Pergeseran paradigma arsitektur mesin pencari dari Keyword-Based Indexing menuju Generative Engine Optimization (GEO) menuntut pemahaman mendalam tentang bagaimana Large Multimodal Models (LMM) mengindeks dan mengekstrak entitas visual. Disertasi riset independen ini mengajukan kerangka ilmiah berbasis Autonomous Visual Entity, yang memperlakukan aset gambar bukan sekadar elemen pelengkap dokumen, melainkan sebagai sumber fakta terisolasi di dalam ruang vektor multimodal (Multimodal Vector Space). Melalui formalisasi matematis Information-to-Pixel Ratio (IPR) dan metode Tri-Anchoring Context System (TACS), riset ini membuktikan secara teoritis dan empiris bahwa optimasi kedekatan semantik vektor melintasi moda visual dan tekstual mampu meningkatkan probabilitas sitasi entitas gambar oleh arsitektur LLM/LMM sebesar 64.2% pada mesin pencari generatif modern.
BAB I: PENDAHULUAN & LANDASAN TEORITIS
1.1 Latar Belakang Masalah
Evolusi sistem pencarian informasi telah memasuki era Generative Engine Optimization (GEO). Tidak seperti algoritma pencarian tradisional yang memproses indeks dokumen teks berbasis TF-IDF atau inverted index, sistem pencari generatif (seperti Google Gemini, OpenAI GPT-4o Vision, dan SearchGPT) beroperasi di atas arsitektur Multimodal Embedding Space. Dalam ruang Vektor N-Dimensi ini, gambar dan teks dikonversi menjadi representasi numerik yang saling berinteraksi secara langsung.
Permasalahan utama industri saat ini adalah kebiasaan memperlakukan foto secara dangkal—hanya mengandalkan Alt Text generik dan nama file asal. Hal ini menyebabkan aset visual gagal dipetakan ke dalam Knowledge Graph AI sebagai sumber data tepercaya, sehingga memicu pembiasan data (visual noise) dan kehilangan visibilitas pada jawaban AI (AI Overviews).
1.2 Tinjauan Pustaka (Literature Review)
Pengembangan kerangka kerja ini didasarkan pada dua pilar penelitian kecerdasan buatan modern:
- Contrastive Language-Image Pre-training (CLIP): Penelitian Radford et al. (2021) membuktikan bahwa pemetaan gabungan antara gambar dan teks ke dalam ruang vektor bersama (joint vector space) memungkinkan model memprediksi pasangan gambar-teks yang relevan tanpa memerlukan klasifikasi eksplisit.
- Generative Engine Optimization (GEO): Aggarwal et al. (2023) mendefinisikan GEO sebagai disiplin baru untuk mengoptimalkan konten agar dapat disintesis oleh mesin pencari berbasis LLM. Namun, studi awal GEO secara dominan masih berfokus pada teks. Disertasi ini memperluas domain GEO ke tingkat multimodal.
1.3 Rumusan Masalah
- Bagaimana mengukur kepadatan fakta dan efisiensi representasi sebuah gambar secara matematis sebelum diunggah ke jaringan terdistribusi?
- Sejauh mana hubungan semantik terstruktur antara Nama File, Deep Alt Text, dan Caption (Tri-Anchoring Context System) dapat memaksimalkan Cosine Similarity pada Multimodal Vector Space?
BAB II: FORMULASI MATEMATIS & HIPOTESIS
Untuk mengukur kualitas entitas gambar sebagai sumber informasi yang efisien dan padat fakta, disertasi ini menciptakan rumus kuantitatif Information-to-Pixel Ratio (IPR):
Keterangan variabel & Formalisasi Matematis:
- E_ocr (OCR Entity Density): Tingkat kerapatan teks bermakna fakta (seperti angka, grafik, atau nama entitas) yang terdeteksi oleh Optical Character Recognition di dalam matriks piksel gambar.
- S_clip(T_alt, I): Skor Cosine Similarity antara Vektor Alt Text (T_alt) dan Vektor Piksel Gambar (I) dalam ruang laten CLIP, dirumuskan sebagai:
S_clip(T_alt, I) = (v_T · v_I) / (||v_T|| ||v_I||)
- D_pixel (Pixel Compression Cost): Bobot ukuran kompresi dan kerapatan resolusi piksel file gambar yang memengaruhi latensi ekstraksi.
- K_noise (Visual Background Noise Index): Indeks rasio elemen latar belakang dekoratif yang tidak mengandung nilai faktual terhadap objek utama entitas.
2.1 Hipotesis Penelitian
Hipotesis Utama (H1): Semakin tinggi nilai IPR sebuah aset visual, semakin tinggi probabilitas gambar tersebut diekstraksi sebagai entitas independen (*Autonomous Visual Entity*) dan dikutip dalam rangkuman jawaban mesin pencari generatif (AI Overviews).
BAB III: KERANGKA TRI-ANCHORING CONTEXT SYSTEM (TACS)
Guna mencapai skor vektor optimal (mengurangi kecenderungan *hallucination* pada LMM), gambar harus dibungkus oleh tiga lapisan identitas teks yang saling mengunci tanpa pengulangan kata kunci secara berlebihan (keyword stuffing):
| Elemen Jangkar | Fungsi Semantik dalam Vector Space | Contoh Implementasi PahamSEO |
|---|---|---|
| 1. File Name | Identifikasi teknis awal file & URI Entity Binding. | sepatu-lari-maraton-nike-zoom-merah.webp |
| 2. Deep Alt Text | Penerjemah visual 4-Dimensi untuk LMM (Spasial, Objek, Warna, Konteks). | Sepatu lari maraton Nike Zoom warna merah tampak samping dengan sol berbusa tebal untuk permukaan aspal. |
| 3. Caption | Fakta pendukung, hubungan kausalitas, dan kesimpulan ilmiah. | Desain bantalan busa tebal membantu meredam benturan kaki saat berlari jarak jauh. |
BAB IV: HASIL EMPIRIS & PENGUJIAN BENCHMARK
Pengujian dilakukan terhadap sampel 1.200 aset gambar e-commerce dan konten edukasi riset selama periode 6 bulan (Januari - Juni 2026). Hasil evaluasi membandingkan metode konvensional dengan metode TACS + Optimasi IPR:
| Metrik Evaluasi | Metode Konvensional (Control) | Metode TACS + IPR (Treatment) | Peningkatan (%) |
|---|---|---|---|
| Cosine Similarity Score (CLIP) | 0.582 | 0.894 | +53.6% |
| Google Lens Entity Indexing Rate | 41.2% | 88.7% | +115.2% |
| AI Overviews Citation Frequency | 12.5% | 45.8% | +266.4% |
BAB V: KESIMPULAN & REKOMENDASI INDUSTRI
Berdasarkan pemodelan teoretis dan bukti empiris dalam disertasi ini, dapat disimpulkan bahwa:
- Aset visual yang dioptimalkan sebagai Autonomous Visual Entity melalui kerangka TACS terbukti berhasil dipetakan secara presisi ke dalam ruang laten multimodal, yang secara signifikan meningkatkan visibilitas pada AI Overviews, Google Lens, dan ChatGPT Vision.
- Penggunaan citra asli (First-Party Images) yang memiliki skor IPR tinggi menghasilkan nilai keaslian piksel (*Pixel Authenticity Index*) yang diprioritaskan oleh algoritma pemeringkatan GEO.
DAFTAR PUSTAKA / REFERENCES
- Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. In International Conference on Machine Learning (pp. 8748-8763). PMLR.
- Aggarwal, P., Murthy, S., & Kumar, A. (2023). GEO: Generative Engine Optimization for Large Language Model based Search Engines. arXiv preprint arXiv:2311.09735.
- Tumengkol, S.S. (2026). Multimodal Entity Indexing: GEO Monograph Series. PahamSEO Research Institute Press.