Analisis Profil Keamanan Kosmetik Balai Besar POM di Jayapura Menggunakan Pendekatan Machine Learning

Akma Bertha Aprima  Lagho; Muhammad Nur Arafah; Wiria Sende Paiman; Narto Narto

doi:10.69693/ijim.v4i1.480

Authors

Akma Bertha Aprima Lagho Balai Besar Pengawas Obat dan Makanan Jayapura
Muhammad Nur Arafah Irmex Digital Akademika
Wiria Sende Paiman Balai Besar Pengawas Obat dan Makanan Jayapura
Narto Narto Balai Besar Pengawas Obat dan Makanan Jayapura

DOI:

https://doi.org/10.69693/ijim.v4i1.480

Keywords:

Profil Keamanan, Kosmetik, Machine Learning, BPOM RI, Transformasi Digital

Abstract

Profil keamanan kosmetik merupakan indikator penting dalam mitigasi risiko kesehatan masyarakat, namun analisisnya sering terkendala oleh data hasil sampling dan pengujian yang heterogen dan belum terstruktur. Penelitian ini bertujuan menganalisis profil keamanan kosmetik di Balai Besar Pengawas Obat dan Makanan di Jayapura tahun 2025 dengan memanfaatkan pendekatan pembelajaran mesin untuk meningkatkan kualitas data dan menghilangkan pola pelanggaran. Penelitian menggunakan metode deskriptif-analitik kuantitatif melalui tahapan pembersihan data, penanganan data tidak lengkap, dan standarisasi terhadap 419 sampel hasil sampling dan pengujian laboratorium. Analisis dilakukan menggunakan analisis data eksploratif dan visualisasi untuk mengidentifikasi distribusi dan tren temporal. Hasil menunjukkan tingkat kepatuhan sebesar 61,1% dengan ketegangan antar triwulan, di mana kepatuhan tertinggi terjadi pada Triwulan I (80,3%) dan terendah pada Triwulan IV (49,1%). Meskipun sebagian besar produk memenuhi ketentuan, pelanggaran klaim (35,1%) menjadi indikator risiko utama yang mencerminkan pelanggaran regulasi implementasi. Pendekatan mesin pembelajaran pada tahap awal pengolahan data terbukti mampu mentransformasi data yang tidak terstruktur menjadi informasi berbasis risiko yang lebih sistematis dan informatif. Penelitian ini berkontribusi dalam penguatan pengawasan kosmetik berbasis data yang lebih adaptif, efektif, dan berorientasi pada perlindungan masyarakat.

Kata kunci: Profil Keamanan, Kosmetik, Machine Learning, BPOM RI, Transformasi Digital.

Abstrak

Profil keamanan kosmetik merupakan indikator penting dalam mitigasi risiko kesehatan masyarakat; namun, analisisnya seringkali dibatasi oleh data yang heterogen dan tidak terstruktur dari pengambilan sampel dan pengujian laboratorium. Studi ini bertujuan untuk menganalisis profil keamanan kosmetik di Pusat Pengawasan Obat dan Makanan di Jayapura pada tahun 2025 menggunakan pendekatan pembelajaran mesin untuk meningkatkan kualitas data dan akurasi identifikasi pola pelanggaran. Metode kuantitatif deskriptif-analitik diterapkan, termasuk pembersihan data, penanganan data yang hilang, dan standardisasi 419 sampel dari pengambilan sampel dan pengujian laboratorium. Analisis dilakukan menggunakan analisis data eksploratif dan visualisasi untuk mengidentifikasi distribusi dan tren temporal. Hasil menunjukkan tingkat kepatuhan sebesar 61,1% dengan fluktuasi antar kuartal, dengan kepatuhan tertinggi terjadi pada kuartal pertama (80,3%) dan terendah pada kuartal keempat (49,1%). Meskipun sebagian besar produk memenuhi persyaratan, pelanggaran klaim (35,1%) merupakan indikator risiko utama dan mencerminkan kesenjangan dalam implementasi peraturan. Pendekatan pembelajaran mesin meningkatkan kualitas dan struktur data, memungkinkan identifikasi pola pelanggaran dan tren risiko yang lebih komprehensif. Studi ini berkontribusi untuk memperkuat pengawasan kosmetik berbasis data yang lebih adaptif, efektif, dan berorientasi pada perlindungan masyarakat.

Downloads

Download data is not yet available.

References

Alhafiz, H., Patimah, S., Juwita, M., & Marissa, D. (2025). Perlindungan Konsumen atas Produk Berbasis AI : Tantangan Hukum di Era Digital. 696–708. DOI: https://doi.org/10.55606/jimak.v4i2.4596

Arafah, M. N., Ejung, M. A., Afifah, N. A., & Kartika, M. (2026). Optimasi Machine Learning untuk Surveilans Digital dan Penilaian Risiko Produk Farmasi Optimizing Machine Learning for Digital Surveillance and Pharmaceutical Product Risk Assessment. 2(1), 47–53.

Badawy, M., Ramadan, N., & Hefny, H. A. (2024). Big data analytics in healthcare: data sources, tools, challenges, and opportunities. Journal of Electrical Systems and Information Technology, 11(1), 63. https://doi.org/10.1186/s43067-024-00190-w DOI: https://doi.org/10.1186/s43067-024-00190-w

Baig, M., Raja, M., Ahmad, T., Azim, N., & Riaz, A. (2025). Image Noise Reduction Techniques Using Machine Learning. The Asian Bulletin of Big Data Management, 5, 218–230. https://doi.org/10.62019/m5jj7c95 DOI: https://doi.org/10.62019/m5jj7c95

Batko, K., & Ślęzak, A. (2022). The use of Big Data Analytics in healthcare. Journal of Big Data, 9(1), 3. https://doi.org/10.1186/s40537-021-00553-4 DOI: https://doi.org/10.1186/s40537-021-00553-4

Burdam, C. V., Arafah, M. N., & Burdam, B. Y. R. (2026). Implementation of Decision Support System for Illegal Cosmetic Detection in Papua Based Machine Learning. Journal of System and Computer Engineering, 7(1), 116–123.

Gorishniy, Y., Rubachev, I., Khrulkov, V., & Babenko, A. (2021). Revisiting Deep Learning Models for Tabular Data. In M. Ranzato, A. Beygelzimer, Y. Dauphin, P. S. Liang, & J. W. Vaughan (Ed.), Advances in Neural Information Processing Systems (Vol. 34, hal. 18932–18943). Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2021/file/9d86d83f925f2149e9edb0ac3b49229c-Paper.pdf

Jeffry, J., Nurdyansa, N., Usman, S., Sasmita, D., & Arafah, M. N. (2023). Transformasi Digital Dalam Industri Kerajinan Rumahan Melalui Penggunaan Teknologi Machine Learning. JMM (Jurnal Masyarakat Mandiri), 7(6), 5840–5849. https://journal.ummat.ac.id/index.php/jmm/article/view/19209 DOI: https://doi.org/10.31764/jmm.v7i6.19209

Kale, A., & Pandey, D. (2024). Data Pre-Processing Technique for Enhancing Healthcare Data Quality Using Artificial Intelligence. International Journal of Scientific Research in Science and Technology, 299–309. https://doi.org/10.32628/IJSRST52411130 DOI: https://doi.org/10.32628/IJSRST52411130

Kashuri, M., Ikrar, T., & Indrayanto, G. (2025). Analysis of Trends in Cosmetics Supervision Cases in Indonesia in. 5(2), 128–139. DOI: https://doi.org/10.54384/eruditio.v5i2.235

Pasurangga, D. (2025). Data Driven Predictive Maintenance Framework for Railway Safety in Indonesia. 7(1), 75–87.

Pengantar, K. (2024). KINERJA BPOM 2024.

Shahzad, K., Khan, S. A., Latif, M., Javeed, A. M. D., & Iqbal, A. (2025). Big data analytics in healthcare: current practices, innovations, and future prospects. Journal of Big Data, 12(1), 242. https://doi.org/10.1186/s40537-025-01288-2 DOI: https://doi.org/10.1186/s40537-025-01288-2

Shwartz-Ziv, R., & Armon, A. (2022). Tabular data: Deep learning is not all you need. Information Fusion, 81, 84–90. https://doi.org/https://doi.org/10.1016/j.inffus.2021.11.011 DOI: https://doi.org/10.1016/j.inffus.2021.11.011

Sihite, M., Suparwata, D. O., Arafah, M. N., & Uhai, S. (2025). SWOT Analysis of the Strategy of Digital Transformation of SMEs. International Journal of Business, Law, and Education, 6(2), 1546–1555. DOI: https://doi.org/10.56442/ijble.v6i2.1318

Singh, A. V., Bhardwaj, P., Laux, P., Pradeep, P., Busse, M., Luch, A., Hirose, A., Osgood, C. J., & Stacey, M. W. (2024). AI and ML-based risk assessment of chemicals: predicting carcinogenic risk from chemical-induced genomic instability. Frontiers in Toxicology, Volume 6-2024. https://doi.org/10.3389/ftox.2024.1461587 DOI: https://doi.org/10.3389/ftox.2024.1461587

Singh, A. V., Varma, M., Laux, P., Choudhary, S., Datusalia, A. K., Gupta, N., Luch, A., Gandhi, A., Kulkarni, P., & Nath, B. (2023). Artificial intelligence and machine learning disciplines with the potential to improve the nanotoxicology and nanomedicine fields: a comprehensive review. Archives of Toxicology, 97(4), 963–979. https://doi.org/10.1007/s00204-023-03471-x DOI: https://doi.org/10.1007/s00204-023-03471-x

Tonoyan, L., & Siraki, A. G. (2024). Machine learning in toxicological sciences: opportunities for assessing drug toxicity. Frontiers in Drug Discovery, Volume 4-2024. https://doi.org/10.3389/fddsv.2024.1336025 DOI: https://doi.org/10.3389/fddsv.2024.1336025

Wang, Y., Kung, L., & Byrd, T. A. (2018). Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations. Technological Forecasting and Social Change, 126, 3–13. https://doi.org/https://doi.org/10.1016/j.techfore.2015.12.019 DOI: https://doi.org/10.1016/j.techfore.2015.12.019

Zhou, Y., Wang, Z., Huang, Z., Li, W., Chen, Y., Yu, X., Tang, Y., & Liu, G. (2024). In silico prediction of ocular toxicity of compounds using explainable machine learning and deep learning approaches. Journal of Applied Toxicology : JAT, 44(6), 892–907. https://doi.org/10.1002/jat.4586 DOI: https://doi.org/10.1002/jat.4586