Campuran aroma: kuncinya ternyata kata-kata — GrassAccord membedah makalah "Memprediksi Jarak Campuran Aroma"

Bayangkan dua lembar kertas uji tepat di depan hidung Anda. Yang satu berisi campuran aroma dari 10 molekul. Yang lain juga dari 10 molekul, tetapi tidak ada satu pun molekul yang sama. Anehnya, bagi hidung manusia keduanya terasa cukup mirip.

Mengapa bisa begitu? Dan bisakah hasilnya diketahui sebelum dicampur? Sebuah makalah yang terbit Agustus lalu di Prosiding Akademi Sains Nasional Amerika Serikat (PNAS) merekam upaya 26 tim peneliti dari seluruh dunia menjawab pertanyaan lama ini bersama-sama.

Hasilnya di luar dugaan. Kunci terbaik untuk menebak aroma campuran bukanlah membaca bentuk molekul apa adanya. Prediksi paling akurat justru didapat lewat kata-kata yang menamai aroma, seperti "mirip buah" atau "mirip rumput".

Kalau Anda sudah mulai meracik parfum, mungkin Anda pernah memikirkan hal-hal seperti ini.

• Apakah menuliskan aroma dengan kata-kata benar-benar membantu keahlian saya?
• Dua aroma yang kemarin terasa mirip hari ini terasa berbeda. Apakah hidung saya bermasalah?
• Apakah AI sebentar lagi akan menyusun akor menggantikan saya?

Makalah ini memberi petunjuk untuk ketiga pertanyaan itu. Bagian awal memperkenalkan apa yang dilakukan dan ditemukan tim peneliti, sedangkan bagian akhir berisi ulasan kami tentang bagaimana orang yang sedang belajar meracik parfum bisa memanfaatkan hasilnya di meja racik. Istilah yang mungkin baru kami jelaskan terpisah di bagian paling bawah, jadi silakan membaca dengan santai.

Pertama, makalah apa ini

• Judul: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (Model komunitas berbasis makna kata untuk menyetel jarak antarcampuran aroma secara presisi)
• Penulis: Tim kolaborasi besar yang dipimpin Vahid Satarifard dan Pablo Meyer. Lembaga dari berbagai negara ikut serta, antara lain Universitas Yale, Universitas Rockefeller, Monell Chemical Senses Center, Institut Weizmann, dan IBM Research. Di antara penulisnya juga ada Leslie B. Vosshall, Noam Sobel, dan Joel D. Mainland, nama-nama yang dikenal dalam riset penciuman.
• Terbit: Prosiding Akademi Sains Nasional Amerika Serikat (PNAS) volume 123 nomor 32, 4 Agustus 2026. Makalah ini sudah melewati telaah sejawat jurnal ilmiah.
• Baca naskah asli: doi.org/10.1073/pnas.2611057123 — siapa saja bisa membacanya gratis (dalam bahasa Inggris).
• Perlu dicatat: Riset ini membahas campuran molekul untuk penelitian, bukan parfum. Para penulisnya pun hanya menyebut perancangan parfum sebagai salah satu bidang penerapan di masa depan.

Mengapa makalah ini kami pilih

Dalam ulasan makalah pertama, kita melihat sekitar 170 ribu parfum dari atas lewat angka. Itu peta pasar dan budaya. Kali ini arahnya berlawanan. Kita mengintip hidung seseorang yang sedang duduk di depan dua lembar kertas uji.

Meracik parfum pada akhirnya adalah urusan mencampur. Namun, aturan yang sudah dimiliki mata dan telinga belum dimiliki hidung. Warna di layar dibuat dari merah, hijau, dan biru, sedangkan suara bisa dijelaskan dengan frekuensi. Tim peneliti mengatakan penciuman belum punya kerangka yang sebanding. Karena itu, sejak lama perfumer bersandar pada pengalaman dan hidungnya.

Makalah ini untuk pertama kalinya memasang sebuah jembatan yang cukup kokoh di celah itu. Jembatannya belum selesai. Namun, karena jujur menunjukkan sudah sampai mana dan putus di mana, makalah ini menjadi bahan belajar yang baik bagi yang sedang belajar meracik parfum.

Upaya menggambar peta hidung

Sebelum masuk ke isi utama, mari lihat dulu mengapa kompetisi ini diadakan.

Aroma satu molekul sudah cukup bisa ditebak

Menebak aroma hanya dari struktur molekul lama dikenal sebagai soal yang sangat sulit. Namun, dalam 10 tahun terakhir keadaannya berubah. Kompetisi penciuman DREAM yang pertama menunjukkan bahwa komputer bisa memprediksi deskripsi aroma seperti bawang putih, manis, atau bunga dari struktur molekul.

Pada 2023 muncul model bernama Peta Aroma Utama (POM). Ini adalah peta yang menempatkan struktur molekul di dalam ruang aroma. Menurut makalah ini, model tersebut memprediksi deskripsi aroma lebih baik daripada penilai tingkat menengah di panel. Banyak tim dalam kompetisi kali ini memakai peta itu sebagai bahan.

Namun, aroma di dunia kebanyakan berupa campuran

Masalahnya ada di langkah berikutnya. Aroma yang kita hirup sehari-hari, seperti kopi, bunga, dan parfum, biasanya merupakan campuran puluhan hingga ratusan molekul. Kalau satu molekul bisa ditebak tetapi campurannya tidak, hasilnya sulit dipakai di dunia nyata.

Kalau Anda pernah meracik parfum, Anda pasti paham kesulitan ini. Dua bahan bagus yang dicampur bisa menghasilkan aroma yang sama sekali di luar harapan, atau bahan yang dimasukkan terasa seperti lenyap. Dibutuhkan tolok ukur terbuka untuk memprediksi campuran, maka diadakanlah kompetisi agar banyak tim beradu pada soal yang sama.

Bagaimana kompetisi 26 tim berjalan

Eksperimen yang tercecer dikumpulkan jadi satu

Tim peneliti lebih dulu menggabungkan enam set data dari tiga penelitian yang selama ini berjalan sendiri-sendiri. Setelah digabungkan, skalanya seperti ini.

• 168 molekul tunggal
• 731 campuran yang berbeda
• 507 pengukuran yang membandingkan dua campuran

Karena cara eksperimennya berbeda-beda, semua hasil dipindahkan ke satu skala. Angka 0 berarti dua aroma tidak bisa dibedakan, angka 1 berarti berbeda sejauh-jauhnya. Tim peneliti menyebut angka ini jarak aroma. Sama seperti mengukur jarak dua kota di peta, yang diukur di sini adalah jarak antara dua aroma.

Berlomba selama tiga bulan

Kompetisi ini bernama DREAM Challenge. Banyak tim mengerjakan soal yang sama dan beradu kemampuan prediksi secara terbuka. Sebanyak 26 tim mengasah model AI selama sekitar tiga bulan, lalu menjalani ujian akhir dengan 46 pasang campuran yang jawabannya disembunyikan.

Soal latihan boleh dikirim sampai tiga kali seminggu dan nilainya bisa dilihat. Selama kompetisi ada 159 prediksi latihan yang dikirim, dan 19 tim mengikuti sampai ujian akhir.

Pemenangnya tidak terpisah dengan tegas. Empat tim, yaitu D2Smell, UMich CASI, ChemSenSim Lab, dan belfaction, sama-sama menjadi juara pertama. Tim peneliti menduga perbedaannya sulit dipastikan karena soal ujian hanya 46 pasang. Maka, alih-alih memilih satu tim, mereka merata-ratakan prediksi enam model teratas menjadi model gabungan. Tokoh utama makalah ini adalah model gabungan tersebut.

Diperiksa dua kali dengan hidung manusia

Yang menilai jawaban AI adalah hidung manusia. Ujiannya ada dua.

• Ujian pertama (New York, Universitas Rockefeller) — Diikuti 34 orang. Sebanyak 92 campuran membentuk 46 pasang, dan setiap campuran dibuat dari 10 komponen yang tidak saling tumpang tindih. Metodenya uji segitiga, yaitu memilih satu botol yang aromanya berbeda dari tiga botol.
• Ujian kedua (Philadelphia, Monell Chemical Senses Center) — Diikuti 16 orang setelah kompetisi berakhir. Dari 59 campuran rancangan baru dibuat 50 pasang, dengan 9~11 komponen per campuran. Peserta langsung memberi nilai seberapa mirip dua aroma.

Ujian kedua punya pengaman yang menarik. Peserta diminta membandingkan molekul beraroma bawang putih dengan molekul beraroma nanas, dan membandingkan molekul beraroma stroberi dengan dirinya sendiri. Peserta menilai pasangan pertama jauh dan pasangan kedua sangat dekat. Ini bukti bahwa skalanya bergerak dengan benar.

Kenali dulu dua angka ini

Dua angka terus muncul dalam makalah ini. Mungkin terdengar sulit, jadi mari kita pahami secara sederhana.

Koefisien korelasi menunjukkan seberapa searah prediksi dan kenyataan bergerak. Nilai 1 berarti bergerak bersama dengan sempurna, nilai 0 berarti tidak ada hubungan. Nilai 0,61 bukan berarti tebakannya 61% benar. Cukup pahami bahwa pasangan yang dirasakan manusia lebih jauh, umumnya juga ditunjuk model sebagai lebih jauh.

Galat rata-rata (RMSE dalam makalah) menunjukkan seberapa jauh prediksi meleset dari jarak sebenarnya secara rata-rata. Makin kecil makin baik. Galat 0,08 berarti pada skala 0~1, prediksinya meleset kira-kira sebesar itu.

Jadi, ingat saja koefisien korelasi sebagai "apakah urutannya tepat" dan galat rata-rata sebagai "seberapa dekat nilainya".

Seberapa tepat tebakan model gabungan

Jauh mengungguli metode lama

Pada ujian pertama, model gabungan mencatat galat rata-rata 0,08 dan koefisien korelasi 0,57. Dibandingkan metode utama sebelumnya, galat turun sekitar 33% dan koefisien korelasi naik 53%. Hasil ini juga lebih baik daripada model tim mana pun dalam kompetisi.

Ada satu hal yang patut diperhatikan. Setelah kompetisi berakhir, tim peneliti mencoba membuat satu model baru hanya dari fitur yang tampak paling penting. Ternyata model ini tidak bisa menyusul model gabungan dan berhenti di level tim-tim teratas. Tafsiran tim peneliti begini: memilih bahan yang bagus saja tidak cukup, cara-cara yang berbeda harus berkumpul agar sampai ke level itu.

Tetap bertahan pada soal yang belum pernah dilihat

Model yang hanya pandai mengerjakan soal kompetisi kurang berguna. Karena itu, setelah kompetisi mereka menguji lagi dengan 50 pasang rancangan baru. Galat rata-rata model gabungan membesar menjadi 0,13, tetapi kinerjanya tetap baik. Mengingat tempat, peserta, dan cara ujiannya semua berbeda, hasil ini sangat berarti.

Nilainya berbeda untuk tiap jenis soal

Sebanyak 46 pasang pada ujian akhir terbagi menjadi tiga kelompok: 16 pasang acak, 20 pasang yang dirancang manusia agar terasa mirip, dan 10 pasang yang disesuaikan agar mirip dengan metode penghitungan jarak yang sudah ada. Tim peserta tidak tahu pasangan mana termasuk kelompok mana.

Galat rata-rata model gabungan kecil pada dua kelompok rancangan, yaitu 0,07 dan 0,06, dan 0,10 pada kelompok acak. Koefisien korelasi justru sebaliknya: kelompok acak sedikit lebih tinggi dengan 0,45, sedangkan dua kelompok lainnya 0,38. Tim peneliti menambahkan bahwa angka kelompok kecil harus dibaca hati-hati karena jumlah pasangannya sedikit.

Kata-kata mengalahkan struktur molekul

Inilah hasil yang mungkin paling banyak dikutip dari makalah ini.

Saat hanya kata yang tersisa, hasilnya lebih baik

Tim peneliti melakukan eksperimen mengurangi bahan dari model satu per satu. Fitur kimia molekul, informasi reseptor di dalam tubuh, dan informasi campuran semuanya dibuang, lalu hanya disisakan informasi yang setara dengan kata-kata penamaan aroma.

Hasilnya mengejutkan. Model gabungan yang hanya memakai kata mencatat koefisien korelasi 0,61 dan galat rata-rata 0,075 pada ujian pertama, malah lebih baik daripada model gabungan yang memakai semua bahan. Pada ujian kedua pun koefisien korelasinya 0,54, lebih tinggi 15%.

Sebaliknya, model tanpa kata menjadi jauh lebih buruk. Koefisien korelasinya turun ke 0,41 pada ujian pertama, dan pada ujian kedua nyaris setara tebakan untung-untungan.

Apa yang dimaksud kata di sini

Bagian ini mudah disalahpahami, jadi mari kita luruskan. Yang dimasukkan bukan catatan penghiduan yang ditulis orang setelah mencium campuran. Komputer melihat struktur molekul, lalu lebih dulu memprediksi "orang akan menyebut molekul ini apa". Caranya dengan memberi probabilitas pada 138 kata seperti aroma buah dan aroma rumput. Kombinasi kata yang didapat itulah yang dipakai untuk membandingkan dua campuran.

Jadi, model tidak langsung berjalan dari molekul ke jarak aroma, melainkan melewati kata-kata sebagai halte perantara. Yang mengejutkan, kata-kata ini dipelajari dari molekul tunggal murni, bukan dari campuran, tetapi tetap mampu menjelaskan jarak antarcampuran dengan baik.

Tim peneliti melangkah lebih jauh. Mungkin aroma campuran tidak terbentuk dengan prinsip yang berbeda secara mendasar dari aroma molekul tunggal. Bagian yang sulit bisa jadi bukan "tahap mencampur", melainkan "tahap peralihan dari molekul ke aroma". Meski begitu, makalah ini juga mencatat bahwa ada peneliti yang tidak setuju dengan pandangan ini.

Kata mana yang paling kuat

Satu tim mengelompokkan 138 kata menjadi 12 rumpun. Dalam model tim itu, rumpun yang paling berpengaruh adalah aroma buah, aroma rumput dan herba, serta aroma kacang, minyak, dan panggang.

Hasil tiap kata juga berbeda. Dalam analisis tim yang sama, green, clean, dan cognac terkait dengan sisi galat mengecil, sedangkan violet, aromatic, dan natural terkait dengan sisi galat membesar. Tim peneliti menegaskan hasil ini tidak bisa langsung ditafsirkan. Meski begitu, menarik bahwa kata yang maknanya luas seperti natural ikut terselip. Ini kesan kami, bukan kesimpulan makalah.

Tidak perlu banyak bahan

Tim peneliti menumpuk satu per satu fitur yang paling berpengaruh di tiap model. Di antara model yang akurat, tiga model mencapai separuh dari seluruh pengaruh dengan kurang dari 100 fitur. Ada model yang butuh sekitar 1.000 fitur, jadi selisihnya besar. Artinya, untuk menjelaskan jarak aroma tidak selalu dibutuhkan banyak bahan yang rumit.

Hidung manusia pun goyah

Catatan manusia adalah batas atasnya

Inilah bagian paling jujur dari makalah ini. Tim peneliti juga mengukur seberapa sama jawaban orang yang sama ketika menilai ulang. Pada ujian kedua, peserta menilai dua kali dengan jeda minimal satu hari, dan koefisien korelasi kedua hasil itu 0,74. Pada ujian pertama, nilai dari membagi dua lalu membandingkannya adalah 0,69.

Kalau dipikir, ini wajar. Penilaian manusia yang sudah dirata-ratakan pun tidak berulang dengan sempurna. Maka, sulit bagi model untuk menebak lebih manusiawi daripada manusia. Angka 0,61 dan 0,54 dari model yang hanya memakai kata belum mencapai batas atas ini. Tim peneliti juga mengakui masih ada celah antara model dan manusia.

Meleset saat sangat mirip atau sangat berbeda

Model paling akurat pada rentang jarak 0,5~0,8. Sebabnya, data pelatihan menumpuk di rentang itu. Campuran yang dibuat acak umumnya juga jatuh di kisaran ini.

Sebaliknya, di bawah 0,5 atau di atas 0,8 galatnya membesar. Model-model menunjukkan kebiasaan menarik prediksi ke tengah. Pasangan yang sangat mirip ditebak sedikit lebih jauh dari kenyataan, dan pasangan yang sangat berbeda ditebak sedikit lebih dekat dari kenyataan.

Bagi perfumer, hal ini penting. Penilaian tersulit dalam praktik adalah memisahkan dua draf yang "hampir sama tetapi entah di mana berbeda". Di rentang itulah model saat ini paling lemah.

Model baru tidak selalu menang

Saat ujian kedua dibagi menjadi lima rentang menurut jarak, pada rentang paling mirip galat Peta Aroma Utama, model terdahulu, justru lebih kecil. Pada empat rentang lainnya, model gabungan dan model yang hanya memakai kata unggul. Bagian ini menunjukkan bahwa rata-rata keseluruhan yang baik tidak berarti baik di semua rentang.

Apa bedanya dengan parfum sungguhan

Riset ini tidak bisa dipindahkan begitu saja ke parfum. Ada perbedaan besar antara campuran laboratorium dan parfum sungguhan.

• Campuran dengan intensitas yang diseimbangkan — Sebagian besar data sudah menyamakan intensitas komponennya lebih dulu. Dalam aroma sungguhan, komponen kuat menutupi komponen lemah, dan karakter aroma juga berubah mengikuti konsentrasi. Tim peneliti mencatat bahwa menangani intensitas adalah tugas ke depan.
• Jumlah komponen — Campuran ujian berisi sekitar 10 komponen. Tim peneliti menjelaskan bahwa aroma yang kita jumpai sehari-hari biasanya campuran puluhan hingga ratusan molekul.
• Bahan terbatas — Cakupan molekul yang dipakai sempit. Belum diketahui apakah berlaku juga untuk molekul yang belum pernah dilihat.
• Penilaian sesaat — Riset ini bertanya seberapa mirip dua aroma. Riset ini tidak bertanya bagaimana aroma berubah seiring waktu atau apakah orang menyukainya.

Mohon ingat terutama butir terakhir. Jarak hanya mengatakan seberapa beda dua aroma, bukan mana yang lebih bagus.

Ada satu kabar baik. Tim peneliti membuka semua data, model, dan kodenya. Artinya, siapa saja bisa mencoba metode yang lebih baik pada soal yang sama. Namun, terbuka bukan berarti sudah ada alat bagi perfumer untuk memasukkan dua akor lalu langsung menerima jaraknya. Saat ini hasilnya lebih dekat ke tolok ukur bagi para peneliti.

Metamer: bahan berbeda, aroma sama

Salah satu data yang dipakai makalah ini berasal dari riset yang berusaha membuat metamer penciuman. Metamer adalah pasangan campuran yang terasa mirip meski tidak punya komponen yang sama. Dalam hal warna, ini mirip dengan fenomena ketika susunan cahaya berbeda tetapi tampak sebagai warna yang sama.

Tim peneliti memperkirakan hasil ini memungkinkan metamer virtual dibuat secara efisien di komputer untuk diuji. Calon dipilih lebih dulu lewat perhitungan, lalu manusia memastikannya.

Bidang penerapan yang disebut para penulis cukup luas: penciuman digital yang menyimpan dan mengirim aroma sebagai data, teknologi pemantauan kesehatan lewat napas, hidung elektronik, dan perancangan wewangian generatif. Namun, ini kemungkinan di masa depan, dan makalah ini tidak memperlihatkan perancangan parfum.

Ulasan: apa yang disampaikan makalah ini kepada yang sedang belajar meracik parfum

Mulai dari sini bukan kesimpulan makalah, melainkan tafsiran GrassAccord.

Menuliskan aroma bukan soal kesan, melainkan rancangan

Saat diminta menulis catatan bahan di kelas meracik parfum, banyak orang merasa repot. Toh tinggal dihirup, mengapa harus ditulis? Makalah ini mengajak kita melihat ulang kebiasaan itu. Sebab, beberapa kata penamaan aroma ternyata lebih baik menjelaskan jarak antarcampuran daripada segudang informasi molekul.

Tentu saja, kata-kata komputer dan catatan manusia tidak sama. Namun, arahnya searah. Kalau aroma dipilah dengan kata-kata, aroma bisa dibandingkan. Catatan yang berhenti di "enak" tidak bisa dipakai untuk racikan berikutnya, sedangkan catatan "aroma rumputnya kuat dan di akhir tersisa kayu basah" bisa dipakai.

Kenali dulu bahan tunggal

Kata-kata itu dipelajari dari molekul tunggal, tetapi mampu menjelaskan campuran. Urutan belajar meracik parfum pun sama. Kalau Anda jelas mengenal kesan satu bahan, Anda bisa membaca apa yang terjadi saat bahan itu dicampur. Waktu untuk menghirup satu bahan berkali-kali kelak memberi hasil lebih besar daripada membuat banyak akor.

Pada tahap ini, ada baiknya meminjam satu cara dari laboratorium. Seperti tim peneliti yang menyamakan intensitas komponen, samakan konsentrasi pengenceran saat membandingkan bahan. Kalau hanya satu sisi yang pekat, Anda bukan lagi membandingkan karakter bahan, melainkan intensitasnya. Penilaian saat menghirup bahan murni sering berubah ketika bahan itu sudah diencerkan.

Pilih kata yang maknanya sempit

Kata natural memang praktis, tetapi isinya terlalu banyak. Coba turun satu tingkat lagi: natural yang bagaimana? Tuliskan apakah itu aroma rumput yang baru dipotong, tanah basah, atau buah yang baru dikupas. Seperti sudah disebut, ini bukan hal yang dibuktikan makalah, tetapi makin sempit makna kata, makin berguna untuk penilaian berikutnya, dan ini bisa cepat Anda pastikan di meja racik.

Coba buat kesan yang sama dengan bahan lain

Konsep metamer juga sangat melegakan bagi pemula. Sekalipun satu bahan sulit didapat atau terkena regulasi, kesan yang sama bisa dibangun lagi dengan bahan lain. Agar terasa mirip, tidak harus memakai molekul yang persis sama.

Banyak formula yang dijual GrassAccord juga menjadikan parfum terkenal sebagai bahan belajar. Namun, mirip dan sama adalah dua hal berbeda. Yang dibahas riset ini pun hanya kesan sesaat. Bagaimana aroma berubah seiring waktu harus Anda amati sendiri lewat kertas uji.

Percayai hidung Anda, tetapi jangan hanya sekali

Penilaian manusia yang sudah dirata-ratakan pun, saat diukur ulang, hanya 0,74. Dua aroma yang kemarin mirip lalu hari ini terasa berbeda belum tentu karena hidung Anda bermasalah. Penilaian memang goyah. Untuk keputusan penting, hirup lagi sehari kemudian dan bandingkan dengan catatan pertama. Yang menjaga penilaian bukan angka, melainkan kebiasaan.

Banyak hidung lebih baik daripada satu

Yang terbaik dalam makalah ini bukan satu tim hebat, melainkan rata-rata dari tim-tim yang berbeda. Menghirup aroma pun serupa. Kalau Anda sulit menilai sendiri, mintalah orang lain mencium. Satu ucapan "seperti sabun" dari orang yang tidak paham parfum bisa menjadi petunjuk berharga.

AI hanya mempersempit calon

Masa depan yang digambarkan riset ini bukanlah dunia tanpa perfumer, melainkan lebih dekat ke dunia yang mempersempit calon lewat perhitungan lalu manusia memutuskannya dengan hidung. Model belum menilai bagus atau buruk, dan lemah di rentang tersulit, yaitu "hampir sama tetapi berbeda". Rentang terakhir itu untuk sementara tetap menjadi tempat hidung manusia.

Tiga latihan yang bisa langsung dicoba di meja racik

Sayang kalau selesai membaca makalah lalu berhenti di situ. Mari perkecil apa yang dilakukan tim peneliti dan pindahkan ke meja racik. Rasionya silakan tentukan sendiri sesuai bahan dan selera masing-masing.

Latihan 1. Membuat kamus aroma sendiri

Pilih sepuluh bahan yang sering dipakai dan teteskan satu per satu pada kertas uji. Tulis tiga kata saja untuk tiap bahan. Hindari kata penilaian seperti "enak", pakai hanya kata yang menunjuk aroma, seperti buah, rumput, kayu, dan sabun. Seminggu kemudian, tutup namanya, tulis lagi, lalu bandingkan. Kata yang tetap bertahan adalah wajah asli bahan itu.

Latihan 2. Uji segitiga di rumah

Siapkan dua draf yang mirip. Dari tiga lembar kertas uji, teteskan draf yang sama pada dua lembar dan draf lainnya pada satu lembar, lalu beri tanda di sisi bawah. Minta orang lain mengacak urutannya, lalu coba pilih yang berbeda. Kalau setelah berkali-kali Anda terus tepat, kedua draf itu memang bisa dibedakan. Kalau jumlah tebakan tepat hanya setingkat untung-untungan (satu dari tiga kali), bagi hidung Anda saat ini keduanya hampir sama.

Latihan 3. Mengukur jarak dengan hidung sendiri

Tuliskan jarak dua aroma dengan angka antara 0 dan 1. Angka 0 berarti tidak bisa dibedakan, 1 berarti sama sekali berbeda. Tulis sekitar lima pasang, lalu nilai lagi keesokan harinya dengan urutan yang sama. Dari seberapa goyah angkanya, Anda akan tahu lebar penilaian Anda. Goyah pun tidak apa-apa. Mengetahui lebar itulah tujuan latihan ini.

Hal yang perlu diwaspadai saat membaca makalah ini

• Ini bukan riset parfum. Yang dibahas adalah campuran molekul untuk penelitian. Bukan berarti bisa diterapkan begitu saja pada formula parfum.
• Soal ujiannya tidak banyak. Ujian pertama berisi 46 pasang. Karena itu peringkat tim teratas tidak bisa dipisahkan, dan tim peneliti meminta hasil kelompok kecil dibaca hati-hati.
• Kuat di rentang tengah. Data pelatihan menumpuk di jarak 0,5~0,8, sehingga lemah pada pasangan yang sangat mirip atau sangat berbeda.
• Cara pengukuran datanya bercampur. Uji segitiga dan pemberian nilai dipindahkan ke satu skala, sehingga bias akibat metode bisa saja tersisa.
• Intensitas belum cukup ditangani. Sebagian besar memakai komponen yang intensitasnya sudah disamakan. Dalam aroma sungguhan, intensitas adalah variabel besar.
• Belum tentu berlaku untuk molekul baru. Cakupan molekul dalam ujian sempit.
• Ada pendapat yang menentang tafsirannya. Makalah ini menyatakan ada peneliti yang tidak setuju dengan pandangan bahwa aroma campuran sebagian besar ditentukan oleh tumpang tindih kata.
• Hubungan konsultasi dengan perusahaan diungkapkan. Makalah ini menyatakan sebagian penulis menjadi konsultan bagi perusahaan terkait penciuman.

Istilah dalam tulisan ini

• Molekul tunggal — Zat aroma yang terdiri atas satu jenis molekul.
• Campuran — Beberapa molekul yang dicampur. Dalam riset ini berisi sekitar 10 komponen.
• Jarak — Nilai 0~1 yang menunjukkan seberapa beda dua aroma dirasakan. Angka 0 berarti tidak bisa dibedakan, 1 berarti paling berbeda.
• Uji segitiga — Cara mengukur kemampuan membedakan dengan memilih satu yang berbeda dari tiga.
• Koefisien korelasi — Angka yang menunjukkan seberapa bersama dua nilai bergerak. Makin dekat ke 1, makin bergerak bersama.
• Galat rata-rata (RMSE) — Besar rata-rata melesetnya prediksi dari kenyataan. Makin kecil makin baik.
• Model gabungan (ensemble) — Model yang dibuat dengan merata-ratakan prediksi beberapa model.
• Informasi kata (fitur semantik) — Nilai prediksi komputer tentang kata aroma apa yang akan dipakai untuk menyebut suatu molekul.
• Peta Aroma Utama (POM) — Model dari riset terdahulu yang memprediksi kata aroma dari struktur molekul. Banyak tim kompetisi ini memakainya sebagai bahan.
• Metamer — Pasangan campuran yang terasa mirip meski komponennya tidak sama.
• Akor — Satuan aroma hasil mencampur beberapa bahan sehingga terdengar sebagai satu kesan.
• Formula — Rancangan yang mencatat bahan apa dicampur dengan rasio berapa untuk membuat satu aroma. Inilah yang dijual GrassAccord.

Penutup

Hidung belum punya aturan seperti merah, hijau, dan biru. Namun, petunjuk pertama yang ditemukan 26 tim bersama-sama ternyata ada di sisi bahasa manusia. Beberapa kata penamaan aroma lebih baik menjelaskan jarak dua aroma daripada uraian panjang tentang molekul.

Dan mengukur jarak itu sampai tuntas masih menjadi tugas hidung manusia. Hidung goyah, model condong ke tengah. Karena keduanya tidak sempurna, menghirup perlahan di depan kertas uji, menuliskannya dengan kata-kata, lalu menghirup lagi keesokan harinya masih menjadi cara yang paling bisa dipercaya.

Bagi Anda yang baru mulai meracik parfum, ini kabar baik. Tanpa peralatan mahal, cukup dengan kertas uji dan satu buku catatan, Anda sudah bisa masuk ke jalan yang ditunjuk riset ini. Aroma adalah bahasa semua bangsa. GrassAccord akan menemani perjalanan Anda mengumpulkan kosakata bahasa itu satu per satu.

Sumber makalah: Vahid Satarifard, Laura Sisson, Yikun Han dkk. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, terbit 4 Agustus 2026. Naskah asli: https://doi.org/10.1073/pnas.2611057123 · Semua angka dalam tulisan ini diambil dari isi makalah, sedangkan kalimatnya adalah ringkasan dan ulasan GrassAccord. Bab "Ulasan" bukan kesimpulan makalah, melainkan tafsiran GrassAccord.