AI untuk Mencocokkan Bahan Aktif dengan Jenis Kulit dan Tujuan Formula

AI mencocokkan bahan aktif dengan kondisi kulit dengan mengubah foto dan kuesioner menjadi profil numerik, lalu menilai kandidat bahan aktif berdasarkan profil tersebut dalam batasan kimiawi. Teknologi ini mempersempit tebakan kasar; bukan menghilangkan kebutuhan uji coba. Bukti yang dipublikasikan masih minim: sebagian besar angka akurasi yang dikutip berasal dari vendor, dan model dermatologi terbukti kehilangan akurasi yang terukur pada warna kulit lebih gelap.

• 1.156.703 wanita dianalisis oleh algoritma AI melalui selfie ponsel pintar plus kuesioner — tingkat keparahan akne menurun setelah usia 25 tahun, mencapai titik terendah di usia 40–44 tahun, lalu naik kembali (studi tinjauan sejawat, Skin Research and Technology, 2024). Menemukan pola dalam skala populasi adalah hal yang memang terbukti dikuasai teknologi ini dengan baik.
• Niacinamide 5% terbukti efektif, 2% tidak untuk hiperpigmentasi wajah pada minggu ke-4 dan ke-8 dalam uji split-face yang dihimpun dalam sebuah tinjauan tahun 2021 — namun niacinamide 2% secara signifikan menurunkan sekresi sebum dalam penelitian Draelos dkk. (2006). Konsentrasi yang efektif bergantung pada target hasil yang diukur, bukan pada bahan aktifnya semata. Persentase di sini merujuk pada bahan aktif murni kecuali dinyatakan lain.
• Model AI dermatologi menurun performanya pada warna kulit gelap — dibuktikan pada set data Diverse Dermatology Images (DDI), dataset publik pertama dengan diagnosis patologi terkonfirmasi yang mencakup beragam warna kulit; penyesuaian ulang (fine-tuning) pada gambar-gambar tersebut berhasil menutup kesenjangan tersebut (studi tinjauan sejawat, Science Advances, 2022).
• 2.737 genom hasil rakitan metagenom dari survei wajah multi-pusat hanya menghasilkan dua "cutotype" yang dapat direproduksi — pengelompokan kulit berbasis data yang sama sekali tidak sesuai dengan kategori kering/berminyak/kombinasi (studi tinjauan sejawat, Microbiome, 2024).
• Tidak ada konsentrasi yang tercantum pada label mana pun. Berdasarkan Peraturan BPOM No. 25 Tahun 2025, bahan dengan kadar di bawah 1% boleh dicantumkan dalam urutan apa pun tanpa deklarasi persentase — sehingga tidak ada model yang bisa membaca formula langsung dari kemasan.

Pendahuluan: mengapa memilih skincare bukan lagi soal untung-untungan

Alur kerja klasik dalam pengembangan formula biasanya seperti ini: seorang formulator memilih bahan aktif yang "cocok untuk semua orang" — Niacinamide untuk bekas akne, Retinol untuk kerutan, Hyaluronic Acid untuk hidrasi — lalu menyusun krim dari templat yang sudah terbukti pada klien-klien sebelumnya. Setelah itu masuk tahap coba-coba: pengujian pada panel 15-20 sukarelawan, dua atau tiga kali iterasi formula, dan menunggu 8-12 minggu untuk melihat hasilnya. Jika kulit merespons secara tak terduga — iritasi, komedogenik, atau tidak ada efek yang terlihat — siklus tersebut dimulai lagi dari awal. Satu produk jadi membutuhkan waktu 6 bulan hingga satu setengah tahun, dan anggaran pengujian untuk lini produk besar dengan mudah melampaui biaya pengembangan formulanya sendiri.

Angka-angka alur kerja tersebut merupakan gambaran editorial atas praktik umum industri, bukan statistik terukur — kami menandainya di sini karena sisa artikel ini sangat ketat dalam membedakan hal tersebut. Di seluruh artikel, setiap angka diberi label sesuai jenis dokumen asalnya: sebuah studi tinjauan sejawat, sebuah regulasi, sebuah halaman teknis pemasok (otoritatif untuk bahan baku pemasok tersebut dan tidak untuk hal lain), sebuah klaim perusahaan (sekadar pemasaran hingga ada yang mempublikasikan metodenya), atau sebuah pengamatan editorial dari praktik pengajaran.

Masalahnya bukan pada keahlian para formulator — melainkan pada logika pendekatannya sendiri: daftar bahan aktif yang seragam untuk semua orang meratakan respons kulit yang, secara fisiologis, sebenarnya sangat heterogen. Fungsi barrier, mikrobioma, laju sekresi sebum, kecepatan deskuamasi, dan sensitivitas terhadap zat iritan bisa sangat berbeda antar individu dengan "jenis kulit yang sama" di atas kertas, sehingga Salicylic Acid 2% yang identik bisa secara nyata mengurangi lesi inflamasi dalam dua minggu pada satu klien, namun memicu kekeringan dan pengelupasan dalam tiga hari pada klien lain.

Di mana model pencocokan tradisional gagal

Pendekatan coba-coba ini bertumpu pada tiga asumsi, yang masing-masing lemah secara statistik:

• Jenis kulit sebagai kategori — membagi kulit menjadi "kering/berminyak/kombinasi" mengabaikan puluhan biomarker (kehilangan air transepidermal, pH permukaan, kepadatan folikel pilosebaseus) yang sebenarnya menentukan respons terhadap suatu bahan aktif. Ini bukan sekadar argumen retoris: ketika sebuah survei multi-pusat menyusun 2.737 genom hasil rakitan metagenom tingkat spesies dari kulit wajah dan membiarkan data menentukan sendiri pengelompokannya, hasilnya hanya menemukan dua "cutotype" yang dapat direproduksi, yang terutama dipengaruhi oleh usia, di samping variasi terukur pada kelembapan, sebum, kilau, pH, elastisitas, dan sensitivitas (studi tinjauan sejawat, Microbiome, 2024). Tidak satu pun dari kedua cutotype tersebut sesuai dengan kategori ritel yang biasa digunakan;
• Efektivitas yang dapat digeneralisasi antar individu — efektivitas rata-rata suatu bahan aktif dalam studi klinis tidak menjamin hasil yang sama pada kulit orang tertentu. Contoh konkretnya: untuk hiperpigmentasi wajah, uji split-face yang dihimpun dalam tinjauan mekanistik tahun 2021 menemukan bahwa pelembap dengan nicotinamide 5% mengungguli vehicle (kontrol) pada minggu ke-4 dan ke-8, sementara pelembap dengan konsentrasi 2% tidak menunjukkan efek yang signifikan secara statistik dibandingkan vehicle sama sekali (tinjauan tinjauan sejawat, Antioxidants, 2021) — dan tinjauan yang sama mencatat bahwa keunggulan pengurangan bercak tersebut kembali menyusut ke level vehicle pada minggu ke-42 setelah pengobatan dihentikan;
• Formula yang statis — resep ditetapkan sekali dan tidak berubah, sementara kondisi kulit berubah seiring musim, siklus hormonal, dan faktor eksternal lainnya — namun formulanya tidak ikut berubah.

Akibatnya, industri kosmetik selama bertahun-tahun mengompensasi ketidakpastian ini dengan memperbanyak jumlah SKU: sebuah lini produk berisi 8-10 krim "untuk kebutuhan berbeda-beda" ketimbang satu formula yang benar-benar disesuaikan untuk kasus tertentu.

Apa yang berubah dengan jaringan saraf tiruan (neural network)

Tesis artikel ini sederhana: pembelajaran mesin mengubah pemilihan bahan aktif dari tebakan berbasis kategori menjadi tugas prediksi berbasis data. Alih-alih bertanya "bahan aktif mana yang biasanya membantu mengatasi akne," model ini menjawab "kombinasi bahan aktif mana yang akan memberikan efek maksimal untuk profil kulit tertentu — dengan tingkat sebum, fungsi barrier, dan respons terhadap produk sebelumnya yang sudah diketahui." Tiga jenis model digunakan untuk ini:

• model prediktif berbasis data klinis dan konsumen (regresi, gradient boosting) yang memperkirakan probabilitas iritasi atau efektivitas suatu bahan aktif untuk profil tertentu;
• model generatif yang mengusulkan kombinasi konsentrasi bahan aktif dalam rentang teknologi yang diizinkan;
• computer vision untuk menganalisis foto kulit dan mengekstraksi fitur (ukuran pori, kemerahan, bercak pigmentasi) yang menjadi data input untuk dua jenis model sebelumnya.

Ini tidak menggantikan kimia formulasi atau mengesampingkan mekanisme biokimia — Retinol tetap membutuhkan waktu bagi stratum korneum untuk beradaptasi, dan Ascorbic Acid tetap tidak stabil dan sulit diserap di atas pH 3,5, ambang batas yang ditetapkan oleh riset absorpsi perkutan (Pinnell dkk., Dermatologic Surgery, 2001, PMID 11207686). Yang berubah bukanlah sifat bahan aktifnya sendiri, melainkan akurasi dalam menentukan konsentrasi dan kombinasi yang tepat sejak percobaan pertama.

Pada bagian-bagian berikutnya, kita akan membahas data apa yang dibutuhkan model untuk pemilihan bahan aktif yang akurat, bagaimana algoritma mencocokkan bahan aktif dengan tujuan formula (akne, pigmentasi, barrier, penuaan), dan di mana teknologi ini sudah diterapkan dalam pengembangan produk nyata — dengan contoh yang dapat diakses tanpa platform R&D korporat yang mahal.

Bagaimana jaringan saraf tiruan "melihat" kulit: dari foto menjadi profil digital

Sebelum algoritma bisa mengusulkan satu formula pun, ia harus mengubah foto wajah menjadi sekumpulan angka. Proses ini disebut ekstraksi fitur (feature extraction), dan kualitasnya menentukan apakah klien menerima rekomendasi berdasarkan kondisi nyata kulitnya — bukan berdasarkan templat rata-rata "satu untuk semua orang".

Computer vision mengolah gambar kulit melalui beberapa tahap berurutan, masing-masing menyelesaikan tugas spesifiknya sendiri.

Tahap 1: segmentasi zona wajah

Hal pertama yang dilakukan sistem adalah memetakan wajah ke dalam zona-zona anatomis: T-zone, pipi, area periorbital, garis nasolabial, dagu. Ini penting karena kulit berperilaku berbeda di setiap zona meskipun pada orang yang sama: T-zone bisa menunjukkan kondisi berminyak dengan pori yang membesar, sementara pipi menunjukkan dehidrasi dan pengelupasan. Tanpa segmentasi, model akan meratakan data ini dan menghasilkan rekomendasi yang kontradiktif.

Segmentasi dilakukan menggunakan convolutional neural network (CNN) yang dilatih pada basis data gambar dermatologis yang sudah diberi anotasi. Model ini menemukan titik-titik kunci wajah (landmark) — biasanya 68-468 titik, bergantung pada arsitekturnya — dan membangun peta zona dari titik-titik tersebut. Jumlah landmark merupakan properti terdokumentasi dari arsitektur yang telah dipublikasikan sendiri. Akurasi segmentasi adalah persoalan lain, dan ini menjadi koreksi pertama kami terhadap cara umum menceritakan kisah ini: angka-angka di kisaran 95–98% banyak beredar dalam tulisan-tulisan industri tanpa studi primer yang dapat ditelusuri di baliknya, sehingga artikel ini tidak menyatakan angka tersebut sebagai fakta. Yang bisa dipastikan dari karya-karya yang dipublikasikan adalah arah masalahnya, bukan angka persentase utama — dan bagian berikutnya tentang keterbatasan menunjukkan seberapa besar arah tersebut bisa terjadi.

Tahap 2: deteksi fitur-fitur spesifik

Di setiap zona, algoritma mencari pola visual spesifik yang kemudian diubah menjadi metrik terukur:

• Pori — dideteksi sebagai bintik gelap lokal berbentuk bundar dengan diameter tertentu (biasanya 50-200 mikron setelah konversi piksel); kepadatan per cm² dan ukuran rata-rata dihitung
• Kemerahan (eritema) — analisis kanal merah RGB dan deviasinya dari warna dasar kulit; peta intensitas eritema dibangun dalam sebuah skala
• Sebum dan kilau — ditentukan melalui analisis pantulan spekular (highlight kilau) dalam gambar; semakin tinggi kepadatan dan kecerahan highlight, semakin tinggi perkiraan tingkat sekresi sebum
• Kerutan dan garis lipatan — deteksi struktur linier menggunakan filter tipe Gabor atau Frangi yang mengenali garis gelap memanjang dengan latar tekstur yang lebih terang
• Pigmentasi dan bekas akne — pengelompokan (clustering) bintik-bintik gelap dengan bentuk tidak beraturan, yang dibedakan dari pori berdasarkan ukuran dan kontur

Setiap fitur ini tidak hanya ditandai sebagai "ada/tidak ada" — melainkan diberi nilai numerik: indeks kepadatan, derajat keparahan, area yang terdampak sebagai persentase dari total area segmen tersebut.

Bahwa fitur-fitur yang diekstraksi ini benar-benar membawa sinyal yang nyata bukanlah sekadar asumsi. Dalam penerapan terbesar yang pernah dipublikasikan dari jenis ini — analisis AI terhadap selfie ponsel pintar dari 1.156.703 wanita dewasa asal Tiongkok, dikombinasikan dengan kuesioner gaya hidup — fitur-fitur yang dinilai oleh mesin seperti komedo, keparahan pori, lingkaran gelap, dan kekasaran kulit masing-masing berkaitan positif dengan tingkat keparahan akne, dan studi tersebut menemukan kurva usia yang jelas: keparahan menurun sejak usia 25 tahun, mencapai titik terendah di usia 40–44 tahun, lalu naik secara bertahap (studi tinjauan sejawat, Skin Research and Technology, 2024). Perhatikan bentuk bukti tersebut: bukti ini menetapkan bahwa fitur-fitur tersebut informatif dalam skala populasi. Bukti ini tidak menetapkan bahwa satu foto selfie tertentu menghasilkan diagnosis individual yang andal.

Tahap 3: normalisasi dan konversi menjadi vektor fitur

Data mentah dari foto sangat dipengaruhi oleh kondisi pengambilan gambar: pencahayaan, sudut kamera, suhu warna layar. Karena itu, sebelum data dimasukkan ke model pemilihan bahan aktif, data tersebut melalui proses normalisasi — menyamakannya ke satu skala yang tidak terpengaruh oleh kondisi pengambilan gambar. Ini sering dilakukan melalui kalibrasi terhadap kartu warna referensi (color checker) atau terhadap zona wajah referensi dengan karakteristik yang sudah diketahui (misalnya, sklera mata sebagai referensi warna putih).

Setelah normalisasi, semua fitur visual dirangkai menjadi satu vektor fitur — sekumpulan angka yang tersusun, di mana setiap posisi sesuai dengan parameter tertentu: kepadatan pori di T-zone, indeks eritema di pipi, kedalaman kerutan nasolabial, dan seterusnya. Vektor semacam ini biasanya berisi 30 hingga 150 parameter, bergantung pada tingkat detail modelnya.

Vektor numerik inilah — bukan foto itu sendiri — yang diteruskan ke model pemilihan bahan aktif. Model tidak lagi "melihat" wajah; ia bekerja dengan data terstruktur, membandingkan profil klien dengan basis data pelatihan yang berisi kombinasi fitur serupa yang sudah dikaitkan dengan formula tertentu beserta efektivitasnya. Proses pencocokan tersebut akan dibahas pada bagian berikutnya.

Kimia kompatibilitas: mengapa tidak semua bahan aktif bisa dicampur

Bahan aktif yang sudah paling pas dengan jenis kulit tertentu pun bisa gagal bekerja — atau bahkan berpotensi merugikan — jika formula memasangkannya dengan "tetangga" yang secara biokimia saling bertentangan. Sebelum AI mengusulkan suatu kombinasi bahan, ia harus memodelkan puluhan interaksi tersembunyi: kompetisi untuk reseptor yang sama, perubahan pH, ketidakstabilan oksidatif, adsorpsi kompetitif pada lapisan lipid. Inilah "kimia kompatibilitas" — lapisan batasan tak terlihat yang menentukan ruang formulasi apa saja yang sebenarnya tersedia.

Retinol dan AHA: konflik mekanisme peremajaan kulit

Retinol bekerja dengan berikatan pada reseptor nuklir RAR/RXR, memicu ekspresi gen yang bertanggung jawab atas proliferasi keratinosit. Alpha Hydroxy Acids (asam glikolat, asam laktat) bekerja dengan cara berbeda — memutus ikatan ionik antar korneosit di stratum korneum, mempercepat eksfoliasi mekanis. Masalahnya bukan karena kedua mekanisme ini "saling bertentangan" — justru efeknya saling bertumpuk, dan itulah yang berbahaya: dua siklus peremajaan yang tumpang tindih membuat lapisan pelindung kulit punya lebih sedikit waktu untuk pulih, dengan konsekuensi yang bisa diprediksi berupa peningkatan transepidermal water loss (TEWL) dan eritema.

Di sini kami perlu menyampaikan koreksi, bukan sekadar penenangan. Versi awal artikel ini mencantumkan ambang batas tertentu — retinol 0,3% dikombinasikan dengan AHA di atas 5% — yang dikaitkan dengan suatu sitasi spesifik yang ternyata tidak dapat kami temukan dalam literatur. Mekanisme di atas memang sudah mapan secara ilmiah; namun pasangan angka spesifik tersebut, sebagai temuan yang dipublikasikan, tidak ada dasarnya, dan kami telah menghapus atribusi tersebut daripada sekadar melunakkannya dengan kata "biasanya". Yang bisa dijadikan pegangan formulator justru sesuatu yang terukur: TEWL adalah indikator standar untuk jenis tekanan pada lapisan pelindung kulit semacam ini, dan metode pengukurannya sendiri telah distandardisasi dalam panduan EEMCO yang telah direvisi untuk pengukuran kadar air kulit secara in vivo (Skin Research and Technology, 2018, PMID 29923639). Jika Anda mengombinasikan bahan aktif peremajaan kulit, langkah yang dapat dipertanggungjawabkan adalah mengukur TEWL pada panel di sistem Anda sendiri, bukan mewarisi angka dari sebuah artikel.

Faktor kompleksitas tambahan adalah pH. Retinol stabil pada rentang pH 5,5-6,5, sementara efektivitas AHA menurun tajam di atas pH 4. Formula yang mencoba "mengangkangi" dua lingkungan sekaligus biasanya kehilangan stabilitas untuk kedua bahan aktif tersebut: retinol lebih cepat teroksidasi, dan asamnya tidak terdeprotonasi cukup untuk dapat menembus stratum korneum.

Vitamin C dan niacinamide: mitos yang sudah kedaluwarsa

Kekhawatiran klasik: L-Ascorbic Acid dan Niacinamide disebut-sebut membentuk niasin dan menyebabkan flushing. Ini hanya benar jika campuran dipanaskan di atas 60°C dalam medium air selama inkubasi yang panjang — kondisi yang tidak relevan dengan emulsi kosmetik jadi pada suhu ruangan. Ulasan mekanistik oleh Wohlrab dan Kreft (Skin Pharmacology and Physiology, 2014, PMID 24993939) menjelaskan farmakologi nicotinamide topikal dan tidak memberikan dasar untuk mengharapkan iritasi akibat transamidasi yang signifikan secara klinis dalam kondisi pemakaian normal. Meski begitu, model AI perlu memperhitungkan bukan reaksinya itu sendiri, melainkan kondisi-kondisi yang mempercepatnya: proses produksi, suhu penyimpanan, pH akhir formula jadi. Jika sebuah krim diformulasikan dengan L-Ascorbic Acid pada pH 3,5 (titik optimal stabilitas dan penyerapan untuk bentuk vitamin C ini, menurut Pinnell dkk., 2001), menambahkan niacinamide pada konsentrasi tinggi menciptakan sistem buffer yang tidak seimbang di mana sebagian molekul bergeser ke zona pH yang kurang optimal.

Bagaimana AI memodelkan batasan-batasan ini

Model generatif tidak "mengarang" formula secara bebas — ia beroperasi dalam ruang optimasi yang terbatas, di mana setiap bahan aktif dijelaskan bukan hanya berdasarkan tingkat pemakaiannya, tetapi juga vektor parameter fisikokimia: rentang pH stabil, suhu dekomposisi, potensial redoks, pasangan ketidakcocokan yang sudah dikenal dari literatur dan basis data paten. Dalam praktiknya ini diimplementasikan sebagai sistem fungsi penalti: jika algoritme mencoba mengombinasikan retinol dan AHA di atas ambang konsentrasi tertentu, "skor formula" keseluruhan menurun, dan model akan mencari kombinasi alternatif — misalnya, retinol terenkapsulasi atau PHA sebagai pengganti asam glikolat, yang mekanisme iritasinya lebih ringan.

Contoh nyata dari pola ini di luar rekomendasi perawatan kulit menunjukkan seperti apa versi yang dapat dipertanggungjawabkan. Dua model machine learning berbasis ligan — satu untuk klasifikasi aktivitas, satu untuk estimasi pIC₅₀ — menyaring pustaka produk alami dan obat untuk mencari inhibitor tirosinase; docking molekuler kemudian memberi ranking ulang pada kandidat yang tersisa; dan tiga kandidat teratas kemudian diuji in vitro, semuanya menghambat tirosinase jamur lebih kuat dibanding arbutin, dengan permeasi transdermal yang lebih baik dibanding formulasi arbutin komersial (studi peer-review, ACS Omega, 2025). Lapisan batasan di sana adalah laboratorium basah. Itulah standar yang seharusnya dijadikan acuan untuk menilai "skor kompatibilitas" internal sebuah sistem rekomendasi kosmetik — dan hampir tidak ada yang mempublikasikannya.

Justru karena itulah ruang solusi yang benar-benar dilihat AI jauh lebih sempit daripada yang terlihat pada awalnya: dari ribuan kombinasi bahan aktif teoretis, hanya sebagian kecil yang tetap kompatibel secara kimiawi setelah pH, suhu, dan stabilitas oksidatif diperhitungkan. Angka "15-20%" yang pernah disebutkan di sini adalah perkiraan editorial, bukan hasil pengukuran, dan disajikan sebagai demikian: proporsi yang tersisa sangat bergantung pada berapa banyak bahan aktif dalam pustaka data dan seberapa ketat ambang penalti yang diterapkan. Pembahasan lebih lanjut ada di artikel tentang stabilitas formula kosmetik.

Arsitektur mesin rekomendasi: dari data pengguna hingga formula jadi

Di balik layanan "AI memilihkan krim untuk Anda" bukanlah satu model, melainkan pipeline dari beberapa tahap pengolahan data. Setiap tahap menyelesaikan tugas spesifiknya sendiri, dan hanya melalui rangkaian berurutan inilah input yang berbeda-beda — foto, kuesioner, keluhan — diubah menjadi daftar bahan aktif spesifik beserta tingkat pemakaiannya. Mari kita bedah pipeline ini langkah demi langkah.

Lapisan input: apa yang diterima model

Sistem rekomendasi bekerja dengan tiga jenis data, yang digabungkan menjadi satu vektor fitur sebelum dimasukkan ke dalam model:

Satu hal penting: data kuesioner dan embedding foto berada pada skala numerik yang berbeda, sehingga sebelum digabungkan diterapkan normalisasi (biasanya z-score atau min-max) — jika tidak, satu sumber data akan mendominasi sumber data lain hanya karena rentang nilainya, bukan karena tingkat kepentingannya yang sesungguhnya.

Blok model satu: klasifikasi profil

Tahap pertama menyelesaikan tugas klasifikasi multi-kelas atau multi-label: sistem tidak menetapkan kulit pengguna ke satu jenis tunggal (penyederhanaan dari kuesioner perawatan kulit era 1990-an), melainkan ke kombinasi kondisi — misalnya, "T-zone seboroik + dehidrasi perifer + pigmentasi pasca-akne." Gradient boosting (XGBoost, CatBoost) pada fitur tabular sering digunakan untuk ini, atau jaringan fully connected kecil jika inputnya berupa embedding gabungan foto dan kuesioner.

Seberapa akurat klasifikasi tersebut dibandingkan dengan penilaian dokter kulit? Inilah tempat kedua di mana kami menghapus sebuah angka daripada sekadar melunakkannya: rentang "78–89%" yang sebelumnya disebutkan di sini bersumber dari publikasi yang tidak dapat kami temukan. Kondisi bukti yang sebenarnya adalah bahwa akurasi klasifikasi kulit konsumen sebagian besar dilaporkan oleh perusahaan yang menjual pengklasifikasi tersebut, dan di tempat-tempat di mana evaluasi independen memang dilakukan pada pencitraan dermatologis, hasilnya justru mengecewakan alih-alih menenangkan — lihat bagian keterbatasan di bawah. Vendor mana pun yang mengutip satu angka akurasi tunggal tanpa menyebutkan set pengujian, standar rujukan, dan populasi tempat pengukuran dilakukan, sebenarnya membuat klaim perusahaan, bukan melaporkan hasil.

Blok dua: mesin rekomendasi untuk pemilihan bahan aktif

Setelah klasifikasi profil, model kedua bekerja — mesin rekomendasi sesungguhnya, yang bekerja dengan logika mirip rekomendasi produk e-commerce, tetapi dengan batasan kimiawi yang ketat. Dua pendekatan digunakan di sini, seringkali secara hibrida:

• Content-based filtering — mencocokkan profil kulit dengan basis pengetahuan bahan aktif: setiap bahan sudah ditandai sebelumnya dengan kondisi target, mekanisme kerja, rentang konsentrasi efektif, dan ketidakcocokan yang sudah dikenal.
• Collaborative filtering — dilatih dengan data historis tentang bagaimana pengguna serupa merespons formula serupa (hanya berfungsi dengan basis ulasan dan pembelian berulang yang cukup besar — puluhan ribu profil).

Komponen content-based menjawab "apa yang secara teoretis cocok"; collaborative filtering menjawab "apa yang benar-benar berhasil untuk orang-orang serupa." Tanpa komponen pertama, sistem merekomendasikan kombinasi yang tidak aman; tanpa komponen kedua, sistem kehilangan sensitivitas terhadap pola respons kulit nyata yang tidak selalu sesuai dengan teori.

Ada masalah struktural pada basis pengetahuan yang tidak bisa diperbaiki oleh arsitektur model secanggih apa pun, dan masalah ini bersifat legal, bukan teknis. Jika tag "rentang konsentrasi efektif" diambil (scraped) dari daftar INCI produk yang dijual di pasaran, itu sebenarnya fiksi: berdasarkan Ketentuan pelabelan dalam Peraturan BPOM No. 25 Tahun 2025, daftar bahan disusun berdasarkan urutan menurun berat hanya di atas 1%, semua yang di bawah 1% dapat dicantumkan dengan urutan apa pun, dan tidak ada konsentrasi yang pernah dicantumkan pada kemasan. Mesin rekomendasi yang konsentrasinya berasal dari label sebenarnya hanya menyimpulkannya; mesin rekomendasi yang konsentrasinya berasal dari makalah klinis dan dokumen teknis pemasok benar-benar membacanya langsung. Kedua sistem ini tidak sama, dan perbedaannya tidak terlihat oleh pengguna.

Lapisan batasan: mengapa model tidak bisa sekadar memaksimalkan efikasi

Daftar akhir bahan aktif tidak dipilih murni berdasarkan "apa yang akan memberikan efek maksimal" — di bagian hilir dari model rekomendasi terdapat lapisan batasan berbasis aturan yang menyaring kombinasi berdasarkan kompatibilitas kimiawi, total keasaman formula, dan konsentrasi maksimum bahan aktif yang mengiritasi yang diperbolehkan untuk tingkat sensitivitas tertentu. Inilah tepatnya lapisan yang mencegah sistem menetapkan secara bersamaan 10% Niacinamide dan dosis tinggi asam murni pada kulit yang menunjukkan tanda-tanda lapisan pelindung yang terganggu.

Lapisan output: apa yang dilihat pengguna

Hasil akhir dari pipeline bukanlah deskripsi teks — melainkan daftar terstruktur dengan tingkat pemakaian dan urutan aplikasi. Persentase di bawah ini adalah bahan aktif murni (active matter); bahan baku komersial yang menyediakan bahan aktif tersebut, katakanlah, pada aktivitas 50%, akan didosis dua kali lipat dari angka-angka ini sebagaimana dipasok (w/w):

Masing-masing dari ketiga baris ini memiliki status bukti yang berbeda, dan formulator sebaiknya memperlakukannya secara berbeda pula. Baris niacinamide 4% didukung oleh bukti uji split-face untuk kerutan, pori, dan ketidakrataan warna kulit dalam 8-12 minggu, yang dikumpulkan dalam ulasan Antioxidants tahun 2021 dan berasal dari penelitian Bissett tentang nicotinamide topikal pada kulit wajah yang menua (International Journal of Cosmetic Science, 2004, PMID 18492135). Baris bakuchiol 0,5% didasarkan pada satu perbandingan head-to-head yang cukup terkenal: perbandingan acak, tersamar ganda (double-blind) selama dua belas minggu antara bakuchiol 0,5% dan retinol 0,5% menemukan perbaikan yang sebanding pada area kerutan dan pigmentasi dengan lebih sedikit pengelupasan dan sensasi perih pada kelompok bakuchiol (Dhaliwal dkk., British Journal of Dermatology, 2019, PMID 29947134) — satu uji klinis, bukan kumpulan bukti yang luas. Baris sodium hyaluronate merupakan praktik konvensional, bukan ambang batas yang bersumber dari sitasi tertentu. Algoritme yang menampilkan ketiganya dengan format tingkat kepercayaan yang sama sebenarnya menyembunyikan perbedaan ini dari Anda.

Tingkat detail ini merupakan konsekuensi langsung dari arsitekturnya: sistem tidak "menerka-nerka produk" — ia menyusun formula dari keputusan-keputusan atomik, yang masing-masing telah melewati klasifikasi, rekomendasi, dan filter kompatibilitas. Pembahasan lebih lanjut tentang bagaimana persentase ini dipetakan ke tingkat pemakaian laboratorium sesungguhnya ada di artikel tentang tingkat dosis bahan aktif.

Jenis kulit di mata algoritma: berminyak, kering, kombinasi — dan apa yang dilihat model

Saat seorang pengguna mencentang "kulit saya berminyak" pada kuesioner, ia sebenarnya menggambarkan perasaan subjektif — kilap menjelang siang, pori-pori tersumbat, foundation yang "meluncur" saat sore hari. Algoritma bekerja dengan lapisan realitas yang berbeda: ia mengolah parameter fisiologis yang terukur, yang tidak bergantung pada mood, cuaca di luar, atau berapa banyak kopi yang diminum pagi itu. Kesenjangan antara dua gambaran realitas inilah yang membuat klasifikasi jenis kulit berbasis neural network bisa lebih informatif dibanding laporan diri — asalkan instrumen di baliknya benar-benar telah divalidasi.

Tiga penanda yang dilihat model

Kebanyakan pengklasifikasi jenis kulit berbasis algoritma dibangun di atas tiga variabel fisiologis yang telah diukur secara instrumental oleh dermatolog sejak tahun 1980-an, dan yang kini bisa diestimasi oleh neural network dari foto serta tanda-tanda tidak langsung:

• Laju sebum — kecepatan dan volume produksi sebum oleh sebosit. Diukur secara klinis dengan sebometer (dalam μg/cm²); dari foto, algoritma mengestimasinya secara tidak langsung — melalui pola pantulan cahaya (glare) di zona T, ukuran dan kepadatan pori yang terlihat, serta tekstur piksel lokal di sekitar hidung dan dahi.
• Transepidermal water loss, TEWL — laju penguapan air melalui stratum korneum, indikator utama integritas lapisan pelindung lipid. TEWL yang tinggi menandakan kekeringan dan reaktivitas kulit yang meningkat, bahkan ketika kulit tampak normal secara visual. Dari foto, ini dibaca melalui mikrotekstur: pengelupasan, permukaan yang tidak rata, area dengan tampilan matte dan "tegang". Metode instrumental serta faktor-faktor pengganggunya — kelembapan lingkungan, pergerakan udara, suhu kulit, waktu akomodasi — telah distandarkan dalam panduan EEMCO edisi revisi (2018, PMID 29923639), yang patut dibaca sebelum mengutip angka TEWL siapa pun, termasuk milik sendiri.
• Elastisitas dan kekencangan — kemampuan kulit untuk kembali ke posisi semula setelah deformasi mekanis, terkait dengan kondisi matriks kolagen dan elastin pada dermis. Diukur secara instrumental dengan cutometer; algoritma mengestimasinya dari kerutan, mikrorelief, dan kelonggaran kontur wajah dari waktu ke waktu (jika tersedia rangkaian foto atau video).

Kombinasi ketiga parameter ini tidak menghasilkan satu label tunggal "berminyak/kering/kombinasi", melainkan sebuah vektor nilai — misalnya, laju sebum 68% (tinggi), TEWL 12 g/m²/jam (biasanya dilaporkan dalam kisaran satuan digit untuk kulit wajah yang tidak rusak dalam kondisi terkontrol), elastisitas 0,75 (menurun). Klasifikasi dibangun berdasarkan vektor ini, bukan berdasarkan tampilan visual "kelihatan seperti kulit berminyak". Ambang batas absolut TEWL berbeda-beda antar alat dan laboratorium, dan justru karena itu panduan EEMCO menegaskan bahwa pengukuran sebaiknya dibandingkan di dalam satu studi, bukan antar studi.

Mengapa penilaian sendiri secara sistematis bisa salah

Kesenjangan antara apa yang orang pikirkan tentang kulit mereka sendiri dan apa yang ditunjukkan instrumen memang nyata, tetapi di sini pun kami tidak ingin mengarang angka demi tampilan yang meyakinkan: klaim yang sering diulang-ulang bahwa "kurang dari 60% diagnosis mandiri sesuai dengan pembacaan sebometer" tidak memiliki sumber yang dapat kami verifikasi, dan tidak dinyatakan sebagai fakta dalam revisi ini. Yang dapat didukung adalah bahwa properti-properti mendasar tersebut memang bervariasi dengan cara yang tidak dapat dilacak oleh laporan diri — survei wajah multi-pusat yang dikutip sebelumnya mengukur kelembapan, sebum, kilap, pH, elastisitas, dan sensitivitas sebagai variabel kontinu, dan menemukan bahwa usia adalah pendorong dominannya, tanpa batas yang jelas yang mereplikasi kategori-kategori ritel (Microbiome, 2024). Mekanisme yang membuat penilaian sendiri tidak dapat diandalkan sudah cukup dipahami:

• Produksi sebum berfluktuasi sepanjang hari dan seiring perubahan suhu lingkungan, sehingga penilaian "dengan mata telanjang" di pagi dan sore hari bisa memberikan jawaban yang berbeda.
• Kekeringan sering disalahartikan sebagai dehidrasi (kekurangan kelembapan pada stratum korneum, bukan kekurangan lipid) — keduanya adalah dua mekanisme berbeda yang membutuhkan bahan aktif yang berbeda pula.
• Kulit kombinasi, dalam pengalaman kami mengajar, adalah kategori yang paling sering salah didiagnosis: orang cenderung melebih-lebihkan tingkat minyak di zona T, atau tidak menyadari kekeringan di area pipi karena perhatian mereka tertuju pada masalah yang tampak jelas (pori-pori, kilap). Ini adalah observasi editorial dari pengalaman menerima peserta didik, bukan statistik yang dipublikasikan.
• Musim dan efek "penyamaran" oleh makeup: foundation atau primer mattifying secara visual menormalkan tampilan kulit pada saat itu, sehingga mendistorsi persepsi terhadap kondisi dasar kulit yang sebenarnya.

Kulit kombinasi: mengapa bukan "dua jenis dalam satu"

Algoritma memperlakukan kulit kombinasi bukan sebagai campuran kulit berminyak dan kering, melainkan sebagai heterogenitas zonal dalam satu set parameter yang sama. Model membagi wajah menjadi beberapa segmen (zona T, pipi, area periorbital) dan menghitung vektor sebum/TEWL/elastisitas tersendiri untuk masing-masing segmen. Profil yang dihasilkan bukanlah nilai rata-rata, melainkan peta perbedaan: zona T mungkin menunjukkan laju sebum tinggi dengan TEWL rendah, sementara pipi menunjukkan sebum rendah dengan TEWL yang jauh lebih tinggi. Ini krusial bagi formulasi: serum dengan satu konsentrasi Niacinamide untuk seluruh wajah bekerja lebih buruk dibanding distribusi bahan aktif yang spesifik per zona, sebuah poin yang dibahas lebih rinci dalam artikel tentang kompatibilitas bahan aktif (/blog/himiya-sovmestimosti-aktivov).

Poin praktis untuk formulasi: akurasi klasifikasi jenis kulit secara langsung menentukan rentang konsentrasi bahan aktif yang diperbolehkan. Kesalahan estimasi TEWL bisa menyebabkan formula dengan 2% Salicylic Acid direkomendasikan untuk kulit yang lapisan pelindungnya sudah terganggu — dan alih-alih pori yang lebih bersih, pengguna justru mengalami iritasi dan pengelupasan yang lebih parah.

Tugas formula: bagaimana AI membedakan "anti-acne" dari "for radiance"

Jenis kulit menetapkan batasan dasar formula, tetapi tujuan spesifik-lah yang menentukan bahan aktif mana yang lebih dulu masuk ke dalam komposisi. Bagi algoritma, ini bukan sekadar label teks seperti "acne" atau "radiance" — melainkan vektor titik akhir klinis (clinical endpoints), sekumpulan parameter terukur yang telah dibuktikan efikasinya oleh suatu bahan dalam studi-studi. Model mencocokkan permintaan pengguna dengan vektor ini, bukan dengan nama masalah.

Dari permintaan menjadi vektor klinis

Saat seorang pengguna menulis "saya ingin menghilangkan breakout," modul NLP sistem menerjemahkan permintaan tersebut ke dalam kombinasi fitur: hiperkeratinisasi folikuler, kolonisasi Cutibacterium acnes, inflamasi lokal, produksi sebum berlebih. Permintaan "for radiance" terurai secara berbeda: stratum korneum yang tidak rata, regenerasi sel yang melambat, kekusaman mikro akibat glikasi kolagen. Perbedaan dalam cara penguraian permintaan inilah level pertama tempat tugas-tugas ini dibedakan.

Dari sana, setiap fitur mencari kecocokan dalam basis data bahan aktif, di mana setiap bahan diberi label bukan berdasarkan klaim pemasaran, melainkan berdasarkan mekanisme kerja yang telah dikonfirmasi dalam studi. Konsentrasi dalam tabel di bawah ini merupakan bahan aktif murni:

Yang penting, bahan yang sama dapat muncul di beberapa tugas dengan fungsi pembobotan yang berbeda. Niacinamide bekerja pada acne (regulasi sebum), pigmentasi (menghambat transfer melanosom), dan perbaikan lapisan pelindung (menstimulasi sintesis ceramide) sekaligus — mekanisme-mekanisme ini dijelaskan dalam Bissett et al. (2004) dan dalam ulasan mekanistik yang lebih baru yang telah dikutip sebelumnya. Algoritma tidak memilih satu bahan "untuk satu tugas" saja — ia menjumlahkan kontribusi mekanisme bahan tersebut di seluruh vektor target aktif pengguna secara bersamaan.

Bagaimana data klinis mengkalibrasi bobot

Setiap tautan "bahan aktif → efek" dalam basis data tidak membawa nilai biner (bekerja/tidak bekerja), melainkan koefisien efikasi numerik yang diturunkan dari uji klinis dan ulasan ilmiah. Untuk Azelaic Acid, ringkasan otoritatif mengenai mekanisme multi-targetnya — anti-inflamasi, antioksidatif, bakterisidal termasuk terhadap strain yang resistan antibiotik, dan anti-komedogenik — adalah ulasan oleh Sieber dan Hegel (Skin Pharmacology and Physiology, 2014, PMID 24280644). Dua catatan penting yang perlu disertakan bersama kutipan ini, dan yang tidak pernah dimunculkan oleh algoritma manapun: ini adalah ulasan naratif, bukan meta-analisis, dan para penulisnya saat itu dipekerjakan oleh produsen produk asam azelaic. Data efikasi head-to-head untuk gel azelaic acid 15% berasal dari uji klinis acak (randomised trial) yang terpisah (misalnya studi paralel investigator-blind dalam Journal of the European Academy of Dermatology and Venereology, 2015, PMID 25399481), bukan dari ulasan tersebut — sebuah perbedaan yang penting, karena satu ulasan ditambah tiga penceritaan ulang dari studi yang sama tetaplah satu bukti, bukan empat.

Kasus niacinamide menunjukkan hal ini secara lebih tajam, dan di sinilah versi artikel sebelumnya sekadar keliru. Disebutkan bahwa efek yang signifikan secara klinis pada sebum baru mulai terlihat di konsentrasi 4–5%. Studi yang dikutip justru menyatakan sebaliknya: Draelos et al. menguji niacinamide 2% dan menemukan penurunan signifikan laju ekskresi sebum setelah 2 dan 4 minggu dalam uji terkontrol plasebo pada 100 subjek Jepang, ditambah penurunan signifikan tingkat sebum kasual setelah 6 minggu dalam studi split-face pada 30 subjek Kaukasia (Journal of Cosmetic and Laser Therapy, 2006, PMID 16766489). Ambang 4–5% justru berlaku untuk titik akhir yang sama sekali berbeda — hiperpigmentasi wajah, di mana 5% mengungguli vehicle sementara 2% tidak (Antioxidants, 2021). Generalisasi yang benar karenanya bukan sebuah angka, melainkan sebuah aturan: konsentrasi efektif suatu bahan aktif ditentukan bersamaan dengan titik akhirnya, dan satu "% rekomendasi" tunggal untuk sebuah bahan adalah kesalahan kategori. Inilah persis jenis penyederhanaan berlebihan yang dilakukan mesin rekomendasi ketika ia hanya menyimpan satu kolom tingkat pemakaian per bahan.

Sumber kalibrasi kedua adalah agregasi masukan pengguna (feedback). Ketika ribuan pengguna dengan profil kulit digital yang serupa melaporkan perubahan pada parameter tertentu (kilap minyak, jumlah papula, warna kulit) setelah 4, 8, dan 12 minggu pemakaian, sistem menghitung ulang bobot rekomendasi. Ini bekerja seperti pembaruan Bayesian: data klinis menetapkan distribusi efikasi prior, sementara masukan perilaku memberikan koreksi posterior untuk populasi pengguna nyata — bukan sekadar untuk kondisi studi laboratorium saja.

Tugas yang saling bertentangan dalam satu formula

Kompleksitas muncul ketika pengguna menyatakan dua tujuan sekaligus — "hilangkan acne dan tambahkan kecerahan (radiance)." Vektor-vektor tersebut sebagian tumpang tindih (kedua tujuan membutuhkan deskuamasi) tetapi sebagian saling bertentangan: regulasi sebum yang agresif dapat memperburuk kekeringan dan kekusaman yang justru ingin diatasi pengguna. Algoritma menyelesaikan ini dengan memprioritaskan berdasarkan tingkat keparahan kondisi — inflamasi aktif diberi bobot lebih tinggi dibanding tujuan estetika, sementara bahan aktif pendukung (antioksidan, misalnya) diperkenalkan dalam konsentrasi yang mendukung, bukan konsentrasi tinggi. Pembahasan lebih lanjut tentang bagaimana sistem menyelesaikan tumpang tindih semacam ini pada level kompatibilitas bahan aktif dapat dilihat dalam artikel tentang kimia kompatibilitas bahan aktif.

Keterbatasan dan risiko: ketika algoritma salah menilai

Sebuah sistem rekomendasi hanya sebaik data yang digunakan untuk melatihnya. Aturan ini terdengar sepele, tapi justru menjelaskan sebagian besar kesalahan sistematis dalam pemilihan bahan aktif berbasis AI. Model tidak "memahami" kulit — ia hanya menemukan pola statistik dalam sebuah sampel, dan jika sampelnya bias, hasilnya pun ikut bias.

Bias berdasarkan fototipe dan etnisitas

Sebagian besar dataset dermatologi terbuka yang digunakan untuk melatih model computer-vision untuk analisis kulit, secara historis didominasi oleh gambar dengan fototipe lebih terang (I-III pada skala Fitzpatrick). Hiperpigmentasi pasca-inflamasi, yang umum terjadi pada fototipe IV-VI, terdeteksi lebih buruk oleh model semacam ini: algoritma salah mengenalinya sebagai lesi inflamasi atau bahkan gagal menandainya sama sekali sebagai masalah tersendiri. Adamson dan Smith menjabarkan mekanismenya dalam JAMA Dermatology (2018, PMID 30073260): kurangnya keragaman dalam dataset gambar dermatologi secara sistematis menurunkan akurasi khususnya pada warna kulit medium dan gelap.

Klaim tersebut kemudian diukur secara nyata, bukan sekadar diasumsikan. Para peneliti membangun dataset Diverse Dermatology Images (DDI) — kumpulan gambar pertama yang tersedia untuk publik, dikurasi oleh pakar, dan dikonfirmasi secara patologis dengan keragaman warna kulit — dan menunjukkan bahwa model AI dermatologi paling canggih tampil jauh lebih buruk pada dataset ini, terutama pada warna kulit gelap dan penyakit yang tidak umum; menariknya, para dermatolog yang memberi label pada dataset semacam ini juga tampil lebih buruk pada gambar-gambar yang sama, dan inilah cara bias itu tertanam sejak awal. Melakukan fine-tuning model dengan gambar-gambar DDI berhasil menutup kesenjangan performa antara kulit terang dan gelap (studi peer-review, Daneshjou dkk., Science Advances, 2022). Bagi sistem pemilihan bahan aktif, hal ini menciptakan risiko konkret: sistem mungkin gagal merekomendasikan bahan pencerah seperti Tranexamic Acid atau Alpha Arbutin di saat bahan-bahan itu memang dibutuhkan secara objektif, hanya karena sistem tidak mengenali pola pigmentasinya.

Overfitting terhadap data pemasaran

Beberapa layanan rekomendasi dilatih bukan dengan data klinis, melainkan dengan teks deskripsi produk, ulasan, dan materi pemasaran merek. Dalam dataset semacam ini, kata-kata seperti "melembapkan," "menyamarkan pori-pori," "meratakan warna kulit" muncul jauh lebih sering dibandingkan data pengukuran TEWL (transepidermal water loss) atau sebumetri yang sebenarnya. Model tersebut akhirnya lebih terpaku pada retorika penjual ketimbang pada biokimia bahan aktifnya. Dan tidak ada koreksi yang tersedia langsung dari label produk itu sendiri: seperti disebutkan sebelumnya, Peraturan BPOM No. 25 Tahun 2025 mengharuskan kemasan mencantumkan daftar berurutan untuk kandungan di atas 1%, daftar tak berurutan di bawahnya, dan tanpa angka sama sekali. Sistem yang "mempelajari konsentrasi dari produk" sebenarnya belajar dari teks yang tidak memuat data tersebut.

Ketidaktahuan atas riwayat medis

Tidak satu pun dari sistem analisis foto kulit konsumen di pasar massal yang memiliki akses ke riwayat reaksi alergi, obat sistemik (isotretinoin, antikoagulan, terapi hormon), atau dermatosis yang menyertai — rosacea, dermatitis perioral, atopi. Algoritma hanya melihat tekstur dan warna, tapi tidak "tahu" bahwa pengguna sedang mengonsumsi warfarin, atau bahwa konsentrasi tinggi Retinol yang dikombinasikan dengan eksfoliator asam akan meningkatkan risiko iritasi, terlebih lagi jika ditambah jaringan pembuluh darah halus yang rentan. Tidak ada analisis visual yang bisa menggantikan patch test dan anamnesis.

Di area yang justru memang terbukti punya peran nyata dalam keamanan kosmetik, AI tampak sangat berbeda dari sekadar triase foto: sebuah kerangka deep-learning yang bisa dijelaskan (explainable), menggabungkan lapisan temporal convolutional dan LSTM dengan embedding dari protein language-model, dibangun untuk menandai motif alergenik dalam rangkaian peptida sebelum peptida tersebut dimasukkan ke dalam formulasi, dengan Anchor, LIME, dan SHAP yang memperlihatkan motif mana yang memengaruhi setiap keputusan sehingga manusia bisa mengaudit logikanya (studi peer-review, Journal of Proteome Research, 2026). Itulah AI yang diterapkan di situasi ketika inputnya adalah rangkaian yang sudah diketahui dan outputnya bisa diaudit — situasi yang berlawanan dengan upaya menyimpulkan riwayat medis seseorang hanya dari selfie.

Mengapa validasi dermatologis diperlukan

Sebuah model yang menunjukkan akurasi tinggi pada set uji internal tidak otomatis valid secara klinis. Kesenjangan antara akurasi pada suatu dataset dan nilai diagnostik nyata adalah masalah umum dalam penerapan ML di dunia medis, dan studi DDI di atas adalah contoh paling jelas dari fenomena ini yang berkaitan dengan dunia kosmetik: model-model yang tampil baik pada benchmark aslinya justru menurun performanya saat diuji pada set independen yang dikonfirmasi secara patologis, yang secara khusus disusun untuk mencakup populasi yang kurang terwakili dalam benchmark tersebut. Bagi sistem rekomendasi kosmetik, ini berarti klaim "akurasi 90%" hampir selalu merujuk pada sampel yang sempit dan tidak menjamin hasil yang sama pada wajah pengguna tertentu. Ajukan tiga pertanyaan untuk angka semacam itu: dataset mana, standar rujukan apa, dan populasi seperti apa.

Kesimpulan praktis bagi siapa pun yang merancang atau menggunakan sistem semacam ini: rekomendasi AI adalah rancangan awal formula yang membutuhkan verifikasi pada kulit sungguhan, patch test, dan — dalam kasus yang tidak jelas — konsultasi dengan dermatolog. Otomatisasi memang mempercepat proses pemilihan bahan aktif, tapi tidak menghapus tanggung jawab atas keputusan akhir dari tangan orang yang menyusun formulanya.

Masa depan personalisasi: dari rekomendasi ke produksi sesuai pesanan

Semua yang dijelaskan di atas — pengenalan kulit, pemeriksaan kompatibilitas bahan aktif, pencocokan formula dengan kebutuhan — masih beroperasi dalam batas-batas produk yang sudah ada: algoritma memilih produk jadi atau, paling jauh, menyarankan "mencampur serum A dengan krim B." Langkah berikutnya bagi industri ini adalah menghapus sama sekali perantara berupa lini produk siap pakai. Bukan lagi rekomendasi, sistem justru diberi kewenangan untuk membuat komposisi dari nol sesuai profil kulit digital tertentu — lalu benar-benar memproduksi formula tersebut sebagai satu unit tunggal.

Ini adalah arsitektur bisnis yang sama sekali berbeda: bukan lagi "10.000 toples yang identik," melainkan micro-batch untuk satu orang — sebuah batch berukuran 1 hingga 50 ml, yang disusun berdasarkan parameter yang tidak dimiliki klien lain mana pun. Secara teknis, hal ini menjadi mungkin berkat tiga arah teknologi yang saling bertemu: model generatif yang mampu mengusulkan bukan produk jadi, melainkan vektor konsentrasi; lini produksi modular dengan unit dosis yang mencampur bahan aktif secara real-time; dan pencetakan 3D untuk bentuk kosmetik, di mana printer berperan sebagai langkah perakitan akhir.

Pemilihan generatif, bukan klasifikasi

Sistem rekomendasi saat ini menyelesaikan tugas klasifikasi: "profil kulit ini cocok dengan produk X dari katalog." Model generatif menyelesaikan tugas optimasi: "kombinasi 15-20 bahan aktif yang diizinkan, dengan proporsi berapa, yang memberikan efek maksimal yang diharapkan dengan risiko inkompatibilitas nol." Inputnya sama, yaitu profil kulit digital (tekstur, sebumetri, hidrasi, riwayat respons), tapi outputnya bukan nama produk — melainkan vektor numerik: misalnya, Niacinamide 4%, Sodium Hyaluronate 1%, Panthenol 3%, basis hingga 100%.

Klaim bahwa hal ini telah divalidasi terhadap formulator manusia adalah klaim yang tidak bisa lagi kami dukung dalam bentuk yang sebelumnya disampaikan di sini: rujukan yang menyertai klaim tersebut tidak dapat ditemukan, dan kami tidak akan "mencuci" hasil yang tak terlacak ini hanya dengan menyebutnya "dikabarkan." Yang bisa didemonstrasikan secara publik hari ini adalah pola yang lebih terbatas seperti yang dijelaskan sebelumnya — pembelajaran mesin yang mengusulkan kandidat-kandidat berperingkat, yang kemudian dikonfirmasi atau ditolak oleh laboratorium, seperti dalam penyaringan inhibitor tirosinase. Segala hal di luar itu, khususnya dalam formulasi kosmetik, saat ini lebih banyak berada dalam pipeline korporat dan siaran pers ketimbang dalam literatur ilmiah. Memperlakukannya sebagai hal yang sudah mapan adalah cara sebuah peta jalan teknologi berubah menjadi materi pemasaran.

Pencetakan 3D: dari konsep ke rak toko

Pencetakan 3D untuk kosmetik bukan lagi sekadar metafora futuristik — printer ekstrusi untuk tekstur semi-padat (balsam, masker, stik) dapat menangani viskositas 5.000-50.000 mPa·s dan memungkinkan berbagai bahan aktif disusun berlapis dalam satu produk: misalnya, zona dengan konsentrasi Salicylic Acid yang lebih tinggi di area T-zone pada masker, dan zona dengan Ceramide NP di sekitar pinggiran wajah. Rentang suhu pencetakan dibatasi oleh sensitivitas termal bahan aktif: peptida dan vitamin C dalam bentuk Ascorbic Acid kurang tahan terhadap panas ekstrusi, sehingga produsen cenderung beralih ke derivat yang lebih stabil — Sodium Ascorbyl Phosphate atau Ascorbyl Glucoside. Batas suhu spesifiknya bergantung pada jenis derivat, pH, dan lamanya waktu terkena suhu tersebut, dan informasi ini seharusnya ada dalam dokumentasi teknis pemasok untuk grade yang benar-benar Anda beli, bukan dalam artikel umum seperti ini.

Apa yang masih perlu matang di bidang bioteknologi

Personalisasi generatif terhambat bukan terutama oleh kekuatan model, melainkan oleh keterbatasan kimia dan bioteknologi. Ada tiga titik krusial:

• Stabilitas pada volume kecil. Sebuah micro-batch tanpa sistem pengawet yang dirancang untuk skala industri akan lebih cepat rusak — protokol pemilihan pengawet baru diperlukan untuk volume 10-50 ml, mengingat jendela pemakaian hanya 2-4 minggu. Bagaimana bentuk konkretnya, pada level dokumen nyata: INOLEX menetapkan campuran SpectraStat GHL Natural miliknya (Propanediol, Caprylhydroxamic Acid, Glyceryl Heptanoate) pada 1,0–2,0% sebagaimana dipasok (b/b), menyempit menjadi 1,0–1,5% dalam emulsi O/W, ditambahkan ke fase air di bawah 80°C, dengan hasil uji lolos yang dikutip terhadap uji tantangan EP-A, EP-B, USP 51, dan PCPC (halaman teknis pemasok). Perhatikan apa yang justru dirusak oleh micro-batch personal: hasil uji lolos tersebut diperoleh dalam basis tertentu yang spesifik. Formula yang disusun ulang per pelanggan belum pernah diuji tantangan dalam komposisi yang sebenarnya akan dikirimkan ke tangan konsumen.
• Biosensor untuk data input. Akurasi formula generatif bergantung langsung pada akurasi profil kulit: pengembangan biosensor yang dapat dikenakan (pengukuran TEWL, pH, mikrobioma secara real-time) perlu mengejar ambisi algoritma-algoritma tersebut.
• Kerangka regulasi. Undang-undang kosmetik — Peraturan BPOM No. 25 Tahun 2025 di Indonesia, serta EU CosIng sebagai referensi bahan internasional — ditulis untuk produksi berseri dengan komposisi tetap, dengan adanya penanggung jawab, dokumen informasi produk, dan penilaian keamanan yang melekat pada komposisi tersebut. Belum ada jalur yang mapan untuk memastikan formula yang berubah-ubah di setiap batch unik pelanggan tetap memenuhi struktur regulasi tersebut.

Menurut penilaian redaksi kami, cakrawala realistis bagi peralihan massal dari rekomendasi ke produksi sesuai pesanan adalah dalam hitungan beberapa tahun, bukan beberapa kuartal, dan yang pertama mengadopsinya bukanlah merek-merek pasar massal, melainkan klinik dermatologi khusus (niche) dan laboratorium kelas premium, tempat biaya satu micro-batch dapat dijustifikasi oleh presisi medis. Ini adalah sebuah prediksi, dan kami tegaskan dengan jelas sebagai prediksi. Bagi para spesialis yang saat ini belajar meracik formula secara manual, tren ini bukanlah ancaman — melainkan pergeseran peran: dari menciptakan satu formula untuk ribuan orang, menjadi menetapkan aturan yang memungkinkan sebuah algoritma menciptakan ribuan formula untuk satu orang.

Kesimpulan: percaya pada algoritma atau percaya pada kulit sendiri

Sepanjang sembilan bagian, kita telah menyusuri jalur dari foto kulit hingga lini produksi yang mampu merakit serum berdasarkan sekumpulan data tertentu. Namun pertanyaan intinya selalu sama: siapa yang menentukan apa yang akhirnya diaplikasikan ke wajah — model atau manusia. Jawabannya tidak hitam-putih. Algoritma sangat presisi untuk hal-hal yang bisa diukur: konsentrasi Niacinamide, kompatibilitas Retinol dengan AHA, rentang pH untuk stabilitas Ascorbic Acid. Namun algoritma buta terhadap hal-hal yang membutuhkan konteks — latar belakang hormonal, kehamilan, penggunaan isotretinoin, atau hubungan psikologis seseorang dengan tekstur dan aroma suatu produk.

Perlu disampaikan secara terbuka apa yang ditemukan revisi ini ketika kami menelusuri kembali ke sumber aslinya. Dari klaim-klaim numerik yang sebelumnya termuat dalam artikel ini, beberapa ternyata mengarah ke rujukan yang sama sekali tidak dapat ditemukan, dan satu klaim — bahwa efek niacinamide terhadap sebum baru mulai terasa pada konsentrasi 4–5% — justru bertentangan dengan studi yang dikutip sendiri, yang sebenarnya menggunakan konsentrasi 2% dan terbukti efektif. Ini bukan kritik terhadap AI; ini justru menunjukkan pola kegagalan yang diwarisi AI, karena model yang dilatih dari artikel-artikel seperti versi awal artikel ini akan mempelajari angka yang salah dengan kelancaran yang sempurna. Kesimpulan editorial kami adalah bahwa tidak ada satu angka konsentrasi penggunaan universal untuk setiap bahan aktif yang dapat ditetapkan, dan seharusnya tidak dinyatakan sebagai fakta — konsentrasi hanya bermakna jika disertai dengan target efek, sistem formula, dan metode pengujian tertentu.

Apa yang dilakukan algoritma lebih baik daripada manusia

Jaringan neural tidak pernah lelah memeriksa lusinan parameter secara bersamaan dan tidak terpengaruh bias kognitif seperti "bahan ini sedang tren, jadi pasti bagus." Ia menyimpan seluruh tabel kompatibilitas bahan aktif dalam memorinya dan dapat menghitung ulang formula dalam hitungan detik begitu satu parameter input berubah — kelembapan regional, musim, atau hasil sebumetri terbaru. Secara fisik, sangat sulit bagi manusia untuk mengingat lebih dari 40 variabel kompatibilitas INCI dalam setiap sesi konsultasi.

Model praktis: algoritma sebagai draf, manusia sebagai editor

Skema kerja yang muncul dari semua pembahasan di atas kira-kira seperti ini: AI menghasilkan hipotesis komposisi berdasarkan profil digital kulit dan tujuan yang dinyatakan, kemudian seorang spesialis — ahli kosmetik, dokter kulit, atau pengguna yang cukup terinformasi — melakukan koreksi yang tidak bisa diperhitungkan oleh model. Ini tidak jauh berbeda dari cara kerja navigator GPS: ia mengusulkan rute berdasarkan data peta dan lalu lintas, tetapi pengemudi yang melihat jalan tertutup yang tidak tercatat dalam database akan menyesuaikan rute secara manual.

• Langkah 1. Algoritma menganalisis foto dan kuesioner, lalu menghasilkan 2-3 opsi formula dengan bahan aktif utama dan dosis penggunaannya.
• Langkah 2. Ahli kosmetik atau pengguna memeriksa opsi tersebut untuk mendeteksi ketidakcocokan yang jelas dengan rutinitas yang sedang dijalani — misalnya, penggunaan Tretinoin resep yang sudah berjalan, yang mungkin tidak diketahui oleh algoritma.
• Langkah 3. Uji tempel (patch test) dilakukan di bagian dalam lengan bawah selama 48 jam, terlepas dari seberapa "aman" komposisi tersebut dinilai oleh algoritma.
• Langkah 4. Respons kulit dicatat dan dimasukkan kembali ke dalam sistem sebagai titik data baru untuk iterasi rekomendasi berikutnya.

Ada langkah kelima yang sebaiknya ditambahkan dalam daftar ini bagi siapa pun yang meracik formula, bukan sekadar mengonsumsinya: periksa asal-usul setiap angka yang diberikan oleh model. Tanyakan dari dokumen mana angka itu berasal — regulasi resmi, studi yang telah ditinjau sejawat (peer-reviewed), halaman teknis pemasok untuk grade produk spesifik yang Anda beli, atau bahkan tidak ada sumbernya sama sekali. Jika model tidak dapat menjawabnya, maka angka tersebut tidak boleh dimasukkan ke dalam formula. Diterapkan pada artikel ini sendiri, pengujian semacam ini menghilangkan empat rujukan dan membalikkan satu kesimpulan.

Apa artinya ini bagi mereka yang meracik dan menjual kosmetik

Bagi para spesialis yang mengembangkan formula, pemilihan berbantuan AI bukanlah ancaman bagi profesi — melainkan perluasan perangkat kerja, sebanding dengan peralihan dari perhitungan emulsi manual ke pemodelan stabilitas berbasis perangkat lunak. Memahami cara model menafsirkan data kulit dan mengapa kadang model bisa salah (lihat bagian tentang keterbatasan) kini menjadi bagian dari literasi dasar seorang formulator — sama seperti memahami kimia emulsifier atau rezim suhu untuk Fase A dan B.

Kesimpulan utama yang tetap kokoh baik secara data maupun praktik: algoritma dapat diandalkan untuk perhitungan kompatibilitas dan pemilihan konsentrasi awal, tetapi penentu akhir keamanan dan kenyamanan tetaplah manusia — baik seorang spesialis dengan latar belakang medis maupun pengguna itu sendiri, yang dibekali pemahaman tentang kulitnya sendiri serta prinsip dasar kimia bahan aktif. Teknologi memang mempersingkat proses coba-coba, tetapi tidak menghilangkan kebutuhan untuk mendengarkan respons kulit di sini dan saat ini — karena respons itu berubah lebih cepat daripada model mana pun dapat dilatih ulang.

Memilih bahan aktif hanyalah permulaan — memverifikasi kompatibilitas dan konsentrasi kerja adalah langkah selanjutnya. AI Chemist di Walker Formulation Academy Club melakukan ini berdasarkan basis data INCI/CosIng yang telah terverifikasi, bukan sekadar tebakan, dan akan menandai jika ada bahan aktif yang saling bertentangan. Jika Anda ingin menguasai pemilihan bahan aktif secara sistematis, klub ini menawarkan program dengan instruktur langsung.