Pengembangan Metode Analisis

Pengembangan Metode Analisis

• Pengembangan metode analisis adalah proses merancang, menemukan, membuat, atau memodifikasi metode analisis suatu analit agar sesuai dengan kebutuhan pengguna.
• Proses pengembangan metode analisis memiliki ciri umum: bertahap, pengulangan, dan hasil tidak tetap.
• Tahapan kegiatan harus diselesaikan sebelum kegiatan berikutnya.
• Setiap tahap memerlukan pengulangan untuk memperoleh hasil rata-rata yang lebih baik.
• Hasil pengujian dapat berubah karena kesalahan analisis, terutama pada pengukuran.
• Pemicu pengembangan metode analisis berasal dari perkembangan IPTEK, regulasi baru, masalah teknik, dan produk baru, yang menghasilkan metode analisis baru atau modifikasi.
• Pengembangan metode analisis terkait dengan pengembangan metode, validasi metode, dan transfer metode.
• Asumsi dasar dalam pengembangan metode analisis meliputi sampel representatif dan homogen, metode analisis ilmiah dan reliabel, instrumen yang dikalibrasi, personel yang kompeten, serta perhitungan statistik yang benar.

Pendekatan Pengembangan Metode Analisis

• Pengembangan Metode Klasik berbasis Masalah Analisis (Analytical Problem Based).
• Pengembangan Metode Analisis Model ISO "V".
• Pengembangan Metode Analisis berbasis Quality by Design.
• Prinsip Kimia Hijau penting dalam pengembangan metode analisis untuk reagen dan pelarut yang ramah lingkungan.

Pengembangan Metode Klasik Berbasis Masalah Analitik

• Melibatkan validasi metode, evaluasi, pengumpulan informasi, kriteria keberterimaan, uji coba dan optimasi, serta perancangan percobaan.

Pengembangan Metode Analisis Model ISO "V"

• Meliputi spesifikasi yang ditetapkan, kriteria kinerja metode, kriteria reliabilitas metode, uji kesesuaian dengan tujuan metode, validasi awal, evaluasi awal, dan proses pengembangan metode.

Pengembangan Metode Analisis Berbasis Quality by Design

• Industri farmasi menerapkan konsep Quality by Design (QbD) dan konsep ini wajib diterapkan di beberapa negara terutama oleh EMA (Europa Medicines Agency) dan negara-negara anggota ICH (International Conference on Harmonization).
• QbD meningkatkan proses manufaktur, memfasilitasi kualitas produk, dan memproduksi produk berkualitas yang kuat.
• Prinsip QbD adalah kualitas produk dan proses harus dirancang, bukan hanya diuji.

Analisis Berbasis QbD (AQbD)

• Konsep QbD diterapkan pada pengembangan metode analisis, dikenal sebagai Analisis Berbasis Desain Kualitas (Analytical Quality by Design, AQbD).
• AQbD menjadi tren di industri farmasi sebagai bagian dari manajemen risiko.
• Keunggulan AQbD adalah hemat waktu dan biaya, serta mengurangi hasil analisis di luar tren (out of trend, OOT) atau spesifikasi (out of specification, OOS).

Profil Target Analitik (ATP)

• Tahap penting mengawali desain metode.
• Merupakan pernyataan yang mendefinisikan tujuan metode (identifikasi, uji cemaran, atau penetapan kadar).
• Digunakan sebagai dasar pemilihan metode, desain eksperimen, dan optimasi metode analisis.
• ATP perlu karakteristik yang akan dijadikan indikator kinerja metode analisis sesuai dengan tujuan penggunaan, berdasarkan kinerja metode (ICH Q2) dan evaluasi risiko (ICH Q9).
• ATP sesuai dengan persyaratan kualitas produk seperti kadar zat berkhasiat dalam sediaan, kriteria keberterimaan, dan tingkat kinerja metode (akurasi, presisi, selektifitas, dan sensitivitas).

Atribut Kinerja Kritis (CPA)

• Parameter kritis ditetapkan pada tahap ini metode yang berpengaruh langsung pada kinerja metode analisis.
• CPA terkait dengan parameter kritis analit, instrumen, dan kondisi operasional metode.
• CPA untuk metode kromatografi melibatkan pengambilan dan penyiapan sampel, baku pembanding, kolom, komposisi fase gerak, pH, laju alir fase gerak, suhu kolom, dan detektor.
• Parameter kritis analit mencakup polaritas, gugus fungsional, kelarutan, keasaman, reaktivitas kimiawi, dan kestabilan larutannya.

Asesmen Risiko Metode

• Proses sistematis untuk menilai, mengawasi, berkomunikasi, dan menelaah risiko saat pengembangan metode, untuk memperoleh yang sesuai dan reliable (ICH Q9).
• Faktor yang berpengaruh terhadap hasil analisis harus ditelaah untuk mengatasi variabilitas (metodologi, instrumen, penyiapan sampel, pengukuran, kondisi lingkungan).
• Tiga tahap asesmen risiko: identifikasi risiko, analisis risiko, dan evaluasi risiko, mulai dari awal pengembangan hingga monitor berkesinambungan metode (ICH Q9).

Identifikasi Risiko

• Diagram tulang ikan Ishikawa (Ishikawa Fishbone Diagram) digunakan untuk mengelompokkan faktor-faktor berpengaruh pada metode analisis berdasarkan sumber penyebab dan siklus hidup produk.

Analisis Risiko

• Relative Risk Matrix Analysis (RRMA) dan Failure Modes Effects Analysis (FMEA) bisa digunakan.
  • RRMA: kategorisasi dan prioritasi risiko ATP berdasarkan risiko terhadap CPA.
  • FMEA: pemberian skala risiko (1-5) berdasarkan Severity (S), Occurrence (O), dan Detectability (D). Hasil perkalian disebut Risk Priority Number (RPN) atau Bilangan Faktor Risiko.
  • RPN > 25 mengindikasikan risiko yang sangat berpengaruh dan perlu diinvestigasi, dioptimasi, dan dikendalikan.

Method Operable Design Region (MODR)

• Serangkaian eksperimen untuk menginvestigasi faktor input yang berpengaruh pada respon instrumen dan hasil analisis.
• Menetapkan hubungan matematik antara faktor-faktor terhadap respon secara simultan, sistematis, dan cepat.
• Proses analisis melibatkan sampel, metode, pereaksi/pelarut, instrumen, dan manusia, sedangkan faktor tak terkontrol dapat mempengaruhi respon instrumen.

Desain Percobaan pada MODR

• Mengenali variabel/faktor metode (X dan Z) yang paling berpengaruh terhadap respon instrumen Y.
• Menyusun percobaan untuk mendekati persyaratan dengan menempatkan variabel X (faktor terkendali) yang tepat.
• Mengurangi perubahan respon Y dan variabel Z (tidak terkontrol).
• Mempelajari dan mengurangi waktu dan biaya analisis.

Pemilihan Faktor Metode

• Desain percobaan tergantung pada faktor yang berpengaruh dan aras faktor.
• Banyak faktor berarti banyak percobaan.
• Faktor pendahuluan dipilih menggunakan OFAT (One factor at the time of optimization).
• Pengetahuan tentang faktor dan arasnya hanya dimiliki oleh ahli analisis.

Penetapan Faktor Metode Analisis

• Meliputi pemilihan metode analisis, penetapan respon instrumen, penetapan jenis faktor berpengaruh, penetapan aras faktor, pemilihan model optimasi, pelaksanaan percobaan, evaluasi model, dan optimasi.

Tahap Optimasi Metode Analisis

• Pengembang metode analisis wajib melakukan optimasi antara respon metode analisis dan faktor eksperimental.
• Faktor eksperimental adalah faktor yang berpengaruh yang nilainya dapat ditentukan oleh pengembang.
• Faktor ini tergantung pada metode analisis dan instrumen ukur (pH, suhu, waktu, fase gerak, dll).
• Optimasi ditujukan untuk menentukan aras faktor eksperimental untuk mendapatkan hasil analisis yang optimum.

Seleksi dan Interpretasi Model Optimasi

• Percobaan akan menghasilkan model hasil analisis yang menyatakan hubungan faktor-faktor dan respon dalam persamaan matematik.
• Persamaan matematika beragam tergantung pada sifat respon.
• Analisis statistika seperti ANOVA, Lack of Fit, dan Goodness of Fit Statistics digunakan untuk memilih model.
• Model grafik atau gambar digunakan untuk menginterpretasikan data yang terkait dengan interaksi antar factor atau respon permukaan (2D atau 3D).

Pendekatan Umum Optimasi

• Menentukan faktor dan aras yang terlibat dalam proses analisis penting.
• Faktor yang satu diubah selama percobaan (One Factor At Time of Optimization); kurang ekonomis karena percobaan menjadi banyak.
• Desain percobaan dapat dioptimalkan berdasarkan Analisis Numerik, Optimasi Simpleks, Optimasi Faktorial, atau Response Surface Methodology (RSM).

Optimasi dengan OFAT

• Optimasi dimana satu faktor diubah sedangkan faktor lain tetap untuk melihat pengaruhnya terhadap respon

Optimasi Faktorial

• Desain eksperimen efisien untuk menginvestigasi efek dua atau lebih faktor yang berpengaruh pada respon suatu metode
• Semua level di setiap faktor dikombinasikan pada setiap eksperimen
• Bisa menganalisis efek utama dan efek interaksi faktor, serta kombinasinya terhadap respon dengan rancangan faktorial

Asumsi Dasar Pada Desain Faktorial

• Semua faktor dipilih dengan baik dan memiliki efek kuantitatif.
• Desain yang digunakan dirancang secara acak dan lengkap.
• Kesalahan acak terdistribusi dalam respon.
• Teknik atau metode analisis dipahami dengan baik.

Jenis Desain Faktorial

• Desain faktorial dengan 2 aras: digunakan jika terdapat dua aras pada masing-masing faktor, menghasilkan kombinasi 2^n.
• Desain faktorial dengan 3 aras: digunakan jika terdapat tiga aras pada masing-masing faktor, menghasilkan kombinasi 3^n.
• Jumlah percobaan = A^n, di mana A = aras masing-masing factor dan n = jumlah faktor berpengaruh.

Model Desain Faktorial

• Desain faktorial penuh (Full factorial design): semua faktor dan aras digunakan dalam percobaan, cocok jika jumlah faktor dan aras tidak terlalu besar.
• Desain faktorial sebagian (Fractional factorial design): tidak semua aras dipilih, digunakan jika jumlah faktor dan aras sangat banyak (misalnya, 5 faktor dengan 3 aras memerlukan 243 kombinasi).

Keunggulan dan Kelemahan Desain Faktorial

• Keunggulan: efektif, efisien, dan hemat waktu, dapat mengenali efek faktor dan interaksi, hasil ditetapkan dalam kondisi yang lebih luas.
• Kelemahan: jumlah percobaan tergantung pada faktor dan aras, memerlukan perhitungan teliti, mungkin terdapat kombinasi faktor yang tidak signifikan.

Pengaruh dan Interaksi Faktor Terhadap Respon

• Pengaruh utama: perubahan respon akibat perubahan aras faktor.
• Interaksi faktor: selisih respon di antara aras satu faktor tidak sama pada semua aras faktor lainnya.
• Aras faktor numerik ditransformasi menjadi kode untuk analisis (positif untuk aras tinggi, 0 untuk aras medium, negatif untuk aras rendah).

Kodifikasi Aras Faktor

• Kodifikasi: tranformasi atau pengubahan nilai numerik faktor menjadi skala tanpa dimensi.
• X₁ = (X; – Cp)/AX : Rumus untuk mengkodifikasikan Aras Faktor - X₁ = Nilai numerik level - Cp = Nilai tengah (median) - AX = step size (besaran peningkatan atau penurunan aras factor

Response Surface Methodology

• Metode statistika menggabungkan teknik matematika untuk memodelkan hubungan antara faktor percobaan dengan respon.
• Tujuannya adalah mencari aras faktor eksperimen yang memberikan respon optimum.
• Dapat digunakan untuk mengoptimalkan proses, produk, metode analisis, atau percobaan.
• Permukaan respon merupakan grafik atau kurva yang menggambarkan hubungan antara permukaan respon terhadap faktor-faktor yang berpengaruh.
• Dikembangkan oleh George EP Box dan KB Wilson pada tahun 1951.

Permukaan Respon

• Respon (Y) merupakan fungsi dari aras faktor suhu dan tekanan: Y = f(X1, X2) + ε.
  • Di mana ɛ merupakan galat (kesalahan) yang teramati dari respon Y.
• Jika E(Y) = f(X1, X2) = n, maka permukan respon dinyatakan sebagai n = f(X1, X2).
• Bentuk permukaan berupa kurva anyaman (wireframe plot) atau contour plot.

Model Matematik pada RSM

• Hubungan antar respon dan faktor independen tidak diketahui jadi model harus digunakan..
• Langkah pertama untuk menetapkan hubungan yakni menggunakan first order model sehingga menghasilkan [ersamaan model linear. Setelah o dilakukan uji jika kekurangan, step berikutnya untuk mendapatkan persamaan polinomial kuadratik ialah dengan second order model.

Model Linear (first-order model)

• Persamaan matematik yang digunakan:
  • Hubungan linear tanpa ada interaksi antar faktor
    • Y = βο + β₁X1 + β2X₂ +.....+BX + ε
    • n
  • Hubungan linear dengan adanya interaksi antara faktor:
    • Y = βο + β₁X1 + β2X2 +.....+β1.2X1X2 + ε
    • dimana Y = respon, ẞ = Koefisien empirik, X = faktor berpengaruh ε = galat analisis (error of analysis)

Model Polinomial Kuadratik

• Persamaan umum polinomial kuadratik: -Y = βο +Σβ₁Χ₁ +Σβ₁Χ 2+ΣΣ βΧX + ε i j
• Dari model ini, maka suatu saat nilai optimum didapatkan dari menurunkan derivatif factor masing 2 (dy/dx) = 0.

Penetapan Kondisi Optimum

• Persamaan kuadratik diperoleh dari 2 faktor yang berpengaruh: Y = βο + β₁X1+ β2X2+ B11X12+ β22X22+ B12X1X2
• Nilai optimum dari faktor X₁ dan X2 dihitung dengan menurunkan derivat pertamanya.
• Didukung dengan program komputer, nilai aras masing-masing factor dapat dihitung dengan cermat.

Langkah-Langkah Optimasi RSM

• Merancang percobaan secara statistic (Statistical Design Experimentation).
• Memperkiraan semua koefisien factor yang berpengaruh dalam model matematik.
• Memprediksi respon dan memeriksa kecukupan model.
• Menetapkan aras factor-factor pada kondisi optimum dan factor yang paling dominan.

Evaluasi Kesesuaian Model

• Menggunakan statistika : ANOVA (Analysis of Variance) untuk mengevaluasi model
• Keragaman harus dapat dijelaskan menggunakan model regresi dan residu terkait dengan pure error (akibat fluktuasi pengukuran yang acak).
• Model dianggap sesuai dengan data experimen jika terdapat regresi yang signifikan dengan lack of fit yang tidak signifikan.
• Gunakan software Program statistic : Software Design Expert 7 (DX7), SPSS, Minitab 17, Matlab, dll.

Rancangan Percobaan Dengan Model RSM

• Full-three level factorial design: -Jumlah percobaan N = 3k (k= faktor). Jika k>3, maka tidak efisien
• Box-Behnken Design (BBD)-Dikembangkan Box – Behnken, untuk meningkatkan efisiensi dengan menggunakan titik tengah (Cp). Jumlah percobaan N = 2k(k-1) + Cp
• Central Composite Design (CCD)- Dikembangkan oleh Box-Wilson (1951). Jumlah percobaan N = k² +2k +Cp
• Doehlert Design (DD)-Sangat efisien. Jumlah Percobaan N = k² +k + Cp