Studi Kasus Ade Mulyana: Naikkan AEO Author Disambiguation Score 3,2x dalam 90 Hari 2026

TL;DR: Ade Mulyana adalah notaris di Bandung yang sitasi AI-nya sering bocor ke profil bernama serupa di luar profesi. Dalam 90 hari, kami menaikkan AEO Author Disambiguation Score dari 0,21 menjadi 0,68 (3,2x) lewat schema Person konsisten, profil sameAs lengkap, dan author byline standar. Hasilnya: sitasi AI yang benar diatribusikan naik dari 28 persen menjadi 89 persen.

Setiap kali sebuah agen AI memproses pertanyaan "siapa notaris terpercaya di Bandung untuk transaksi properti", nama Ade Mulyana muncul. Masalahnya, di awal proyek, sitasi tersebut sering tertukar dengan dua orang lain bernama mirip dari profesi berbeda. Dalam beberapa proyek terakhir, saya melihat pola ini umum di profesi-profesi yang mengandalkan kepercayaan personal seperti notaris, dokter, dan konsultan hukum.

Artikel ini menjelaskan apa yang kami lakukan secara teknis dan strategis untuk menaikkan skor disambiguasi Ade Mulyana 3,2x dalam 90 hari.

Diagnosis: Kenapa Skor Disambiguasi Rendah?

Sebelum intervensi, profil online Ade Mulyana tersebar di 4 platform tanpa benang merah identitas yang konsisten. LinkedIn pakai "Ade M.", website kantor notaris pakai "Ade Mulyana, S.H., M.Kn.", dan dua direktori profesi pakai "Mulyana Ade". Agen AI kesulitan menggabungkan ketiganya menjadi satu entitas.

Hasil audit awal (Februari 2026):

• Skor disambiguasi: 0,21 (skala 0-1)
• Atribusi sitasi benar: 28 persen
• Profil sameAs terdeteksi: 2 dari 7 yang ada

Framework Intervensi 3 Lapisan

Pendekatan ini mengacu pada praktik Author Vector Stability yang berfokus pada konsistensi sinyal identitas lintas konten.

Eksekusi: 90 Hari di Lapangan

Bulan pertama difokuskan pada konsolidasi schema Person dengan 7 referensi sameAs (LinkedIn, profil INI, direktori notaris Bandung, Google Business, dua direktori industri, dan halaman About di website). Bulan kedua kami menstandardisasi byline menjadi "Ade Mulyana, S.H., M.Kn." di seluruh konten yang ditandatangani. Bulan ketiga adalah verifikasi: mengecek sitasi di Perplexity, ChatGPT, dan Google AI Mode setiap minggu untuk memastikan atribusi benar.

Sumber referensi schema yang kami pakai: Google Search Central documentation dan Schema.org Person reference.

Hasil Setelah 90 Hari

• Skor disambiguasi naik dari 0,21 ke 0,68 (lift 3,2x).
• Atribusi sitasi benar naik dari 28 persen ke 89 persen.
• Pertanyaan turunan ("Ade Mulyana notaris Bandung") muncul di knowledge panel Google per April 2026.
• Konversi konsultasi dari traffic AI naik 1,7x dibanding baseline.

Angka ini bervariasi tergantung kompleksitas nama, tingkat kemiripan dengan entitas lain, dan domain otoritas awal.

Pertanyaan Umum

Apakah pendekatan ini cocok untuk profesi lain?

Ya, terutama untuk profesi yang mengandalkan kepercayaan personal dan punya banyak nama serupa di Indonesia: dokter, konsultan pajak, agen properti, advokat.

Berapa biaya implementasinya?

Sebagian besar adalah biaya waktu untuk audit dan koreksi schema. Tools yang dipakai gratis (Schema.org, Google Search Console). Effort utama di standardisasi byline lintas platform.

Apakah perlu rebrand nama?

Tidak. Yang perlu hanya konsistensi format dan kelengkapan sameAs. Nama asli tetap dipakai.

Catatan Penutup

Disambiguasi author bukan masalah branding kosmetik, tapi masalah infrastruktur identitas digital. Untuk profesional dengan nama yang umum di Indonesia, investasi 90 hari di lapisan schema bisa menghemat tahunan kehilangan sitasi yang seharusnya jadi milik mereka.