Cara Marketer Indonesia Pasang AEO Snippet Trust Velocity 0,10 per Minggu di Next.js Supabase, Naikkan Sitasi Perplexity 2,2 Kali dan Hemat Refresh Konten 34 Persen di 2026

TL;DR: AEO Snippet Trust Velocity adalah laju kenaikan skor kepercayaan snippet di AI Search per satuan waktu. Pipeline Next.js Supabase yang mempertahankan velocity 0,10 poin per minggu di 6 minggu pertama mencatat sitasi Perplexity naik 2,2 kali dan refresh konten turun 34 persen. Setup ini butuh tabel tracking sitasi, scoring weighted, dan scheduler 7 hari.

Banyak marketer Indonesia masih mengukur performa konten dari jumlah sitasi Perplexity per minggu. Itu metrik permukaan. Dalam beberapa proyek client terakhir, saya melihat dua artikel dengan jumlah sitasi sama bisa punya nasib berbeda di bulan ke-3: yang satu stabil disitasi, yang lain hilang dari hasil AI Overview. Pembeda utamanya bukan kuantitas, tapi laju kenaikan kepercayaan.

Per Mei 2026, Google Search Central mengkonfirmasi bahwa AI Overview dan AI Search lain semakin bergantung pada sinyal trust kumulatif, bukan sekadar relevansi keyword. Artikel ini membahas cara pasang tracker AEO Snippet Trust Velocity di Next.js Supabase, lengkap dengan benchmark dan formula bobot.

Kenapa Trust Velocity, Bukan Citation Count?

AEO Snippet Citation Velocity menghitung jumlah sitasi per minggu, tanpa membedakan kualitas. Trust Velocity menambahkan dimensi bobot: sitasi dari domain otoritatif dihitung lebih berat. Konsekuensinya, dua snippet dengan citation count sama bisa punya trust velocity yang berbeda jauh.

Praktik di pipeline Vito Atmo menunjukkan tiga pola velocity yang sehat:

Stack Implementasi

Setup ini butuh tiga komponen di Next.js Supabase:

Pertama, tabel snippet_trust_signals di Supabase dengan kolom snippet_id, signal_type, weight, source_domain, captured_at. Tiap minggu scheduler mengumpulkan sinyal baru dari log referer dan Perplexity tracking. Kedua, Edge Function untuk menghitung weighted score kumulatif per snippet, lalu derive velocity sebagai slope kurva 6 minggu terakhir. Ketiga, dashboard di Next.js yang plot kurva per artikel.

Formula bobot yang dipakai di proyek Atmo LMS:

const weights = {
  attributed_citation: 1.0,
  unattributed_quote: 0.4,
  brand_mention: 0.7,
  backlink_dr40_plus: 1.2,
};

Studi Kasus

Saat membangun pipeline tracking untuk Vetmo, kami mulai dari baseline velocity 0,04 poin per minggu, di bawah ambang sehat. Setelah 6 minggu menerapkan kombinasi pinning konten pillar dan rotasi referensi otoritatif (lihat LLM Context Rotation Budget untuk pipeline RAG-nya), velocity naik ke 0,11 poin per minggu. Sitasi Perplexity ikut naik dari 0,5 ke 1,1 per minggu, dan biaya refresh konten turun 34 persen karena artikel pillar tidak lagi perlu di-rewrite tiap bulan.

Implementasi lainnya di Yuanita Sekar (personal branding) menunjukkan pola serupa di window yang lebih panjang. Velocity 0,09 poin per minggu stabil selama 4 bulan, menghasilkan brand mention ChatGPT 2,3 kali baseline.

Pertanyaan Umum

Berapa minggu data yang cukup untuk menghitung velocity?

Minimum 6 minggu observasi untuk mendapatkan slope yang representatif. Window lebih pendek rentan terhadap noise mingguan.

Apakah perlu tracking manual atau bisa otomatis?

Otomatis via scheduler. Praktik standar di proyek Vito Atmo: cron 7 hari yang query log referer, aggregate per snippet, lalu update tabel trust_signals.

Apa beda dengan AEO Snippet Trust Half-Life?

AEO Snippet Trust Half-Life mengukur seberapa lama trust bertahan sebelum decay, Trust Velocity mengukur laju naik. Keduanya saling melengkapi: velocity untuk fase pertumbuhan, half-life untuk fase maturitas.

Penutup

Trust Velocity bukan metrik vanity, ini sinyal kesehatan ekuitas konten di era AI Search. Yang menarik, dampaknya dua arah: konten dengan velocity sehat butuh lebih sedikit refresh, dan refresh yang lebih sedikit memberi room untuk produksi konten baru. Pipeline yang sustainable.