.
Internet awal memungkinkan pemrogram dan pengguna untuk mengakses
informasi dan berkomunikasi satu sama lain tanpa khawatir tentang rincian yang
terkait dengan mesin yang mereka gunakan untuk terhubung ke jaringan dan
menyimpan informasi.
Web semantik melanjutkan evolusi ini, dengan memungkinkan untuk
mengakses informasi tentang hal-hal nyata (orang, tempat, kontrak, buku, bahan
kimia, dll.) Tanpa khawatir tentang rincian yang terkait dengan sifat atau struktur
file data, halaman, dan database di mana hal-hal ini dijelaskan atau terkandung
(Hendler dan Berners-Lee, 2010). Ini akan meningkatkan jumlah informasi yang
tersedia di Web dan meningkatkan kemampuan kami untuk mencari dan
menemukan informasi yang berguna.
2.7.2 Web Semantik dan Pencarian Semantik
Seperti yang telah Anda baca, Web semantik (atau akan) dijelaskan oleh
metadata, sehingga memudahkan berbagai aplikasi untuk mengidentifikasi dan
24
memanfaatkan data. Namun, salah satu hambatan untuk menciptakan Web
semantik adalah proses penandaan. Siapa yang akan menandai semua data yang
saat ini ada di Web? Bagaimana kami bisa yakin bahwa data tersebut akan
ditandai dengan benar? Apakah orang akan dengan sengaja menandai data
secara tidak benar untuk mendapatkan semacam keuntungan dengan cara yang
sama seperti taktik black hat SEO yang digunakan untuk menyesatkan mesin
pencari?
Mesin pencari semantik dapat diprogram untuk memanfaatkan tag
metadata, tetapi kegunaannya akan sangat terbatas jika mereka hanya bisa
mengidentifikasi konten Web yang telah ditandai dengan metadata:
“Pencarian semantik adalah proses mengetikkan sesuatu ke mesin
pencari dan mendapatkan lebih banyak hasil daripada hanya yang
menampilkan kata kunci yang Anda ketik di kotak pencarian. Pencarian
semantik akan mempertimbangkan konteks dan arti dari istilah pencarian
Anda. Ini tentang memahami asumsi yang dibuat oleh pencari saat
mengetikkan permintaan pencarian itu.” (DiSilvestro, 2013).
Alih-alih hanya mengandalkan tag metadata, mesin pencari semantik saat
ini menggunakan pendekatan alternatif untuk memahami makna konten di Web.
Mesin pencari semantik menggunakan pemrosesan bahasa alami, isyarat
kontekstual, sinonim, variasi kata, pencocokan konsep, permintaan khusus, dan
strategi lain untuk menghasilkan hasil pencarian yang lebih unggul daripada
yang dibuat oleh algoritma pencocokan kata kunci sederhana. Memahami
konteks atau maksud pengguna sangat penting. Jika mesin pencari memahami
konteks yang tepat dari permintaan pencarian yang mengandung kata
"Disneyworld," itu akan tahu jika mesin pencari harus mengembalikan
informasi yang akan menarik bagi orang-orang
• Merencanakan liburan, atau
• Mencari pekerjaan di taman hiburan, atau
• Tertarik dengan sejarah Disneyworld.
25
Pencocokan kata kunci sederhana cenderung menghasilkan beragam
informasi, yang sebagianbesar tidak akan menarik bagi pengguna dengan tujuan
tertentu.
26
bagian dari nama organisasi (mis., Pusat Penelitian Johnson atau Pusat
Pemuda Millard). Google saat ini memungkinkan Anda untuk
melakukan sesuatu yang serupa untuk menentukan jenis file yang Anda
cari (mis., Tipe file: pdf).
5. Pencarian konsep. Mesin pencari dapat memberikan hasil dengan
konsep terkait. Misalnya, jika permintaan aslinya adalah "film
Tarantino," dokumen akan dikembalikan yang berisi kata "film"
meskipun bukan kata "film."
6. Pencarian berbasis ontologi. Ontologi mendefinisikan hubungan antar
data. Ontologi didasarkan pada konsep "tiga kali lipat": subjek,
predikat, dan objek. Ini akan memungkinkan mesin pencari untuk
menjawab pertanyaan seperti "Sayuran apa yang berwarna hijau?"
Mesin pencari akan memberikan hasil tentang "brokoli," "bayam,"
"kacang polong," "asparagus," "kecambah Brussels," dan seterusnya.
7. Pencarian Web semantik. Pendekatan ini akan memanfaatkan konten
yang ditandai dengan metadata seperti yang dijelaskan sebelumnya di
bagian ini. Hasil pencarian cenderung lebih akurat daripada
pencocokan kata kunci.
8. Pencarian faceted. Pencarian faceted menyediakan sarana untuk
menyempurnakan hasil berdasarkan kategori yang telah ditentukan
yang disebut facet. Misalnya, pencarian di "perguruan tinggi" dapat
menghasilkan opsi untuk "memperbaiki pencarian ini dengan...”Lokasi,
ukuran, derajat yang ditawarkan, pribadi atau publik, dan sebagainya.
Alat pencarian faceted yang tersedia saat ini cenderung berfokus pada
domain tertentu, seperti Wikipedia atau Semidico, alat pencarian untuk
literatur biomedis.
9. Pencarian berkelompok. Ini mirip dengan pencarian faceted, tetapi
tanpa kategori yang telah ditentukan. Kunjungi Carrot2.org untuk lebih
memahami konsep ini.Setelah melakukan pencarian, klik pada opsi
27
"foamtree" untuk melihat bagaimana Anda dapat mempersempit
pencarian Anda. Opsi pemurnian diekstraksi dari konten di halaman
pencarian awal.
10. Pencarian bahasa alami. Alat pencarian bahasa alami mencoba
mengekstrak kata-kata dari pertanyaan seperti "Berapa banyak negara
di Eropa?"Dan membuat representasi semantik dari kueri. Awalnya,
inilah yang orang harapkan mesin pencari akan berkembang, tetapi
Grimes bertanya-tanya apakah kita sudah terbiasa mengetik hanya satu
atau dua kata ke dalam pertanyaan kita sehingga menulis seluruh
pertanyaan mungkin tampak seperti terlalu banyak pekerjaan.
Anda mungkin mengenali beberapa peningkatan pencarian ini saat
menggunakan mesin pencari komersial populer seperti Google atau Bing.Itu
karena mereka telah mulai membangun teknologi semantik ke dalam sistem
mereka. Anda didorong untuk menjelajahi mesin pencari lain yang sedang
mengembangkan fitur pencarian semantik: DuckDuckGo.com, Hakia.com, dan
Swoogle (swoogle.umbc.edu).
2.7.3 Web Semantik untuk Bisnis
Tantangan paling cepat yang dihadapi oleh bisnis adalah kebutuhan
untuk mengoptimalkan situs web mereka untuk pencarian semantik. Karena
mesin pencari bertanggung jawab untuk mengarahkan begitu banyak lalu lintas
ke situs web bisnis, penting bagi perusahaan untuk memanfaatkan teknologi
semantik untuk memastikan mereka tetap terlihat oleh calon pelanggan yang
menggunakan mesin pencari.
Situs web dioptimalkan untuk teknologi semantik dengan metadata
menghasilkan daftar SERP yang lebih kaya dan lebih menarik. Google
menyebut cuplikan kaya (lihat Gambar 6.13).Perhatikan seberapa rinci daftar
pencarian organik pada Gambar 6.13 dibandingkan dengan daftar dasar.Daftar
pencarian yang disempurnakan ini lebih menarik secara visual dan
menghasilkan RKT yang lebih besar. Bisnis perlu tetap up-to-date dengan
28
kemajuan dalam pencarian semantik sehingga mereka dapat terus
mengoptimalkan situs mereka untuk meningkatkan lalu lintas dari mesin pencari
utama.
29
2.8.1 Filter Rekomendasi
Ada tiga pendekatan yang digunakan secara luas untuk membuat
rekomendasi yang berguna: Penyaringan berbasis konten, penyaringan
kolaboratif, dan strategi hibrida (Burke, 2007). Penyaringan Berbasis Konten
Penyaringan merekomendasikan produk berdasarkan fitur produk dari item yang
telah berinteraksi dengan pelanggan di masa lalu. Interaksi dapat termasuk
melihat suatu barang, “menyukai” suatu barang, membeli suatu barang,
menyimpan suatu barang ke daftar keinginan, dan seterusnya. Dalam arti paling
sederhana, pemfilteran berbasis konten menggunakan kesamaan item untuk
membuat rekomendasi. Misalnya, mesin rekomendasi Netflix mencoba untuk
merekomendasikan film yang mirip dengan film yang sudah Anda tonton.
30
film spesifik yang tidak biasa. Christian Brown (2012) menyusun daftar
kategori film yang mungkin lucu dan terkadang mengganggu, beberapa di
antaranya tercantum di bawah ini:
• Thrillers Con-Game Serebral
• Film Ayah-Anak yang Memukau Secara Visual
• Film Kekerasan-Liburan-Maut
• Film Independen Tempat Kerja Mandiri
• Feel-Good Opposites-Attract Film
• Komedi Animasi TV Keluarga Disfungsional-Witty
• Potongan Periode Tentang Royalti Berdasarkan Kehidupan Nyata
• Campy Mad-Scientist Movies
• Film Asing yang Membengkak
• Lebih mirip Pembangunan Ditangkap
31
Dalam upaya mengembangkan mesin rekomendasi yang semakin baik,
pengembang mengeksplorasi sejumlah cara kreatif untuk memprediksi apa yang
mungkin disukai konsumen berdasarkan pola perilaku konsumen, minat,
peringkat, ulasan, kontak dan percakapan media sosial, penggunaan media,
informasi keuangan, dan begitu seterusnya.
32
peringkat produk, dll.).
33
4. Overspecialization — Jika sistem hanya dapat merekomendasikan item
yang sangat mirip dengan profil pengguna, maka rekomendasi mungkin
tidak berguna.Misalnya, jika sistem rekomendasi terlalu sempit
dikonfigurasi pada sebuah situs web yang menjual pakaian, pengguna
mungkin hanya melihat rekomendasi untuk item pakaian yang sama
yang dia suka, tetapi dalam berbagai ukuran atau warna (Adomavicius &
Alexander, 2005).
2.9 Hybrid Recommendation Engines
34
Compound hybrid: Pendekatan ini menggabungkan hasil dari dua
recommender sistem dari kategori teknik yang sama (misalnya, dua
kolaboratif filter), tapi menggunakan algoritma yang berbeda atau
prosedur perhitungan.
35
Tripadvisor Merekomendasikan perjalanan tujuan dan layanan didasarkan pada
tujuan orang telah melihat atau dinilai.
Stitch Fix Start-up mode ini menggunakan sistem recommender dalam
hubungannya dengan manusia stylist untuk memilih dan mengirimkan
produk pakaian kepada pelanggan, sebelum pelanggan
melihat atau memerintahkan mereka.
Fashioning Change Retailer pakaian online ini memungkinkan pelanggan memilih apa
rekomendasi mereka didasarkan pada: gaya preferensi, kepribadian,
penyebab, dan "suka."
2.10 Kasus
Kasus Nike Golf Menggerakkan Traffic Web dengan Optimasi Mesin Pencari
Menurut beberapa perkiraan, 50 hingga 75 persen lalu lintas Web
dihasilkan oleh mesin pencari (Pick, 2012, Safran, 2013, Van Zelst, 2013,
Willcocks, 2013). Ini seharusnya tidak mengejutkan bagi kebanyakan dari kita,
mengingat seberapa sering kita menggunakan mesin pencari seperti Google,
Bing, atau Yahoo untuk menemukan informasi online. Karena bisnis bersaing
untuk mendapatkan perhatian kita, mereka memiliki kepentingan untuk
mempertahankan tingkat visibilitas yang tinggi pada halaman hasil mesin
pencari, atau SERP. Lalu lintas dari mesin pencari berasal dari dua sumber
dasar: hasil pencarian organik dan iklan pencarian berbayar. Hasil pencarian
organik sangat dipengaruhi oleh konten situs web dan fitur desain (mis.,
Teknologi yang digunakan untuk membuat situs, pengkodean halaman web,
dll.). Lalu lintas pencarian berbayar adalah hasil dari iklan yang muncul di
SERP. Perusahaan membayar mesin pencari untuk menempatkan iklan ini di
SERP ketika kata kunci tertentu digunakan dalam permintaan pencarian.
Pengguna mesin pencari sering mengabaikan iklan ini - sekitar 85 persen lalu
lintas situs web yang dihasilkan oleh mesin pencari adalah hasil dari daftar
pencarian organik (Downhill & Peggie, 2005).
36
History Didirikan pada tahun 1964 sebagai Blue Ribbon Sports,
perusahaan mengubah namanya menjadi Nike pada
tahun 1971 dan menjual produk di bawah berbagai nama
merek, termasuk Nike Golf, Nike Pro, Air Jordan, Nike
Vision, Converse, dan Nike Skateboard.
Industry Pakaian, alas kaki, dan perlengkapan atletik
Nike, Inc., yang terletak di dekat Beaverton, OR, adalah salah satu nama
merek yang paling dikenal di dunia dalam pakaian dan peralatan olahraga.
Pendapatan pada 2013 meningkat 8 persen dari tahun sebelumnya menjadi $
25,3 miliar. Perusahaan saat ini mengalami masa pertumbuhan, terutama
dengan strategi penjualan "langsung ke konsumen" (DTC) yang melibatkan
kombinasi penjualan online dan toko perusahaan (Gambar 6.1). Penjualan DTC
di perusahaan itu tumbuh 24 persen menjadi $ 4,3 miliar dibandingkan tahun
37
sebelumnya. Ini didorong, sebagian, dengan meningkatkan jumlah toko
perusahaan dari 557 menjadi 645 di seluruh dunia selama setahun terakhir
(Nikeinc.com, 2013). Nike sering dikaitkan dengan apa yang disebutnya strategi
pemasaran "atlet besar, iklan besar, produk besar" (Nikeinc.com, 2014). Ini
melibatkan penandatanganan kesepakatan pengesahan dengan atlet yang paling
dikenal di dunia olahraga, berkreasi.
Terlepas dari nama mereknya yang terkenal dan posisi yang mapan
sebagai pemimpin pasar dalam pakaian olahraga, alas kaki, dan peralatan
38
atletik, Nike secara historis tidak berhasil dalam peringkat mesin pencari.
Perusahaan menyewa SwellPath, agen pemasaran digital yang berbasis di
Portland, OR, untuk membantunya meningkatkan visibilitas merek golfnya
pada mesin pencari populer untuk musim golf 2011.Swellpath berangkat untuk
meningkatkan peringkat pencarian organik Nike dan memberikan analisis
tentang peningkatan kinerja perusahaan dalam pencarian. Strategi ini
melibatkan mengidentifikasi perubahan yang perlu dilakukan ke situs golf Nike
(nikegolf.com) dan meneliti kata kunci yang kemungkinan besar akan
digunakan oleh calon pelanggan ketika mencari jenis produk yang dijual Nike.
Mengubah desain dan konten situs web untuk meningkatkan peringkatnya di
SERP disebut optimasi mesin pencari (SEO).
Tidak praktis atau efektif untuk mengoptimalkan semua kata kunci yang
mungkin, jadi SwellPath berangkat untuk mengidentifikasi kata-kata yang tidak
hanya menghasilkan lalu lintas ke situs Nike, tetapi juga menarik pelanggan
yang paling mungkin untuk "Mengkonversi" (membeli produk). Misalnya,
perusahaan memeriksa kata-kata "pakaian golf," "pakaian golf," "pakaian golf,"
dan "pakaian olahraga golf." Penelitian menunjukkan bahwa orang-orang di AS
mencari kata-kata "pakaian golf" lebih sering, dan pelanggan yang mengunjungi
39
situs tersebut ketika mencari kata-kata itu tinggal lebih lama di situs Nike,
mengunjungi lebih banyak halaman,dan lebih cenderung membeli item.
Solusi SEO
Hasil Kinerja
Antara musim golf 2010 dan 2011, lalu lintas Web dari pencarian
organik meningkat 169 persen, keuntungan yang mengesankan. Namun,
SwellPath menemukan bahwa sebagian besar lalu lintas ini berasal dari
konsumen yang memasukkan kata "Nike" dalam permintaan pencarian
mereka.Ini disebut sebagai kueri penelusuran bermerek.Untuk benar-benar
menilai dampak SEO, SwellPath mengevaluasi perubahan dalam lalu lintas Web
dari pencarian yang tidak bermerek (seperti "sepatu golf" vs. "sepatu golf
Nike").Ditemukan bahwa lalu lintas dari pencarian organik tanpa merek
sebenarnya turun 17 persen. Sebagai hasilnya, tim SwellPath melipatgandakan
upayanya dengan penelitian lanjutan pada kata kunci dan menambahkan konten
situs di sekitar istilah dan frasa yang cenderung menarik pelanggan. Upaya itu
membuahkan hasil.Ketika rencananya sepenuhnya dilaksanakan, lalu lintas non-
merek ke situs Nike meningkat 250 persen antara musim golf 2011 dan 2012.
40
Baru-baru ini, tim SwellPath membantu Nike Vision, unit perusahaan
yang menjual kacamata hitam dan kacamata atletik. Sebelum Olimpiade 2012 di
London, Nike menandatangani bintang voli pantai profesional Misty May-
Treanor (lihat Gambar 6.3). Mengetahui bahwa orang akan menggunakan mesin
pencari untuk mencari informasi tentang atlet bintang selama Olimpiade,
SwellPath mengoptimalkan situs web Nike Vision dengan konten blog tentang
Misty May-Treanor dan kacamata hitam merek Nike-nya. Akibatnya, selama
periode enam hari Misty May-Treanor berkompetisi di Olimpiade London, lalu
lintas organik dari mesin pencari ke Nikevision.com meningkat 169 persen.
Jika Nike gagal memperbarui situsnya dengan posting blog yang
dioptimalkan dan konten lain tentang Misty May-Treanor sebelum Olimpiade, itu
akan melewatkan kesempatan untuk menangkap perhatian ribuan calon
pelanggan (Arnesen, 2012). Contoh ini menggambarkan bagaimana SEO adalah
strategi yang terus berkembang, mengharuskan perusahaan untuk mengantisipasi
minat, perilaku pencarian, dan kebutuhan pasar dan untuk secara teratur
membuat konten yang dioptimalkan yang akan peringkat tinggi dalam SERP
organik. Karena Nike memperluas lini produknya menjadi produk digital
(Gambar 6.4) yang memungkinkan atlet memantau dan melacak kinerjanya,
divisi Olahraga Digital Nike perlu mengoptimalkan halaman webnya dengan
konten yang akan mendapat peringkat tinggi dalam hasil pencarian. Apa jenis
konten dan kata kunci yang menurut Anda akan membantu orang menemukan
produk digital baruini di mesin pencari?
41
BAB III
PENUTUP
3.1 Kesimpulan
Mesin pencari komersial dan direktori Web adalah alat yang berguna untuk
pekerja pengetahuan dalam bisnis. Untuk menggunakan mesin pencari secara efektif,
pekerja harus membiasakan diri dengan semua fitur yang tersedia di mesin pencari
yang mereka gunakan. Semantik mengacu pada makna kata atau bahasa. Web
semantik adalah komputer di mana komputer dapat mengartikan makna konten
(data) dengan menggunakan metadata: "Semantik (dalam pengaturan TI) adalah
komputasi yang bermakna: aplikasi pemrosesan bahasa alami (NLP) untuk
mendukung pencarian informasi, analisis, dan integrasi data yang memadukan
informasi numerik dan "tidak terstruktur". (Grimes, 2010)
42
ke situs web bisnis, penting bagi perusahaan untuk memanfaatkan teknologi
semantik untuk memastikan mereka tetap terlihat oleh calon pelanggan yang
menggunakan mesin pencari.
43
DAFTAR PUSTAKA