Cara Membuat Baseline AI Visibility Sebelum Memulai Optimasi

Tim sering mulai GEO dari action.

“Update halaman.”

“Tambah schema.”

“Bikin 50 artikel.”

“Cari mention.”

Lalu tiga bulan kemudian muncul pertanyaan yang seharusnya ditanyakan dari awal:

“Sebetulnya sebelum optimasi visibility kita berapa?”

Tidak ada yang tahu.

Tanpa baseline, progress mudah menjadi cerita.

Setelah program jalan, brand muncul di 12 query.

Bagus?

Tidak tahu.

Mungkin sebelumnya sudah 15.

Traffic dari ChatGPT naik.

Bagus?

Mungkin seasonality.

Owned citation meningkat.

Mungkin karena platform update.

Baseline bukan birokrasi.

Baseline adalah snapshot terstruktur sebelum perubahan.

Tujuannya bukan mencari angka sempurna.

Tujuannya memberi reference point.

Bayangkan sebuah kickoff B2B.

CMO berkata:

“Kita mau mulai GEO bulan ini.”

Analyst menjawab:

“Boleh. Tapi dua minggu pertama jangan ubah apa pun dulu.”

CMO terlihat kurang senang.

“Kok malah nggak kerja?”

“Kita lagi mengukur kondisi awal.”

Itulah kerja.

Baseline mencegah tim mengklaim kemenangan atas sesuatu yang mungkin sudah terjadi sebelumnya.

Langkah pertama: tentukan apa yang disebut visibility

Jangan langsung buka tool.

Definisikan metric.

Minimal:

Brand Mention.

Owned Citation.

Third-Party Citation.

Recommendation.

Accuracy.

High-Intent Visibility.

Referral jika ada.

Jangan semua dicampur.

Baseline harus multidimensi.

Contoh:

Mention Rate: 48%.

Owned Citation: 12%.

Recommendation: 18%.

Accuracy: 92%.

Sekarang kita tahu profile.

Kalau nanti mention naik tetapi accuracy turun, kita tidak akan menyebut program sukses total.

Langkah kedua: buat query universe dari buyer journey

Baseline yang hanya memakai brand keyword tidak berguna.

Gunakan unbranded query.

Bagi berdasarkan intent.

Problem.

Category.

Comparison.

Recommendation.

Procurement.

Transaction.

Untuk B2B, bisa tambah stakeholder.

CEO.

Marketing.

IT.

Finance.

Procurement.

User.

Contoh:

CEO:
“AI optimization agency untuk meningkatkan visibility brand di answer engines.”

IT:
“Vendor GEO yang bisa bekerja tanpa mengorbankan security.”

Procurement:
“Bagaimana membandingkan agency GEO Indonesia untuk enterprise?”

Query berbeda.

Association berbeda.

Baseline harus menangkap buying committee.

Langkah ketiga: pilih core panel yang bisa dipakai lama

Jangan terlalu besar.

Misalnya 40–60 query.

Cukup untuk cluster utama.

Panel ini tidak banyak berubah selama beberapa bulan.

Kenapa?

Karena kalau query berubah, trend sulit dibandingkan.

Boleh punya exploratory panel terpisah.

Core = measurement.

Exploratory = learning.

Ini distinction penting.

Langkah keempat: dokumentasikan kondisi test

Tanggal.

Platform.

Mode.

Locale.

Language.

Account state.

Fresh session.

Memory/personalization status jika relevant.

Query exact.

Run number.

Tanpa metadata test, baseline sulit direplikasi.

Bukan metadata artikel.

Ini metodologi internal audit.

Misalnya:

ChatGPT Search.
Fresh chat.
Bahasa Indonesia.
Indonesia locale.
Run 1.

Gemini.
Web-grounded mode.
Fresh session.

Perplexity.
Standard research mode.

Semakin consistent kondisi, semakin berguna comparison.

Langkah kelima: lakukan repeated run pada query penting

High-value query jangan hanya sekali.

Misalnya top 20 query.

Run tiga kali.

Low-priority query satu kali.

Tujuannya melihat stability.

Brand muncul:

3/3.

2/3.

1/3.

0/3.

Sekarang baseline punya nuance.

Kalau hanya satu run, stochastic variation bisa menguasai hasil.

Langkah keenam: capture source, bukan hanya answer

Kalau ada citation:

simpan URL.

Kategori source:

Owned.

Media.

Review.

Government.

Partner.

Community.

Academic.

Competitor.

Ini sangat valuable.

Karena baseline menunjukkan public evidence ecosystem sebelum optimasi.

Misalnya:

Brand mention banyak.

Tapi 90% source datang dari satu article pihak ketiga.

Visibility fragile.

Atau:

Owned citation sudah tinggi.

Mungkin fokus optimasi tidak perlu content volume.

Bisa ke recommendation dan buyer fit.

Langkah ketujuh: ukur factual accuracy

Baseline harus menangkap error.

Nama salah.

Produk lama.

Harga salah.

Lokasi salah.

Founder lama.

Service tidak tersedia.

Ini mungkin metric paling penting.

Brand bisa punya visibility tinggi tetapi representation buruk.

Buat error taxonomy.

Critical.

Material.

Minor.

Critical:
legal identity salah.

Material:
product capability salah.

Minor:
deskripsi kurang lengkap.

Bukan semua error setara.

Langkah kedelapan: capture competitor set

Untuk setiap query, siapa yang muncul?

Jangan hanya brand sendiri.

Baseline competitive landscape memberi context.

Mungkin brand punya 20% recommendation.

Apakah itu bagus?

Kalau top competitor 25%, cukup kompetitif.

Kalau competitor 80%, gap besar.

Tetapi jangan buru-buru membuat “market share AI”.

Ini hanya observed sample.

Label jelas.

Langkah kesembilan: ambil platform data yang tersedia

Untuk Google, Search Console pada 2026 menyediakan Generative AI performance reporting bagi sebagian site untuk melihat impressions di generative features Search dan Discover.

Kalau tersedia, simpan baseline:

impressions,
pages,
country,
device,
date.

Ini first-party platform data.

Bedakan dari query-panel observation.

Untuk ChatGPT, publisher dapat memonitor referral tertentu dari ChatGPT Search melalui analytics ketika parameter referral tersedia.

Simpan baseline traffic.

Jangan berharap semua platform punya metric setara.

Baseline boleh asymmetrical.

Lebih baik data real yang berbeda daripada memaksa semua menjadi score yang sama.

Langkah kesepuluh: ambil baseline website

AI visibility tidak berdiri sendiri.

Simpan juga:

Google organic traffic.

Branded search.

Direct traffic.

Referral AI.

Lead.

Conversion.

Bukan untuk membuktikan causality.

Untuk melihat business context.

Kalau AI visibility naik tetapi lead tidak, kita perlu tahu.

Kalau referral kecil tetapi branded search naik, mungkin ada indirect effect.

Jangan langsung claim.

Gunakan sebagai signal.

Langkah kesebelas: dokumentasikan perubahan yang akan dilakukan

Baseline hanya berguna kalau kita tahu apa yang berubah setelahnya.

Buat change log.

Tanggal.

Action.

Page.

Hypothesis.

Contoh:

15 Aug:
update About page untuk entity clarity.

18 Aug:
publish security page.

22 Aug:
fix OAI-SearchBot WAF access.

25 Aug:
publish case study enterprise.

Sekarang ketika visibility berubah, kita punya timeline.

Belum causal proof.

Tetapi jauh lebih baik daripada memory.

Langkah keduabelas: freeze baseline sebelum optimasi besar

Ini penting.

Jangan setengah audit lalu sudah publish 20 artikel.

Baseline jadi contaminated.

Kalau ada emergency technical fix, dokumentasikan.

Misalnya robots accidentally blocked.

Fix harus segera.

Baseline technical abnormal tidak useful.

Tapi selain urgent issue, usahakan measurement selesai dulu.

Berapa lama baseline?

Tidak harus lama.

Satu sampai dua minggu bisa cukup untuk initial snapshot jika query panel manageable.

Untuk volatility lebih baik, ambil beberapa run pada hari berbeda.

Kalau bisnis sangat seasonal, baseline lebih panjang mungkin diperlukan.

Tetapi jangan menunggu tiga bulan.

Tujuan baseline bukan perfect science.

Tujuan reference.

Apa format baseline report?

Ringkas.

Bagian 1:
Scope.

Platforms.

Query count.

Run count.

Date.

Bagian 2:
Visibility.

Mention.

Citation.

Recommendation.

Bagian 3:
Accuracy.

Error.

Bagian 4:
Source map.

Owned vs third party.

Bagian 5:
Competitor.

Observed presence.

Bagian 6:
Referral/business context.

Bagian 7:
Top gaps.

Lima gap maksimal.

Jangan membuat 80 halaman deck.

Baseline harus menghasilkan priority.

Contoh output:

1. Brand mention cukup tinggi.

2. Owned citation rendah.

3. Recommendation hampir nol untuk procurement query.

4. AI sering salah menyebut service scope.

5. Third-party evidence didominasi dua article lama.

Sekarang program optimasi punya direction.

Tanpa baseline, tim mungkin malah menambah blog.

Padahal problem ada di canonical source dan evidence.

Bagaimana menetapkan target setelah baseline?

Target harus dimension-specific.

Bukan:

“AI visibility naik 50%.”

Lebih baik:

Owned Citation:
12% → 25%.

Recommendation pada Tier-1 buyer query:
18% → 30%.

Accuracy:
92% → 98%.

High-intent coverage:
20% → 35%.

Tetap tidak ada guarantee.

Target adalah operating goal.

Bukan promise bahwa model akan patuh.

Dan target sebaiknya berupa range jika sample kecil.

Misalnya:

Recommendation observed 25–35%.

Bukan 31.7%.

Ada satu hal yang baseline tidak bisa lakukan: membuktikan semua sebab

Kalau setelah tiga bulan visibility naik, baseline menunjukkan before/after.

Tetapi perubahan bisa datang dari:

optimasi internal.

Platform update.

Competitor change.

Web change.

Model update.

Seasonality.

Jadi wording harus hati-hati.

“Visibility meningkat setelah program.”

Boleh.

“Program menyebabkan peningkatan.”

Butuh stronger experiment.

Ini distinction penting untuk agency dan consultant.

Jangan menjual correlation sebagai causality.

Ada manfaat lain yang sering tidak dibahas: baseline melindungi tim dari false panic

Setelah program jalan, visibility turun satu minggu.

Orang panik.

Baseline menunjukkan dari awal memang fluktuatif antara 30–45%.

Drop ke 35% ternyata normal.

Tanpa baseline distribution, semua movement terlihat emergency.

Measurement menenangkan organisasi.

Bukan hanya membuktikan success.

Di meeting kickoff ilustratif tadi, CMO akhirnya menerima dua minggu observasi.

Dua bulan kemudian ia berkata:

“Untung kita punya baseline. Ternyata yang paling naik bukan mention, tapi recommendation di procurement query.”

Itu insight yang tidak mungkin muncul dari screenshot sebelum/after.

Baseline membuat progress punya shape.

Bukan sekadar panah hijau.

Kalau perusahaan ingin mulai GEO, langkah pertama tidak harus menulis.

Kadang langkah pertama justru berhenti sejenak dan melihat kondisi awal dengan disiplin.

Apa yang sudah kuat?

Apa yang lemah?

Apa yang salah?

Siapa yang muncul?

Source apa?

Query mana?

Ada satu teknik yang membuat baseline jauh lebih berguna: simpan baseline bukan hanya sebagai angka, tetapi sebagai evidence package.

Folder sederhana:

query panel,
raw answer,
screenshot bila perlu,
citation URL,
date,
classification,
notes.

Kenapa?

Tiga bulan kemudian, ketika angka berubah, tim bisa kembali melihat seperti apa answer lama.

Bukan mengandalkan memory.

“Dulu katanya kita sering direkomendasikan.”

Sering itu berapa?

Alasannya apa?

Source-nya siapa?

Evidence package menjawab.

Untuk audit serius, ini penting karena AI output dapat berubah dan sulit direkonstruksi persis.

Baseline yang punya raw evidence menjadi institutional memory.

Tanpa itu, organisasi mudah melakukan revisionist history: semua orang mengingat baseline sesuai cerita yang paling nyaman.

Baru setelah itu optimasi.

Baseline juga sebaiknya menyimpan apa yang sengaja tidak diukur. Misalnya belum ada data referral Gemini atau belum ada enough sample untuk conversion. Menulis limitation sejak awal mencegah tim tiga bulan kemudian mengisi gap dengan asumsi. Baseline yang jujur bukan baseline yang terlihat lengkap, tetapi baseline yang jelas batasnya.

Dengan limitation yang terdokumentasi, baseline tidak berubah menjadi janji palsu. Ia tetap menjadi titik awal yang bisa diperiksa, dibandingkan, dan diperbaiki ketika data baru tersedia.

Itu membuat evaluasi berikutnya jauh lebih disiplin dan tidak mudah bias.

Karena tanpa baseline, kita tidak sedang mengukur improvement.

Kita hanya mengumpulkan cerita setelah kejadian.