Cara Menulis Prompt AI untuk Formulasi Kosmetik: Panduan Langkah demi Langkah

Pendahuluan: mengapa developer kosmetik memerlukan prompt AI

Mengembangkan formulasi kosmetik adalah proses yang biasanya membutuhkan waktu berminggu-minggu, bahkan berbulan-bulan. Seorang ahli kimia formulasi memilih basis, menguji kompatibilitas bahan aktif, menghitung keseimbangan pH, memeriksa stabilitas emulsi pada berbagai suhu, lalu menyesuaikan formula berdasarkan hasil uji laboratorium. Setiap tahap membutuhkan keahlian mendalam dalam kimia organik, dermatologi, dan teknologi emulsifikasi — dan faktor manusia tidak bisa dihindari di sini: kesalahan dalam menghitung persentase pengawet, atau ketidakcocokan antara dua bahan yang terlewat, bisa membuat emulsi terpisah, bahan aktif kehilangan potensinya, atau menyebabkan reaksi alergi pada pengguna akhir.

Di sinilah model AI — model bahasa besar yang dilatih dari sejumlah besar literatur ilmiah, basis data paten, dan dokumentasi teknis — menjadi alat kerja laboratorium yang nyata. Namun, kualitas output AI sangat bergantung pada kualitas pertanyaan yang diajukan. Prompt yang tidak jelas seperti "buatkan krim untuk kulit kering" akan menghasilkan jawaban yang sama tidak jelasnya, dan seringkali tidak berguna dalam praktik: tanpa nama INCI yang konkret, tanpa persentase, tanpa rezim suhu emulsifikasi. Ahli kimia hanya mendapatkan teks yang terdengar masuk akal tetapi tidak akan lolos pengujian di laboratorium.

Di sinilah keterampilan utama yang dibahas dalam panduan ini berperan: cara menulis prompt AI untuk formulasi kosmetik — yaitu, bagaimana merumuskan permintaan agar AI menghasilkan bukan sekadar frasa umum, melainkan dasar formula yang benar-benar bisa dipakai: bahan-bahan spesifik dengan rentang persentase, logika fase emulsi, parameter pH dan suhu, serta potensi risiko kompatibilitas. Ini bukan sihir atau "prompt engineering demi gaya-gayaan" — ini adalah pendekatan terstruktur untuk memberi arahan pada model, seperti cara seorang ahli kimia merumuskan permintaan kepada rekan ahli lainnya.

Apa yang berubah saat beralih dari pengembangan manual ke pengembangan berbantuan AI

Penting untuk memahami: model AI tidak menggantikan uji laboratorium dan tidak mengambil alih keahlian ahli kimia. AI mempersingkat waktu yang dihabiskan pada langkah-langkah rutin — memilih emulsifier alternatif, menghitung konsentrasi awal bahan aktif, menghasilkan hipotesis kompatibilitas. Developer mendapatkan draf formula dalam hitungan menit, bukan hari, lalu menerapkan keahliannya sendiri untuk memvalidasi dan mengujinya.

• Iterasi lebih cepat — daripada satu formula per minggu, Anda bisa menguji 5-10 hipotesis dalam sehari sebelum masuk ke laboratorium.
• Ambang masuk lebih rendah — formulator pemula mendapatkan titik awal yang terstruktur, bukan halaman kosong.
• Pengetahuan yang tersistematisasi — prompt yang disusun dengan baik memaksa developer untuk merumuskan persyaratan produk dengan lebih jelas (jenis kulit, pH target, stabilitas, biaya bahan baku).

Pada bagian-bagian selanjutnya, kita akan membahas langkah demi langkah blok-blok apa yang harus ada dalam prompt agar menghasilkan formulasi yang benar-benar bisa dipakai: bagaimana menentukan jenis produk dan target audiens, bagaimana merumuskan batasan bahan dan anggaran, bagaimana meminta komposisi persentase dan lembar proses dari model, serta bagaimana mengevaluasi dan menyempurnakan hasil yang Anda dapatkan. Setiap langkah diilustrasikan dengan contoh prompt konkret — mulai dari rumusan yang lemah hingga brief teknis yang benar-benar bisa langsung digunakan di catatan laboratorium.

Bagaimana AI memahami bahasa kimia: cara model bahasa menghasilkan formulasi

Model bahasa tidak "mengetahui" kimia sebagaimana seorang ahli kimia bergelar mengetahuinya. Model bekerja dengan teks sebagai objek statistik: setiap kata, termasuk nama bahan dalam nomenklatur INCI, diubah menjadi vektor numerik — sebuah token — dan model memprediksi urutan token yang paling mungkin secara logis melanjutkan prompt tersebut. Bagi model bahasa, sebuah formulasi bukanlah sistem kimia dengan fase, pH, dan kompatibilitas — melainkan pola bahasa yang telah ditemui berkali-kali dalam data pelatihan: paten, makalah ilmiah, forum formulator, dokumen regulasi INCI/CTFA.

Tokenisasi nama kimia

Masalahnya adalah nomenklatur INCI tidak selalu cocok dengan tokenisasi bahasa alami yang standar. Model bisa memecah nama Sodium Ascorbyl Phosphate menjadi fragmen yang tidak sesuai dengan morfem kimianya: "Sodium," "As," "corbyl," "Phosphate." Ini menciptakan risiko pergeseran makna semantik — model mengasosiasikan bahan tersebut bukan dengan fungsi kimia sebenarnya, melainkan dengan entitas yang jaraknya paling dekat secara vektor yang muncul dalam konteks serupa selama pelatihan. Menurut penelitian tentang model NLP di domain kimia (Guo et al., 2022; Schwaller et al., 2021), tokenizer SMILES khusus dan notasi kimia memberikan akurasi pengenalan struktur 15–30% lebih baik dibandingkan tokenizer bahasa alami generik yang digunakan oleh kebanyakan sistem AI percakapan, termasuk model tipe GPT. Dalam praktiknya, ini berarti chatbot biasa menafsirkan nama kimia lebih berdasarkan konteks penyebutannya dalam teks daripada berdasarkan logika molekuler.

Dari mana asal "intuisi kimia" model

Apa yang terlihat seperti pemahaman tentang kompatibilitas bahan, sebenarnya hanyalah korelasi statistik. Jika korpus pelatihan memuat kombinasi "Niacinamide + Vitamin C low pH = tidak stabil" ribuan kali, model akan mereproduksi peringatan tersebut dengan probabilitas tinggi — tanpa "memahami" reaksi transamidasi yang sesungguhnya terjadi di baliknya. Masalah muncul ketika korpusnya jarang atau saling bertentangan: untuk peptida baru, ekstrak tumbuhan yang jarang, atau kombinasi emulsifier yang tidak konvensional, model bisa berhalusinasi menghasilkan data yang terdengar masuk akal tetapi salah, atau merata-ratakan jawabannya berdasarkan analogi-analogi yang tidak berkaitan (Bender & Koller, 2020, dalam konteks "stochastic parrots" — kritik terhadap LLM yang memanipulasi bentuk bahasa tanpa berpijak pada realitas).

Bagaimana struktur jawaban terbentuk

Format output — tabel fase, persentase, urutan penambahan bahan — juga merupakan hasil pencocokan pola, bukan kalkulasi. Model telah dilatih dengan puluhan ribu contoh formulasi dengan arsitektur teks tertentu: Fase A / Fase B / Fase C, suhu pemanasan, urutan emulsifikasi. Ketika sebuah prompt mengandung kata pemicu ("emulsi," "serum," "SPF"), ini mengaktifkan wilayah perhatian yang terkait khusus dengan kelompok struktur tersebut. Ini menjelaskan mengapa permintaan yang dirumuskan secara samar akan menghasilkan resep generik yang "dirata-ratakan" — model memilih templat yang paling aman secara statistik, bukan yang paling optimal untuk tugas spesifik Anda.

Kesimpulan praktis untuk prompt engineering: semakin tepat sebuah permintaan mencerminkan struktur dan terminologi yang khas dari sumber-sumber berkualitas tinggi (publikasi ilmiah, panduan regulasi, basis data formulasi profesional), semakin besar kemungkinan model mengaktifkan pola yang relevan, bukan pola yang dirata-ratakan. Hal ini akan dibahas pada bagian selanjutnya, yang menguraikan arsitektur sebenarnya dari sebuah prompt.

Anatomi prompt yang ideal: struktur, konteks, dan batasan

Prompt untuk menghasilkan formulasi kosmetik bukanlah pertanyaan bebas — ini adalah brief teknis. Model AI bekerja secara statistik: model memprediksi kelanjutan teks yang paling mungkin berdasarkan input yang Anda berikan. Semakin tepat dan terstruktur input tersebut, semakin sempit ruang untuk "tebak-tebakan," dan hasilnya akan semakin mendekati formula yang benar-benar bisa dipakai, bukan sekadar teks abstrak tentang krim.

Prompt formulasi yang baik hampir selalu terdiri dari lima blok wajib. Lewatkan satu saja dari blok-blok ini, dan model akan mengisi kekosongan tersebut dengan asumsinya sendiri — yang mungkin tidak sesuai dengan batasan teknis Anda.

Blok 1: peran

Baris pertama prompt memberikan model sebuah "topeng profesional" — konteks yang menjadi dasar pemilihan kosakata, tingkat detail, dan logika penalaran. Rumusan seperti "Anda adalah ahli kimia formulasi yang berpengalaman dalam mengembangkan emulsi O/W" akan mengalihkan model ke mode di mana ia lebih mungkin menggunakan terminologi INCI yang benar, menyebutkan keseimbangan HLB emulsifier dan rentang pH yang umum, daripada menulis teks pemasaran untuk halaman landing page.

Tanpa blok ini, model akan menggunakan gaya jawaban generik dan "aman" secara default — apa pun yang secara statistik lebih umum dalam data pelatihan tentang kosmetik secara umum, termasuk blog dan teks iklan.

Blok 2: tugas

Tugas harus dirumuskan sebagai tindakan teknis yang spesifik, bukan pertanyaan terbuka. Bandingkan dua rumusan berikut:

• "Buatkan krim untuk kulit kering" — permintaan yang samar; model akan memilih jawaban paling umum dari ribuan teks serupa dalam data pelatihannya.
• "Buatkan formula dasar untuk krim pelembap O/W dengan fase lipid 18–22%, emolien dengan polaritas sedang, dan sistem pengawet berbasis Sodium Benzoate dan Potassium Sorbate" — tugas dengan parameter terukur yang secara drastis menyempitkan ruang probabilitas jawaban.

Blok 3: parameter input

Ini adalah "paspor teknis" produk, yang Anda berikan secara eksplisit kepada model. Semakin lengkap daftarnya, semakin rendah risiko mendapatkan formula yang tidak cocok dengan peralatan atau target audiens Anda.

Blok 4: format output

Secara default, model cenderung menjawab dengan prosa yang mengalir dan penjelasan. Itu tidak praktis untuk sebuah formulasi — Anda memerlukan tabel dengan fase, persentase, dan urutan penambahan. Nyatakan strukturnya secara eksplisit: "Sajikan hasil dalam bentuk tabel: Fase, nama INCI, % kandungan, suhu penambahan, fungsi bahan." Ini secara drastis meningkatkan kegunaan jawaban untuk pekerjaan lanjutan — perhitungan biaya, pemindahan ke catatan laboratorium, atau perbandingan versi.

Blok 5: batasan keamanan

Blok inilah yang membedakan alat yang benar-benar berguna dari sekadar mainan. Model tidak memiliki modul regulasi bawaan — model tidak "mengetahui" batasan Peraturan BPOM No. 25 Tahun 2025 secara default, kecuali Anda secara eksplisit memintanya untuk bekerja dalam batasan tersebut dan kemudian memverifikasi hasilnya sendiri. Jadi, prompt harus menyertakan batasan eksplisit seperti:

• konsentrasi maksimum bahan aktif (misalnya, "Retinol tidak lebih dari 0,3%");
• larangan kombinasi dengan ketidakcocokan yang sudah diketahui (asam + bentuk vitamin C tertentu);
• persyaratan untuk menyebutkan kelas fungsional setiap bahan, tidak hanya namanya saja.

Struktur "peran → tugas → parameter → format → batasan" berfungsi sebagai daftar periksa, bukan templat yang kaku — urutan blok-bloknya kurang penting dibandingkan kelengkapannya. Prinsip-prinsip umum prompt engineering (memperinci konteks, menjelaskan format secara eksplisit, memecah tugas kompleks menjadi sub-poin) berlaku di sini sama seperti di bidang teknis lainnya dalam bekerja dengan model bahasa.

Batasan kimiawi dan kompatibilitas bahan: apa yang perlu diketahui prompt

Model bahasa tidak memahami kimia — ia memprediksi rangkaian token yang mungkin berdasarkan pola dalam data pelatihannya. Artinya, tanpa batasan eksplisit dalam prompt, model bisa menghasilkan formula yang terlihat masuk akal tetapi secara fisik tidak stabil atau tidak kompatibel secara kimiawi. Developer harus menuliskan ke dalam prompt batasan yang sama seperti yang selalu diingat oleh seorang ahli kimia formulasi berpengalaman.

Kompatibilitas pH: batas yang tak terlihat

Sebagian besar bahan aktif hanya bekerja dalam rentang pH yang sempit, dan mengombinasikan dua bahan "bermanfaat" dengan titik optimal berbeda sering justru menetralkan keduanya. Ascorbic Acid (asam askorbat, vitamin C dalam bentuk murninya) stabil pada pH 3,0–3,5, sementara sebagian besar peptida dan ceramide membutuhkan pH 5,0–6,5 — pada pH asam, ikatan peptida terhidrolisis lebih cepat (menurut Pinnell, 2003, pH di bawah 3,5 sangat menentukan stabilitas L-ascorbic acid).

Jika prompt tidak menyebutkan target pH sistem, model bisa saja "menggabungkan" bahan aktif yang tidak kompatibel ke dalam satu fase hanya karena keduanya secara statistik sering muncul bersamaan dalam teks tentang "formula anti-aging."

Emulsifikasi: HLB dan perilaku fase

Emulsi stabil ketika HLB (hydrophilic-lipophilic balance) emulsifier sesuai dengan HLB yang dibutuhkan fase minyak. Prompt harus secara eksplisit menyebutkan jenis emulsi (O/W, W/O, atau ganda), persentase fase minyak, dan rezim suhu emulsifikasi.

• Emulsi O/W umumnya membutuhkan emulsifier dengan HLB 8–16, dengan suhu emulsifikasi 70–75°C untuk komponen berbasis wax.
• Emulsi W/O — HLB 3–6, sering menggunakan Polyglyceryl-3 Diisostearate atau sejenisnya.
• Emulsi ganda (W/O/W) memerlukan proses dua tahap dan perlu dicatat stabilitas penyimpanannya (biasanya tidak stabil tanpa stabilizer khusus, menurut Tadros, 2013).

Stabilitas: suhu, cahaya, oksigen

Banyak bahan aktif tidak terdegradasi secara instan — mereka terdegradasi selama penyimpanan. Prompt harus memperlakukan kondisi stabilitas sebagai batasan, bukan hasil yang diinginkan.

Interaksi antar bahan aktif: konflik yang eksplisit

Contoh klasiknya adalah mengombinasikan Retinol dan asam AHA/BHA dalam satu fase. Kedua kelas ini meningkatkan sensitivitas stratum korneum, dan mengombinasikannya justru memperparah iritasi tanpa peningkatan efikasi yang sepadan (menurut Kligman, 1998, tentang sinergi iritasi saat mengombinasikan retinoid dan asam). Prompt yang meminta "formula anti-aging paling efektif," tanpa batasan kompatibilitas, berisiko menghasilkan kombinasi seperti ini — efektif secara teori, tetapi tidak cocok untuk kulit sensitif.

Konflik umum lainnya adalah surfaktan kationik (misalnya Cetrimonium Chloride) dengan sistem anionik (Sodium Lauryl Sulfate dan sejenisnya): mencampur keduanya menghasilkan kompleks tak larut dan kedua komponen kehilangan fungsinya. Ini adalah batasan elektrostatik murni yang tidak "diketahui" secara intuitif oleh AI — harus dijelaskan secara eksplisit: "jangan mengombinasikan surfaktan kationik dan anionik dalam fase yang sama."

Apa yang perlu dituliskan dalam prompt sebagai batasan kimiawi

1. Rentang pH target dari formula akhir dan sensitivitas pH masing-masing bahan aktif.
2. Jenis sistem emulsi, HLB yang diperlukan, dan rezim suhu untuk fase A dan B.
3. Kondisi penyimpanan (cahaya, suhu, paparan oksigen) dan apakah diperlukan perlindungan antioksidan.
4. Larangan eksplisit terhadap pasangan yang dikenal berkonflik (retinol + asam berkonsentrasi tinggi, surfaktan kationik + anionik, peptida tembaga + vitamin C).
5. Konsentrasi maksimum bahan aktif yang diizinkan sesuai batas regulasi (misalnya, Salicylic Acid — hingga 2% dalam produk leave-on menurut regulasi UE).

Semakin detail prompt menjabarkan batasan-batasan ini, semakin kecil kemungkinan model "menghaluskan" konflik kimiawi nyata hanya demi menghasilkan jawaban yang tampak rapi secara formal — untuk pembahasan lebih lanjut tentang menyusun batasan semacam ini, lihat artikel tentang anatomi prompt.

Algoritma langkah demi langkah: dari ide produk ke prompt jadi

Prompt yang baik tidak lahir dalam satu percobaan — ia dibangun langkah demi langkah, sama seperti formulasi itu sendiri: mulai dari kerangka, lalu detail, lalu koreksi. Berikut urutan kerja yang bisa diterapkan pada produk apa pun, dari serum hingga lip balm.

Langkah 1. Definisikan produk target sesempit mungkin

"Krim wajah" adalah titik awal yang kurang baik: AI akan menghasilkan templat rata-rata atau mulai mengajukan pertanyaan klarifikasi di tengah jawaban, sehingga kehilangan fokus. Anda perlu kategori yang sempit dengan tekstur dan tujuan yang jelas: bukan "krim," tetapi "gel-cream ringan untuk kulit kombinasi dengan efek mematifikasi," atau "balm-mask malam untuk kulit kering dan dehidrasi."

• Kategori: emulsi (O/W atau W/O), gel, serum, balm, emulsion fluid
• Tekstur: ringan/kaya, terasa berminyak/kering, cepat menyerap
• Tujuan: hidrasi, kontrol sebum, anti-aging, perbaikan skin barrier

Langkah 2. Tetapkan jenis kulit dan konteks fisiologis

Jenis kulit tidak hanya mengubah bahan aktif mana yang digunakan, tetapi juga konsentrasi emolien, surfaktan, dan asam yang diperbolehkan. Prompt seharusnya tidak sekadar menyebut "untuk kulit sensitif" secara umum — perlu detail spesifik: adanya kemerahan (couperose), kecenderungan akne, tanda-tanda kerusakan skin barrier, penggunaan musiman.

• Jenis kulit: kering, berminyak, kombinasi, sensitif, matang
• Kondisi: akne, rosacea, hiperpigmentasi, tanda-tanda penuaan
• Kondisi penggunaan: siang/malam, iklim, kompatibilitas dengan makeup atau SPF

Langkah 3. Daftar bahan aktif utama dan perannya

Di sini penting untuk tidak sekadar mendaftar bahan, tetapi menyebutkan fungsi masing-masing — ini secara signifikan meningkatkan akurasi jawaban. Prompt seperti "gunakan Niacinamide dan Hyaluronic Acid" lebih lemah dibanding "gunakan Niacinamide 4% sebagai pengatur sebum dan Sodium Hyaluronate 0,5% sebagai humektan pemadat kulit."

Langkah 4. Tetapkan format output yang diinginkan sebelum mengirim prompt

Ini adalah langkah yang paling sering dilewatkan — dan hasilnya adalah teks tanpa struktur yang kemudian harus dipindahkan secara manual ke dalam tabel. Anda perlu meminta format secara eksplisit, di dalam isi prompt, bukan sebagai pertanyaan susulan terpisah.

• Format tabel: "Sajikan hasil dalam bentuk tabel dengan kolom: Fase, Nama INCI, % penambahan, Suhu penambahan, Fungsi"
• Urutan INCI: "Berikan daftar INCI akhir dengan urutan konsentrasi menurun, sesuai persyaratan pelabelan"
• Catatan fase: "Setelah tabel, berikan deskripsi singkat urutan pencampuran fase A, B, C"

Tanpa permintaan ini, model akan memilih format yang paling nyaman baginya — biasanya prosa yang mengalir, yang sulit diambil angka-angkanya secara cepat untuk uji coba skala laboratorium.

Langkah 5. Iterasi dan penyempurnaan

Jawaban pertama AI adalah draf, bukan formulasi final. Bekerja dengan prompt secara benar berarti berdialog dengan penyempurnaan bertahap, bukan satu permintaan yang sempurna sekaligus.

1. Dapatkan formulasi dasar dari prompt umum
2. Periksa kompatibilitas bahan aktif dan rentang pH secara manual, atau minta AI untuk menjelaskan alasan pemilihan emulsifier
3. Kirim prompt susulan: "Ganti emulsifier dengan yang lebih ringan untuk tekstur musim panas, dengan tetap menjaga stabilitas emulsi pada 25°C"
4. Minta AI menghitung ulang persentase berdasarkan batasan baru — misalnya, mengurangi tingkat keberminyakan keseluruhan fase
5. Finalisasi permintaan untuk daftar INCI lengkap dan rezim penambahan fase (fase dingin/panas, 70–75°C untuk fase air dan minyak pada emulsi O/W klasik)

Pendekatan langkah demi langkah ini mengubah prompt dari sekadar permintaan sekali pakai menjadi alat pengembangan yang benar-benar bekerja — draf formulasi yang bisa cepat disesuaikan, bukan ditulis ulang dari nol setiap ada perubahan.

Contoh prompt: dari krim pelembap dasar hingga serum kompleks

Teori anatomi prompt hanya benar-benar terasa manfaatnya ketika Anda melihat perbedaannya pada formula nyata. Berikut tiga tingkat kompleksitas: krim dasar, krim dengan bahan aktif, dan serum multi-fase. Pada setiap tingkat, kami tunjukkan prompt yang lemah, hasilnya secara garis besar, dan versi yang disempurnakan yang memberi ahli kimia dasar formula kerja, bukan sekadar teks promosi.

Level 1: krim pelembap — dari pertanyaan yang samar menjadi formula bertahap

Prompt lemah: "Buatkan formula krim pelembap untuk kulit kering." Sebagai respons, AI memberikan daftar 6–8 bahan tanpa persentase, tanpa pembagian fase, sering dengan frasa umum seperti "komponen pelembap" bukan nama INCI yang konkret. Jawaban itu tidak bisa digunakan di laboratorium — lebih mirip deskripsi kategori produk daripada lembar penimbangan.

Versi yang disempurnakan menetapkan format output dan kerangka teknis:

Hasil dari permintaan seperti itu adalah tabel dengan fase-fase, persentase konkret (misalnya, fase air 70%, fase minyak 15%, fase aktif 5%), dan titik suhu untuk menambahkan emulsifier (70–75°C) serta pendinginan hingga 40°C sebelum menambahkan pengawet dan bahan aktif yang sensitif terhadap panas. Perbedaannya bukan pada "kualitas ide" — melainkan pada kegunaan dokumen untuk pekerjaan lanjutan: dalam kasus kedua, ahli kimia mendapatkan draf lembar formulasi, bukan sekadar daftar kata.

Level 2: krim dengan bahan aktif — menambahkan batasan kompatibilitas

Pada tingkat ini, prompt yang lemah gagal dengan cara yang berbeda: developer menyebutkan bahan aktif tetapi tidak menetapkan batasan kompatibilitas, dan model bisa mengusulkan kombinasi yang dalam praktiknya menyebabkan pemisahan emulsi atau hilangnya aktivitas suatu bahan.

Evolusi kuncinya di sini adalah peralihan dari sekadar menyebutkan efek ("kulit glowing") menjadi pasangan bahan spesifik dengan persentase dan permintaan eksplisit untuk menandai konflik. Tanpa langkah itu, model secara default memilih kombinasi "aman," yang mungkin tidak sesuai dengan tujuan sebenarnya developer — misalnya, model bisa memberikan bentuk bahan aktif yang lebih mahal atau kurang efektif hanya karena bentuk itu lebih jarang berkonflik.

Level 3: serum kompleks — prompt multi-fase dengan rangkaian batasan

Serum dengan banyak bahan aktif adalah uji ketahanan bagi kematangan sebuah prompt, karena membutuhkan pertimbangan simultan atas kompatibilitas pH, urutan penambahan, kelarutan, dan stabilitas penyimpanan. Prompt lemah seperti "serum dengan retinol, hyaluronic acid, dan peptida untuk kerutan" hampir pasti menghasilkan kombinasi yang tidak stabil di atas kertas: Retinol tidak stabil terhadap cahaya dan memerlukan enkapsulasi terpisah atau kemasan bebas udara, sementara kompleks peptida sering sensitif terhadap rentang pH yang berbeda dari yang nyaman bagi hyaluronic acid.

Versi prompt yang berhasil membagi tugas menjadi beberapa lapisan:

1. Sebutkan bentuk masing-masing bahan aktif: Sodium Hyaluronate (fraksi berat molekul rendah), Encapsulated Retinol 0,3%, kompleks peptida dengan rentang stabilitas pH 5,0–6,0 yang disebutkan;
2. Minta secara eksplisit untuk memisahkan fase berdasarkan kompatibilitas dan sebutkan bahan aktif mana yang masuk sebelum emulsifikasi/gelasi dan mana yang masuk saat pendinginan;
3. Wajibkan model untuk menandai titik-titik risiko: sensitivitas cahaya, ketidakstabilan oksidatif, kebutuhan pasangan antioksidan (misalnya, Tocopherol 0,5%);
4. Format output — tabel fase dengan % bahan, suhu, dan alasan urutan penambahan.

Dengan tingkat detail seperti itu, jawaban AI tidak lagi sekadar "daftar bahan yang sedang tren" melainkan menjadi draf terstruktur di mana logika formula terlihat jelas: mengapa retinol dienkapsulasi, mengapa antioksidan ditambahkan pada fase tertentu, dan rentang pH apa yang dipilih sebagai kompromi antara stabilitas hyaluronic acid dan aktivitas peptida. Ini bukan formulasi yang siap produksi — validasi akhir tetap ada di tangan ahli kimia dan pengujian laboratorium — tetapi tingkat detail prompt seperti itulah yang menjadikan hasilnya sebagai dasar pengembangan nyata, bukan sekadar latihan estetika.

Kesalahan umum dalam menulis prompt dan cara menghindarinya

Bahkan developer berpengalaman yang sudah menguasai struktur prompt dan batasan kimiawi tetap sering melakukan kesalahan yang sama. Ini bukan soal kurangnya pengetahuan kimia kosmetik — masalahnya ada pada cara permintaan dituliskan. AI menghasilkan tepat seperti yang dijelaskan dalam teks, dan setiap kelalaian akan berubah menjadi formulasi yang harus Anda tulis ulang dari awal.

Kesalahan #1: tidak ada batasan konsentrasi numerik

Masalah paling umum: prompt menyebut nama bahan tanpa rentang konsentrasi. Permintaan seperti "tambahkan Niacinamide untuk mencerahkan" membebaskan model untuk memilih angka berapa pun dari 1% hingga 20%, padahal pada praktiknya, di atas 5% tanpa buffer pH, risiko kemerahan dan sensasi perih meningkat. Model tidak tahu siapa target audiens Anda atau berapa ambang iritasi yang Anda toleransi — kecuali Anda menyatakannya secara eksplisit.

• Buruk: "Buatkan serum dengan vitamin C dan niacinamide"
• Baik: "Buatkan serum dengan Sodium Ascorbyl Phosphate 3–5% dan Niacinamide 4%, pH akhir 5,5–6,0"

Kesalahan #2: mengabaikan batasan regulasi

Banyak prompt tidak pernah menyebutkan pasar tujuan produk yang dikembangkan, padahal hal ini sangat krusial. Peraturan BPOM No. 25 Tahun 2025 melarang atau membatasi ratusan bahan (Lampiran), sementara EU Cosmetic Regulation 1223/2009 atau FDA di AS mengatur dengan cara berbeda — misalnya, FDA memperlakukan filter UV sebagai obat OTC. Jika Anda tidak menentukan wilayah, AI bisa menyarankan pengawet yang diizinkan di satu jurisdiksi tetapi dilarang di jurisdiksi lain, atau melebihi batas konsentrasi filter tertentu.

Kesalahan #3: deskripsi tekstur dan sensori yang tidak jelas

Kata-kata seperti "tekstur ringan," "krim yang nyaman," "tidak lengket" bersifat subjektif dan tidak bisa langsung diterjemahkan menjadi parameter kimiawi. AI bisa menafsirkan "ringan" sebagai viskositas rendah atau sebagai kandungan fase minyak yang kecil — dan kedua interpretasi ini menghasilkan formula yang sangat berbeda. Anda perlu menerjemahkan keinginan sensori menjadi parameter yang terukur: viskositas dalam mPa·s, persentase silikon volatil, jenis emulsi (O/W atau W/O).

Kesalahan #4: tidak ada informasi tentang fase stabilitas dan pH

Prompt sering menjelaskan bahan aktif tetapi melupakan konteks prosesnya — suhu penambahan, urutan fase, target pH produk akhir. Akibatnya, AI bisa mengusulkan menggabungkan Ascorbic Acid (membutuhkan pH < 3,5) dan Niacinamide dalam satu fase tanpa memperhitungkan bahwa pada pH rendah bisa terjadi reaksi yang membentuk nicotinic acid dan menyebabkan kemerahan pada kulit. Menyatakan rentang pH target dan rezim suhu secara langsung menutup kemungkinan kombinasi yang tidak stabil.

Kesalahan #5: permintaan yang terlalu umum tanpa menentukan peran AI

Prompt seperti "buatkan krim wajah" tanpa menentukan bahwa model harus berperan sebagai ahli kimia kosmetik yang memperhatikan aturan regulasi, sering kali malah menghasilkan teks pemasaran, bukan formula dengan persentase dan fase yang jelas. Menyatakan peran secara eksplisit ("Anda adalah seorang ahli kimia kosmetik, jawab secara ketat dalam format tabel INCI dengan persentase") mengubah struktur jawaban secara signifikan.

Daftar periksa mandiri sebelum mengirim prompt

1. Apakah konsentrasi yang tepat (%) sudah ditentukan untuk setiap bahan aktif?
2. Apakah wilayah penjualan dan kerangka regulasinya sudah dinyatakan?
3. Apakah preferensi sensori sudah diterjemahkan menjadi parameter terukur (viskositas, jenis emulsi)?
4. Apakah rentang pH target dan rezim suhu penambahan fase sudah ditentukan?
5. Apakah peran AI dan format keluaran sudah didefinisikan (tabel INCI, persentase, fase A/B/C)?

Setiap poin ini menutup celah tertentu dalam prompt yang sebaliknya akan diisi sendiri oleh AI — dan dalam kimia kosmetik, mengisi celah semacam itu hampir selalu berarti risiko ketidakcocokan atau ketidaksesuaian regulasi.

Memeriksa dan memvalidasi formulasi AI: mengapa prompt hanyalah permulaan

Bahkan prompt yang dibangun dengan sempurna — dengan pH, rezim suhu, dan kategori ketidakcocokan yang sudah ditentukan — hanya menghasilkan hipotesis tekstual, bukan formula yang sudah terverifikasi. Model bahasa memprediksi rangkaian token yang paling mungkin berdasarkan pola dalam data pelatihannya — model tidak menghitung keseimbangan HLB emulsi, tidak menjalankan uji reologi, dan tidak tahu bagaimana batch tertentu dari Xanthan Gum akan berperilaku pada suhu 45°C setelah tiga bulan penyimpanan. Kesenjangan antara "teks yang menyerupai formulasi" dan "formulasi yang siap produksi" hanya bisa ditutup melalui validasi laboratorium.

Menghitung dosis yang aman: di mana AI paling sering salah

Model dilatih dari sumber terbuka — makalah ilmiah, paten, forum formulator — dan cenderung merata-ratakan rentang konsentrasi tanpa memperhitungkan konteks regulasi wilayah, jenis produk, atau target audiens. Model bisa saja menyarankan 20% Niacinamide untuk serum, dengan alasan tren umum menuju "konsentrasi tinggi," tanpa menyebutkan bahwa untuk kulit sensitif ambang aman dimulai dari 4–5%, dan bahwa data potensi iritasi di atas 10% (menurut Bissett et al., 2004; Wohlrab & Kreft, 2014) mengharuskan uji tempel (patch test) tersendiri.

• Bahan aktif dengan jendela terapeutik yang sempit — retinoid, asam AHA/BHA, vitamin C bentuk L murni — perlu diperiksa ulang terhadap database CIR (Cosmetic Ingredient Review) dan SCCS (Scientific Committee on Consumer Safety), bukan hanya berdasarkan jawaban model.
• Pengawet — AI sering menyarankan dosis "standar" 0,5–1% tanpa memperhitungkan formula akhirnya: dosis efektif yang sebenarnya bergantung pada pH, keberadaan chelator, dan komponen antimikroba lain yang bekerja bersamaan.
• Minyak esensial dan komponen fragrance — model bisa gagal memperhitungkan batas kumulatif IFRA ketika beberapa bahan fragrance digabungkan dalam satu formula.

Uji stabilitas: hal yang tidak bisa digantikan oleh prompt

Stabilitas emulsi, suspensi, atau gel ditentukan oleh perilaku sistem tersebut di bawah tekanan fisik dan termal, bukan oleh deskripsi tekstual. Protokol verifikasi minimum, yang berlaku terlepas dari apakah formula asalnya dibuat oleh manusia atau model AI, mencakup beberapa tahap.

Metode untuk menilai stabilitas fisik dan kimiawi sistem emulsi dijelaskan secara rinci dalam literatur reologi formulasi kosmetik (menurut Tadros, 2004; Eccleston, 1997) — protokol ini tetap menjadi standar baku terlepas dari seberapa "cerdas" proses pembuatan formula asalnya.

Peran ahli kimia kosmetik: interpretasi, bukan penulisan ulang

Tugas spesialis pada tahap ini bukanlah membuang hasil AI, melainkan melakukan tinjauan struktural: memeriksa kompatibilitas fase, menghitung ulang nilai HLB emulsifier berdasarkan rasio minyak-air yang sebenarnya, menyesuaikan sistem buffer pH, dan mengonfirmasi dosis pengawet melalui challenge test, bukan hanya berdasarkan angka minimum di tabel. Ahli kimia juga menilai kelayakan produksi — apakah urutan penambahan fase yang diusulkan benar-benar bisa direproduksi pada peralatan nyata dalam skala batch target, bukan hanya dalam gelas beaker laboratorium berukuran 50 g.

Rincian kasus-kasus spesifik di mana formulasi AI berhasil dan tidak berhasil lolos verifikasi dibahas di /blog/keys-oshibki-formulirovaniya-kosmetiki — hasilnya menunjukkan bahwa proporsi akhir formula yang benar-benar bisa dipakai setelah siklus verifikasi lengkap jarang melebihi 30–40% dari varian yang awalnya dihasilkan. Itu bukan tanda bahwa prompt tidak berguna — itu justru menegaskan peran sebenarnya: draf hipotesis, bukan produk jadi.

Kesimpulan: bagaimana prompt engineering mengubah pengembangan kosmetik

Prompt engineering tidak menggantikan kimia kosmetik — ia mengubah cara waktu dihabiskan dalam proses pengembangan. Apa yang dulunya membutuhkan waktu berjam-jam untuk mencari kombinasi di referensi INCI dan menghitung kompatibilitas pH, sekarang bisa dihasilkan sebagai draf dalam hitungan menit. Tapi draf tetaplah draf: ia membutuhkan uji stabilitas, penghitungan konsentrasi dunia nyata, dan pemahaman tentang mengapa formulasi tersebut bekerja seperti itu. Seorang spesialis yang bisa melakukan keduanya — merumuskan permintaan yang baik dan memverifikasi hasilnya dengan benar — memiliki alat kerja, bukan sumber risiko.

Tiga pilar dalam bekerja dengan formulasi AI secara efektif

Semua yang ada dalam panduan ini bermuara pada tiga prinsip yang saling berkaitan:

• Ketepatan permintaan — prompt harus menyatakan jenis produk, target audiens, tekstur yang diinginkan, batasan bahan, dan segmen harga. Permintaan yang tidak jelas menghasilkan hasil yang tidak jelas — dan sering kali secara kimiawi salah.
• Literasi kimia dalam merumuskan tugas — menyatakan rentang pH, rezim suhu emulsifikasi, dan pasangan bahan yang tidak kompatibel (misalnya, Ascorbic Acid dan Niacinamide pada konsentrasi tinggi tanpa buffer) mengurangi kemungkinan kesalahan AI sejak tahap generasi.
• Validasi manusia yang wajib dilakukan — tidak ada formulasi hasil AI yang boleh sampai ke sampel laboratorium tanpa pemeriksaan mass-balance, pemeriksaan kompatibilitas fase, dan uji stabilitas penyimpanan di dunia nyata.

Daftar periksa sebelum mengirim formulasi ke tahap pengembangan

Langkah selanjutnya

Prompt engineering untuk formulasi kosmetik adalah keterampilan yang berkembang sejalan dengan kedalaman pemahaman Anda terhadap kimia formula. Semakin tepat seorang spesialis memahami mengapa sebuah krim membutuhkan Xanthan Gum pada konsentrasi tertentu, atau mengapa emulsifier dengan HLB tertentu cocok untuk sistem tersebut, semakin tepat pula prompt yang dihasilkan — dan semakin sedikit iterasi yang dibutuhkan untuk mengubah draf AI menjadi sampel yang benar-benar berfungsi. Menguasai kombinasi ini — permintaan yang terstruktur ditambah keahlian kimia — memperpendek jalan dari ide menjadi prototipe, tetapi tidak mengurangi tanggung jawab Anda terhadap apa yang akhirnya menyentuh kulit pengguna akhir.

Prompt yang dirumuskan dengan baik hanyalah separuh dari pekerjaan; separuh lainnya adalah sumber data yang andal, bukan sekadar teks yang "terdengar masuk akal." Di Walker Formulation Academy Club, itulah fungsi dari AI Chemist: asisten yang terhubung dengan database INCI/CosIng terverifikasi (melalui teknologi RAG), sehingga ia mengandalkan data yang sudah diperiksa, bukan mengarang konsentrasi dan kompatibilitas. Dan instruktur langsung akan meninjau formula Anda di titik-titik yang tidak bisa dijangkau oleh prompt apa pun.