MAKALAH TEKNOLOGI INFORMASI UNTUK

MANAJEMEN DAN AKUNTANSI

“Attracting Buyers with Search,
Semantic, and Recommendation
Technology”

Dosen Pengampu : Dr. Emrinaldi Nur DP,

SE, M.Si, Ak, CA

Disusun Oleh Kelompok 3 :

IRMA IRDAYANTI ( 2110247613 )
JESSY RAHAYU ( 2210246717 )
MIRTA ADMA ZAIKA ( 2210246713 )
PRATIWI DIYAH HASANAH PUTRI ( 2210246724 )

PROGRAM STUDI MAGISTER AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS RIAU
2022
 KATA PENGANTAR

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.

Pekanbaru, September 2022

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

BAB III: PENUTUP....................................................................................... 42

3.1 Kesimpulan ................................................................................................ 42

DAFTAR PUSTAKA

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Setiap hari, lebih dari 1,5 miliar orang di seluruh dunia menggunakan apa
yang tampaknya menjadi alat sederhana untuk menemukan informasi online-
mesin pencari. Kami terkadang menerima begitu saja bahwa di balik antarmuka
pengguna yang relatif sederhana, ada peningkatan. Sejumlah teknologi mesin
pencari yang kompleks sedang bekerja, membantu kami menemukan informasi
yang kami butuhkan untuk melakukan pekerjaan kami, melakukan penelitian,
mencari ulasan produk, atau menemukan informasi tentang acara televisi yang
kami tonton. Hal ini menarik karena sebagian besar layanan mesin pencari
gratis, orang umumnya tidak menyadari bahwa "Pencarian" telah menjadi bisnis
bernilai miliaran dolar per tahun. Lebih penting lagi, cara mesin pencari bekerja
dan bagaimana mereka menentukan urutan tautan yang ditampilkan ketika kami
melakukan pencarian memiliki implikasi besar bagi jutaan bisnis lain. Karena
konsumen biasanya tidak melihat melewati beberapa halaman pertama hasil
pencarian, memiliki bisnis Anda muncul di bagian atas halaman hasil pencarian
dapat membuat perbedaan besar dalam berapa banyak lalu lintas yang didapat
situs web Anda.

Teknologi semantik semakin banyak digunakan oleh mesin pencari untuk

memahami konten halaman web. Kita akan membaca tentang cara mesin
pencari menggunakan teknologi semantik untuk meningkatkan kinerja,
meningkatkan halaman yang relevan dan mengurangi jumlah halaman yang
tidak relevan yang muncul dalam hasil pencarian. Akhirnya, Anda akan
membaca tentang mesin rekomendasi. Alat-alat ini berupaya mengantisipasi
informasi online yang mungkin menarik bagi Anda. Netflix menggunakan
mesin rekomendasi untuk menyarankan film yang mungkin ingin Anda tonton
dan organisasi berita menggunakannya untuk merekomendasikan cerita yang

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.

Halaman Hasil Mesin Pencari (SERP): daftar tautan dan informasi

deskriptif lainnya tentang halaman web yang dikembalikan oleh mesin pencari
dalam menanggapi permintaan pencarian. Kata kunci: dalam konteks pencarian
web atau SEO, kata-kata atau frasa yang menggambarkan konten pada halaman
web. Mesin pencari menggunakan kata kunci untuk mencocokkan halaman web
dengan permintaan pencarian pengguna.

1.2 Rumusan Masalah

a. Apa yang dimaksud dengan Internal Control?
b. Bagaimana mesin pencari bekerja?
c. Bagaimana cara menentukan peringkat halaman?
d. Bagaimana strategi yang digunakan perusahaan untuk meningkatkan
kehadiran mereka di halaman hasil pencarian?
e. Bagaimana optimasi mesin pencari (SEO) dan iklan bayar per klik (PPC)?

1.3 Tujuan Penulisan

a. Untuk memahami bagaimana mesin pencari bekerja.

b. Untuk mengetahui bagaimana cara menentukan peringkat halaman.
c. Untuk memahami tentang strategi yang digunakan perusahaan untuk
meningkatkan kehadiran mereka di halaman hasil pencarian.
d. Untuk memahami optimasi mesin pencari (SEO) dan iklan bayar per klik
(PPC).

2
 BAB II
PEMBAHASAN

2.1 Menggunakan Teknologi Pencarian untuk Kesuksesan Bisnis

Mesin pencari seperti Google, Bing, Yahoo, dan lainnya secara
tradisional dianggap sebagai teknologi konsumen.Tetapi teknologi pencarian
telah menjadi alat bisnis yang penting dengan berbagai kegunaan dan aplikasi.
Di bagian ini, kita akan membahas tentang cara kerja mesin pencari. Kita akan
belajar tentang peran mesin pencari dalam menghasilkan pendapatan dan
kesadaran konsumen untuk organisasi. Kita juga akan menemukan bagaimana
bisnis menggunakan teknologi pencarian perusahaan untuk membuka konten
tersembunyi dengan organisasi mereka. Terakhir, kita akan membaca tentang
bagaimana teknologi pencarian dan Internet berkembang untuk memberikan
hasil yang lebih akurat dan bermanfaat.
2.1.1 Bagaimana Mesin Pencarian Bekerja
Orang-orang menggunakan mesin pencari kata untuk merujuk ke
berbagai jenis layanan pencarian informasi (IR) yang menemukan konten di
World Wide Web. Namun, layanan ini bervariasi secara signifikan. Memahami
sifat perbedaan ini penting jika Anda ingin mendapatkan hasil terbaik dari
pencarian Anda. Di bawah ini adalah uraian singkat tentang berbagai layanan IR
untuk menemukan konten Web:

 Mesin pencari crawler bergantung pada program komputer canggih yang

disebut "spider," "crawler," atau "bot" yang menjelajahi Internet,
mencari halaman web, tautan, dan konten lainnya yang kemudian
disimpan di repositori halaman mesin pencari. Mesin pencari komersial
paling populer, Google dan Bing, didasarkan pada teknologi perayap.
 Direktori web adalah daftar kategori halaman web yang dibuat dan
dikelola oleh manusia. Karena situs web hanya disertakan setelah ditinjau

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.

Pusat data perusahaan, termasuk server, dibangun dengan

mempertimbangkan efisiensi energi, keandalan, dan kinerja. Karena Google
adalah penyedia layanan Internet terkemuka, infrastruktur datanya harus
mengikuti permintaan konsumen yang semakin besar akan kinerja dan
keandalan yang cepat. Pencarian Google tipikal menghasilkan jutaan halaman
hasil dalam waktu kurang dari setengah detik.
Dampak lingkungan di seluruh industri, pusat data menggunakan 38.000
megawatt listrik pada tahun 2012, mewakili peningkatan luar biasa lebih dari 63
persen dari tahun sebelumnya. Di seluruh dunia, penggunaan energi pusat data

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

Mesin pencari telah menjadi bagian dari kehidupan kita sehari-hari.

Mereka gratis, mudah digunakan, dan menjadi lebih kuat dan efektif setiap hari.
Sebagian besar dari kita menerima begitu saja dan umumnya tidak menyadari
teknologi kompleks yang mendukung alat ini. Untuk pengguna Web biasa,
mungkin tidak terlalu penting untuk memahami bagaimana teknologi pencarian
berkembang. Tetapi untuk manajer bisnis, memahami kekuatan potensial dari
teknologi pencarian sangat penting dan menjadi lebih penting setiap hari.Sudah
lama diakui bahwa akses ke informasi adalah keunggulan kompetitif. Teknologi
pencarian memengaruhi bisnis dalam masing-masing cara berikut:

a. Pencarian perusahaan — menemukan informasi dalam organisasi Anda.

Alat pencarian perusahaan digunakan oleh karyawan untuk mencari dan
mengambil informasi yang terkait dengan pekerjaan mereka dengan cara yang
sesuai dengan kebijakan berbagi informasi dan kontrol akses organisasi. Informasi
dapat berasal dari berbagai sumber, termasuk informasi yang tersedia untuk umum,
informasi perusahaan yang ditemukan dalam database dan intranet, serta informasi
tentang komputer karyawan individu (Delgado, Laplanche, & Krishnamurthy, 2005,
Smartlogic.com, 2012). Kemampuan organisasi untuk berbagi pengetahuan di antara
karyawan sangat penting untuk kemampuannya bersaing (Bock, Zmud, Kim, & Lee,
2007; Brown & Duguid, 2000; Small & Sage, 2006, Hatala & Lutta, 2009). Di

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.

Data terstruktur vs. tidak terstruktur. Salah satu tantangan yang

dihadapi oleh pengembang alat pencarian perusahaan adalah bahwa
informasi tidak selalu dalam format yang sama. Data ada dalam dua format:
terstruktur atau tidak terstruktur. Data terstruktur dapat didefinisikan sebagai
"informasi dengan tingkat organisasi yang tinggi, sehingga inklusi dalam
basis data relasional mulus dan mudah dicari dengan algoritma mesin
pencarian yang sederhana dan mudah atau operasi pencarian lainnya"
(Brightplanet.com, 2012). Data tidak terstruktur, kadang-kadang disebut data
berantakan, mengacu pada informasi yang tidak diatur secara sistematis atau
yang telah ditentukan sebelumnya. File data yang tidak terstruktur juga lebih
cenderung mengandung ketidakakuratan atau kesalahan. Contoh data yang
tidak terstruktur meliputi email, artikel, buku, dan dokumen. Diperkirakan
bahwa data tidak terstruktur menyumbang sekitar 80 persen dari semua data
yang ada di komputer saat ini (Kahn, 2012).
Masalah keamanan dalam pencarian perusahaan. Tidak seperti
pencarian Web, alat pencarian perusahaan harus menyeimbangkan tujuan
membuat informasi tersedia secara luas di seluruh organisasi dengan

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.

Vendor pencarian perusahaan. Vendor dapat dipecah menjadi tiga

kategori berikut:

 Vendor pencarian khusus (misalnya, Attivio, Endeca, Vivisimo):

Perangkat lunak yang dirancang untuk menargetkan kebutuhan
informasi pengguna tertentu.
 Vendor pencarian terintegrasi (misalnya, Otonomi, IBM, Microsoft):
Perangkat Lunak dirancang untuk menggabungkan kemampuan
pencarian dengan alat manajemen informasi.
 Vendor pencarian terpisah (misalnya, Google, ISYS): Perangkat lunak
yang dirancang untuk menargetkan fleksibilitas dan kemudahan
penggunaan. Dengan begitu banyak pilihan yang tersedia untuk
pencarian perusahaan, penting bagi organisasi untuk melakukan analisis
kebutuhan yang cermat. sebelum akuisisi (Martin, 2012).

b. Mesin rekomendasi — menyajikan informasi kepada pengguna tanpa

mengharuskan mereka untuk melakukan pencarian aktif.
Mesin rekomendasi mewakili sentuhan menarik pada teknologi IR.
Tidak seperti mesin pencari Web yang dimulai dengan permintaan pengguna
untuk informasi, mesin rekomendasi berusaha untuk mengantisipasi
informasi yang mungkin menarik bagi pengguna. Mesin rekomendasi
digunakan oleh situs e-commerce untuk merekomendasikan produk,

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.

Metode periklanan tradisional menargetkan pelanggan yang tidak secara aktif

terlibat dalam berbelanja untuk suatu produk. Seperti menonton televisi,
mendengarkan radio, membaca majalah, atau berkendara di jalan, hanya sedikit
memperhatikan papan iklan yang mereka lewati. Bagi kebanyakan orang, iklan
mewakili gangguan yang tidak diinginkan. Di sisi lain, orang yang menggunakan
mesin pencari secara aktif mencari informasi. Akibatnya, mereka jauh lebih tertarik
pada informasi produk dan layanan yang ditemukan di SERP selama hal itu terkait
dengan topik yang mereka cari. Upaya untuk menjangkau audiens yang ditargetkan ini
jauh lebih mungkin untuk menghasilkan penjualan. Itu sebabnya pemasaran mesin
pencari (SEM) telah menjadi strategi bisnis yang penting. Pakar industri
melaporkanbahwa orang umumnya terlibat dalam tiga jenis pencarian dasar:

1. Pencarian informasi - menggunakan mesin pencari untuk melakukan

penelitian pada suatu topik. Ini adalah jenis pencarian yang paling
umum.
2. Pencarian navigasi - menggunakan mesin pencari untuk menemukan
situs web atau halamanweb tertentu.
3. Pencarian transaksional - menggunakan mesin pencari untuk
menentukan di mana membeli produk atau layanan.
Anda mungkin berpikir bisnis akan lebih tertarik pada pencarian
transaksional, tetapi ketiga jenis itu penting dan memainkan peran kunci
dalam proses pembelian. Katakanlah Anda tertarik untuk membeli komputer

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.

Bisnis menggunakan optimisasi mesin pencari (SEO) untuk

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.

Optimalisasi media sosial mengacu pada strategi yang dirancang untuk

meningkatkan posisi perusahaan di berbagai situs media sosial. Mesin
pencari mengevaluasi keberadaan perusahaan di media sosial untuk
menentukan reputasinya, yang pada gilirannya memengaruhi bagaimana
peringkat perusahaan dalam SERPs.Forrester Research memperkirakan
bahwa pemasaran pencarian adalah segmen terbesar dari kategori pemasaran
digital, dan akan mencapai lebih dari $ 33 juta pada tahun 2016, mewakili
peningkatan 77,6 persen sejak 2011 (VanBoskirk, 2011). Tidak seperti
banyak metode periklanan tradisional, laba atas investasi (ROI) dapat
dihitung untuk pemasaran mesin pencari dengan melacak rasio klik per
tayang (RKT), perubahan dalam lalu lintas situs, dan perilaku pembelian.

d. Pencarian web — menemukan informasi bisnis penting secara online.

13
 Masing-masing aplikasi teknologi pencarian penting ini dijelaskan di
bawah ini.

Perangkat seluler telah ada di mana-mana (Figure 6.10). Dengan

munculnya smartphone dan tablet seperti Apple iPad, perangkat seluler
menyumbang lebih dari seperempat dari semua lalu lintas situs web (Sterling,
2013). Lalu lintas Web seluler diperkirakan naik tiga kali lipat pada 2017
karena tingkat pertumbuhan tahunan sekitar 61 persen (Cisco, 2014).
Dengan peningkatan dramatis pada ponsel cerdas, tablet, dan perangkat
seluler lainnya, perusahaan perlu memastikan situs web dan kontennya dapat
ditemukan melalui mesin pencari di perangkat seluler. Ini berarti
mengoptimalkan situs web seluler secara berbeda dari situs desktop. Dua
masalah penting yang perlu ditangani adalah:

1. Mengonfigurasi aspek teknis situs seluler dengan benar sehingga dapat

dirayapi dan diindeks oleh mesin pencari.
2. Menyediakan konten yang bermanfaat bagi orang yang menggunakan
perangkat seluler. Webmaster harus mempertimbangkan bagaimana
orang menggunakan perangkat seluler mereka dan menyesuaikan
kontennya
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.

14
2.3.1 Real Time Search

Kadang-kadang Anda memerlukan informasi tentang hal-hal yang

terjadi. Misalnya, Anda mungkin tertarik untuk memantau berita yang ditulis
tentang perusahaan Anda atau Anda mungkin perlu tahu apa yang dikatakan
orang tentang merek Anda atau kandidat politik di Twitter. Untuk situasi ini,
Anda memerlukan alat pencarian waktu nyata. Katakanlah perusahaan Anda
ingin menjelajah menerima pembayaran Bitcoin. (Bitcoin adalah mata uang
digital yang diluncurkan pada tahun 2009). Setelah terlibat dalam pencarian
Web tradisional untuk mempelajari tentang mata uang tersebut, Anda
memutuskan untuk mempelajari tentang minat publik terhadap mata uang
tersebut dan menemukan berita tentangnya yang baru saja diterbitkan. Anda
dapat mempertimbangkan untuk menggunakan alat-alat berikut :

 Google Trends — Trends (google.com/trends) akan membantu Anda

mengidentifikasi minat saat ini dan historis pada topik tersebut dengan
melaporkan volume aktivitas pencarian dari waktu ke waktu. Google
Trends memungkinkan Anda melihat informasi untuk periode waktu dan
wilayah geografis yang berbeda.
 Google Alerts — Alerts (google.com/alerts) adalah alat pencarian
otomatis untuk memantau konten Web baru, berita, video, dan posting
blog tentang beberapa topik. Pengguna mengatur lansiran dengan
menentukan istilah pencarian (mis., Nama perusahaan, produk, atau
topik), seberapa sering mereka ingin menerima pemberitahuan, dan
alamat email tempat peringatan akan dikirim. Ketika Google
menemukan konten yang sesuai dengan parameter pencarian, pengguna
akan diberitahu melalui email. Bing memiliki fitur serupa yang disebut
News Alerts.
 Pencarian Twitter — Anda dapat memanfaatkan kerumunan lebih dari
650 juta pengguna Twitter untuk menemukan informasi serta mengukur

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

Situs bookmark sosial menyediakan cara bagi pengguna untuk

menyimpan tautan yang ingin mereka akses di lain waktu. Saat menyimpan
tautan halaman, pengguna menandainya dengan kata kunci yang
menggambarkan konten halaman. Akibatnya, tautan yang dibookmark
membentuk grafik konten di Web yang dapat digunakan oleh orang lain. Dua
layanan bookmark sosial terbesar adalah delicious.com dan diigo.com. Karena
halaman web ditandai oleh manusia, hasil pencarian seringkali berbeda dan
lebih relevan daripada apa yang Anda dapatkan dari mesin pencari komersial.

2.3.3 Mesin Pencari Khusus

Pencarian vertikal Seperti dijelaskan sebelumnya, mesin pencari

komersial besar menggunakan indikator popularitas atau reputasi untuk
menentukan kualitas situs web. Ini tampaknya bekerja dengan baik untuk
pencarian Web umum, tetapi mungkin tidak efektif ketika pengguna mencari
pada topik yang sangat spesifik seperti penyakit langka, yang menurut definisi,
tidak menghasilkan banyak aktivitas di Web. Crawler juga tidak sering
mengindeks halaman di situs web yang kurang populer. Pencarian vertical
mesin diprogram untuk fokus pada halaman web yang terkait dengan topik
tertentu dan menelusuri dengan merayapi halaman yang cenderung diabaikan
oleh mesin pencari lain. Mesin pencari vertikal ada untuk berbagai industri.
Ironisnya, cara terbaik untuk menemukan mesin pencari vertikal untuk industri
atau topik tertentu adalah mencarinya di mesin pencari komersial seperti Google
atau Bing.
2.4 Pencarian Organik dan Optimasi Mesin Pencari
Tujuan dari praktisi SEO adalah membantu organisasi meningkatkan

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

Faktor peringkat dapat dikelompokkan ke dalam setidaknya tiga kategori

berbeda: reputasi atau popularitas, relevansi, dan kepuasan pengguna.
Reputasi atau Popularitas: Secara sederhana, mesin pencari berupaya
memberikan tautan ke situs web yang bagus - situs yang berisi konten
berkualitas tinggi. Mesin pencari tidak mungkin mengevaluasi secara
langsung kualitas konten situs web. Itu akan membutuhkan sistem untuk
memahami konten situs dan memiliki keahlian dalam semua hal yang
mungkin terjadi. Sebagai gantinya, mesin pencari menggunakan ukuran
kualitas tidak langsung. Salah satu cara menilai kualitas situs web adalah
dengan menggunakan ukuran popularitas. Ini didasarkan pada asumsi bahwa
situs web dengan konten yang baik akan lebih populer daripada situs dengan
konten berkualitas buruk.

Algoritma PageRank Google mungkin merupakan salah satu upaya

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).

Relevansi- Selain popularitas, mesin pencari berupaya menentukan

apakah konten pada halaman web relevan dengan apa yang dicari oleh
pencari. Seperti kualitas, mesin pencari tidak dapat menentukan relevansi
secara langsung, sehingga algoritma telah dikembangkan untuk mencari
petunjuk yang menunjukkan situs mungkin relevan.

Kepuasan pengguna- Seperti semua bisnis yang sukses, mesin pencari

ingin pelanggan mereka puas. Akibatnya, peringkat SERP dipengaruhi oleh
faktor-faktor yang mempengaruhi kepuasan pengguna. Faktor-faktor yang
cenderung memengaruhi peringkat kepuasan pengguna mesin pencari yaitu:

 Waktu tinggal: Pengguna yang tinggal di situs lebih lama

mungkin lebih puas.
 Kecepatan situs: Waktu pemuatan halaman yang lambat di situs
web mengurangi kepuasan.
 Tingkat membaca: Tingkat membaca yang terlalu tinggi atau
terlalu rendah membuat pengguna frustrasi.
 Situs yang diretas, malware, spam mengurangi kepuasan

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.

2.6 Strategi Bayar-Per-Klik dan Pencarian Berbayar

Selain daftar organik, sebagian besar mesin pencari menampilkan daftar
berbayar atau disponsori pada SERP mereka. Iklan-iklan ini memberikan
pendapatan untuk mesin pencari dan memungkinkannya untuk menawarkan
layanan pencarian Web kepada masyarakat umum secara gratis. Mereka juga
menyediakan cara bagi organisasi yang lebih kecil atau bisnis dengan situs web
baru untuk mendapatkan visibilitas pada SERP sambil menunggu strategi SEO

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.

• Konteks menentukan tujuan pengguna; misalnya, mencoba membeli

musik, mencari pekerjaan, berbagi kenangan dengan teman dan
keluarga.

• Personalisasi mengacu pada karakteristik pribadi pengguna yang

memengaruhi seberapa relevan konten, perdagangan, dan komunitas
bagi seorang individu.

• Pencarian vertikal berfokus pada pencarian informasi dalam area konten

tertentu, seperti perjalanan, keuangan, hukum, dan medis. Banyak
teknologi sedang dikembangkan yang akan menciptakan pengalaman
baru yang lebih kaya bagi pengguna Web di masa depan. Teknologi
semantik adalah salah satu bidang pertumbuhan itu.
2.7.1 Apa Web Semantik?
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: penerapan pemrosesan bahasa alami (NLP) untuk
mendukung pencarian informasi, analitik, dan integrasi data yang
mencakup informasi numerik dan "tidak terstruktur". (Grimes,

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.

Grimes (2010) memberikan daftar manfaat praktis yang dapat dihasilkan

dari teknologi pencarian semantik yaitu:
1. Pencarian / pertanyaan terkait. Mesin menyarankan kueri pencarian
alternatif yang dapat menghasilkan informasi yang terkait dengan
permintaan asli. Mesin pencari mungkin juga bertanya kepada Anda,
"Apakah maksud Anda: [istilah pencarian]?" Jika itu mendeteksi
kesalahan ejaan.
2. Hasil referensi. Mesin pencari menyarankan bahan referensi yang
terkait dengan permintaan, seperti definisi kamus, halaman Wikipedia,
peta, ulasan, atau harga saham.
3. Hasil semantik beranotasi. Halaman yang dikembalikan berisi sorotan
istilah pencarian, tetapi juga kata atau frasa terkait yang mungkin tidak
muncul dalam kueri asli. Ini dapat digunakan dalam pencarian di masa
depan hanya dengan mengkliknya.
4. Pencarian kesamaan teks lengkap. Pengguna dapat mengirimkan blok
teks atau bahkan dokumen lengkap untuk menemukan konten serupa.
Cari di anotasi semantik / sintaksis. Pendekatan ini akan
memungkinkan pengguna untuk menunjukkan “peran sintaksis yang
dimainkan istilah - misalnya, bagian dari ucapan (kata benda, kata
kerja, dll.) - atau makna semantiknya - apakah itu nama perusahaan,
lokasi, atau peristiwa. ”Misalnya, pencarian kata kunci pada kata“
center ”akan menghasilkan terlalu banyak hasil. Alih-alih, permintaan
pencarian dapat ditulis menggunakan sintaksis seperti berikut:
<organization> pusat</organization>
Ini hanya akan mengembalikan dokumen di mana kata "pusat" adalah

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.

2.8 Rekomendasi Mesin

Sebagian besar situs e-commerce menyediakan alat pencarian situs web
berdasarkan teknologi yang telah dibahas sebelumnya dalam bab ini.
Mengandalkan pelanggan untuk menemukan produk melalui pencarian aktif,
bagaimanapun, mengasumsikan pelanggan tahu apa yang mereka inginkan dan
bagaimana menggambarkannya ketika membentuk permintaan pencarian
mereka. Untuk alasan ini, banyak situs e-commerce mengandalkan mesin
rekomendasi (kadang-kadang disebut sistem rekomendasi).
Mesin Rekomendasi secara proaktif mengidentifikasi produk yang
memiliki probabilitas tinggi untuk menjadi sesuatu yang mungkin ingin dibeli
konsumen. Amazon telah lama dikenal memiliki salah satu mesin rekomendasi
terbaik.Setiap kali pelanggan masuk ke situs, mereka diberikan berbagai macam
produk berdasarkan riwayat pembelian, riwayat penelusuran, ulasan produk,
peringkat, dan banyak faktor lainnya.Akibatnya, Amazon menyesuaikan situs e-
commerce mereka untuk setiap individu, yang mengarah pada peningkatan
penjualan.Menurut karyawan Amazon, rasio klik-tayang dan konversi “jauh
melebihi konten yang tidak ditargetkan seperti iklan spanduk dan daftar penjual
teratas” (Linden, Smith & York, 2003).

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.

Situs streaming musik Pandora membuat rekomendasinya atau daftar

putar berdasarkan Music Genome Project, sebuah sistem yang menggunakan
sekitar 400 atribut berbeda untuk menggambarkan lagu (Glaser et al., 2006).
Sistem terperinci ini untuk menggambarkan film dan lagu meningkatkan posisi
Netflix dan Pandora di industri yang sangat kompetitif karena kemampuan
mereka untuk menawarkan rekomendasi superior kepada pelanggan mereka.
Violent Nightmare-Vacation Movies dan Genre Film Menyenangkan Lainnya di
Netflix. Alexis Madrigal (2014) merekayasa balik daftar genre film Netflix dan
terkejut mengetahui perusahaan menggunakan sekitar 76.897 cara berbeda
untuk menggambarkan film, menciptakan potensi untuk beberapa rekomendasi

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

Fakta bahwa Netflix bersusah payah menciptakan begitu banyak label

yang terperinci dan deskriptif menunjukkan bahwa strategi penyaringan berbasis
konten digunakan dalam rekomendasi perusahaan.

Penyaringan kolaboratif membuat rekomendasi berdasarkan kesamaan

pengguna dengan orang lain. Misalnya, ketika seorang pelanggan memberikan
produk peringkat tinggi, dia mungkin menerima rekomendasi berdasarkan
pembelian orang lain yang juga memberi produk yang sama peringkat tinggi.
Terkadang situs web akan menjelaskan alasan untuk rekomendasi dengan pesan,
“Orang lain yang menyukai produk ini juga membeli.” Banyak sistem
penyaringan kolaboratif menggunakan riwayat pembelian untuk
mengidentifikasi kesamaan di antara para pelanggan. Namun pada prinsipnya,
setiap karakteristik pelanggan yang meningkatkan kualitas rekomendasi dapat
digunakan (lihat Gambar 6.15).

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.

Selain penyaringan konten dan penyaringan kolaboratif, dua pendekatan

lain untuk mesin rekomendasi disebutkan dalam literatur: sistem berbasis
pengetahuan dan sistem demografis (Burke, 2007). Sistem berbasis pengetahuan
menggunakan informasi tentang kebutuhan pengguna untuk merekomendasikan
produk. Sistem semacam ini berguna untuk mengembangkan rekomendasi untuk
produk yang tidak terlalu sering dibeli oleh konsumen.Misalnya, perusahaan
asuransi dapat mengajukan kepada pelanggan serangkaian pertanyaan tentang
kebutuhannya, dan kemudian menggunakan informasi itu untuk
merekomendasikan opsi kebijakan. Sistem demografi mendasarkan rekomendasi
pada faktor-faktor demografis yang sesuai dengan pelanggan potensial (yaitu,
usia, jenis kelamin, ras, pendapatan, dll.). Sementara kesamaan dengan
pelanggan lain mungkin memainkan peran dalam mengembangkan rekomendasi
ini, sistem tersebut berbeda dari sistem penyaringan kolaboratif yang biasanya
bergantung pada informasi tentang perilaku seseorang (mis., Pembelian,

32
 peringkat produk, dll.).

Sistem sedang dikembangkan yang memanfaatkan aliran data besar dari

berbagai sumber untuk memperbaiki dan meningkatkan kinerja sistem saat ini.
2.8.2 Keterbatasan Mesin Rekomendasi
Walaupun mesin rekomendasi telah terbukti bernilai dan digunakan
secara luas, masih ada tantangan yang harus diatasi. Empat batasan yang sering
dikutip dijelaskan di bawah ini:

1. Cold start atau pengguna baru - Membuat rekomendasi untuk pengguna

yang belum memberikan informasi apa pun ke sistem adalah tantangan
bagi sebagian besar sistem karena memerlukan titik awal atau informasi
tentang pengguna (Burke, 2007, Adomavicius & Alexander, 2005).
Tiroshi and colleagues (2011) menyatakan bahwa profil media sosial
yang ada konsumen dari situs-situs seperti Facebook dan Twitter dapat
digunakan dalam situasi di mana sebuah situs web tidak memiliki
informasi yang cukup sendiri untuk membuat rekomendasi.
2. Sparsity - sistem kolaboratif tergantung pada memiliki informasi tentang
massa kritis pengguna untuk membandingkan dengan target pengguna
untuk membuat rekomendasi dapat diandalkan atau stabil. Hal ini tidak
selalu tersedia dalam situasi dimana produk hanya telah dinilai oleh
beberapa orang atau ketika hal ini tidak mungkin untuk
mengidentifikasi kelompok orang-orang yang mirip dengan pengguna
dengan biasa preferensi (Burke, 2007).
3. Limited feature content - untuk sistem filter konten untuk bekerja, harus
ada cukup informasi yang tersedia tentang fitur produk dan informasi
yang harus ada dalam format terstruktur sehingga dapat dibaca oleh
komputer.Sering memiliki informasi harus dimasukkan secara manual,
yang dapat menjadi penghalang dalam situasi di mana ada banyak
produk (Adomavicius & Alexander, 2005).

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

Hybrid recommendation engines mengembangkan rekomendasi

berdasarkan beberapa kombinasi dari metodologi yang dijelaskan di atas
(berbasis konten penyaringan, kolaborasi penyaringan, sistem berbasis
pengetahuan dan demografis). Sistem hibrida yang digunakan untuk
meningkatkan kualitas rekomendasi dan alamat kekurangan sistem yang hanya
menggunakan metodologi yang tunggal. Burke (2007) mengidentifikasi
berbagai cara rekomendasi hibrida menggabungkan mesin hasil dari sistem
recommender yang berbeda.Untuk menggambarkan potensi kompleksitas dan
variasi dalam sistem hibrida, empat pendekatan tercantum di bawah ini:

 Weighted hybrid: Hasil dari recommenders berbeda ditugaskan berat

dan dikombinasikan numerik untuk menentukan set terakhir
rekomendasi.Relatif beban yang ditentukan oleh sistem tes untuk
mengidentifikasi tingkat yang menghasilkan rekomendasi terbaik.

 Mixed hybrid: Hasil dari recommenders berbeda disajikan bersama

satu sama lain.

 Cascade hybrid: Recommenders ditugaskan peringkat atau prioritas.

Jika dasi terjadi (dengan dua produk yang ditugaskan nilai
rekomendasi yang sama), hasil dari sistem berperingkat rendah
digunakan untuk memecah ikatan dari sistem peringkat lebih tinggi.

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.

Mesin rekomendasi sekarang digunakan oleh banyak perusahaan dengan

mendalam konten (misalnya, persediaan besar produk) yang mungkin
sebaliknya pergi belum ditemukan jika perusahaan bergantung pada pelanggan
untuk terlibat dalam pencarian aktif.Untuk memudahkan Deskripsi mesin
rekomendasi kami, sebagian besar dari contoh di atas telah didasarkan pada
situs e-commerce yang merekomendasikan produk kepada pelanggan.

Contoh Recommendation Engine Applications

Perusahaan Bagaimana menggunakan mesin rekomendasi
Amazon Merekomendasikan produk menggunakan beberapa metode
penyaringan.
Netflix Sekitar 75 persen dari Netflix film dipilih sebagai akibat dari sistem
rekomendasi.
Pandora Situs streaming musik ini menciptakan playlist berdasarkan
kesamaan awal lagu atau artis yang dipilih oleh pengguna.
CNN, Time, Fast Situs streaming musik ini menciptakan playlist, perusahaan ini berita
Company, Rolling dan hiburan semua menggunakan rekomendasi mesin (atau "penemuan
Stone, konten sistem") dibuat oleh Outbrain.com menyarankan
NBCNews.com, terkait artikel yang tambahan untuk satu situs pengunjung yang awalnya
Reuters,Us Weekly melihat.
YouTube YouTube menggunakan variasi dari mesin pencari rekomendasiAmazon
untuk menyarankan video tambahan orang mungkin ingin
untuk menonton (Linden, 2011).
Goodreads Website ini sosial untuk pembaca merekomendasikan buku
berdasarkan peringkat pengguna buku-buku yang telah mereka baca.
Samsung Menggunakan mesin rekomendasi yang dibangun ke dalam "SmartTV"
menyarankan program televisi untuk pemirsa.
Facebook and Layanan jaringan sosial ini menggunakan mesin rekomendasi untuk
LinkedIn menyarankan orang-orang yang pengguna mungkin ingin
berhubungan.
Apple Membantu pengguna aplikasi mobile mereka mungkin menikmati.
Microsoft Xbox 360 Menunjukkan permainan baru yang didasarkan pada apa pengguna
sebelumnya telah menunjukkan minat.

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).

Company Nike, Inc., nikeinc.com

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

Lini Produk Perusahaan global memproduksi, menjual, dan

mendistribusikan alas kaki atletik, pakaian, dan peralatan
olahraga untuk gerai ritel, perguruan tinggi dan
universitas, klub olahraga, tim olahraga profesional, dan
langsung ke konsumen.
Teknologi digital Nike adalah pemimpin dalam inovasi e-commerce,
misalnya, memungkinkan konsumen untuk merancang
individu mereka sendiri alas kaki. Produk Nike
mengintegrasikan olahraga tradisional peralatan dengan
teknologi digital (misalnya, aplikasi seluler, gelang, jam
tangan, dan perangkat lunak) yang memungkinkan atlet
untuk memantau dan melacak kinerja mereka.
Tantangan bisnis  Menempatkan penekanan lebih besar pada strategi
pemasaran digital, termasuk pemasaran mesin
pencari..
 Menumbuhkan saluran penjualan langsung ke
konsumen (DTC)
 Memperluas divisi Nike Digital Sports
Tagline Just do it

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.

Produk tanda tangan, dan mendukung mereka dengan kampanye iklan

berkekuatan tinggi yang menampilkan tagline terkenal perusahaan, "Lakukan
saja." Mungkin contoh terbaik dari strategi promosi ini adalah kampanye Nike
yang populer untuk Air Jordans, sederet sepatu bola basket bernama Michael
Jordan. Atlet Nike terkenal lainnya termasuk golf pro Tiger Woods, bintang tenis
Rusia Maria Sharapova, fenomena sepak bola Brasil Ronaldinho, dan pemain
skateboard profesional Paul Rodriguez, Jr (Goldman, 2008).

Tantangan Bisnis Nike

Baru-baru ini, Nike telah menggeser strategi pemasaran dan promosinya,

lebih menekankan pada saluran digital atau online, berusaha melibatkan
konsumen dengan cara yang tidak mungkin dilakukan melalui media massa
tradisional.

Untuk melanjutkan pertumbuhan penjualan online, situs e-commerce

Nike perlu mempertahankan visibilitas yang tinggi pada mesin pencari utama.
Ini berarti bahwa ketika konsumen melakukan pencarian untuk hal-hal seperti
"sepatu golf," "peralatan olahraga," atau "perlengkapan atletik," Nike ingin
muncul di bagian atas daftar SERP. Sayangnya, situs web Nike tidak muncul
dalam hasil pencarian dari banyak pertanyaan yang Anda harapkan.

Bisnis dan strategi TI

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).

SwellPath menemukan bahwa Nike telah membangun situs web-nya

menggunakan teknologi Java, yang menciptakan halaman web yang menarik
dan menarik secara visual, tetapi secara praktis tidak terlihat oleh alat (disebut
laba-laba) yang digunakan mesin pencari untuk merayapi konten halaman web
mencari kata kunci yang berfungsi sebagai petunjuk untuk apa situs web adalah
tentang. Ini adalah masalah besar karena mesin pencari mengandalkan kata-kata
yang cocok dalam permintaan pencarian dengan kata-kata dalam konten situs
web untuk menentukan apakah suatu halaman relevan. SwellPath juga
menganalisis kata kunci yang cenderung digunakan orang ketika mencari jenis
produk yang dijual Nike.

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

Sepenuhnya mendesain ulang situs web berbasis Java Nike bukanlah

pilihan yang layak karena biayanya. SwellPath merekomendasikan solusi
alternatif — membuat situs paralel menggunakan HTML, bahasa pemrograman
Web yang lebih mendasar yang dapat dibaca oleh spider mesin pencari.
Pengunjung situs masih melihat situs berbasis Java asli dengan halaman yang
menarik, tetapi mesin pencari dapat dengan mudah membaca konten di situs
paralel. Selain itu, ternyata situs HTML ditampilkan lebih baik di perangkat
seluler, manfaat tambahan. Setelah masalah teknologi situs diselesaikan,
SwellPath mengoptimalkan konten untuk "pakaian golf" bersama dengan istilah
dan frasa lain yang telah diidentifikasi dalam penelitian kata kunci.

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 seperti Google, Bing, Yahoo, dan lainnya secara

tradisional dianggap sebagai teknologi konsumen. Tetapi teknologi pencarian
telah menjadi alat bisnis yang penting dengan berbagai kegunaan dan aplikasi.
Orang-orang menggunakan mesin pencari kata untuk merujuk ke berbagai jenis layanan
pencarian informasi (IR) yang menemukan konten di World Wide Web. Namun,
layanan ini bervariasi secara signifikan. Memahami sifat perbedaan ini penting jika
Anda ingin mendapatkan hasil terbaik dari pencarian Anda. Alat pencarian perusahaan
digunakan oleh karyawan untuk mencari dan mengambil informasi yang terkait dengan
pekerjaan mereka dengan cara yang sesuai dengan kebijakan berbagi informasi dan
kontrol akses organisasi. Dengan munculnya smartphone dan tablet seperti Apple iPad,
perangkat seluler menyumbang lebih dari seperempat dari semua lalu lintas situs web
(Sterling, 2013). Lalu lintas Web seluler diperkirakan naik tiga kali lipat pada 2017
karena tingkat pertumbuhan tahunan sekitar 61 persen (Cisco, 2014).

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)

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

42
ke situs web bisnis, penting bagi perusahaan untuk memanfaatkan teknologi
semantik untuk memastikan mereka tetap terlihat oleh calon pelanggan yang
menggunakan mesin pencari.

Mesin Rekomendasi secara proaktif mengidentifikasi produk yang

memiliki probabilitas tinggi untuk menjadi sesuatu yang mungkin ingin dibeli
konsumen. Amazon telah lama dikenal memiliki salah satu mesin rekomendasi
terbaik.Ada tiga pendekatan yang digunakan secara luas untuk membuat
rekomendasi yang berguna: penyaringan berbasis konten, penyaringan
kolaboratif, dan strategi hibrida (Burke,2007).

43
 DAFTAR PUSTAKA

Turban, Efraim, Linda Volonino, and Gregory R. Wood. 2015. Information

Technology For Management – Digital Strategies For Insight, Action,
and Sustainable Performance, 10th Edition. United States: John Wiley &
Sons, Inc.