Cara Membedah Komposisi INCI Kompetitor dengan AI: Panduan Langkah demi Langkah

Mengapa Perlu Menganalisis Komposisi INCI Kompetitor, dan Bagaimana AI Membantu

Daftar INCI di label adalah peringkat, bukan angka. Menurut Peraturan BPOM Nomor 18 Tahun 2024, bahan diurutkan dari kadar terbesar ke terkecil, kecuali bahan di bawah 1% dan bahan pewarna yang boleh ditulis tidak berurutan. AI mempercepat pembacaannya, tetapi setiap persentase yang dihasilkannya tetap hipotesis yang wajib diperiksa.

• Batas 1% adalah aturan tertulis, bukan konvensi. Peraturan BPOM Nomor 18 Tahun 2024 tentang Penandaan, Promosi, dan Iklan Kosmetik menetapkan komposisi "diurutkan mulai dari kadar terbesar sampai kadar terkecil, kecuali untuk Bahan Kosmetik dengan kadar kurang dari 1% dan/atau bahan pewarna dapat ditulis tidak berurutan, setelah Bahan Kosmetik lain dengan kadar lebih dari 1%".
• Nama yang Anda baca wajib nama INCI. Peraturan yang sama mewajibkan penggunaan nama International Nomenclature of Cosmetic Ingredients, nama genus dan spesies untuk bahan dari tumbuhan, nomor indeks pewarna (CI) untuk pewarna, dan mengizinkan kata "parfum", "perfume", "fragrance", "aroma", atau "flavour" untuk bahan pewangi.
• Phenoxyethanol: maksimum 1,0% dalam kosmetik siap pakai menurut Peraturan BPOM Nomor 25 Tahun 2025 — angka kalibrasi paling praktis untuk menguji kewajaran laporan AI mana pun.
• Rentang dosis milik bahan baku, bukan milik kelas fungsi. Untuk Emulium® Delta MB (Gattefossé) kadar pakai yang dinyatakan produsen adalah 2–6% produk komersial; untuk Emulium® Mellifera MB dari produsen yang sama, 2–4%. Dua pengemulsi O/W, dua angka berbeda — karena angkanya melekat pada bahan bakunya.
• Penautan nama ke basis data lebih rapuh daripada yang tampak. Analisis di JAMIA (2021) menemukan kurang dari 15% string bersifat ambigu dalam himpunan data uji, tetapi lebih dari 50% string yang sama ambigu dalam kamus rujukan UMLS — akurasi pada contoh pilihan tidak menjanjikan akurasi pada label nyata.

Setiap botol di rak mass-market atau di butik niche bukan sekadar marketing dan kemasan, melainkan formula terenkripsi yang tersedia secara terbuka bagi siapa saja dalam bentuk daftar INCI (International Nomenclature of Cosmetic Ingredients). Daftar pada label inilah satu-satunya sumber legal yang memungkinkan seorang formulator mengekstrak struktur formula pihak lain tanpa akses ke dokumentasi laboratorium. Membedah komposisi kompetitor sudah lama bukan lagi kegiatan niche milik analis paten — ini adalah tugas rutin brand manager, spesialis R&D, dan formulator kosmetik yang ingin memahami pasar lebih cepat daripada berminggu-minggu kerja manual.

Daftar INCI tunduk pada aturan ketat: bahan dicantumkan berdasarkan urutan konsentrasi menurun, sementara komponen dengan kadar di bawah 1% boleh dicantumkan dalam urutan bebas. Batasan ini sekaligus menjadi petunjuk dan jebakan — ia memberi kerangka formula, tapi bukan angka pasti. Dari sinilah tantangan utama analisis manual: formulator melihat urutan, tetapi harus merekonstruksi rentang konsentrasi yang mungkin, berdasarkan batas regulasi, peran fungsional bahan, dan praktik formulasi yang umum. Perlu ditegaskan sejak awal bahwa "rentang yang mungkin" adalah rekonstruksi, bukan pengukuran: label tidak memuat angka, dan tidak ada metode membaca label yang bisa mengembalikan angka yang tidak pernah dicetak di sana.

Kebutuhan Apa Saja yang Dipenuhi oleh Analisis Komposisi Kompetitor

Mempelajari formula pihak lain jarang sekadar didorong rasa ingin tahu. Dalam praktiknya, ada beberapa kebutuhan bisnis dan R&D yang konkret di baliknya:

• Benchmarking formula — membandingkan resep Anda dengan produk-produk terlaris di kategori tersebut dari segi jenis basis, bahan aktif, dan komponen pendukung.
• Mencari titik lemah produk — mengidentifikasi sistem pengawet yang perlu ditinjau, kandungan silikon berlebihan, atau bahan aktif yang diklaim di kemasan tapi posisinya di daftar menunjukkan kadar di bawah ambang 1%.
• Reverse-engineering tekstur acuan — memahami sistem pengemulsi dan modifier reologi apa yang menciptakan konsistensi khas produk best seller.
• Verifikasi klaim marketing — apakah klaim "mengandung retinol" sesuai dengan posisi aktualnya di daftar bahan. Di Indonesia, klaim kosmetik tunduk pada Peraturan BPOM Nomor 3 Tahun 2022 tentang Persyaratan Teknis Klaim Kosmetika, sehingga pertanyaan "apakah klaim ini boleh" punya jawaban dokumen, bukan hanya jawaban selera.
• Perencanaan diferensiasi — mencari celah resep yang belum digarap, ketika seluruh segmen menggunakan kombinasi humektan yang itu-itu saja.

Dulu, kebutuhan-kebutuhan ini dipenuhi secara manual: formulator membuka label, mencocokkan tiap bahan dengan referensi INCI Decoder atau CosIng, memperkirakan golongan fungsionalnya, lalu mencatat hipotesis dalam tabel. Prosesnya memakan waktu setengah jam hingga beberapa jam per produk — dan kualitas hasilnya sangat bergantung pada pengalaman formulator yang bersangkutan. Angka setengah jam hingga beberapa jam itu adalah observasi kerja redaksi pada pekerjaan kami sendiri, bukan hasil pengukuran terkontrol; yang ingin kami sampaikan adalah orde besarannya, bukan tolok ukur.

Peran Analisis AI dalam Membedah Formula

Analisis AI terhadap komposisi bukan pengganti keahlian kimia, tapi ia mempercepat drastis pengolahan data awal. Model bahasa yang dilatih pada basis data regulasi dan terminologi formulasi mampu, hanya dalam hitungan detik:

1. Mengenali peran fungsional tiap komponen dalam daftar (pengemulsi, pengawet, humektan, antioksidan, dan seterusnya);
2. Mengelompokkan bahan berdasarkan fase emulsi — fase air, fase minyak, fase aktif;
3. Memperkirakan rentang konsentrasi yang mungkin berdasarkan posisi dalam daftar dan batas regulasi yang diketahui;
4. Mendeteksi kombinasi yang berpotensi bermasalah — misalnya ketidakcocokan pengawet tertentu dengan pH tinggi.

Seberapa jauh kemampuan ini sudah terdokumentasi? Tinjauan 2025 di ACS Omega tentang integrasi kecerdasan buatan ke dalam desain kosmetik teremulsi — sebuah tinjauan literatur, bukan uji produk — memetakan penerapan AI mulai dari estimasi tegangan antarmuka, pemodelan distribusi ukuran droplet, hingga pemilihan bahan menurut kesesuaian kulit, dan menyimpulkan bahwa peluang terbesarnya ada pada tahap desain untuk memangkas waktu eksperimen. Yang tidak diklaim tinjauan itu, dan tidak boleh kita klaim: bahwa model dapat menggantikan pengukuran. Membedah label adalah tugas membaca teks; memastikan formula stabil adalah tugas laboratorium.

Analisis AI semacam ini terhadap komposisi INCI kompetitor mengubah deretan huruf statis di label menjadi hipotesis resep yang terstruktur: dengan arsitektur formula perkiraan, distribusi per fase, dan dugaan konsentrasi bahan aktif utama. Selanjutnya, hipotesis ini diperiksa dan dikoreksi oleh formulator — AI memberi draf, bukan vonis akhir.

Pada bagian-bagian berikutnya, kita akan membedah bagaimana proses ini bekerja — dari menyiapkan daftar INCI hingga menyusun prompt untuk AI dan menginterpretasikan laporan yang dihasilkan — lalu menjalani seluruh alurnya langkah demi langkah lewat contoh konkret.

Apa Itu INCI dan Mengapa Ini Bukan Sekadar Daftar Bahan

INCI (International Nomenclature of Cosmetic Ingredients) adalah sistem penamaan bahan baku yang seragam, digunakan untuk pelabelan produk kosmetik. Setiap nama dalam nomenklatur ini terikat pada struktur kimia atau sumber botani tertentu dan tidak bergantung pada merek dagang produsen. Artinya, Glycerin di kemasan merek Prancis dan Glycerin di kemasan merek Korea adalah zat yang identik secara molekuler, terlepas dari bagaimana ia disebut dalam materi promosi. Namun justru karena standardisasi nama inilah komposisi berubah menjadi teks tersandi: tanpa memahami aturan urutan dan nilai ambang batas, daftar bahan bisa dibaca keliru — bahkan kadang terbalik sepenuhnya.

Untuk produk yang dipasarkan di Indonesia, penggunaan nomenklatur ini bukan pilihan gaya. Peraturan BPOM Nomor 18 Tahun 2024 tentang Penandaan, Promosi, dan Iklan Kosmetik mensyaratkan komposisi pada penandaan sesuai dengan formula pada data notifikasi, menggunakan nama INCI (kecuali untuk bahan yang belum memiliki nama INCI), dengan nama genus dan spesies untuk bahan yang berasal dari tumbuhan — contoh yang diberikan peraturan itu sendiri adalah Pyrus Malus Juice dan Camellia Sinensis Oil. Inilah yang membuat label Indonesia bisa dianalisis dengan alat yang sama seperti label Eropa atau Korea, sepanjang batas kadarnya tetap diambil dari dokumen Indonesia.

Prinsip Konsentrasi Menurun

Aturan utama INCI adalah komponen dicantumkan berdasarkan urutan konsentrasi menurun, tapi hanya sampai titik tertentu. Untuk pasar Indonesia, rumusannya ada di Peraturan BPOM Nomor 18 Tahun 2024: komposisi "diurutkan mulai dari kadar terbesar sampai kadar terkecil, kecuali untuk Bahan Kosmetik dengan kadar kurang dari 1% dan/atau bahan pewarna dapat ditulis tidak berurutan, setelah Bahan Kosmetik lain dengan kadar lebih dari 1%". Aturan setara berlaku di Uni Eropa lewat Cosmetic Regulation (EC) No 1223/2009 — peraturan asing yang tidak mengikat di Indonesia, tetapi berguna diketahui karena sebagian besar basis data dan alat analisis internasional dibangun di atasnya. Praktisnya: 3–5 posisi pertama dalam daftar hampir selalu merupakan basis formula — air, emolien, pengemulsi, humektan. Jika Aqua berada di posisi pertama dan posisi berikutnya Glycerin, formulator sebenarnya sudah memberi tahu Anda peringkat antara fase air dan gliserin, tanpa satu pun angka di label.

Ambang Batas Tersembunyi: Apa yang Terjadi di Bawah 1%

Setelah konsentrasi komponen turun di bawah 1%, aturan urutan ketat tidak lagi berlaku. Peraturan BPOM Nomor 18 Tahun 2024 mengizinkan bahan-bahan tersebut ditulis tidak berurutan, setelah bahan-bahan dengan kadar lebih dari 1% — dan ketentuan yang sama berlaku untuk bahan pewarna. Karena itulah, di ujung daftar sering kali berdampingan kompleks peptida mahal dan pewarna biasa yang dicantumkan dengan nomor indeks pewarna seperti CI 19140 — dari posisinya di INCI, mustahil diketahui mana yang mendekati 1% dan mana yang jauh di bawahnya.

Ini krusial saat menganalisis formula kompetitor: jika alat AI atau analis manusia menganggap "sepertiga bawah" daftar sebagai tidak penting, mudah saja melewatkan bahan aktif yang sengaja diletakkan produsen di bawah ambang 1% agar konsentrasi dan perannya yang sesungguhnya dalam formula tidak terungkap. Perlu juga dicatat hal yang sering diabaikan: berada di bawah 1% tidak otomatis berarti "tidak berfungsi". Banyak bahan memang bekerja pada kadar sepersekian persen — kelator, sebagian pewangi fungsional, sebagian pengawet dalam sistem kombinasi. Yang tidak bisa disimpulkan dari posisi di daftar adalah apakah kadar itu memadai untuk klaim yang dicetak di depan kemasan.

Nama Penyamar: Parfum, Aqua, dan Istilah Kelompok

Nomenklatur INCI mengizinkan istilah "payung" yang menyembunyikan puluhan zat kimia di balik satu kata:

• Parfum / Fragrance — satu kata yang bisa mencakup puluhan hingga ratusan komponen aromatik tersendiri. Peraturan BPOM Nomor 18 Tahun 2024 secara eksplisit mengizinkan bahan pewangi atau bahan aromatis dicantumkan dengan kata "parfum", "perfume", "fragrance", "aroma", atau "flavour". Di Uni Eropa terdapat kewajiban tambahan mendeklarasikan sejumlah bahan pewangi alergenik secara terpisah di atas ambang tertentu; itu ketentuan Regulation (EC) No 1223/2009 dan bukan ketentuan Indonesia — dalam Peraturan BPOM Nomor 25 Tahun 2025 kami tidak menemukan daftar ambang deklarasi alergen yang setara. Kesimpulan redaksi: jangan mengasumsikan label Indonesia akan membuka daftar alergen pewangi seperti label Eropa; untuk keamanan bahan pewangi, kerangka industri yang dipakai lintas negara adalah standar IFRA.
• Aqua / Water — secara formal satu molekul, tapi komposisi fase air yang sesungguhnya pada produk premium sering mencakup air termal, air misel, atau air suling dengan profil mineral berbeda, yang tidak tercermin dalam namanya.
• Istilah kelompok seperti Parfum memungkinkan formula fragrance dilindungi sebagai rahasia dagang — regulasi mengizinkan produsen tidak membuka komposisi persis campuran aroma, dengan alasan melindungi kekayaan intelektual sang perfumer.

Ketidaktransparanan ini bukan celah, melainkan kompromi yang disengaja antara hak konsumen atas informasi dan perlindungan resep. Kerangka regulasi yang berlaku bagi produk yang dinotifikasi di Indonesia dijabarkan dalam Peraturan BPOM Nomor 18 Tahun 2024 untuk penandaan dan Peraturan BPOM Nomor 25 Tahun 2025 untuk persyaratan bahan; keduanya dapat diunduh langsung dari portal JDIH Badan POM, dan membaca dua dokumen itu sekali lebih berguna daripada membaca sepuluh ringkasan pihak ketiga.

Mengapa Ini Mengubah Cara Menganalisis

Ketika AI mem-parsing komposisi INCI kompetitor, ia harus memperhitungkan bukan hanya urutan kata, tapi juga aturan struktural: di mana batas zona "di atas 1%" berakhir, istilah mana yang menyembunyikan campuran kompleks, dan posisi mana di ujung daftar yang sebenarnya bisa jadi bahan aktif mahal, bukan sekadar "residu sisa". Tanpa konteks ini, AI akan menafsirkan daftar secara linear — seolah posisi #15 pasti kurang penting dibanding posisi #5, padahal untuk formula riil hal ini tidak selalu benar.

Ada satu konsekuensi praktis yang jarang dinyatakan: karena aturan urutan bebas berlaku di bawah 1%, sebuah alat yang mengurutkan ulang bagian ekor daftar "supaya rapi" justru menghancurkan satu-satunya informasi yang tersisa di sana — urutan pencantuman yang dipilih produsen, yang kadang mengikuti urutan penambahan dalam proses. Simpan daftar mentahnya, jangan hanya menyimpan tabel hasil parsing.

Bagaimana AI 'Membaca' Struktur Kimia Komposisi: Mekanisme NLP-Parsing INCI

String INCI di label bukanlah teks koheren dengan tata bahasa, melainkan daftar token datar yang dipisah koma, di mana urutan mencerminkan konsentrasi, bukan logika naratif. Bagi model bahasa, ini tugas yang tidak lazim: pipeline NLP standar dilatih pada bahasa alami dengan hubungan sintaksis, sementara komposisi krim lebih mirip katalog nomenklatur, secara struktur lebih dekat ke basis data kimia daripada ke prosa. Karena itu, parsing INCI membutuhkan rantai pemrosesan khusus, bukan chatbot serba guna.

Tokenisasi dan Named Entity Recognition (NER)

Tahap pertama adalah Named Entity Recognition (NER) yang diadaptasi untuk domain kimia. Model memecah string menjadi token-token kandidat dan mengklasifikasikan tiap token sebagai kemungkinan nama bahan, bahkan jika terdiri dari beberapa kata (Sodium Ascorbyl Phosphate adalah satu entitas, bukan tiga). Kesulitannya, nomenklatur INCI memakai nama botani Latin, singkatan dagang, indeks numerik (PEG-100 Stearate), dan konstruksi majemuk dengan tanda hubung serta kurung — tokenizer standar yang dilatih pada korpus berita sering keliru memecah istilah-istilah semacam ini.

Untuk meningkatkan akurasi, digunakan model yang diadaptasi khusus domain seperti BioBERT atau ChemBERTa, yang di-fine-tune pada teks kimia dan biomedis — embedding-nya lebih baik menangkap pola nomenklatur kimia dibanding model serba guna. Bahwa rantai bertingkat semacam ini memang diperlukan bukan asumsi: sistem pemenang kompetisi BioCreative VII NLM-Chem yang dipublikasikan di jurnal Database (2022) menjelaskan pipeline tiga tahap yang terpisah — deteksi sebutan kimia, normalisasi entitas, lalu pengindeksan — dengan embedding kontekstual PubMedBERT untuk tahap pertama dan penyaringan kamus bertingkat plus pencarian kemiripan berbasis pembelajaran mendalam untuk tahap kedua. Ini laporan sistem untuk teks ilmiah, bukan untuk label kosmetik; yang dapat dipinjam adalah arsitekturnya, bukan angka akurasinya. Selain itu, digunakan aturan regex untuk mengenali sufiks numerik (-100, -20) dan pola mirip CAS, yang menurunkan frekuensi false positive pada token yang tidak dikenal.

Pencocokan dengan Basis Data: Dari String ke Struktur

Setelah tokenisasi, entitas yang dikenali melewati tahap entity linking — pencocokan dengan basis data acuan. Di sini beberapa sumber digunakan sekaligus:

• CosIng (Cosmetic Ingredient Database) — basis data Komisi Eropa yang memuat nama INCI, nomor CAS, dan golongan fungsional. Untuk pembaca di Indonesia, CosIng berguna sebagai rujukan nomenklatur dan identitas zat, bukan sebagai penentu boleh-tidaknya sebuah bahan dipakai di sini.
• Lampiran Peraturan BPOM Nomor 25 Tahun 2025 — dokumen yang menentukan bahan yang tidak diizinkan, kadar maksimum, dan pembatasan jenis sediaan untuk produk yang beredar di Indonesia.
• PubChem — basis data senyawa kimia dengan struktur molekulnya, yang memungkinkan model menghubungkan nama INCI dengan notasi SMILES tertentu dan sifat fisikokimianya.
• Kamus sinonim internal, karena satu bahan bisa muncul dengan nama dagang berbeda-beda dari produsen yang berbeda-beda pula.

Secara teknis, pencocokan ini dilakukan melalui kemiripan vektor embedding (cosine similarity) antara token yang dikenali dan entri basis data, bukan lewat kecocokan teks persis — ini krusial, karena label riil mengandung typo, kapitalisasi tidak konsisten, dan variasi penulisan (Tocopherol vs Tocopheryl Acetate adalah zat berbeda yang mudah tertukar bila hanya dibandingkan sebagai string).

Seberapa rapuh tahap ini? Analisis ambiguitas dalam normalisasi konsep medis di Journal of the American Medical Informatics Association (2021) — analisis himpunan data, bukan uji sistem komersial — menemukan kurang dari 15% string bersifat ambigu di dalam himpunan data uji yang lazim dipakai, sementara lebih dari 50% string yang sama bersifat ambigu dalam kamus rujukan UMLS. Lebih jauh, tumpang tindih string antar-himpunan data hanya 2% hingga 36%, dan dari yang tumpang tindih itu, 40% dianotasi dengan himpunan konsep yang berbeda. Terjemahan langsungnya untuk kita: angka akurasi yang dilaporkan sebuah alat pada contoh pilihannya sendiri tidak menjanjikan akurasi yang sama pada label yang Anda salin dari kemasan — dan nomenklatur INCI, dengan nama dagang serta varian ejaannya, setidaknya sama ambigunya.

Klasterisasi Berdasarkan Kelas Fungsional

Langkah terakhir adalah memberi tiap bahan yang dikenali sebuah label fungsional: emolien, surfaktan, pengawet, chelator, antioksidan, dan seterusnya. Ini bukan sekadar lookup di tabel CosIng (meski basis data itu memiliki kolom function), melainkan sering kali tugas klasifikasi multi-kelas, karena satu bahan bisa menjalankan beberapa peran sekaligus. Glycerin adalah humektan sekaligus pelarut, dan pada kadar tinggi ikut memengaruhi aktivitas air dalam sistem; model harus mempertimbangkan konteks (posisi dalam daftar, bahan di sekitarnya) untuk menentukan fungsi dominan dalam formula tertentu. Perlu dicatat bahwa "fungsi dominan" di sini adalah label kerja analis, bukan properti yang tercantum di dokumen mana pun — dua analis yang kompeten bisa memberi label berbeda pada bahan yang sama, dan itu bukan kesalahan salah satunya.

Arsitektur bertahap semacam ini menjelaskan mengapa pembedahan INCI berbasis AI yang berkualitas tidak hanya menghasilkan daftar "ini zat apa", tapi peta peran fungsional tiap komponen dalam formula — itulah yang mengubah daftar mentah menjadi alat analisis. Lebih lanjut tentang bagaimana klaster fungsional ini berubah menjadi formula jadi, dibahas dalam artikel tentang reformulasi kosmetik dari komposisi INCI kompetitor.

Algoritma Langkah demi Langkah: dari Mengambil Komposisi Kompetitor hingga Laporan AI Jadi

Membedah komposisi INCI terurai menjadi lima operasi teknis, masing-masing memengaruhi kualitas laporan akhir. Melewatkan satu langkah saja — misalnya, bekerja dengan teks mentah dari kemasan yang belum diolah — memberi AI data "kotor", sehingga hasilnya berupa kalimat umum, bukan analisis konkret.

Langkah 1. Mengumpulkan Teks Komposisi Sumber

Komposisi kompetitor bisa diambil dari tiga sumber: halaman produk di marketplace, situs resmi brand, atau foto label. Prioritas ada pada situs produsen: teksnya biasanya sudah diperiksa dan tidak terdistorsi saat disalin. Halaman marketplace sering mengandung typo penjual (tanda hubung hilang, kata menyatu, karakter dari alfabet lain menggantikan Latin), yang krusial untuk proses parsing.

• Situs brand — salin teks langsung dari blok HTML komposisi, hindari screenshot.
• Marketplace — cocokkan dengan foto kemasan jika komposisi di halaman produk kurang dari 15 bahan (tanda deskripsi yang dipotong).
• Foto label — kenali lewat OCR (Google Lens, Adobe Scan) dan selalu periksa hasilnya secara manual: OCR sering menukar Cetearyl Alcohol dengan Cetyl Alcohol, "I" dengan "l", "O" dengan "0".

Langkah 2. Normalisasi Teks

Sebelum dikirim ke model, komposisi dirapikan ke format yang seragam:

1. Pisahkan bahan dengan koma, hilangkan titik koma dan line break di dalam satu nama bahan.
2. Seragamkan kapitalisasi — tidak krusial untuk makna, tapi menurunkan risiko model "tidak mengenali" nama karena huruf kapital semua.
3. Hilangkan catatan kaki dan penanda marketing seperti "*komponen organik" yang kadang disisipkan langsung ke daftar INCI.
4. Periksa urutannya — sesuai Peraturan BPOM Nomor 18 Tahun 2024, INCI mengikuti urutan konsentrasi menurun sampai 1%, setelah itu urutannya bebas. Ini perlu diperhatikan saat interpretasi, bukan saat normalisasi, tapi dicatat pada langkah yang sama ini. Jangan mengurutkan ulang apa pun: urutan asli adalah data.

Hasilnya adalah string bersih seperti: Aqua, Glycerin, Niacinamide, Butylene Glycol, Sodium Hyaluronate, Panthenol, Phenoxyethanol, Ethylhexylglycerin.

Langkah 3. Menyusun Prompt

Prompt menentukan kedalaman dan struktur laporan. Permintaan yang lemah ("ceritakan tentang komposisi ini") hanya menghasilkan ringkasan umum fungsi bahan yang bisa ditemukan di basis data mana pun. Prompt yang bekerja dengan baik menetapkan peran, struktur output, dan kriteria analisis.

Struktur prompt yang efektif tersusun dari empat blok:

Contoh prompt yang bekerja: "Analisis komposisi INCI ini sebagai chemist formulasi. Produknya adalah serum hidrasi. Tentukan: 1) jenis sistem basis, 2) tiga bahan aktif utama beserta perkiraan konsentrasinya berdasarkan posisi dalam daftar, 3) komposisi sistem pengawet, 4) potensi masalah stabilitas atau kompatibilitas. Tampilkan dalam bentuk tabel, lalu tambahkan kesimpulan tertulis 5-7 kalimat".

Satu penambahan yang menurut pengalaman kerja kami paling banyak mengubah kualitas keluaran: minta kolom dasar estimasi untuk setiap angka, dengan pilihan terbatas — "batas regulasi", "technical data sheet pemasok", "posisi dalam daftar", atau "tidak ada dasar". Kolom itu memaksa model memisahkan angka yang dapat ditelusuri dari angka yang ia karang, dan membuat baris yang perlu Anda periksa langsung terlihat.

Langkah 4. Interpretasi Awal Hasil

AI menghasilkan hipotesis, bukan fakta — ini penting diingat saat membaca laporan. Pemeriksaan kewajaran hasil yang baik meliputi:

• Jumlah persentase estimasi bahan aktif tidak boleh melebihi 100% dan harus logis sesuai posisi bahan dalam daftar.
• Kadar pengawet yang tercantum harus berada dalam batas regulasi — untuk produk yang beredar di Indonesia, Peraturan BPOM Nomor 25 Tahun 2025 menetapkan kadar maksimum phenoxyethanol 1,0% dalam kosmetik siap pakai. Jika laporan AI menyebut angka di atas itu, laporannya salah, tanpa perlu diskusi lanjutan. Peraturan yang sama juga membatasi methylisothiazolinone pada 0,0015% dan hanya untuk sediaan bilas — contoh baik betapa sebuah angka bisa benar untuk satu jenis sediaan dan terlarang untuk jenis lain.
• Jika model menyebut bahan yang berada di ujung daftar (setelah posisi ke-15) sebagai "bahan aktif utama dengan konsentrasi tinggi" — ini kesalahan interpretasi urutan INCI, dan kesimpulannya perlu dikoreksi secara manual.

Langkah 5. Menyusun Laporan

Laporan akhir disusun dari tiga bagian: tabel pembedahan bahan (dari langkah 3), kesimpulan tertulis model (yang sudah diperiksa manual sesuai langkah 4), dan komentar formulator sendiri — perbandingan dengan formula acuan, estimasi biaya, dugaan positioning produk. Bagian ketiga inilah yang mengubah output AI dari analisis umum menjadi laporan kompetitif yang aplikatif, siap dijadikan brief untuk pengembangan resep. Tambahkan satu kolom kecil yang sering dilupakan: tanggal pengambilan komposisi dan tautan sumbernya. Formula di pasar berubah tanpa pengumuman, dan laporan tanpa tanggal akan menyesatkan Anda enam bulan kemudian.

Membongkar Peran Fungsional: Apa yang Tersembunyi di Balik Tiap Bahan

Setelah AI mengenali token-token INCI secara individual, tugas yang lebih rumit dimulai — menentukan mengapa tiap komponen ada dalam formula. Nama bahan sendiri tidak menunjukkan fungsinya: Cetearyl Alcohol bisa bekerja sebagai pengemulsi maupun sebagai structurant, sementara Citric Acid sekaligus berperan sebagai chelator, pengatur pH, dan eksfoliator ringan. AI menyelesaikan ambiguitas ini dengan menghubungkan struktur molekul dengan parameter fisikokimia: polaritas, nilai HLB (Hydrophilic-Lipophilic Balance), dan keberadaan gugus fungsional yang mampu membentuk kompleks atau bereaksi redoks.

Dari Struktur ke Fungsi: Tiga Parameter yang Dihitung Model

Untuk tiap bahan yang dikenali, model merujuk basis data deskriptor molekul — bobot atom, panjang rantai hidrokarbon, jumlah gugus hidroksil dan karboksil, keberadaan cincin aromatik. Data ini memungkinkan estimasi logaritma koefisien partisi (logP), yang berkorelasi dengan HLB dan memprediksi perilaku molekul di antarmuka fase. Skala HLB sendiri berasal dari makalah klasik Griffin (1949 dan 1954, Journal of the Society of Cosmetic Chemists) — sebuah kerangka empiris untuk mengklasifikasikan surfaktan, bukan model prediktif stabilitas. Penerapan metode komputasi modern pada persoalan ini, mulai dari estimasi tegangan antarmuka hingga pemodelan distribusi ukuran droplet, dipetakan dalam tinjauan ACS Omega (2025) yang dikutip di awal artikel.

Tabel di atas adalah kerangka skala Griffin, yaitu sifat bahan bakunya, bukan ramalan tentang formula jadi. Dua pengemulsi dengan HLB serupa bisa menghasilkan emulsi dengan stabilitas yang sangat berbeda tergantung fase minyak, elektrolit, dan proses pembuatannya; HLB memberi titik awal pemilihan, bukan jawaban.

Pengemulsi dan Keseimbangan HLB: Bagaimana AI Menghitung Jenis Sistem

Ketika model melihat kombinasi beberapa bahan dengan nilai HLB berbeda, ia merekonstruksi bukan sekadar daftar, tapi logika sistem emulsinya. Contoh terdokumentasi yang bisa Anda periksa sendiri: Emulium® Delta MB dari Gattefossé memiliki INCI Cetyl Alcohol (and) Glyceryl Stearate (and) PEG-75 Stearate (and) Ceteth-20 (and) Steareth-20 dengan kadar pakai yang dinyatakan produsen 2–6% produk komersial. Perhatikan apa yang terjadi di label: satu bahan baku komersial muncul sebagai lima nama INCI berurutan. Alat AI yang membaca kelima nama itu sebagai lima keputusan formulasi terpisah akan salah membaca arsitektur formula — padahal formulatornya hanya menimbang satu wadah.

Inilah pola yang sebaiknya dicari: gugusan nama INCI yang muncul berdampingan dengan urutan khas adalah kandidat premix komersial, bukan lima bahan independen. Jika dalam komposisi ada hidrokoloid seperti Xanthan Gum dengan porsi pengemulsi sesungguhnya yang kecil, model akan menyimpulkan stabilisasi terjadi lewat peningkatan viskositas, bukan lewat interaksi surfaktan klasik — ini pendekatan yang secara prinsip berbeda dalam reverse-engineering tekstur. Untuk pembahasan pemilihan pengemulsi secara lebih rinci, lihat artikel terkait di blog ini.

Mengenali Chelator dan Antioksidan dari Gugus Fungsionalnya

Chelator diidentifikasi lewat keberadaan gugus karboksil atau fosfonat ganda yang mampu membentuk ikatan koordinasi dengan ion logam transisi seperti Fe³⁺ dan Cu²⁺ — logam-logam inilah yang mengkatalisis oksidasi lipid dan penguraian vitamin dalam resep. Antioksidan dikenali dengan cara berbeda: model mencari gugus hidroksil aromatik (fenol) atau struktur redoks-aktif ester fosfat asam askorbat. Karena itu, Tocopherol dan Sodium Ascorbyl Phosphate secara nama tidak mirip, tapi secara struktur sama-sama punya kemampuan melepas elektron, sehingga AI menandainya dengan tag fungsional yang sama — terlepas dari kelarutannya yang berbeda, yang justru menentukan di fase mana keduanya bekerja.

Mengapa Ini Krusial untuk Reverse-Engineering Resep

Menentukan fungsi, bukan sekadar mengidentifikasi nama, mengubah daftar INCI menjadi peta kerja formula. Dengan memahami bahwa bahan tertentu adalah chelator, bukan sekadar "aditif tekstur", kita bisa memahami mengapa ia diletakkan tepat setelah air dan gliserin (urutan dalam INCI berkorelasi dengan kadar massa, kecuali untuk bahan di bawah 1% yang urutannya bebas — aturan yang tercantum dalam Peraturan BPOM Nomor 18 Tahun 2024). Ini memungkinkan kita merekonstruksi bukan hanya komposisi, tapi juga logika teknologinya: jendela suhu penambahan fase, urutan penambahan bahan aktif, rentang pH yang diharapkan dari sistem jadi — semua yang dibutuhkan untuk mereplikasi resep kompetitor secara bermakna, bukan sekadar menyalin mentah-mentah.

Batas kejujuran rekonstruksi ini perlu dinyatakan: suhu proses, urutan penambahan, dan pH akhir tidak dapat disimpulkan dari label. Keduanya adalah hipotesis yang diturunkan dari sifat bahan baku, dan yang menentukan benar-tidaknya adalah percobaan Anda sendiri, bukan kelengkapan laporan AI.

Kesalahan Umum dalam Analisis AI terhadap Komposisi Kompetitor dan Cara Menghindarinya

AI dengan cepat menghasilkan laporan komposisi yang tampil rapi, dan justru kecepatan inilah yang menciptakan rasa percaya yang keliru. Dalam praktiknya, bahkan model yang bagus pun rutin keliru di tiga area: interpretasi urutan bahan, mengarang-ngarang nama yang tidak dikenal, dan kebingungan sinonim INCI. Mari bedah tiap jebakan ini satu per satu, dengan contoh konkret di mana AI biasanya tersandung.

Kesalahan 1: Membaca Urutan Bahan secara Harfiah sebagai Konsentrasi Pasti

Regulasi mewajibkan pencantuman bahan berdasarkan urutan konsentrasi menurun hanya sampai ambang 1%, setelah itu urutannya bisa bebas. AI, terutama dengan prompt yang kurang detail, cenderung menafsirkan seluruh string sebagai hierarki ketat "dari besar ke kecil" — sehingga pengawet yang terletak di antara ekstrak tumbuhan dalam daftar, oleh AI cenderung dideskripsikan sebagai "hadir dalam konsentrasi signifikan", padahal untuk phenoxyethanol batas atasnya saja hanya 1,0%.

Kesalahan 2: Halusinasi pada Nama INCI yang Tidak Dikenal atau Langka

Ketika model bertemu nama INCI yang tidak standar, sudah usang, atau bersifat regional (misalnya, ekstrak tumbuhan lokal Indonesia yang jarang muncul dalam korpus berbahasa Inggris), kadang ia tidak menjawab "tidak tahu", melainkan menghasilkan deskripsi fungsi dan asal-usul yang terdengar meyakinkan tapi sebenarnya rekaan. Ini halusinasi LLM klasik — model mengisi kekosongan dengan sesuatu yang secara statistik mungkin, bukan fakta yang terverifikasi. Untuk bahan baku lokal, risikonya paling tinggi justru karena kepadatan dokumennya paling rendah.

Aturan praktis: bahan apa pun yang untuknya model tidak bisa memberikan peran fungsional spesifik dan rentang dosis yang khas, perlu diverifikasi manual, bukan dimasukkan ke kesimpulan akhir laporan sebagai fakta yang bisa diandalkan.

Kesalahan 3: Kebingungan Sinonim dan Nama Dagang INCI

Zat yang sama bisa muncul dengan nama INCI berbeda tergantung produsen bahan bakunya, sementara istilah dagang (misalnya "hyaluronic", "vitamin C") menyembunyikan puluhan derivat yang secara kimia berbeda, dengan stabilitas dan bioavailabilitas yang juga berbeda. AI kadang menukar Sodium Hyaluronate dengan Hydrolyzed Hyaluronic Acid, atau menggeneralisasi semua derivat asam askorbat di bawah satu label "vitamin C", tanpa membedakan Ascorbic Acid, Sodium Ascorbyl Phosphate, dan Ascorbyl Glucoside — padahal kelarutan, stabilitas penyimpanan, dan pH optimalnya berbeda secara mendasar. Kerapuhan ini bukan khas kosmetik: seperti disebut di atas, analisis JAMIA 2021 menunjukkan bahwa lebih dari separuh string dalam kamus rujukan bersifat ambigu, jauh di atas yang tercermin dalam himpunan data uji.

• Selalu minta AI menyebut nama INCI lengkap dan persis, bukan kategori umum ("ini bentuk vitamin C, tapi yang mana persisnya?")
• Minta model secara eksplisit menjelaskan perbedaan antar nama yang mirip, jika dalam komposisi ada beberapa derivat dari satu bahan aktif yang sama
• Jangan percaya begitu saja pada kesimpulan "identik" antara dua komposisi hanya karena kategori umum bahan-bahannya sama — cocokkan string INCI-nya secara konkret
• Untuk setiap nama yang menentukan keputusan, tarik pengenal uniknya (nomor CAS) dan cocokkan dengan lampiran Peraturan BPOM Nomor 25 Tahun 2025, bukan dengan nama dagangnya

Cara Meminimalkan Risiko Kesalahan dalam Praktik

Tiga langkah ini menurunkan tingkat kesalahan hingga level yang dapat diterima:

1. Verifikasi ganda — cocokkan manual setiap kesimpulan tentang "bahan aktif pada konsentrasi kerja" dengan basis data terbuka (CosIng, PubChem) dan dengan lampiran Peraturan BPOM Nomor 25 Tahun 2025, terutama jika ia memengaruhi keputusan tentang formula
2. Instruksi eksplisit dalam prompt — minta model sejak awal menandai jawaban yang tidak yakin dengan frasa "data tidak cukup", alih-alih menghasilkan teks yang terdengar meyakinkan
3. Cross-check dengan permintaan kedua — ajukan pertanyaan yang sama dengan rumusan berbeda atau ke model lain, lalu bandingkan jawabannya; perbedaan hasil adalah sinyal untuk pengecekan manual

Analisis AI terhadap INCI adalah akselerator untuk pembedahan awal, bukan pengganti keahlian kimia. Laporan AI sebaiknya diperlakukan sebagai draf hipotesis yang perlu dikonfirmasi sebelum dijadikan dasar pengembangan formula Anda sendiri.

Dari Analisis ke Tindakan: Cara Menggunakan Insight AI dalam Pengembangan Formula Anda

Laporan dari AI bukan produk akhir, melainkan bahan mentah untuk pengambilan keputusan. Perbedaan antara formulator hobi dan profesional terletak pada ini: yang pertama menyalin komposisi kompetitor nyaris apa adanya, sedangkan yang kedua mengekstrak pola dari analisis dan menerapkannya ke logika formula sendiri — dengan rasio berbeda, biaya berbeda, dan set klaim yang berbeda. Mari bedah bagaimana caranya mengubah data parsing yang kering menjadi keputusan yang bisa dijalankan.

Benchmarking: Menemukan Celah antara yang Diklaim dan yang Sesungguhnya

Hal pertama yang diberikan data terstruktur dari analisis AI adalah kemampuan membandingkan beberapa komposisi kompetitor secara berdampingan. Jika Anda menjalankan 5–7 produk dari kategori yang sama lewat AI (misalnya, serum dengan Niacinamide), Anda akan mendapat statistik posisi bahan aktif dalam daftar INCI, yang berkorelasi dengan kadarnya — sebagai peringkat, bukan sebagai angka.

Tabel berikut adalah contoh ilustratif yang kami susun untuk menjelaskan metode, bukan hasil pengukuran atas produk nyata di pasar. Kolom "estimasi konsentrasi" sengaja kami tulis sebagai rentang lebar untuk mengingatkan bahwa angka semacam ini adalah hipotesis dari posisi, bukan hasil analisis laboratorium:

Tabel semacam ini menunjukkan celah posisi, bukan celah efikasi: yang terbaca adalah bahwa brand B menempatkan bahan aktifnya jauh lebih rendah dalam daftar dibanding klaim yang dipasang di depan kemasan. Ini bisa menjadi niche Anda — tetapi klaim yang Anda pasang sendiri harus lolos Peraturan BPOM Nomor 3 Tahun 2022 tentang Persyaratan Teknis Klaim Kosmetika, yang mengharuskan klaim didukung bukti, bukan sekadar didukung posisi bahan di label.

Mencari Niche lewat Diferensiasi Lapisan Fungsional

AI cukup baik dalam mensistematisasi bahan berdasarkan peran fungsional (emolien, gelling agent, pengawet, antioksidan). Ketika Anda melihat distribusi peran pada 5+ kompetitor, menjadi jelas di mana pasar sudah jenuh dan di mana ada celah.

• Kejenuhan — jika semua kompetitor memakai gelling agent yang sama (Carbomer) dengan tekstur mirip, diferensiasi lewat tekstur tidak akan berhasil — pasar sudah "kenyang".
• Celah di dukungan barrier — jika tidak ada satu pun kompetitor yang punya ceramide atau kolesterol di 10 bahan teratas, sementara audiens Anda kulit sensitif, ini titik masuk yang bagus.
• Sistem pengawet yang berbeda — menemukan satu kombinasi pengawet pada sebagian besar kompetitor membuka ruang untuk sistem lain, selama setiap komponennya berada dalam batas Peraturan BPOM Nomor 25 Tahun 2025 dan terbukti efektif lewat uji tantangan mikroba pada formula Anda. Perlu ditekankan bahwa "sistem yang lebih modern" bukan kategori regulasi — pengawet dinilai dari efikasi pada formula Anda dan dari kepatuhan kadarnya, bukan dari tahun popularitasnya.

Optimasi Biaya tanpa Kehilangan Fungsi

Membedah posisi bahan dalam daftar INCI, digabung dengan pengetahuan harga pasar bahan baku, memungkinkan Anda menghitung perkiraan cost per batch kompetitor. Jika AI menentukan bahwa kompleks peptida mahal berada di posisi ke-12 — artinya kadarnya kemungkinan di bawah 1% — Anda bisa memutuskan untuk tidak memasukkannya sama sekali, atau menggantinya dengan alternatif yang mekanisme kerjanya serupa. Contoh yang sering dipertimbangkan adalah memakai turunan asam askorbat yang lebih stabil alih-alih asam askorbat murni; ingat bahwa keduanya berbeda dalam kandungan asam askorbat setara per gram bahan baku, sehingga penggantian bukan substitusi satu-banding-satu dan harus dihitung ulang dari spesifikasi pemasok.

Dari Insight ke Prototipe: Tiga Langkah untuk Formulator

1. Kunci hipotesis Anda. Berdasarkan laporan AI, rumuskan satu perbedaan konkret: "formula saya akan mengandung niacinamide pada kadar yang saya tetapkan dan dapat saya buktikan" atau "saya akan menghilangkan alkohol denat dari basis, menggantinya dengan kompleks pelembap".
2. Hitung ulang keseimbangan fase. Mengganti atau menaikkan kadar bahan aktif hampir selalu membutuhkan peninjauan ulang pengemulsi dan pengental — gunakan laporan sebagai checklist kompatibilitas, bukan resep siap pakai. Ambil rentang pakai pengemulsi dari technical data sheet bahan baku yang benar-benar Anda beli: untuk Emulium® Delta MB, misalnya, 2–6% produk komersial.
3. Uji dalam batch kecil. Sebagai protokol pengamatan awal untuk pembelajaran, kami memakai batch 100–200 g dengan pencatatan pH (diukur pada 25 °C dengan pH-meter terkalibrasi), penampakan, dan bau, diamati pada suhu ruang dan pada 45 °C selama 48 jam. Ini ambang minimal sebelum bicara scale-up — dan perlu dinyatakan tegas: 48 jam bukan bukti stabilitas, bukan dasar menetapkan masa simpan, dan bukan pengganti uji stabilitas dipercepat maupun uji tantangan mikroba. Rentang pH target juga bukan angka universal: ia ditentukan oleh bahan aktif dan sistem pengawet formula Anda, bukan oleh kategori produk.

Pendekatan ini mengubah analisis AI terhadap kompetitor dari sekadar pengintaian menjadi alat perancangan: Anda tidak mereplikasi formula orang lain, tapi membangun formula Anda sendiri dengan set bahan aktif yang beralasan, biaya yang realistis, dan klaim yang akan lolos verifikasi — baik dari sisi bahan maupun hukum. Lebih lanjut tentang menghitung biaya batch dan memilih sistem pengawet untuk jenis formula tertentu, bisa dibaca di artikel menghitung biaya produksi formula kosmetik.

Kesimpulan: AI sebagai Alat Intelijen Kompetitif, Bukan Pengganti Chemist Formulasi

Membedah komposisi INCI kompetitor dengan AI adalah kerja dengan probabilitas, bukan fakta. Model bahasa menawarkan interpretasi paling masuk akal atas urutan bahan, konsentrasinya, dan peran fungsionalnya, berdasarkan pola statistik dalam data pelatihannya. Ia tidak pernah membuka kemasan, tidak pernah melakukan titrasi, dan tidak pernah melihat resep asli brand tersebut. Semua yang dihasilkannya adalah hipotesis yang perlu diperiksa dengan pengetahuan kimia — bukan vonis akhir.

Justru karena itulah kombinasi "AI + chemist formulasi" bekerja lebih efektif daripada masing-masing alat sendirian. AI mengambil alih pekerjaan rutin: menyortir komponen berdasarkan aturan konsentrasi menurun, mencocokkan nama INCI dengan basis data kelas fungsional, dan menghasilkan hipotesis draf tentang jenis emulsi serta perkiraan segmen harga formula. Chemist mengambil alih hal yang secara prinsip tidak bisa dilakukan model — memeriksa kompatibilitas kimia, menilai stabilitas pada pH dan suhu tertentu, dan menghitung dosis realistis dengan mempertimbangkan batas regulasi yang berlaku di pasar tujuan.

Apa yang Dilakukan AI dengan Baik, dan Apa yang Tidak

Pembagian tugas ini bukan kompromi, melainkan konsekuensi dari sifat alat itu sendiri. AI dilatih pada pola tekstual, bukan pada kimia fisik emulsi. Ia bisa "melihat" Cetearyl Alcohol dan Polysorbate 60 dalam daftar sebagai pasangan pengemulsi khas dan menduga sistem minyak-dalam-air, tapi tidak mampu memverifikasi apakah sistem ini tetap stabil setelah ditambah bahan aktif tertentu pada pH tertentu. Pemeriksaan semacam itu hanya bisa dilakukan oleh spesialis yang memahami diagram fase dan berpengalaman dalam uji stabilitas laboratorium.

Kesimpulan Praktis

Jika dirangkum dalam bentuk protokol kerja, hasilnya seperti ini:

1. Gunakan AI untuk pembongkaran awal komposisi kompetitor secara cepat — ini menghemat berjam-jam kerja manual dengan referensi INCI.
2. Perlakukan setiap angka konsentrasi dari laporan AI sebagai rentang, bukan nilai pasti, dan periksa ulang lewat dokumen yang berlaku: Peraturan BPOM Nomor 25 Tahun 2025 untuk kadar maksimum, Peraturan BPOM Nomor 18 Tahun 2024 untuk aturan penandaan, laporan CIR untuk penilaian keamanan, dan technical data sheet pemasok untuk rentang pakai bahan baku.
3. Minta setiap angka disertai jenis dokumennya. Angka tanpa jenis dokumen diperlakukan sebagai tidak ada.
4. Verifikasi hipotesis tentang jenis sistem emulsi dan kompatibilitas bahan lewat perhitungan HLB, uji stabilitas, dan pengetahuan kimia fisik — tahap ini tidak bisa didelegasikan ke model.
5. Gunakan insight dari analisis bukan untuk menyalin komposisi kompetitor, tapi untuk membentuk resep Anda sendiri yang terdiferensiasi dengan set bahan aktif yang beralasan.

Intelijen kompetitif lewat analisis AI terhadap INCI adalah akselerator di tahap awal pengembangan, yang memangkas waktu analisis pasar awal dari hitungan hari menjadi hitungan jam. Tapi keputusan akhir soal konsentrasi bahan aktif, pemilihan pengawet, atau sistem pengemulsi tetap ada di tangan chemist formulasi, yang bertanggung jawab atas stabilitas, keamanan, dan kepatuhan formula jadi terhadap persyaratan regulasi. AI memperluas kemampuan seorang spesialis, tapi tidak menggantikan pengetahuan fundamental kimia kosmetik — keseimbangan inilah yang menentukan apakah alat AI menjadi asisten yang berguna atau sumber kesalahan mahal dalam pengembangan.

Pertanyaan yang Sering Diajukan

Membedah formula orang lain itu berguna, tapi menyusun formula sendiri jauh lebih berguna lagi. AI Chemist di Klub Walker Formulation Academy membantu untuk keduanya: ia terhubung ke basis data INCI yang terverifikasi, sehingga tidak keliru soal fungsi dan rentang kerja bahan seperti chatbot pada umumnya. Dan dalam sesi bedah bersama pengajar langsung, Anda akan belajar membaca komposisi layaknya seorang profesional.