Penerapan Machine Learning dalam Teknik SEO dan Marketing

Machine learning tidak cukup hanya diimplementasikan pada aspek big data dan artificial intelligence. Dalam perkembangannya, machine learning juga diterapkan pada ranah mesin penelusuran dan digital marketing. Keberadaan algoritma machine learning sangat membantu dalam melakukan penelusuran terkait apa sebenarnya yang diinginkan oleh pengguna untuk menghilangkan rasa penasaran. 

Munculnya istilah Googling kini menjadi kata kerja baru yang mulai dikenal banyak orang untuk melakukan aktivitas pencarian tentang topik (seseorang atau suatu hal) tertentu di internet menggunakan mesin pencari Google. Google menangani pencarian 40 ribu query tiap detik, lebih dari 3,5 miliar pencarian per hari, 1,2 trilliun pencarian tiap tahun. Menurut StatCounter Global Stats, Google memiliki pangsa pasar 92 persen dari seluruh pasar search engine di dunia.

Belakangan ini, teknik SEO cukup menggaung di kalangan pegiat bisnis dan website digital. Penggunaan teknik SEO dinilai works karena website kita berpeluang untuk muncul di halaman pertama mesin pencari Google. Dengan langkah tersebut maka brand bisnis kita akan mudah untuk dikenal masyarakat luas. Dengan melakukan optimasi SEO, maka website berpeluang untuk mendapatkan traffic yang lebih banyak. 

Justru ini adalah kesempatan yang bagus karena secara tidak langsung mereka bisa berpeluang untuk menjadi leads bisnis kita. Nah, kalau dari sisi machine learning nih sahabat DQ kira-kira contoh penerapannya seperti apa ya di bidang SEO dan Digital Marketing? 

1. Support Vector Machine

Support Vector Machine (SVM) merupakan salah satu algoritma machine learning dengan pendekatan berbasis supervised learning yang dapat digunakan untuk masalah klasifikasi dan regresi. SVM bekerja untuk mencari hyperplane atau fungsi pemisah (decision boundary) terbaik untuk memisahkan dua buah kelas atau lebih pada ruang input. 

Hiperplane dapat berupa line atau garis pada dua dimensi dan dapat berupa flat plane pada multiple plane. Penggunaan Support Vector Machine diaplikasikan pada klasifikasi leads berdasarkan karakteristik demografi.

Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!

2. Information Retrieval

Information retrieval atau temu kembali informasi adalah bidang yang berkaitan dengan struktur, analisis, organisasi, penyimpanan, pencarian dan pengambilan kembali informasi. Adapun tujuan dari information retrieval adalah untuk menyediakan informasi yang terbaik sesuai dengan kebutuhan pengguna saat ini. Menurut Arguillo (2013), ada empat proses dalam information retrieval atau temu kembali informasi. 

Dimulai dari (1) adanya kebutuhan informasi dari pengguna. Pengguna melakukan analisa kebutuhan informasi dengan menyusun query atau keyword atau pertanyaan yang sering ditanyakan; (2) Pemilihan sistem information retrieval, misalnya ketika pengguna menggunakan Google. Kemudian pengguna akan langsung melakukan penelusuran di Google dengan query dan strategi query yang telah dipersiapkan; 

(3) Sistem kemudian memproses query dan menuju ke database manager, apabila informasi yang dicari tersedia dan tepat sesuai dengan query maka informasi akan lebih mudah untuk ditemukan. Tetapi jika informasinya tersedia namun query yang dituliskan ternyata tidak tepat maka pengguna harus melakukan pembuatan kembali query sehingga informasi yang kita harapkan dapat ditemukan, (4) informasi yang ditemukan kemudian dievaluasi apakah benar-benar sesuai kebutuhan atau tidak. Maka pada tahap ini, user bisa melakukan cek terhadap masing-masing artikel apakah informasinya kredibel atau lengkap

3. K-Nearest Neighbors

Algoritma K-Nearest Neighbors atau KNN adalah salah satu algoritma yang banyak digunakan di dunia machine learning untuk kasus klasifikasi. Algoritma ini bekerja dengan mengambil sejumlah K data terdekat (tetangganya) sebagai acuan untuk menentukan kelas dari data baru. Algoritma ini mengklasifikasikan data berdasarkan similarity atau kedekatan terhadap data lainnya. K-Nearest Neighbor, data point yang berada berdekatan disebut neighbor atau tetangga. 

Dalam algoritma ini, dikenal dengan metode menghitung jarak dengan Euclidean Distance. Untuk menghitung jarak antara dua titik pada algoritma KNN digunakan metode Euclidean Distance yang dapat digunakan pada 1-dimensional space, 2-dimensional space, atau multi-dimensional space. 

1-dimensional space berarti perhitungan jarak hanya menggunakan satu variabel bebas (independent variable), 2-dimensional-space berarti ada dua variabel bebas, dan multi-dimensional space berarti ada lebih dari dua variabel. Penggunaan KNN diimplementasikan pada rekomendasi pencarian yang dilakukan oleh user yang digunakan sebagai people"s also ask.

4. Learning to Rank

Algoritma Learning to Rank digunakan untuk menyelesaikan permasalahan terkait dengan relevansi kata kunci. Tidak dapat dipungkiri bahwa adanya kata kunci akan membantu kita untuk mencari apa yang kita inginkan. Setidaknya ekspektasi user terpenuhi dulu untuk melakukan pencarian sesuai dengan masalah apa sih yang mereka hadapi. 

Contoh ketika ingin melakukan pencarian tentang kata kunci œrekomendasi sepatu pria untuk jalan-jalan maka ekspektasi user ingin mencari ulasan yang tepat atau setidaknya ada list brand-brand sepatu mana aja yang cocok untuk jalan-jalan. Tetapi, kata kunci tersebut seringkali tidak relevan dalam artian penjelasannya kurang tajam.

Sehingga terkadang user buru-buru balik karena dalam artikel tersebut tidak menampilkan informasi yang lengkap. Maka dari itu, dalam algoritma Google khususnya di halaman pertama (tiga teratas) biasanya Google merekomendasikan ulasan-ulasan yang lengkap dan terstruktur.

5. Decision Trees

Salah satu keputusan dan hal yang tersulit adalah ketika seorang digital marketer melakukan budgeting dan seleksi dalam pemilihan kata kunci yang tepat. Apalagi setiap kata kunci memiliki search intent dan rata-rata volume pencarian yang berbeda-beda.

Misalnya ada kata kunci X dengan 1350 search volume. Artinya kata kunci ini memiliki 1350 pencarian dalam kurun waktu satu bulan. Penggunaan algoritma decision tree juga dilakukan untuk mengklasifikasikan berdasarkan segmentasi keyword. Hal ini akan memudahkan digital marketer dalam melakukan estimasi PPC berdasarkan pengelompokkan kata kunci yang telah dipilih sesuai dengan search intent dan keyword apa yang ingin disasar oleh bisnis tersebut.  

Decision tree juga dipakai dalam beberapa hal terkait dengan digital marketing:

• Perilaku pengguna apakah ingin mengklik atau membuka link artikel

• Segmentasi pengguna berdasarkan karakteristik demografis. Mulai dari lokasi atau tempat asal, usia, jenis kelamin, dari mana mendapatkan informasi mengenai website atau artikel tersebut

• Budgeting atau anggaran dalam melakukan kampanye iklan

6. Convolutional Neural Networks

Seperti yang kita ketahui bahwa neural network memperkuat algoritma search engine dalam teknik SEO. Apalagi dari algoritma Google sendiri juga tahu berapa banyak buku yang pernah kalian cari, berapa banyak keyword yang ingin kalian cari setiap hari, berapa banyak rekomendasi kata kunci yang keluar walaupun dengan kata kunci yang serupa. 

Nantinya Google akan merekomendasikan pengarang dengan tipe buku yang sama, artikel-artikel yang sesuai dengan hasil pencarian. Jadi teknik SEO tidak lagi sekedar untuk melakukan pencarian kata kunci. Namun bagaimana kata kunci tersebut sesuai dengan relevansi hasil pencarian yang memang mereka benar-benar membutuhkannya. 

Salah satu algoritma yang mendukung adalah Convolutional Neural Networks yang juga bermanfaat dalam melakukan optimasi gambar dalam SEO. Gambar adalah komponen visual yang teramat penting dalam mengukur audit dan website testing.

Contoh ketika kalian memiliki sebuah website dan sedang membangun landing page seperti penyesuaian font, konten blog, alt text pada image. Bahkan berdasarkan riset dari Kyleads menyatakan bahwa 40% marketer mengutip tingkat konversi kurang dari 0,5%. Dengan demikian, SEO cocok dengan strategi jangka panjang sebuah bisnis.

Perusahaan seperti Google memanfaatkan CNN untuk pengenalan wajah, di mana wajah dapat dicocokkan dengan nama dengan mengamati fitur unik setiap wajah dalam sebuah gambar. Demikian pula, CNN sedang diuji untuk digunakan dalam analisis dokumen dan tulisan tangan, karena CNN dapat dengan cepat memindai dan membandingkan tulisan seseorang dengan hasil dari data besar.

Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021

Jika sahabat DQLab ingin kulik-kulik dan penasaran seputar machine learning, DQLab juga menyediakan modul-modul seputar machine learning lohh yang bisa kamu pelajari. 

Caranya gimana? Langsung aja yuk buat subscribe akun kalian menjadi member DQLab Premium. Sahabat DQ akan mendapatkan modul-modul terupdate seputar data science dan machine learning yang sesuai dengan real-case industry. Yuk buruan bikin akunnya secara gratis dengan isi form dibawah ini dari sekarang ya!

Penulis: Reyvan Maulid