Preferensi

Privasi penting bagi kami, sehingga Anda dapat menonaktifkan jenis penyimpanan tertentu yang tidak diperlukan untuk fungsi dasar situs web. Memblokir kategori tertentu dapat memengaruhi pengalaman Anda di situs web. Informasi lebih lanjut (Kebijakan Cookie)

NLP SEO: Cara Google dan AI Membaca Konten Anda, dan Cara Menulis untuk Mereka

Pelajari cara NLP membentuk pencarian Google dan AI: entitas, salience, embedding, audit halaman 6 langkah dengan kode, aturan menulis, dan kesalahan yang dihindari.

Diterbitkan pada
16/11/2026
Diperbarui pada
16/11/2026
Waktu baca
24 menit
NLP SEO: Cara Google dan AI Membaca Konten Anda, dan Cara Menulis untuk Mereka

Alat

Di halaman ini

Singkatnya

NLP SEO berarti menulis dan menyusun halaman agar model bahasa yang dipakai Google dan asisten AI memahami dengan tepat isi halaman Anda: entitas apa yang dibahas, pertanyaan apa yang dijawab setiap bagian, dan bagaimana halaman itu terhubung dengan bagian lain situs Anda. Dalam praktiknya, Anda menjalankan teks melalui jenis alat yang sama (ekstraksi entitas, klasifikasi, embedding), memperbaiki apa yang salah dibaca mesin, lalu menulis ulang kalimat agar subjek utama, atributnya, dan jawabannya dinyatakan secara eksplisit. Ini bukan trik baru untuk naik peringkat: ini cara menghilangkan ambiguitas, dan ambiguitas itulah yang membuat Anda kehilangan peringkat serta kutipan dari AI.

Ingin tahu lebih banyak? Tanyakan kepada

Kuis singkat

Apakah SEO cocok untuk Anda, dan bagaimana memulainya?

Pertanyaan 1 dari 425%
Apakah orang mencari apa yang Anda jual di Google?

Apa sebenarnya NLP SEO (dan apa yang bukan)

Pemrosesan bahasa alami (NLP) adalah cabang AI yang mengubah teks manusia menjadi data yang bisa diolah mesin: kata, kalimat, entitas, relasi, dan makna. Jika ingin definisi umumnya lebih dulu, baca entri glosarium kami tentang pemrosesan bahasa alami. Untuk SEO, definisi yang penting lebih sempit: NLP adalah cara mesin pencari memutuskan arti halaman Anda sebelum memutuskan di posisi mana halaman itu ditampilkan.

Karena itu NLP SEO punya tiga lapisan. Anda membutuhkan ketiganya untuk mendapatkan hasil.

  1. Memahami cara mesin membaca. Google memakai model bahasa dalam pemeringkatan sejak BERT, dan asisten AI sepenuhnya dibangun di atasnya. Titik lemahnya (subjek yang kabur, rantai kata ganti, definisi yang hilang) bisa diprediksi.
  2. Mengukur cara halaman Anda dibaca. Anda bisa menjalankan teks sendiri melalui alat NLP publik untuk melihat entitas apa yang muncul, kategori apa yang diberikan pada teks, dan bagian mana yang cocok dengan sebuah kueri.
  3. Menulis dan menyusun demi kejelasan. Anda memperbaiki apa yang salah dibaca alat: Anda menamai sesuatu, mendefinisikannya, menempelkan atribut padanya, dan menautkannya ke halaman yang tepat.

Apa yang bukan NLP SEO: bukan menjejalkan daftar "kata kunci NLP" ke halaman, dan bukan mengejar skor dari alat konten. Google menyatakannya dengan jelas dalam panduannya tentang membuat konten yang bermanfaat, andal, dan mengutamakan manusia: jika Anda menulis mengikuti jumlah kata tertentu karena mendengar Google menyukainya, jawabannya adalah "No, we don't." Logika yang sama berlaku untuk daftar istilah. Tujuannya adalah dipahami, bukan terlihat teroptimasi.

Mengapa pemahaman bahasa mengubah SEO

1 dari 10pencarian berbahasa Inggris di AS yang lebih dipahami BERT saat peluncuran (Oktober 2019)
1000xlebih kuat dari BERT, menurut Google, untuk model MUM (Mei 2021)
75bahasa yang dipakai untuk melatih MUM

Sumber: Google, Pandu Nayak, "Understanding searches better than ever before" (2019) dan "MUM: A new AI milestone for understanding information" (2021)

Dari rangkaian huruf ke benda

Saat Google memperkenalkan BERT, Pandu Nayak (Google Fellow dan Wakil Presiden Search) menjelaskan dalam pengumuman resmi tanggal 25 Oktober 2019 bahwa model ini akan membantu Search lebih memahami satu dari 10 pencarian berbahasa Inggris di AS. Contohnya adalah kueri "2019 brazil traveler to usa need a visa": sebelum BERT, kata "to" sebagian besar diabaikan dan Google menampilkan hasil tentang warga AS yang bepergian ke Brasil. Setelah BERT, arah perjalanan dipahami. Satu kata depan itu adalah inti NLP SEO: kata kecil membawa makna, dan model kini membacanya. Halaman glosarium kami tentang algoritma BERT membahas model itu lebih dalam.

Dua tahun kemudian, Google memperkenalkan MUM dalam tulisan tertanggal 18 Mei 2021, menyebutnya 1000 kali lebih kuat dari BERT dan dilatih dalam 75 bahasa. Contoh kuerinya adalah pendaki yang sudah mendaki Mt. Adams dan ingin bersiap untuk Mt. Fuji musim gugur berikutnya: pertanyaan yang menuntut perbandingan dua entitas dan penyimpulan arti "bersiap". Kini AI Overviews, ChatGPT, Perplexity, dan Gemini bekerja dengan prinsip yang sama: membaca bagian teks, mengenali entitas, dan merangkai jawaban. Halaman Anda adalah bahan mentah bagi proses itu.

Cara mesin pencari dan AI membaca halaman Anda: pipeline NLP

Anda tidak perlu memahami matematikanya. Anda perlu memahami langkah-langkahnya, karena setiap langkah adalah titik di mana halaman Anda bisa salah dibaca. Berikut pipeline-nya sesuai urutan yang dijalankan sistem pada umumnya.

7 langkah yang dilalui mesin untuk membaca halaman Anda

  1. Mengambil konten utamaNavigasi, footer, banner cookie, dan sidebar dipisahkan dari isi. Template yang tipis atau berantakan mengaburkan langkah ini.
  2. Memecah menjadi kalimat dan tokenTeks dipotong menjadi kalimat, lalu menjadi token (kata atau potongan kata). Kalimat yang sangat panjang dan tanda baca yang hilang menurunkan kualitasnya.
  3. Memberi tag dan menguraiSetiap token mendapat kelas kata dan peran dalam kalimat: subjek, predikat, objek, keterangan.
  4. Mengenali entitasNama produk, orang, tempat, konsep, dan angka dideteksi lalu diberi jenis (organisasi, lokasi, harga, tanggal...).
  5. Menautkan entitasSetiap entitas dicocokkan dengan konsep yang dikenal di basis pengetahuan, sehingga "Jaguar" menjadi merek mobil atau hewan.
  6. Mengubah bagian menjadi embeddingKalimat dan bagian teks diubah menjadi vektor agar maknanya bisa dibandingkan dengan kueri, bahkan tanpa kata yang sama.
  7. Mengklasifikasi dan memberi skorHalaman mendapat topik, profil intensi, dan pada sebagian sistem, sentimen. Bagian teks diperingkat terhadap kueri.

Arti setiap langkah bagi konten Anda

Tabel di bawah memetakan setiap tugas NLP ke risiko nyata di halaman dan perbaikan yang bisa Anda kendalikan.

Tugas NLPApa yang dilakukan mesinMasalah umum di halamanApa yang Anda ubah
Pembuangan elemen templateMemisahkan konten utama dari templatePembuka tenggelam di bawah 600 kata menu dan widgetLetakkan jawaban di paragraf pertama konten utama, dalam HTML sederhana
Pemecahan kalimatMemotong teks menjadi kalimatPotongan poin tanpa kata kerja, kalimat 60 kataSatu gagasan per kalimat, kalimat lengkap dalam daftar yang memuat fakta
Penguraian dependensiMenemukan subjek, predikat, objekSubjeknya "ini" atau "hal tersebut", tiga kalimat jauhnya dari kata bendanyaUlangi kata benda, dekatkan subjek dan predikat
Pengenalan entitas bernamaMendeteksi dan memberi jenis pada namaProduk Anda ditulis dengan lima cara berbedaPilih satu nama kanonis, pakai variasi hanya setelah diperkenalkan
Penautan entitasMemetakan nama ke konsep yang dikenalNama merek ambigu tanpa konteksTambahkan kategori di samping nama ("Sorank, perangkat lunak SEO...") dan schema dengan sameAs
EmbeddingMembandingkan makna kueri dan bagian teksBagian yang seharusnya menjawab terlalu umum dan cocok untuk halaman mana punTulis bagian yang mengulang istilah dalam pertanyaan dan memberi jawaban spesifik
KlasifikasiMenetapkan topik dan intensiHalaman produk penuh dengan selingan gaya blogSatu intensi dominan per URL, intensi lain dipindah ke halaman lain

Catatan

Tidak ada pihak di luar Google yang tahu persis model yang dipakai dalam pemeringkatan. Alat dalam panduan ini adalah pendekatan: alat itu membaca teks seperti model bahasa modern, bukan seperti sistem peringkat Google. Gunakan untuk menemukan ambiguitas, bukan untuk memprediksi posisi.

Ilustrasi halaman web yang teksnya berubah menjadi jaringan simpul biru yang saling terhubung, mewakili entitas dan hubungan di antaranya.
NLP mengubah kata-kata di halaman Anda menjadi entitas dan hubungan: semakin jelas keduanya, semakin baik Google dan asisten AI memahaminya.

Sinyal NLP yang bisa Anda ukur di halaman sendiri

Lima sinyal bisa diukur dengan alat gratis atau murah. Masing-masing memberi tahu hal yang berbeda, dan tidak satu pun merupakan faktor peringkat dengan sendirinya.

Entitas dan salience

Entitas adalah "sesuatu" yang bernama: merek, produk, orang, tempat, konsep seperti "kanibalisasi kata kunci". Cloud Natural Language API dari Google mengembalikan, untuk setiap entitas, jenisnya, kemunculannya, dan pada versi 1 API, skor salience. Referensi Entity v1 menggambarkannya sebagai "the salience score associated with the entity in the [0, 1.0] range". Jenis entitasnya adalah UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER, dan PRICE.

Salience bersifat relatif terhadap dokumen: skor semua entitas dalam satu teks saling bersaing. Jadi yang berguna adalah urutannya, bukan angkanya. Jika halaman Anda menargetkan "NLP SEO" dan entitas teratas adalah "Google", maka bagi mesin halaman itu sebagian besar tentang Google. Rinciannya ada di entri glosarium kami tentang salience entitas.

Peringatan: v1 dan v2

Objek Entity v2 dari Natural Language API hanya memuat name, type, metadata, mentions, dan sentiment: tidak ada kolom salience. Jika sebuah tutorial menampilkan skor salience, tutorial itu memanggil v1. Jika Anda membuat skrip hari ini, panggil endpoint v1 secara eksplisit untuk salience dan periksa dokumentasinya sebelum mengandalkannya.

Halaman produk Google Cloud Natural Language, API yang dipakai untuk mengekstrak entitas, kategori, dan sentimen dari teks.
Google Cloud Natural Language: halaman produk publik dari API yang mengembalikan entitas, salience (v1), kategori, dan sentimen.

Kategori konten

Metode classifyText mengembalikan kategori dari taksonomi tetap (misalnya jalur seperti /Internet & Telecom/Web Services). Dokumentasi Google tentang dasar-dasar Natural Language mencatat bahwa klasifikasi membutuhkan teks minimal dua puluh token. Gunanya untuk SEO: jika halaman yang ditujukan untuk "perangkat lunak SEO" diklasifikasikan ke kategori pemasaran umum, kosakatanya terlalu umum.

Sentimen

Analisis sentimen mengembalikan skor dari -1.0 (negatif) hingga 1.0 (positif) serta magnitude yang mengukur seberapa banyak emosi dalam teks. Di tingkat dokumen, magnitude dimulai dari 0.0 dan tidak dinormalisasi, sehingga teks panjang dengan opini campuran bisa menunjukkan skor netral dan magnitude tinggi. Untuk SEO, sentimen terutama penting di halaman ulasan, perbandingan, dan daftar "X terbaik", di mana teks datar tanpa opini menjawab pertanyaan yang justru meminta opini.

Sintaksis

Analisis sintaksis mengembalikan kelas kata, lema, dan dependensi setiap token. Ada dua pemeriksaan yang layak dilakukan: seberapa sering entitas utama Anda menjadi subjek gramatikal kalimat, dan berapa banyak kalimat yang dimulai dengan kata ganti ("Ini", "Hal ini", "Mereka"). Halaman di mana entitas utama menjadi subjek banyak kalimat adalah halaman yang membahasnya, bukan berputar di sekitarnya.

Embedding dan kemiripan bagian teks

Embedding mengubah sebuah bagian teks menjadi vektor. Membandingkan vektor kueri dengan vektor bagian-bagian halaman Anda (cosine similarity) menunjukkan bagian mana yang akan dipilih sistem pencarian untuk kueri tersebut. Inilah pendekatan publik yang paling dekat dengan cara asisten AI memilih potongan yang mereka kutip. Ini juga uji terbaik untuk pertanyaan "apakah halaman ini benar-benar menjawab pertanyaannya, atau hanya menyebutnya".

Perbandingan metode NLP SEO

"NLP SEO" mencakup enam metode berbeda. Vendor biasanya menjual salah satunya seolah-olah itu seluruh bidang. Berikut masing-masing, kapan dipakai, dan di mana metode itu berhenti bekerja.

1. Optimasi entitas

Prinsip: identifikasi entitas yang harus ada dalam jawaban lengkap (entitas utama, atributnya, entitas terkait), periksa apakah halaman Anda menamainya dengan jelas dan entitas utama mendominasi. Kapan dipakai: pada halaman tentang produk, merek, orang, tempat, atau konsep yang terdefinisi baik. Kelebihan: sesuai dengan cara grafik pengetahuan dan jawaban AI dibangun, dan menghilangkan ambiguitas dari akarnya. Keterbatasan: ekstraksi entitas melewatkan jargon bidang tertentu dan konsep baru; salience tidak tersedia di v2 API Google. Contoh: halaman "Shopify SEO" di mana "WordPress" muncul sebagai entitas teratas karena paragraf perbandingan yang panjang: paragraf itu dipindah ke halamannya sendiri dan halaman Shopify menjadi lebih fokus. Panduan kami tentang entity SEO membahas sisi strateginya.

2. Cakupan istilah (TF-IDF dan ko-okurensi)

Prinsip: bandingkan istilah yang dipakai halaman peringkat atas dengan istilah Anda, diberi bobot menurut kekhususannya (TF-IDF), lalu isi kekosongannya. Inilah yang dilakukan sebagian besar alat penilai konten. Kapan dipakai: untuk menemukan subtopik yang terlewat di halaman informasional. Kelebihan: cepat, mudah dijelaskan kepada penulis. Keterbatasan: menyalin rata-rata SERP, memberi imbalan pada pengulangan, dan tidak mengatakan apa pun tentang apakah Anda menjawab pertanyaannya. Daftar istilah adalah daftar periksa subtopik, bukan kuota kata. Contoh: semua halaman teratas untuk "audit SEO teknis" menyebut "crawl budget" dan "canonical", sedangkan halaman Anda tidak: yang kurang adalah dua bagian, bukan dua kata.

3. Kemiripan embedding

Prinsip: enkode kueri dan bagian teks sebagai vektor dan ukur seberapa dekat keduanya. Kapan dipakai: untuk memastikan setiap pertanyaan target punya satu bagian yang jelas menjawabnya, untuk mendeteksi dua halaman yang bersaing untuk makna yang sama, dan untuk memetakan tautan internal berdasarkan makna. Kelebihan: bekerja tanpa kata yang sama, dekat dengan cara kerja pencarian untuk jawaban AI. Keterbatasan: skor bergantung pada model; skor tinggi berarti "sesuai topik", bukan "benar" atau "berguna". Contoh: bagian yang menjawab "berapa lama SEO bekerja" mendapat skor lebih rendah daripada paragraf pembuka yang tidak berkaitan: bagian jawaban terlalu kabur dan ditulis ulang dengan menyebut lini waktu di awal.

4. Klasifikasi intensi

Prinsip: klasifikasikan kueri (informasional, komersial, transaksional, navigasional) dan format yang diganjar Google (panduan, daftar, alat, halaman produk), lalu sesuaikan. Kapan dipakai: sebelum menulis, dan ketika halaman yang bagus sama sekali tidak mendapat peringkat. Kelebihan: memperbaiki kesalahan paling mahal, yaitu format yang salah. Keterbatasan: SERP campuran itu ada; intensi bergeser seiring waktu. Lihat entri glosarium kami tentang intensi pencarian.

5. Penggalian pertanyaan dan bagian teks

Prinsip: kumpulkan pertanyaan yang diajukan orang (People Also Ask, forum, prompt AI, tiket dukungan Anda) dan berikan satu bagian mandiri untuk tiap pertanyaan. Kapan dipakai: untuk visibilitas di AI dan featured snippet. Kelebihan: langsung menghasilkan bagian yang bisa dikutip. Keterbatasan: bisa memecah halaman menjadi FAQ tanpa kedalaman jika Anda tidak mengelompokkan pertanyaan per subtopik.

6. Pemodelan topik dan klasterisasi

Prinsip: kelompokkan kata kunci dan halaman berdasarkan makna untuk memutuskan halaman mana membahas apa, lalu tautkan. Kapan dipakai: di tingkat situs, sebelum membuat konten, dan ketika halaman saling mengkanibal. Kelebihan: membangun otoritas topikal dan arsitektur yang rapi. Keterbatasan: klasterisasi berdasarkan tumpang tindih SERP dan berdasarkan embedding menghasilkan kelompok berbeda; Anda butuh aturan untuk memutuskan. Panduan kami tentang klasterisasi kata kunci merinci kedua pendekatan, dan entri peta topikal menjelaskan cara mengubah klaster menjadi rencana.

MetodeTingkatPaling cocok untukRisiko utamaAlat
Optimasi entitasHalamanHalaman produk, merek, dan konsepMenganggap salience sebagai faktor peringkatGoogle Cloud Natural Language (v1), spaCy
Cakupan istilah (TF-IDF)HalamanMenemukan subtopik yang hilangMenulis rata-rata SERP, penjejalan kataAlat penilai konten, Python scikit-learn
Kemiripan embeddingBagian teks dan situsKualitas jawaban, kanibalisasi, tautan internalMenyamakan "sesuai topik" dengan "bagus"Sentence Transformers, basis data vektor
Klasifikasi intensiKueri dan halamanMemilih format yang tepatMengabaikan SERP campuranTinjauan SERP manual, classifier
Penggalian pertanyaanBagian teksKutipan AI, snippetHalaman FAQ yang dangkalPeople Also Ask, riset prompt
Klasterisasi topikSitusArsitektur, otoritas topikalAturan klaster yang tidak konsistenAlat klasterisasi, embedding

Optimasi daftar istilah vs optimasi entitas dan bagian teks

Daftar istilah (penilaian TF-IDF)
  • Pemeriksaan celah cepat terhadap pesaing
  • Memberi imbalan pada pengulangan kata
  • Menyalin rata-rata SERP
  • Tidak mengatakan apa pun tentang kualitas jawaban
Entitas dan bagian teks
  • Menghilangkan ambiguitas tentang subjek utama
  • Menghasilkan bagian yang bisa dikutip AI
  • Bekerja lintas bahasa dan sinonim
  • Butuh sedikit lebih banyak persiapan

Langkah demi langkah: audit NLP untuk satu halaman

Ini metode yang kami sarankan untuk memulai: satu halaman penting, satu sore. Anda membutuhkan teks halaman, tiga sampai lima halaman pesaing, dan alat online gratis atau beberapa baris Python.

Audit NLP halaman dalam 6 langkah

  1. Ambil teks bersihSalin hanya konten utama (tanpa menu, tanpa footer) dari halaman Anda dan dari 3 sampai 5 halaman peringkat atas ke berkas teks.
  2. Daftarkan entitasJalankan ekstraksi entitas. Catat 10 entitas teratas setiap halaman beserta urutannya.
  3. Periksa entitas utamaKonsep target Anda harus masuk 3 besar di halaman Anda sendiri. Jika tidak, cari entitas mana yang mencuri fokus.
  4. Petakan entitas yang hilangEntitas yang ada di sebagian besar pesaing tetapi tidak ada di halaman Anda adalah kandidat subtopik, bukan kata untuk disisipkan.
  5. Uji bagian teks terhadap pertanyaanTulis 5 sampai 10 pertanyaan yang harus dijawab halaman dan ukur bagian mana yang cocok dengan masing-masing.
  6. Tulis ulang dan jalankan lagiPerbaiki bagian yang lemah, ulangi kedua pemeriksaan, lalu pantau kueri untuk URL tersebut di Search Console selama beberapa minggu berikutnya.

Langkah 1 dan 2: ekstrak entitas dengan spaCy

spaCy adalah pustaka Python gratis dan open source. Model bahasa Inggris kecilnya berjalan di laptop dalam hitungan detik. Skrip di bawah mencantumkan entitas yang paling sering muncul dan subjek gramatikal yang paling sering di halaman Anda: daftar kedua sering lebih mengungkap daripada yang pertama.

import spacy
from collections import Counter

nlp = spacy.load("en_core_web_sm")  # pip install spacy, then: python -m spacy download en_core_web_sm
text = open("page.txt", encoding="utf-8").read()
doc = nlp(text)

entities = Counter((e.text.lower(), e.label_) for e in doc.ents)
for (name, label), n in entities.most_common(20):
    print(f"{n:>3}  {label:<12} {name}")

# Who is the subject of your sentences?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))

# How many sentences start with a vague pronoun?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "sentences start with a pronoun")

Baca daftar subjek dengan saksama. Pada halaman tentang produk perangkat lunak, jika "you" dan "it" mendominasi dan nama produk tidak pernah muncul sebagai subjek, halaman itu menggambarkan tindakan tanpa menyebut siapa pelakunya. Ini bisa diperbaiki dalam satu jam.

Halaman dokumentasi spaCy tentang fitur linguistik seperti pengenalan entitas bernama dan penguraian dependensi.
Dokumentasi spaCy tentang fitur linguistik: pengenalan entitas, tag kelas kata, dan penguraian dependensi, gratis dan open source.

Langkah 3: dapatkan salience dari API Google (v1)

Model umum spaCy tidak menghitung salience. Untuk itu, panggil endpoint v1 analyzeEntities dari Google Cloud Natural Language. Buat proyek, aktifkan API, lakukan autentikasi dengan command line gcloud, lalu kirim teks Anda. Simpan body permintaan ini sebagai request.json:

{
  "document": {
    "type": "PLAIN_TEXT",
    "language": "en",
    "content": "Paste the clean main text of your page here."
  },
  "encodingType": "UTF8"
}

Lalu panggil endpoint-nya:

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  "https://language.googleapis.com/v1/documents:analyzeEntities"

Respons mencantumkan entitas dengan type, salience, mentions, dan, jika entitas tertaut, objek metadata yang bisa berisi wikipedia_url dan mid (pengenal Knowledge Graph). Entitas dengan URL Wikipedia di metadata telah ditautkan ke konsep yang dikenal; entitas penting tanpa URL itu mungkin ambigu atau terlalu baru. Ganti analyzeEntities dengan classifyText untuk mendapatkan kategori konten. Periksa harga dan kuota terbaru di Google Cloud sebelum menjalankannya pada ratusan halaman.

Langkah 5: uji bagian teks terhadap pertanyaan dengan embedding

Pustaka Sentence Transformers membandingkan makna sebuah pertanyaan dengan setiap bagian halaman Anda. Model all-MiniLM-L6-v2 kecil dan cukup baik untuk pemeriksaan ini.

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer("all-MiniLM-L6-v2")
text = open("page.txt", encoding="utf-8").read()
passages = [p.strip() for p in text.split("\n\n") if len(p.split()) > 25]

questions = [
    "what is nlp seo",
    "how do I find the entities of my page",
    "is entity salience a ranking factor",
]

p_vecs = model.encode(passages, convert_to_tensor=True)
for q in questions:
    scores = util.cos_sim(model.encode(q, convert_to_tensor=True), p_vecs)[0]
    best = int(scores.argmax())
    print(f"{q}\n  best score {scores[best]:.2f}: {passages[best][:100]}\n")

Dua hasil perlu ditindaklanjuti. Jika bagian terbaik untuk sebuah pertanyaan bukan bagian yang Anda tulis untuk menjawabnya, bagian jawaban Anda terlalu umum. Jika skor terbaik untuk sebuah pertanyaan jauh di bawah pertanyaan lain, halaman itu sebenarnya tidak menjawabnya. Bandingkan skor antar pertanyaan di halaman yang sama, bukan dengan ambang mutlak: nilainya bergantung pada model.

Beranda dokumentasi Sentence Transformers, pustaka yang dipakai untuk membandingkan makna kueri dan bagian teks.
Sentence Transformers: pustaka open source untuk mengukur seberapa dekat sebuah bagian teks dengan sebuah pertanyaan.

Tips

Tidak memakai Python? LLM Readability Checker gratis dari kami menilai sebuah halaman untuk ekstraksi oleh AI, dan Heading Structure Analyzer menunjukkan apakah H2 dan H3 Anda mengumumkan pertanyaan yang dijawab bagian-bagian teks Anda.

Sebagian besar masalah NLP diperbaiki saat menulis, bukan dengan alat. Aturan ini berasal langsung dari pipeline di atas: masing-masing menghilangkan satu langkah di mana mesin bisa keliru.

Sebut subjeknya, lalu pertahankan

Gunakan nama lengkap entitas utama sebagai subjek kalimat pertama setiap bagian. Hindari membuka paragraf dengan "Ini" atau "Hal ini". Kata ganti boleh dipakai di dalam paragraf, selama kata bendanya dekat.

Definisikan dengan kalimat "X adalah Y yang Z"

Definisi yang menyebut kategori (Y) dan ciri pembeda (Z) adalah struktur yang paling mudah diekstrak model dan dikutip asisten AI. "Salience entitas adalah skor dari 0 sampai 1 yang mengukur seberapa sentral sebuah entitas dalam teks" lebih unggul daripada tiga kalimat konteks.

Tempelkan atribut pada entitas, dalam kalimat yang sama

Harga, tanggal, ukuran, kompatibilitas, dan batasan harus berada di samping entitas yang dijelaskannya. "Sorank memantau visibilitas di ChatGPT, Gemini, Claude, dan Perplexity" adalah satu fakta yang bisa diekstrak. Informasi yang sama yang tersebar di judul, poin, dan catatan kaki menjadi tiga potongan.

Satu nama kanonis untuk setiap hal

Pilih satu nama untuk setiap produk, fitur, dan konsep. Perkenalkan sinonim satu kali ("query fan-out, yaitu cara asisten AI memecah pertanyaan menjadi beberapa pencarian") lalu tetap gunakan satu bentuk.

Jawab dulu, lalu jelaskan

Di bawah judul yang berbentuk pertanyaan, kalimat pertama memberi jawabannya. Sisa bagian memberi syarat, contoh, dan pengecualian. Inilah yang membuat sebuah bagian berdiri sendiri.

Satu paragraf, sebelum dan sesudah ditulis ulang untuk NLP

Sebelum
  • "Ini membantu Anda mendapat lebih banyak visibilitas. Hal ini dilakukan otomatis setiap minggu."
  • Subjek tidak jelas: "ini" dan "hal ini"
  • Tidak ada entitas, atribut, atau angka
  • Bisa ditempel di halaman SaaS mana pun
Sesudah
  • "Rank tracker memeriksa 200 kata kunci target Anda di Google setiap Senin dan mengirimkan lewat email halaman yang turun."
  • Subjek bernama: "rank tracker"
  • Atribut terlampir: kata kunci, mesin pencari, frekuensi, hasil
  • Cukup spesifik untuk dikutip sebagai fakta

Kalimat "sesudah" adalah ilustrasi struktur, bukan deskripsi produk nyata: sesuaikan atributnya dengan apa yang benar-benar ditawarkan halaman Anda.

Python NLP untuk SEO semantik: kelompokkan kata kunci dan temukan halaman yang saling bersaing

Python NLP untuk SEO semantik berarti menjalankan jenis model embedding yang sama seperti tes passage di atas, tetapi pada seluruh daftar: kata kunci Anda dan halaman-halaman di situs Anda. Dua skrip pendek menjawab pertanyaan yang tidak bisa dijawab oleh pemeriksaan satu halaman. Kata kunci mana yang seharusnya masuk ke halaman yang sama? Halaman mana di situs Anda yang bersaing untuk makna yang sama? Keduanya berjalan gratis di komputer Anda sendiri, dan keduanya menghasilkan kandidat untuk Anda tinjau, bukan vonis.

Siapkan lingkungan

Pasang pustaka di dalam virtual environment, agar tidak bentrok dengan proyek Python lain:

python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn

Model all-MiniLM-L6-v2 diunduh sekali pada eksekusi pertama. Setelah itu, kedua skrip berjalan offline.

Kelompokkan kata kunci berdasarkan makna

Klasterisasi mengubah daftar kata kunci datar menjadi kelompok yang bisa dijawab oleh satu halaman. Setiap kata kunci menjadi vektor, dan kata kunci dengan vektor yang berdekatan dalam jarak kosinus akan masuk ke grup yang sama. Simpan kata kunci dalam file teks, satu per baris, lalu jalankan skrip ini:

from sentence_transformers import SentenceTransformer
from sklearn.cluster import AgglomerativeClustering
from collections import defaultdict

keywords = [line.strip() for line in open("keywords.txt", encoding="utf-8") if line.strip()]

model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode(keywords, normalize_embeddings=True)

labels = AgglomerativeClustering(
    n_clusters=None,
    distance_threshold=0.35,  # jarak kosinus: nilai lebih rendah menghasilkan grup yang lebih ketat
    metric="cosine",
    linkage="average",
).fit_predict(vectors)

groups = defaultdict(list)
for label, keyword in zip(labels, keywords):
    groups[label].append(keyword)

for label, members in sorted(groups.items(), key=lambda g: -len(g[1])):
    print(f"Group {label} ({len(members)} keywords)")
    for keyword in members:
        print("   ", keyword)

Pengaturan yang paling menentukan adalah ambang batas. Mulailah dari 0,35 lalu baca hasilnya. Jika kata kunci yang tidak berhubungan berada dalam grup yang sama, turunkan nilainya. Jika topik satu halaman terpecah ke beberapa grup, naikkan nilainya. Average linkage mengurangi efek rantai, yaitu ketika deret kata kunci yang berhubungan longgar menggabungkan dua grup yang tidak berkaitan.

Temukan halaman yang bersaing untuk makna yang sama

Skrip kedua membandingkan halaman Anda satu sama lain. Buat satu baris per halaman dalam file yang dipisahkan tab, dengan baris header dan kolom url serta title. Judul hanyalah perkiraan kasar, jadi untuk tes yang lebih tajam, tempelkan paragraf pertama setiap halaman ke kolom title.

import csv
from sentence_transformers import SentenceTransformer, util

with open("pages.tsv", encoding="utf-8") as f:
    rows = [(r["url"], r["title"]) for r in csv.DictReader(f, delimiter="\t")]

model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode([title for _, title in rows], convert_to_tensor=True)
sims = util.cos_sim(vectors, vectors)

for i in range(len(rows)):
    for j in range(i + 1, len(rows)):
        score = float(sims[i][j])
        if score > 0.8:  # titik awal: sesuaikan setelah membaca hasilnya
            print(f"{score:.2f}  {rows[i][0]}  vs  {rows[j][0]}")

Setiap pasangan yang tercetak adalah kandidat, bukan vonis. Buka kedua URL dan tanyakan apakah pembaca akan mengharapkan salah satu halaman menjawab pertanyaan halaman lainnya. Jika ya, gabungkan kedua halaman, atau pertahankan salah satunya sebagai halaman utama dan persempit fokus halaman yang lain. Entri glosarium kanibalisasi kata kunci menjelaskan cara memilihnya.

SkripInputOutputYang Anda putuskan
Grup kata kunciSatu kata kunci per barisGrup kata kunci yang memiliki makna samaApakah setiap grup butuh satu halaman atau beberapa
Halaman yang bersaingURL dan judul, atau paragraf pertama, per halamanPasangan halaman di atas ambang batas AndaApakah digabung, dipersempit fokusnya, atau kedua halaman dipertahankan

Tiga batasan ini penting:

  • Skor bergantung pada model. Bandingkan pasangan dan grup dari eksekusi yang sama, dan jangan pernah menyalin ambang batas dari tutorial.
  • Embedding menangkap makna, bukan maksud pencarian. “Software CRM terbaik” dan “cara mengatur CRM” berbagi topik, tetapi membutuhkan halaman yang berbeda, jadi periksa maksud pencarian sebelum menggabungkan apa pun.
  • Nama merek, nama produk, dan istilah yang sangat baru mungkin ter-encode dengan buruk. Periksa grup-grup ini secara manual.

Skrip-skrip ini adalah padanan tingkat situs dari tes passage di atas: yang satu memberi tahu apa yang seharusnya berada bersama, yang lain memberi tahu di mana halaman Anda tumpang tindih. Jika Anda tidak ingin memelihara skrip, Topic Cluster Generator dari Sorank menjalankan langkah pengelompokan dengan pemeriksaan anti-kanibalisasi bawaan.

NLP di luar teks: data terstruktur, judul, dan tautan internal

Model bahasa membaca lebih dari paragraf Anda. Tiga elemen di sekitar teks membawa sinyal kuat.

Data terstruktur yang menamai entitas Anda

Markup Schema.org tidak membuat halaman naik peringkat dengan sendirinya, tetapi menyatakan dalam format mesin tentang apa halaman itu dan konsep dikenal mana yang dirujuknya. Properti about dan mentions, dengan tautan sameAs ke halaman rujukan, menghilangkan ambiguitas dalam penautan entitas.

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "NLP SEO: How Search Engines Read Your Content",
  "about": {
    "@type": "Thing",
    "name": "Natural language processing",
    "sameAs": "https://en.wikipedia.org/wiki/Natural_language_processing"
  },
  "mentions": [
    {
      "@type": "Thing",
      "name": "Search engine optimization",
      "sameAs": "https://en.wikipedia.org/wiki/Search_engine_optimization"
    }
  ]
}
</script>

Buat dan uji markup Anda dengan Schema Markup Generator dan Structured Data Validator gratis dari kami.

Judul sebagai daftar isi bagi mesin

Judul adalah hal pertama yang dipakai model untuk memecah halaman Anda menjadi bagian-bagian. Judul yang menyebut entitas dan pertanyaannya ("Cara menghitung salience entitas") menghasilkan potongan yang lebih rapi daripada judul yang sekadar cerdik ("Di balik layar"). Jaga hierarki H2 dan H3 tetap ketat: tidak ada H3 tanpa H2 induk, tidak ada tingkat yang dilompati.

Tautan internal sebagai peta makna

Anchor text adalah salah satu sinyal NLP tertua dalam pencarian: memberi tahu mesin tentang isi halaman tujuan, dari luar. Gunakan anchor deskriptif yang menyebut entitas tujuan, tautkan halaman yang maknanya berdekatan, dan hindari mengirim anchor yang sama ke dua halaman berbeda. Kokon semantik adalah cara paling terstruktur untuk mengaturnya, dan panduan kami tentang tautan internal otomatis menjelaskan cara menskalakannya tanpa menimbulkan kebisingan.

NLP SEO untuk pencarian AI: dikutip oleh ChatGPT, Gemini, dan Perplexity

Asisten AI membawa logika NLP sampai ujungnya. Mereka tidak memeringkat halaman utuh: mereka mengambil bagian teks, membandingkannya secara makna dengan subkueri, lalu menyusun jawaban yang terkadang mengutip sumbernya. Ada tiga konsekuensinya.

  1. Setiap bagian harus bisa berdiri sendiri. Yang diambil adalah potongan halaman Anda, bukan halamannya. Jika potongan itu bergantung pada definisi yang diberikan tiga bagian sebelumnya, potongan itu kalah.
  2. Satu pertanyaan menjadi beberapa pencarian. Asisten memecah prompt menjadi subkueri (query fan-out). Halaman yang menjawab pertanyaan utama tetapi tidak menjawab pertanyaan lanjutannya yang wajar (harga, alternatif, batasan, cara memulai) hanya mencakup sebagian dari apa yang dicari. Query Fan-Out Tracker dari Sorank menampilkan pencarian yang benar-benar dijalankan AI di balik sebuah prompt.
  3. Konsensus entitas itu penting. Asisten lebih yakin pada fakta yang ia temukan dinyatakan dengan cara sama di beberapa sumber. Penamaan dan atribut yang konsisten di situs, profil, dan sebutan pihak ketiga Anda membantu. Entri kami tentang konsensus entitas membahas lapisan ini.

Untuk metode lengkap yang diterapkan pada jawaban AI, lihat panduan kami tentang optimasi konten untuk LLM.

Kesalahan umum NLP SEO (dan cara memperbaikinya)

Ini kesalahan yang paling sering kami lihat di situs yang diaudit. Masing-masing punya gejala yang bisa Anda kenali dan perbaikan yang bisa Anda terapkan hari ini.

1. Menganggap salience atau skor konten sebagai faktor peringkat

Apa itu: menulis ulang sampai API memberi kata kunci Anda salience tinggi, atau sampai alat menampilkan skor hijau. Cara mengenalinya: halaman terbaca lebih buruk setelah optimasi; frasa yang sama muncul di setiap paragraf. Cara memperbaikinya: gunakan salience hanya untuk memeriksa urutan entitas, lalu nilai halaman berdasarkan jawaban dan data Search Console. Google tidak pernah mengatakan memakai skor API ini dalam pemeringkatan.

2. Menyisipkan istilah pesaing sebagai kata, bukan sebagai konten

Apa itu: menambahkan "crawl budget" ke sebuah kalimat karena lima pesaing menyebutnya. Cara mengenalinya: istilah muncul sekali, di luar konteks, tanpa penjelasan. Cara memperbaikinya: setiap entitas yang hilang menjadi pertanyaan: apakah pembaca saya membutuhkannya? Jika ya, tulis satu bagian; jika tidak, abaikan.

3. Menganalisis seluruh HTML alih-alih konten utama

Apa itu: menempelkan seluruh halaman, termasuk menu dan footer, ke alat NLP. Cara mengenalinya: entitas teratas Anda adalah nama merek, "cookies", "kontak", atau kategori footer. Cara memperbaikinya: ambil hanya isi artikel sebelum menjalankan analisis apa pun.

4. Memanggil v2 API Google lalu bingung ke mana salience pergi

Apa itu: mengikuti tutorial lama dengan endpoint saat ini. Cara mengenalinya: respons JSON memuat entitas dan kemunculan, tetapi tidak ada salience. Cara memperbaikinya: panggil /v1/documents:analyzeEntities untuk salience, dan ingat bahwa v1 bisa berubah.

5. Rantai kata ganti dan subjek yang kabur

Apa itu: paragraf di mana "ini", "hal tersebut", dan "mereka" merujuk ke kata benda beberapa kalimat sebelumnya. Cara mengenalinya: skrip spaCy di atas menghitung kalimat yang dimulai dengan kata ganti; lebih dari satu dari lima pada halaman penting adalah tanda bahaya. Cara memperbaikinya: sebut ulang kata bendanya di awal setiap paragraf dan setelah setiap judul.

6. Satu halaman, beberapa intensi

Apa itu: satu URL yang mencoba mendefinisikan konsep, membandingkan alat, dan menjual produk. Cara mengenalinya: halaman mendapat peringkat untuk banyak kueri di posisi 15 sampai 40 dan tidak satu pun di 5 besar. Cara memperbaikinya: pertahankan intensi dominan, pindahkan yang lain ke halaman khusus, lalu tautkan.

7. Menulis demi panjang atau kepadatan

Apa itu: menggembungkan halaman agar mencapai target jumlah kata atau kepadatan kata kunci. Cara mengenalinya: pembuka yang berulang, paragraf umum yang cocok untuk halaman mana pun. Cara memperbaikinya: buang setiap bagian yang tidak menjawab pertanyaan yang akan diajukan pembaca. Keyword Density Calculator kami berguna secara terbalik: untuk menemukan di mana Anda terlalu banyak mengulang.

8. Mengabaikan penautan entitas

Apa itu: memakai nama merek atau produk yang tidak bisa dibedakan mesin dari kata umum atau perusahaan lain. Cara mengenalinya: API mengembalikan merek Anda sebagai OTHER atau CONSUMER_GOOD tanpa metadata, atau menautkannya ke konsep yang salah. Cara memperbaikinya: tambahkan kategori di samping nama, gunakan schema Organization atau Product dengan sameAs ke profil resmi Anda, dan pertahankan nama yang identik di mana pun.

Daftar periksa NLP SEO untuk satu halaman

  • Entitas utama disebut di kalimat pertama dan di H1
  • Entitas utama masuk 3 entitas teratas halaman
  • Setiap H2 atau H3 mengumumkan pertanyaan atau subtopik dengan kata-kata sederhana
  • Kalimat pertama di bawah setiap judul pertanyaan memberi jawabannya
  • Kurang dari satu dari lima kalimat dimulai dengan kata ganti yang kabur
  • Setiap atribut penting berada di kalimat yang sama dengan entitasnya
  • Satu nama kanonis untuk setiap produk, fitur, dan konsep
  • Data terstruktur menyebut entitas utama dengan tautan sameAs
  • Tautan internal memakai anchor deskriptif yang menyebut tujuannya
  • Tidak ada istilah yang disisipkan hanya karena dipakai alat atau pesaing

Alat NLP SEO: kegunaan masing-masing

Anda tidak membutuhkan banyak alat. Pilih alat berdasarkan pertanyaan yang perlu Anda jawab.

AlatJenisApa yang diberitahukanKeahlian yang dibutuhkanPenggunaan terbaik
Google Cloud Natural LanguageAPI cloud (lihat harga Google Cloud)Entitas, salience (v1), kategori, sentimen, sintaksisMenengah: proyek Google Cloud dan beberapa perintahMemeriksa cara model Google membaca halaman kunci Anda
spaCyPustaka Python open sourceEntitas, struktur kalimat, subjek, lemaPython dasarMengaudit banyak halaman secara lokal, tanpa biaya
Sentence TransformersPustaka Python open sourceKemiripan makna antara kueri dan bagian teksPython dasarPemeriksaan jawaban, kanibalisasi, pemetaan tautan internal
Google Search ConsoleAlat Google gratisKueri yang benar-benar memunculkan setiap URLTidak adaMengukur efek penulisan ulang
Alat optimasi kontenSaaSCelah istilah dan entitas dibanding halaman teratasTidak adaPemeriksaan subtopik cepat sebelum menulis
SorankPerangkat lunak SEO dan GEO secara autopilotPenulisan ulang, klaster topik, pemantauan visibilitas AITidak adaMenerapkan metode ini di seluruh situs

Untuk perbandingan opsi komersial secara berdampingan, baca ulasan kami tentang alat optimasi konten terbaik. Jika Anda punya puluhan halaman lama yang perlu diperbaiki, fitur Content Optimization dari Sorank mengaudit dan menulis ulang halaman yang ada secara autopilot, dan Topic Cluster Generator mengelompokkan kata kunci Anda berdasarkan makna sebelum Anda menulis, dengan pemeriksaan kanibalisasi bawaan.

Cara mengukur dampak pekerjaan NLP

Perubahan NLP berkaitan dengan pemahaman, jadi ukur pemahaman lebih dulu, baru lalu lintas.

Jumlah kueri per URL

Di Google Search Console, filter laporan Performa pada URL yang ditulis ulang dan hitung kueri berbeda yang mendapat tayangan selama 28 hari, sebelum dan sesudah. Halaman yang lebih dipahami biasanya muncul untuk lebih banyak varian long-tail dalam beberapa minggu, sering kali sebelum klik berubah.

Posisi untuk pertanyaan yang Anda targetkan

Pantau 5 sampai 10 pertanyaan yang Anda pakai dalam uji bagian teks. Jika tayangan naik tetapi posisi tidak, halaman itu dipahami tetapi tidak diutamakan: perbaiki kedalaman, contoh, dan tautan.

Kutipan dalam jawaban AI

Ajukan prompt yang sama di ChatGPT, Gemini, Claude, dan Perplexity sebelum dan sesudah, lalu catat apakah halaman Anda dikutip. Ulangi setiap bulan: jawaban AI berbeda dari satu percobaan ke percobaan berikutnya, jadi satu uji tidak membuktikan apa pun. Untuk versi terstruktur dari pemeriksaan ini, jalankan audit SEO semantik pada seluruh klaster, bukan pada satu halaman.

Apa yang dilakukan hari ini

Pilih halaman yang paling banyak mendatangkan bisnis bagi Anda dan jalankan audit enam langkah di sana. Perbaiki dua masalah pertama yang Anda temukan, biasanya entitas utama yang tidak dominan dan bagian jawaban yang terlalu kabur. Lalu catat tanggalnya, dan periksa kueri halaman itu di Search Console empat minggu kemudian.

Pertanyaan yang sering diajukan

Apa itu NLP dalam SEO?

NLP dalam SEO berarti membuat konten Anda mudah dipahami model bahasa: entitas apa yang dibahas halaman, pertanyaan apa yang dijawab setiap bagian, dan bagaimana halaman itu terhubung dengan bagian lain situs. Google memakai model bahasa seperti BERT di Search sejak 2019, dan asisten AI sepenuhnya bergantung padanya, sehingga tulisan yang jelas dan tidak ambigu kini dalam praktiknya menjadi faktor peringkat dan kutipan.

Apakah salience entitas merupakan faktor peringkat Google?

Tidak ada pernyataan publik dari Google yang menyebut skor salience dari Cloud Natural Language API dipakai dalam pemeringkatan. Skor ini berguna sebagai pendekatan untuk memeriksa apakah topik utama mendominasi halaman, tetapi sebaiknya baca urutan entitasnya alih-alih mengejar angka. Perlu dicatat bahwa salience hanya dikembalikan oleh API versi 1.

Alat gratis apa yang bisa saya pakai untuk NLP SEO?

spaCy dan Sentence Transformers adalah pustaka Python gratis dan open source untuk ekstraksi entitas dan kemiripan bagian teks. Google Search Console, yang juga gratis, kemudian menunjukkan apakah halaman yang ditulis ulang muncul untuk lebih banyak kueri. Google Cloud Natural Language menambahkan salience dan kategori, dengan biaya pemakaian sesuai harga Google Cloud.

Dapatkan rencana konten 30 hari Anda secara gratis

Kami menganalisis pesaing, website, dan visibilitas AI Anda untuk membuat rencana konten yang disesuaikan secara gratis.

Tool SEO gratis kami

Lihat semua tool gratis kami

Dapatkan rencana konten 30 hari Anda secara gratis

Kami menganalisis pesaing, website, dan visibilitas AI Anda untuk membuat rencana konten yang disesuaikan secara gratis.

Pria berambut gelap dan berjenggot mengenakan kemeja cokelat muda berbicara di depan mikrofon pada set rekaman podcast.Potret pria berambut pendek gelap mengenakan kemeja putih dan jaket gelap, menatap langsung ke kamera dengan ekspresi netral.Pria berambut pendek gelap, berjenggot, dan berkacamata bening mengenakan kaus hitam dengan logo lingkaran putih, berdiri di depan dinding batu.Celio fabianoWanita muda tersenyum berambut cokelat panjang mengenakan atasan merah dan kalung, di luar ruangan dengan latar pepohonan.Foto profil Xavier Breull, pelanggan Sorank
Google
Ikon bintang kuning solid berujung lima pada latar transparan.Ikon bintang kuning solid berujung lima pada latar transparan.Ikon bintang kuning solid berujung lima pada latar transparan.Ikon bintang kuning solid berujung lima pada latar transparan.Ikon bintang kuning solid berujung lima pada latar transparan.
5/5
+5,000
pengguna

Testimoni dari para pendiri yang ambisius

Dari 0 menjadi 10000 pengunjung dalam 5 bulan

Celio Fabianomonrobotlavevitre.frGoogleE-commerce

Dari 0 menjadi 5000 kunjungan dalam 8 bulan

Thibault BMsorank.comGoogleSoftware

0 menjadi 1104 klik dalam 4 bulan

Dominiqueflight-sensations-idf.comGoogleHiburan dan penerbangan

0 menjadi 163 klik dalam 6 bulan

Coworking Pariscoworking-paris.frGoogleOffice broker

x92 klik dalam 7 bulan

Guide Zanzibarguidezanzibar.comGooglePerjalanan