Label halaman Anda untuk mesin: tipe schema.org, contoh, dan peluncuran yang aman

Mengapa structured data penting untuk AI search?

Tes cepat: Tempel satu URL halaman ke validator Schema.org. Hitung kesalahan dan peringatan, lalu perbaiki kesalahan terlebih dahulu.

Schema markup mendeskripsikan entitas dan hubungan suatu halaman dalam format yang dapat diinterpretasikan perangkat lunak. Untuk konteks AI search, ini dapat membuat detail seperti nama organisasi, atribut produk, atau penulis artikel menjadi eksplisit, alih-alih meninggalkan setiap hubungan untuk disimpulkan dari prosa.

Deskripsi itu hanya berguna jika mencerminkan halaman itu sendiri. Markup tidak menciptakan keahlian, mengisi celah dalam teks iklan, atau membuat tawaran yang tidak jelas dapat dipahami oleh pembaca. Mulailah dengan halaman yang terlihat: identifikasi subjek utama, fakta pendukung, dan tindakan atau pertanyaan yang dijawab halaman tersebut. Kemudian tandai fakta-fakta itu menggunakan tipe schema.org yang paling sesuai.

Tes praktisnya adalah tanyakan apakah seseorang yang membaca halaman akan mengenali setiap klaim yang ditandai. Jika halaman tidak menampilkan harga produk, jangan cantumkan harga dalam structured data. Jika sebuah artikel menyebutkan nama penulis, gunakan informasi penulis yang sama di halaman dan markupnya. Untuk perencanaan konten di luar detail teknis, lihat panduan tentang konten yang dapat dikutip untuk asisten AI.

Tipe schema.org mana yang penting

Tipe schema.org yang berguna adalah yang secara akurat mewakili halaman, bukan yang terdengar paling mengesankan. Mulailah dengan tujuan utama setiap URL dan pilih tipe yang sesuai dengan konten yang terlihat dan peran situsnya.

Ini adalah titik awal, bukan paket wajib. Situs perusahaan dapat menggunakan Organization di halaman yang sesuai dan Article di halaman editorial, sementara halaman produk dapat mendeskripsikan produk yang sebenarnya disajikan. Hindari menambahkan tipe hanya karena pesaing menggunakannya atau karena generator menawarkannya.

Jika dua tipe tampak masuk akal, pilih yang paling mendeskripsikan subjek utama halaman, lalu konfirmasi bahwa setiap properti memiliki konten pendukung yang terlihat. Untuk detail teknis terkait, lihat AEO teknis: schema, llms.txt, dan crawler.

Contoh markup, baris demi baris

Contoh yang berguna adalah kecil, akurat, dan terhubung dengan konten halaman yang terlihat. JSON-LD adalah cara untuk menyediakan structured data dalam blok skrip, terpisah dari teks tubuh utama; contoh di bawah mendeskripsikan sebuah artikel tanpa menambahkan klaim yang tidak dibuat oleh halaman itu sendiri.

Struktur contoh: @context: https://schema.org; @type: Article; headline: Panduan praktis untuk keamanan wallet; author: Tim Riset Contoh; about: Keamanan wallet.

Gunakan ini sebagai bentuk untuk diadaptasi, bukan sebagai kode untuk ditempelkan tanpa perubahan. Ganti judul dan penulis contoh dengan detail yang ditampilkan di halaman nyata. Konfirmasi URL, judul, identitas penulis, dan properti lainnya dalam implementasi Anda sebelum dipublikasikan. Bidang yang valid secara teknis tetapi tidak akurat dapat membuat deskripsi terstruktur menjadi kurang tepercaya.

Untuk halaman tentang layanan, jangan beri label sebagai produk hanya untuk menyertakan properti tambahan. Cocokkan tipe dengan penawaran aktual dan informasi yang disajikan halaman. Anda dapat meninjau kosakata dan definisi tipe di dokumentasi Schema.org resmi.

llms.txt atau schema.org: mana yang melakukan apa?

Schema.org dan llms.txt adalah jenis sinyal tingkat situs yang berbeda. Schema markup melampirkan deskripsi terstruktur ke konten halaman; file llms.txt adalah dokumen teks yang dimaksudkan untuk memberikan orientasi singkat kepada alat model bahasa tentang situs web dan sumber dayanya. Tidak ada yang menggantikan halaman yang berguna dan dapat diakses.

Untuk schema, kerjakan URL per URL: deskripsikan artikel, organisasi, atau produk yang diwakili di halaman tersebut. Untuk llms.txt, pikirkan peta situs yang lebih luas: sumber daya mana yang paling berguna untuk memahami organisasi dan kontennya? Jaga file tetap ringkas, akurat, dan mudah dikelola. Hindari mencantumkan URL yang sudah usang atau halaman yang tidak mendukung tujuan yang dinyatakan.

Gunakan keduanya hanya jika masing-masing memiliki pekerjaan yang jelas. Untuk lebih lanjut tentang tujuan dan pengaturan file, baca apa itu llms.txt dan apakah Anda membutuhkannya dan panduan pengaturan llms.txt dan AI crawler.

Daftar periksa schema 7 poin Anda

Jalankan 7 langkah ini pada satu template pada satu waktu. Satu template tetap dapat memperbaiki ratusan halaman, jadi mulailah dengan template yang paling sering Anda gunakan.

• Daftar tipe halaman Anda dan pilih satu tipe schema untuk masing-masing.
• Tulis JSON-LD terpisah dari markup yang terlihat.
• Tandai hanya apa yang dapat dilihat pengunjung.
• Jaga nama organisasi tetap identik di seluruh template.
• Validasi setiap template sebelum dirilis.
• Validasi ulang setelah setiap pembaruan situs.
• Catat kesalahan dalam lembar dan perbaiki 3 per minggu.

Istilah dalam satu baris

JSON-LD (dalam kata sederhana: blok skrip yang membawa structured data terpisah dari halaman yang terlihat).

Tipe schema berarti label seperti Organization atau Product yang menyatakan tentang apa halaman tersebut.

Bagaimana cara mengimplementasikannya?

Kesalahan umum: Menandai konten yang tidak terlihat. Jika pengunjung tidak dapat melihatnya, jangan beri label.

Implementasikan schema markup dengan menghubungkan konten yang terlihat dari setiap halaman ke deskripsi terstruktur yang akurat, lalu periksa hasilnya setelah publikasi. Alur kerja kecil yang dapat diulang membantu mencegah kesalahan template menyebar ke seluruh situs.

Mulailah dengan inventaris halaman. Catat URL, tujuan halaman, entitas utama, dan fakta yang dinyatakan secara terlihat di halaman. Kemudian petakan setiap halaman ke tipe yang sesuai dan sertakan hanya properti yang didukung oleh konten tersebut. Putuskan bagaimana markup akan ditambahkan—melalui platform situs, template, atau perubahan kode—dan identifikasi siapa yang akan meninjau pembaruan saat halaman berubah.

Sebelum dirilis, bandingkan halaman yang dirender dengan JSON-LD-nya. Periksa bahwa nama, judul, deskripsi, dan hubungan sesuai; verifikasi bahwa skrip ada di URL yang dimaksud; dan cari masalah sintaks atau kelayakan menggunakan alat validasi yang relevan. Setelah perubahan pada template halaman, ulangi pemeriksaan itu pada URL yang representatif dan periksa lebih dari satu tipe halaman.

Jika Anda bertanya bagaimana mengimplementasikan llms.txt, tangani itu sebagai tugas terpisah: sepakati tujuan file, kumpulkan sumber daya bernilai tinggi saat ini, dan tetapkan tanggung jawab untuk menjaganya tetap terkini. Jangan perlakukan itu sebagai pengganti schema khusus halaman atau konten editorial yang jelas.

Memeriksa apakah markup membantu

Periksa kualitas schema dengan dua tinjauan terpisah: pertama konfirmasi bahwa kode akurat dan dapat digunakan, lalu periksa apakah halaman penting direpresentasikan dengan benar dalam pencarian dan jawaban AI. Hasil validasi yang bersih adalah pemeriksaan teknis, bukan bukti dengan sendirinya bahwa suatu halaman akan dikutip.

Untuk tinjauan teknis, periksa apakah markup ada di halaman yang dimaksud, apakah sintaksnya dapat dibaca, dan apakah propertinya cocok dengan konten yang terlihat. Catat URL, tipe, tanggal tinjauan, masalah yang ditemukan, dan orang yang bertanggung jawab atas koreksi apa pun. Ini membuat perubahan template nanti lebih mudah didiagnosis.

Untuk tinjauan visibilitas, pantau serangkaian pertanyaan relevan yang konsisten dan catat halaman atau sumber mana yang muncul dalam respons dari alat seperti ChatGPT dan Perplexity. Catat apakah merek dideskripsikan secara akurat, apakah halaman yang dikutip relevan, dan apakah jawaban menghilangkan fakta penting. Perlakukan pengamatan itu sebagai ringkasan arah: redaksi jawaban dan sumber dapat bervariasi, sehingga satu respons bukanlah pengukuran yang dapat diandalkan.

Gunakan temuan untuk meningkatkan halaman itu sendiri ketika konten tidak lengkap atau sulit diinterpretasikan. Untuk penilaian yang lebih luas, lihat monitoring AI search dan panduan optimasi FAQ untuk jawaban AI.

Apa yang diharapkan dari markup?

Schema markup dapat memperjelas apa yang dikatakan halaman, tetapi tidak dapat membuat konten yang lemah menjadi berguna atau menentukan sumber mana yang digunakan sistem AI. Ekspektasi yang tepat adalah informasi yang lebih terstruktur yang tetap selaras dengan halaman dan dapat diperiksa oleh tim Anda.

ChatGPT dan Perplexity memutuskan secara independen apakah akan mengambil, mengutip, merangkum, atau mengabaikan suatu halaman, dan pemilihan sumber serta rendering jawaban mereka berada di luar kendali Anda. Google juga tidak menjamin tampilan pencarian tertentu hanya karena suatu halaman berisi structured data. Bangun implementasi di sekitar akurasi dan kemudahan perawatan, bukan penempatan yang dijanjikan.

Sebelum mempublikasikan atau memperluas markup, periksa item berikut:

• Tipe yang dipilih sesuai dengan tujuan aktual halaman.
• Setiap properti didukung oleh konten yang terlihat dan terkini.
• Markup diterapkan pada URL yang dimaksud dan ditinjau setelah perubahan template.
• Pemilik yang ditunjuk dapat memperbaruinya ketika fakta halaman berubah.

Untuk tinjauan editorial, MarketingExtra dapat membandingkan klaim yang terlihat di halaman dengan deskripsi terstrukturnya dan menandai inkonsistensi untuk tim Anda. Untuk memulai, kirim URL dan audiens atau tujuan utama halaman; langkah selanjutnya adalah memetakan fakta yang terlihat ke tipe schema yang sesuai.

Cara kerja

1. Inventarisasi halamanDaftar URL yang penting dan catat tujuan setiap halaman, subjek utama, dan fakta yang terlihat. Pisahkan kebutuhan markup tingkat halaman dari dokumentasi tingkat situs seperti llms.txt.
2. Pilih tipe yang sesuaiCocokkan setiap halaman dengan tipe schema.org yang mendeskripsikan konten aslinya. Jangan tambahkan properti hanya karena tersedia.
3. Buat dan implementasikan JSON-LDBuat deskripsi terstruktur dari informasi yang sudah ditampilkan di halaman, lalu tambahkan melalui template situs atau jalur implementasi yang sesuai.
4. Bandingkan kode dengan halamanPeriksa URL yang dipublikasikan, teks iklan yang terlihat, dan structured data bersama-sama. Perbaiki nama, deskripsi, hubungan, atau klaim yang tidak didukung yang tidak cocok.
5. Tinjau setelah perubahanPeriksa ulang URL yang terpengaruh setelah pembaruan konten atau template, dan catat masalah serta penyelesaiannya. Pantau jawaban AI secara terpisah dari validasi teknis.