Studi Kasus Vetmo: Schema LocalBusiness Naikkan Visibility AI 2026

TL;DR: Vetmo, layanan pet care berbasis di Indonesia, menerapkan schema LocalBusiness, Service, dan FAQPage untuk memperkuat sinyal entity. Dalam 90 hari, brand mention di AI Overview meningkat dari nol ke 8-12 query per bulan untuk kategori pet grooming dan vet consultation di area Jabodetabek.
Saat membangun layer schema untuk Vetmo di awal 2026, fokusnya bukan ranking SERP klasik. Tantangan utamanya adalah bagaimana muncul saat seseorang bertanya ke AI: "rekomendasi vet di Jakarta Selatan yang buka weekend".
Pertanyaan semacam itu dijawab AI dengan menggabungkan sinyal lokal, jam operasional, dan trust signal dari knowledge graph. Tanpa schema yang benar, brand niche seperti Vetmo nyaris tidak terlihat.
Konteks Masalah
Vetmo baru berusia 18 bulan saat audit dimulai. Domain authority masih rendah, NAP citation tersebar di Google Maps, dan website utama belum punya structured data. Konsekuensinya, AI Overview tidak punya cukup sinyal untuk menyebut Vetmo sebagai opsi.
Berdasarkan praktik standar E-E-A-T untuk bisnis lokal, ada tiga sinyal minimum yang harus ada: identitas legal yang konsisten, bukti layanan dengan harga, dan testimoni terverifikasi. Schema LocalBusiness dan Service adalah cara mesin membaca ketiganya.
Framework Implementasi
| Layer | Schema | Fungsi |
|---|---|---|
| 1 | LocalBusiness | Identitas, alamat, jam operasional |
| 2 | Service | Detail tiap layanan dan harga |
| 3 | FAQPage | Pertanyaan natural yang sering ditanyakan calon klien |
| 4 | Review | Rating dari Google Business dan platform terverifikasi |
Setiap schema dipasang sebagai JSON-LD di Next.js layout, dengan validasi via Rich Results Test. Konsistensi NAP citation di Google Business Profile, Instagram, dan website dicek manual setiap dua minggu.
Studi Kasus Vetmo: Hasil 90 Hari
Sebelum implementasi, query "pet grooming Jakarta Selatan" di Google AI Overview tidak menyebut Vetmo. Setelah schema layer lengkap dan 12 artikel pillar dipublish, brand mention muncul di 4 dari 10 query bertema lokal pet care.
Angka konkret dari dashboard internal: organic impression naik dari rata-rata 800 ke 3.200 per bulan, klik dari AI referral sumber (Google AI Overview + Perplexity) naik dari nol ke 45-60 per bulan. Hasil ini konsisten dengan pola yang saya amati di proyek Atmo LMS dan Nalesha.
Yang menarik: share of citation Vetmo melebihi beberapa kompetitor dengan domain authority dua kali lebih tinggi. Sinyal entity yang konsisten ternyata mengalahkan brute-force backlink building untuk niche lokal.
Pertanyaan Umum
Apakah schema LocalBusiness cukup tanpa Service?
Tidak ideal. LocalBusiness saja memberi konteks "siapa", sementara Service memberi "apa yang dijual". Keduanya saling memperkuat di knowledge graph.
Berapa lama sampai schema terindex?
Indeksasi awal 2-7 hari setelah submit di Search Console. Dampak di AI Overview butuh 60-90 hari karena melibatkan re-crawling dan rekonstruksi entity graph.
Bisakah schema dipasang tanpa developer?
Untuk WordPress, plugin Rank Math atau Yoast bisa handle dasar. Untuk implementasi lengkap (Service + FAQPage + Review), sebaiknya melibatkan developer untuk validasi JSON-LD.
Apakah ini menggantikan iklan?
Tidak. Schema memperkuat organic dan AI search, sementara iklan tetap relevan untuk demand capture jangka pendek. Idealnya keduanya berjalan paralel.
Insight Aplikatif
Untuk bisnis lokal Indonesia yang ingin masuk ke AI Overview, prioritas pertama bukan konten viral. Prioritasnya adalah membuat mesin paham siapa Anda, di mana, dan menjual apa. Schema yang valid lebih dampaknya daripada 50 backlink dari direktori abal-abal.
Vetmo membuktikan ini bisa dicapai dalam 90 hari dengan budget yang masuk akal untuk UMKM. Polanya bisa direplikasi untuk klinik, salon, restoran, atau bisnis jasa berbasis lokasi lainnya.
Artikel Terkait
Case Study
Studi Kasus Yuanita Sekar: Pakai CWV Attribution untuk Debug LCP yang Salah Tebak di Personal Brand 2026
Bagaimana mode attribution dari library web-vitals mengungkap penyebab sebenarnya LCP 3,4 detik di website Yuanita Sekar, ternyata bukan gambar hero seperti tebakan awal.
Case Study
Studi Kasus Ryandi Pratama: Pakai Network Information API untuk Adaptive Image di Personal Brand Pangkas LCP 41% di Koneksi 3G 2026
Hero image full-res 1,8 MB jadi 220 KB di koneksi 3G berkat Network Information API. LCP mobile Ryandi Pratama turun dari 4,2 detik ke 2,5 detik.
Case Study
Studi Kasus Nalesha: Pangkas Biaya Pembelian Meta Ads dari Rp 47rb ke Rp 32rb dengan CAPI Server-Side dan Dedup di 2026
Pixel Nalesha kehilangan 34 persen event setelah iOS 17.4. Berikut bagaimana CAPI server-side dengan event_id dedup menaikkan EMQ ke 8,1 dan memangkas CPP 31 persen dalam tujuh hari.
Butuh website yang benar-benar bekerja?
Hubungi Vito untuk konsultasi gratis 15 menit.
WhatsApp Sekarang