TUGAS MATAKULIAH

Awalia sri wahyunita

Nurul hikmah astuti

Wahyudin

Vivi afriani

Mutmainnah mallawakkang

Astriyani

Arlyani julita

Madaniah

Muhammad arifuddin

Afdil fiqar fiqhi

PROGRAM STUDI FARMASI

FAKULTAS FARMASI
UNIVERSITAS HASANUDDIN
2014

Analisis data dalam penelitian kualitatif bersifat induktif dan

berkelanjutan yang tujuan akhirnya menghasilkan pengertian-pengertian,

konsep-konsep dan pembangunan suatu teori baru, contoh dari model

analisis kualitatif ialah analisis domain, analisis taksonomi, analisis
komponensial, analisis tema kultural, dan analisis komparasi konstan
(grounded theory research).
Analisis dalam penelitian kuantitatif bersifat deduktif, uji empiris
teori yang dipakai dan dilakukan setelah selesai pengumpulan data secara
tuntas dengan menggunakan sarana statistik, seperti korelasi, uji t,
analisis varian dan covarian, analisis faktor, regresi linear dll.nya.
Kedua pendekatan tersebut masing-masing mempunyai keunggulan dan
kelemahan. Pendekatan kualitatif banyak memakan waktu, reliabiltasnya
dipertanyakan, prosedurnya tidak baku, desainnya tidak terstruktur dan
tidak dapat dipakai untuk penelitian yang berskala besar dan pada
akhirnya hasil penelitian dapat terkontaminasi dengan subyektifitas
peneliti.
Pendekatan kuantitatif memunculkan kesulitan dalam mengontrol
variabel-variabel lain yang dapat berpengaruh terhadap proses penelitian
baik secara langsung ataupun tidak langsung. Untuk menciptakan
validitas yang tinggi juga diperlukan kecermatan dalam proses penentuan
sampel, pengambilan data dan penentuan alat analisisnya.
Data Kuantitatif merupakan data yang berasal dari informasi yang
bersifat close-ended (jawaban tertutup). Misalnya : pengukuran sikap,
perilaku, atau instrument pengukuran perilaku yang lain. Koleksi data
kuantitatif menggunakan instrument daftar check list close-ended, yang
dapat dilakukan peneliti dengan cara memberi tanda check pada perilaku
yang terlihat. Kadang-kadang informasi/data kuantitatif diperoleh dari
dokumen, catatan hasil sensus, catatan kehadiran. Analisis data kuantitatif
menggunakan analisis statistic berdasarkan skor yang terkumpul dari
instrument (checklist, dokumen, hipotesis).
Data Kualitatif merupakan Data yang bersumber dari informasi
yang bersifat open-ended (jawaban terbuka) yang dikumpulkan oleh
peneliti melalui interview dengan partisipan. Pada umumnya pertanyaan-

pertanyaan open ended disampaikan pada saat berlangsungnya interviu

dan sepenuhnya memberi kesempatan kepada partisipan untuk menjawab
dengan menggunakan kata/kalimat/bahasanya sendiri. Data kualitatif
dikumpulkan melalui observasi kepada partisipan atau subyek penelitian,
memperoleh dokumen pribadi partisipan (misal : catatan harian (diary),
dokumen yang bersifat umum (lamanya suatu pertemuan), atau
mengumpulkan dokumen individual (video, artefaks). Analisis data
kualitatif (kata, kalimat, image, pendapat) dikelompokkan sesuai jenisnya
menurut kelompok informasi(kategori kata atau image) atau kelompok
berbagai ide yang diperoleh selama pengumpulan data.
Metode penelitian campuran kuantititatif-kualitatif (mixed methods
research) adalah sebuah metode yang berfokus pada pengumpulan dan
analisis data serta memadukan antara data kuantitatif dan kualitatif.
Berdasarkan hal tersebut, maka tujuan metode penelitian campuran ini
adalah untuk menemukan hasil penelitian yang lebih baik dibandingkan
dengan hanya menggunakan salah satu pendekatan saja, misalnya
menggunakan pendekatan kuantitatif saja atau dengan pendekatan
kualitatif saja). Dengan menggunakan metode ini akan diperoleh data
yang bersifat kuantitatif dan kualitatif.
Meode ini digunakan untuk menangani tingkatan yang berbeda
dalam satu sistem. Temuan dari setiap tingkatan dipadukan untuk
merumuskan interpretasi menyeluruh

Identifikasi faktor dan defenition tingkat faktor

Identifikasi faktor dan defenition tingkat faktor adalah frist dua langkah
yang bekerja di prosedur tetap ini. Faktor yang akan diteliti dalam studi
ketahanan yang releted prosedur analitis (faktor internal) dan kondisi
lingkungan (faktor eksternal). Faktor internal terjadi dari deskripsi
metode analisis. Faktor bisa quantitatife (kontinu), kualitatif (diskrit)
atau mereka dapat campuran releted. Menurut pasal 2.7.2.1 yang
dipilih untuk mewakili faktor untuk metode analisis diferent telah
alredy telah diperkenalkan. Tentu saja pilihan ini tidak lengkap, tetapi
memberikan gambaran faktor tetste tipical.
faktor Quantitatife
Contoh faktor kuantitatif adalah pH larutan atau fase gerak, suhu atau
konsentrasi suatu larutan, suhu kolom, konsentrasi penyangga, dll
Pada prinsipnya, ada berbagai cara untuk memasukkan faktor dalam
desain eksperimental, yang dapat menyebabkan informasi lebih atau
kurang penting. Oleh karena itu, definisi faktor harus dipertimbangkan
dengan baik. Misalnya, komposisi banyak digunakan penyangga
NahH2PO4 / H3PO4 dapat didefinisikan jumlah garam NaH2PO4 dan
kemudian untuk mengatur pH dengan menambahkan asam masingmasing (H3PO4) atau basa NaOH.
faktor kualitatif
Faktor kualitatif untuk metode Kromatograf adalah faktor yang releted
ke kolom, seperti produsen kolom, batch kolom dan kolom juga
berbeda dari satu batch. Seorang analis menyelidiki faktor qualitattive
harus selalu ingat bahwa tidak adanya dampak yang signifikan tidak
berarti bahwa faktor ini tidak pernah memiliki dampak pada kinerja
metode. Dengan pengujian sejumlah sampel kesimpulan tentang
jumlah penduduk tidak dapat ditarik.

Campuran terdiri dari komponen m, hanya memungkinkan m -1 komponen

yang akan diubah secara independen. Terlepas dari fase berair, fase
gerak dalam analisis HPLC dapat terdiri dari 1-3 pengubah organik,
sehingga campuran 2-4 komponen. Cara mudah untuk menggabungkan
faktor campuran-terkait dan faktor metode (misalnya, suhu, laju alir, dll)
dalam satu desain eksperimen adalah untuk menyertakan maksimal, m -1
komponen yang akan diuji sebagai faktor. M -1 Faktor-faktor ini secara
matematis independen sehingga dapat diperlakukan sebagai faktor
metode.
Biasanya, kontribusi dari berbagai komponen dalam campuran diberikan
sebagai fraksi volume. Komponen dapat diatur sedemikian rupa
sehinggam th komponen yang satu dengan fraksi volume tertinggi dan
oleh karena itu, biasanya berfungsi sebagai komponen penyesuaian. Nilai
komponen menyesuaikan dihitung dari tingkat masing-masing faktor
campuran terkait [160].
Dalam kasus di mana salah satu komponen ditemukan relevan, maka
komposisi campuran total adalah penting. Akibatnya, komposisi campuran
harus dikontrol dengan ketat. Mengenai definisi tingkat faktor campuran
terkait refleksi yang sama juga berlaku sebagai faktor-faktor
kuantitatif. Paket perangkat lunak yang memadai (misalnya, MODDE)
memandu pengguna melalui desain eksperimen, yang bisa sangat
membantu, terutama untuk studi termasuk faktor-faktor campuran terkait.
2.7.3.2.2 Model Matematika dan Desain Eksperimen
Faktor-faktor yang diuji dengan cara yang dirancang secara statistik
protokol eksperimental, yang terpilih sebagai fungsi jumlah faktor yang
harus diperiksa. Desain eksperimental biasanya diterapkan dalam studi
ketahanan adalah desain skrining dua tingkat, yang memungkinkan
seorang analis untuk menyaring jumlah yang relatif besar dari faktor

dalam jumlah yang relatif kecil dari eksperimen. Desain seperti ini adalah
faktorial pecahan atau rancangan Plackett-Burman desain [122], [161163]. Dalam sebuah penelitian ketahanan analis biasanya tertarik pada
efek utama faktor. Untuk tujuan ini rancangan Plackett-Burman desain
(PB-desain) menjamin hasil yang memuaskan. Biasanya, dalam PBdesain efek interaksi twofactor, antara efek interaksi tingkat tinggi,
dikacaukan dengan efek utama, sehingga efek ini tidak dapat dievaluasi
secara terpisah [159, 160].Namun, telah dibahas dalam literatur, bahwa
dua faktor interaksi yang terjadi dalam studi ketahanan dapat diabaikan
[164]. Sejak PB-desain yang mudah untuk membangun daripada desain
faktorial pecahan, mereka menjadi pilihan pertama dalam pengujian
ketahanan.
Tiga adalah jumlah terkecil dari faktor yang harus diselidiki dalam desain
eksperimental. Karena pertimbangan statistik, terutama mengenai
interpretasi dari efek, desain dengan kurang dari delapan berjalan
eksperimental tidak digunakan, sedangkan mereka dengan lebih dari dua
puluh empat terlalu memakan waktu [160]. Untuk PB-desain pertama
baris dengan N = 8-24 eksperimen tercantum di bawah ini,
dimana N merupakan jumlah eksperimen dan (+) dan (-) tingkat faktor
[163]. Untuk konstruksi dari desain lengkap N -2 baris berikut diperoleh
dengan menggeser langkah-demi-langkah setiap baris dengan satu posisi
ke kanan. Prosedur ini diulang N -2 kali sampai semua kecuali satu baris
terbentuk. Baris terakhir (N th) maka terdiri dari tanda-tanda dikurangi
saja. Prosedur setara dapat diterapkan, ketika kolom pertama dari PBdesain diberikan. Dari daftar di atas dapat diturunkan bahwa PB-desain
dapat memeriksa hingga faktor N -1. Hal ini tidak dianjurkan untuk
menetapkan setidaknya dua kolom seperti desain faktor apapun, karena
kolom ini dapat menunjukkan besarnya kesalahan acak yang terjadi dan
dua faktor interaksi [157]. Model matematika yang diterapkan untuk PB-

desain yang linear seperti yang ditunjukkan pada Pers. (2,7-22) untuk dua
faktor dan Pers. (2,7-6) selama tujuh faktor. Selain model linier, interaksi
dan model kuadrat juga memainkan peran tertentu dalam desain statistik
percobaan tergantung pada studi dan tujuan mereka (Persamaan. 2,7-5,
Pers. 2,7-22).
2.7.3.2.4 Eksperimen dan Penentuan Tanggapan
Sebelum melakukan percobaan dalam studi ketahanan beberapa poin
penting yang perlu dipertimbangkan:
. Aliquots dari sampel uji yang sama dan standar (dalam hal
mengevaluasi karakteristik kuantitatif) diselidiki di bawah kondisi
percobaan yang berbeda.
. Idealnya, percobaan dilakukan secara acak.
- Jika memblokir, yang berarti pemilahan oleh faktor-faktor,
tidak dapat dihindari karena alasan praktis, cek untuk drift
dianjurkan.Menjalankan percobaan di bawah kondisi nominal sebagai
fungsi waktu dapat melakukan pemeriksaan ini.
- Karena desain tertentu tidak dapat dilakukan dalam satu
hari, memblokir oleh faktor eksternal tidak diuji dalam desain seperti,
misalnya, hari, juga diperbolehkan [160, 165].
. Seperti yang telah diindikasikan untuk PB-desain, percobaan
direplikasi pada tingkat nominal (titik tengah) dilakukan sebelum, pada
interval waktu yang teratur antara, dan setelah studi ketahanan, sangat
membantu karena beberapa alasan [160]:
- Sebuah cek kinerja metode pada awal dan akhir
percobaan.

- Sebuah estimasi kesalahan murni.

- Sebuah estimasi pertama efek waktu potensial dan koreksi
hasil untuk efek waktu mungkin.
. Alih-alih mengoreksi efek waktu, desain eksperimen canggih
memungkinkan seorang analis untuk meminimalkan efek waktu dengan
mengacaukan mereka dengan efek interaksi atau faktor boneka (kolom
dalam PB-desain yang tidak
ditugaskan untuk faktor apapun) [160, 165].
2.7.3.2.5 Perhitungan Efek dan Statistik dan Grafik Evaluasi mereka
Efek dapat dihitung sesuai dengan Pers. (2,7-9) dan (2,7-10) atau dengan
Persamaan. (2,7-18). Sebuah formof setara persamaan (2,7-9) dan (2,710) diberikan oleh Pers. (2,7-23):
Penafsiran efek dapat dilakukan secara grafis dan / atau
statistik. Interpretasi grafis dari efek penting biasanya diaplikasikan
dengan kemungkinan alur cerita yang normal [162]. Interpretasi statistik
didasarkan pada identifikasi efek yang signifikan secara statistik biasanya
berasal dari t-teststatistik [166]. Penjelasan lebih rinci evaluasi percobaan
yang dirancang statistik diberikan dalam literatur yang relevan [153-155,
166]. Namun, beberapa karakteristik statistik lebih lanjut akan dibahas di
sini dalam hubungannya dengan data dari contoh berikut.
2.7.3.2.6 Kesimpulan
Pada akhir studi ketahanan dirancang statistik efek utama dapat
didiskusikan, dinilai dan diringkas. SST-batas (SST: Sistem Kesesuaian
Test) dapat diturunkan dari hasil tes ketahanan, mengambil kombinasi
terburuk tingkat faktor, yang masih memberikan kinerja yang memuaskan.

2.7.3.2.7 Contoh Robustness Studi eksperimental Dirancang Eksperimental Perilaku, Interpretasi Hasil, Pengkajian dan
Kesimpulan Untuk memungkinkan untuk perbandingan, penelitian yang
dipresentasikan di sini telah dilakukan dengan Metode HPLC yang sama
dan dengan zat obat yang sama sudah dibahas dalam bagian
2.7.3.1, meskipun bahan obat hanya dalam tahap pengembangan praklinis dan lebih bermakna untuk menerapkan DOE untuk pengujian
ketahanan dalam tahap berikutnya pembangunan. Studi ini telah
direncanakan sesuai dengan prosedur yang ditunjukkan pada Gambar
2,7-11. Kondisi nominal dari metode HPLC masing-masing diberikan
dalam Tabel 2,7-4: Solusi yang digunakan dalam uji ketahanan
mengandung zat obat MC pada konsentrasi 0,2 mg / ml (termasuk CI ion
counter) dan kotoran SP1 terkait, SP2 (termasuk pengotor yang U1) dan
SP3, serta DP1 produk degradasi pada konsentrasi 0,002 mg /
ml. Sebuah standar acuan analisis belum didirikan untuk MC pada tahap
awal pengembangan. Penelitian ini difokuskan pada faktor internal, karena
faktor eksternal umumnya ditutupi oleh studi presisi menengah.
Satu kualitatif (Col) dan tujuh kuantitatif (pH, Konsentrasi., WL, CT, F,%
BAS,% BAE) faktor internal yang dipilih. Tingkat yang ditetapkan untuk
faktor-faktor ini diringkas dalam Tabel 2,7-5. Mereka ditetapkan
berdasarkan data teknis dari peralatan HPLC yang digunakan dan juga
berdasarkan pengalaman yang sudah didapat dengan DryLab didukung
Studi ketahanan.
Perlu dicatat bahwa untuk faktor kualitatif _Column (batch bahan fase
diam) 'kolom nominal ditugaskan untuk tingkat (-1), karena lebih bermakna
untuk membandingkannya dengan yang lain daripada untuk
membandingkan dua kolom yang keduanya berbeda dari kolom
nominal. Untuk faktor kuantitatif dan model linier tingkat nominal dapat

diinterpolasi oleh paket perangkat lunak statistik, tapi hal ini tidak mungkin
untuk faktor kualitatif.Penambahan kolom ketiga akan memerlukan
aplikasi desain tiga tingkat bukannya desain dua tingkat.
Desain eksperimental dan evaluasi data yang diperoleh dilakukan dengan
menggunakan paket perangkat lunak statistik MODDE. Faktor-faktor yang
diselidiki dalam desain rancangan Plackett-Burman selama sebelas faktor,
yaitu, N = 12 percobaan. Resolusi - istilah yang menggambarkan sejauh
mana diperkirakan efek utama dikacaukan dengan perkiraan interaksi dua
tingkat, tiga tingkat interaksi dll - desain tersebut adalah III. Ini berarti
bahwa dua faktor interaksi tidak dapat dievaluasi [167].
Namun, seperti yang sudah dibahas di atas, dua faktor dan ketertiban
yang lebih tinggi interaksi dalam studi ketahanan biasanya dapat
diabaikan.Rancangan Plackett-Burman desain ortogonal dan mereka
dibatasi untuk model linear.
Korelasi Faktor matriks ortogonal desain rancangan Plackett-Burman
diterapkan diilustrasikan dalam Tabel 2,7-6. Nilai nol menunjukkan bahwa
tidak ada korelasi, yang diharapkan untuk faktor-faktor penelitian
ketahanan yang dijelaskan di sini, dan kesatuan menunjukkan bahwa
korelasi maksimal diamati, yang tentu saja adalah kasus antara faktorfaktor itu sendiri. Respon ditentukan dalam penelitian ini adalah resolusi
penting antara U1 / SP1 (R U1_SP1) dan SP1 / DP1 (R SP1_DP1), faktor
tailing komponen utama T MC dan daerah relatif puncak CI, MC, U1, SP1,
DP1, SP2
dan SP3 (% CI,% MC,% U1,% SP1,% DP1,% SP2, SP3%). Daerah
puncak relatif dari CI telah dimasukkan dalam daftar tanggapan untuk
mendapatkan informasi tambahan. Metode yang dibahas di sini hanya
berfungsi untuk perkiraan kasar

CI. Dalam tahap berikutnya pembangunan CI tidak akan ditentukan

dengan cara HPLC, tetapi kromatografi ion akan digunakan untuk
mengevaluasi konten dalam bahan obat.
Selain 12 berjalan dibutuhkan oleh dipilih desain rancangan PlackettBurman, tiga percobaan nominal dilakukan. Untuk setiap 15 berjalan, tiga
suntikan larutan sampel dilakukan. Setiap injeksi ketiga digunakan untuk
perhitungan, asalkan kedua dan injeksi ketiga mengungkapkan
kromatogram identik.
Langkah ini diambil untuk memastikan bahwa data yang dipilih untuk
perhitungan diperoleh dari sistem memadai equilibrated. Selain itu, solusi
kosong disuntik di awal dan di akhir setiap suntikan tiga. Urutan
menjalankan percobaan yang ditetapkan oleh MODDE sepenuhnya
acak. Namun, untuk alasan praktis percobaan telah diurutkan dalam
kaitannya dengan faktor-faktor, konsentrasi penyangga dan penyangga
pH. Selanjutnya, penelitian di tingkat nominal yang ditetapkan untuk posisi
1, 8 dan 15, dan seluruh set akhirnya diurutkan berdasarkan urutan run
seperti yang ditunjukkan dalam
worksheet yang sesuai pada Tabel 2,7-7, yang juga menyajikan hasil
eksperimen yang diperoleh selama sepuluh tanggapan dipelajari.
Fit dan Ulasan Fit
Setelah cocok dengan data yang ditunjukkan pada Tabel 2,7-7 dengan
cara Regresi Linier Berganda (MLR) akan sangat membantu untuk melihat
pertama pada ulangan plot, yang menunjukkan respon sebagai fungsi dari
label nomor percobaan. Para ulangan Plot menyediakan analis dengan
ide dari kesalahan eksperimental, yang disebut kesalahan murni, yang
mengikuti dari percobaan direplikasi di tingkat nominal faktor diselidiki (no.
13, 14, 15). Pada Gambar 2,7-12 satu contoh ditampilkan untuk respon

"Luas puncak relatif MC". Angka-angka 13, 14, dan 15 menunjukkan

pengulangan yang baik
(Reproducibility dalam arti terminologi MODDE) dan kesalahan murni
kecil. Selain contoh khas seperti contoh sesekali dengan kesalahan yang
lebih kecil dan lebih besar juga ditemukan dalam penelitian ini. Temuan
tersebut diperoleh untuk daerah puncak SP3 dan U1 dan juga untuk
resolusi puncak antara U1 dan SP1. Perlu diperhatikan bahwa, terlepas
dari ulangan pada Gambar 2,7-12, dua kelompok nilai respon dapat
diamati, yang berkorelasi dengan pengukuran pada dua panjang
gelombang deteksi yang berbeda (225 nm dan 229 nm).
Koefisien model dan efek, yang faktor terhadap tanggapan yang berbeda
akan dijelaskan di bawah ini. Sebelum ini, cek ringkasan fit, yang
ditunjukkan pada Gambar 2,7-13 diperlukan. Plot seperti itu memberikan
gambaran tentang karakteristik _R 2, Q 2, Model Validitas dan
Reproducibility '. Dengan karakteristik ini
analis dapat menilai seberapa baik adalah cocok untuk setiap respon
[155, 156, 158, 168-170].
R 2 adalah persentase variasi respon yang diberikan oleh model. Ini
adalah ukuran fit dan menunjukkan seberapa baik model sesuai dengan
data. AR besar 2 adalah kondisi yang diperlukan untuk model yang baik,
tapi itu tidak cukup. Bahkan model miskin (model yang tidak dapat
memprediksi) dapat menunjukkan R besar 2. Namun, rendahnya
nilai R 2 akan diperoleh dalam kasus _reproducibility miskin (kontrol
miskin atas kesalahan percobaan) atau model validitas miskin (model
salah). Jika R 2 adalah 1 model cocok dengan data sempurna. Q 2 adalah
persentase variasi respon diprediksi oleh model
menurut cross-validasi. Q 2 menceritakan seorang analis seberapa baik
model memprediksi data baru. Sebuah model yang berguna harus

memilikiQ besar 2. Sebuah rendah T 2 menunjukkan _reproducibility

miskin (kontrol miskin atas kesalahan eksperimental) dan / atau
keabsahan model yang miskin (model

Asumsi bahwa terdapat harga R2 yang bagus, model validitas sedang

(moderat), dan desain dengan beberapa tingkat residu yang tak terikat,
lalu harga Q2 yang kecil biasa karena istilah yang insignifikan pada model.
Istilah insignifikan itu dapat dihilangkan dari pemodelan. Model validitas
mengukur tingkat kesalahan untuk kecocokan (error of fit)dan
membandingkannya dengan kesalahan murni (pure error). Jika penanda
(bar) lebih besar daripada 0.25, maka tidak terdapat kekurangcocokan
(lack of fit) pada pemodelan. Ini menandakan bahwa pemodelan
kesalahan memiliki rentang yang sama dengan kesalahan murni
(keberulangan). Penanda model validitas sebagai kesatuan yang mewakili
model sempurna. Ketika model validitas dibawah dari 0.25 maka terdapat
kekurangcocokan yang signifikan. Ini menandakan bahwa kesalahan
model secara signifikan lebih besar daripada kesalahan murni.
Terdapat banyak parameter yang dapat menyebabkan kekurangcocokan
pada pemodelan sehingga diperoleh model validitas yang buruk. Akan
tetapi, pada banyak kasus, penyebabnya merupakan sebuah kesalahan
artifisial dan berupa kesalahan murni yang sangat kecil yang biasanya
bernilai nol. Keberulangan (reproducibility) adala perbandingan variasi dari
respon pada kondisi yang sama, dengan variasi keseluruhan dari respon.
Variasi dari respon pada kondisi yang sama berkaitan dengan kesalahan
murni dan biasanya ditentukan pada nilai pusat. Ketika keberulangan
bernilai sama, kesalahn murni adalah nol. Ini menandakan bahwa pada
kondisi yang sama, nilai dari respon adalah sama. Ketika penanda
keberulangan adalah nol, maka kesalahan murni sama dengan total
variasi dari respon. Perlu dicatat bahwa keberulangan disini digunakan
berdasarkan terminologi MODDE, bukan setingkat presisi (ketepatan).

Sebagai tambahan terhadap penjelasan diatas, untuk studi tentang

ketangguhan (robustness), R2 tidaklah sangat diperlukan. Hal ini
bergantung kepada studi itu sendiri, serta khusus pada rentang
berdasarkan tingkat paling rendah dan paling tinggi. Ketika kesalahan
murni kecil, harga R2 yang kecil sudahlah cukup. Akan tetapi, Q 2 harus
positif dan tidak lebih kecil daripada R2.
Harga R2 yang kecil dapat menandakan bahwa pemodelan tidak cocok
dengan variasi respon. Ini menandakan bahwa metode yang digunakan
tidaklah sensitif dan memiliki ketangguhan (kasus terbaik dari uji
ketangguhan contohnya model yang inisgnifikan dan hasil yang memenuhi
spesifikasi!).
Jika harga R2 yang didapatkan adalah tinggi pada studi ketangguhan, ini
menandakan bahwa terdapat korelasi yang kuat dan secara normal
metode tersebut sensitif pada perubahan dan faktor masing-masing
metode harus dengan hati-hati dikontrol. Untuk menentukan apakah
metode yang digunakan memiliki ketangguhan atau tidak bergantung
kepada rentang dimana respon-respon memiliki nilai yang bervariasi.
Ketika suatu respon bervariasi pada rentang yang tidak kritis, metode
bagaimanapun juaga dianggap memiliki ketangguhan (kasus terbaik
kedua pada uji ketangguhan contohnya model yang insignifikan dan hasil
yang memenuhi spesifikasi!)
Data pada gambar 2.7-13 memperlihatkan 7 dari 10 respon menunjukkan
hasil kecocokan yang mendekati sempurna. R2 dan Q2 bernilai diatas 0.8,
keberulangan diatas 0.9 dan harga dari validitas pemodelan diatas 0.25.
Akan tetapi, untuk ketiga respon Daerah Puncak Relatif SP3. Daerah
Puncak Relatif U1 dan Resolusi U1_SP1 yang bernilai lebih kecil
didapatkan. Untuk daerah relatif puncak dari SP3dan U1, harga Q 1 sangat
kecil. Berdasarkan ciri statistik diatas, ada penjelasan yang baik mengenai
hasil tersebut. Nilai Q2 yang kecil dari daerah puncak relatif dari SP3 dan

U1 dapat dijelaskna dengan keberulangan yang buruk (diantara semua

data) dan utamanya oleh koefisian yang muncul dan memiliki pengaruh
yang signifikan atau insignifikan (tapi tidak berkaitan) untuk respon-respon
ini. Istilah model validitas yang buruk pada resolusi antara U1 dan SP1
secara singkat dijelaskan dengan keberulangan yang sangat besar
(0.99993) berdasarkan kesalahan murni yang cenderung bernilai nol.
Akan tetapi, temuan ini tidaklah berkaitan dan dapat diabaikan.
Diagnostik
Disamping interpretasi dari ringkasan tentang kecocokan, langkah
evaluasi lebih lanjut dibutuhkan sebelum memulai perhitungan dari
koefisien serta efek. Perlu diperikas bahwa residu data dalam keadaan
teracak dan tersebar normal. Untuk tujuan ini, kemungkinan dari plot
normal residu biasanya diterapkan dalam skala dobel logaritmik. Plot
tersebut dapat membantu dalam penilaian normalitas dari residu.
Jika residu adalah acak dan tersebar normal, maka data berada pada
garis lurus antara -4 dan +4 berdasarkan kajian standar deviasi.
Sementara data diluar garis berada pada rentang -4 sampai +4 dari
standar deviasi.
Untuk setiap 7 dari 10 respon yang diukur, peluang normal berdasarkan
gambar 2.7-14 yang menandakan residu acak dan tersebar merata. Akan
tetapi, tiga pengecualian didapatkan. Hal ini adalah Daerah Puncak relatif
dari SP1, Resolusi U1_SP1 dan Resolusi SP1_DP1, berdasarkan
percobaan yang dilakukan pada masing-masing N12, N3 dan N6 dan N1
dan N9.
Data yang tidak termasuk dapat secara signifikan secara statistik tapi
haruslah tidak berkaitan, yang ditunjukkan pada gambar 2.7-15 yang
menunjukkan hubungan linier antara data yang diamati dengan data yang
diramalkan dari resolusi U1 dan SP1. Secara jelas dapat dilihat

perbedaannya antara N3 atau N6 dan garis lurus keadaan tipis dan tidak

Diamati

berkaitan.

Diperkira
kan

Gambar 2.7-15: Diamati dibandingkan data yang diperkirakan untuk

respon Resolusi U1_SP1'dan setiap percobaan.

Selain ringkasan fit, tes pada distribusi normal, dan perbandingan

diamati dan juga data prediksi analisis varians (ANOVA) dilakukan, yang
mengungkapkan bahwa standar deviasi regresi lebih besar dari standar
deviasi dari residual dengan tingkat kepercayaan yang tinggi. Dengan
demikian, hasil yang dibahas di atas juga dikonfirmasi oleh ANOVA. Selain
itu, ada kekurangan yang relevan pada deteksi fit [168].
Interpretasi Model
Seperti itu jelas bahwa model itu benar, koefisien dan efek dari
berbagai faktor kemudian dapat dievaluasi. Dianjurkan untuk membuat
gambaran koefisien plot (Gambar. 2.7-16), yang menampilkan koefisien
untuk semua tanggapan yang didefinisikan dalam penelitian ini.
Biasanya tanggapan yang berbeda memiliki rentang yang berbeda.
Dalam rangka untuk membuat koefisien sebanding, hal itu dinormalisasi
dengan membagi koefisien oleh standar deviasi respon masing-masing.
Jadi, plot ini memungkinkan seorang analis untuk melihat bagaimana
faktor yang mempengaruhi semua tanggapan. Dari Gambar 2.7-16 jelas
bahwa dalam kasus daerah puncak relatif dengan dampak dari panjang
gelombang deteksi benar-benar dominan, karena sifat penyerapan hampir
identik dari senyawa yang diselidiki. Hal ini digambarkan dengan bagian
dari uv/vis-spektrum MC di mana tampaknya ada serapan yang tidak
maksimal pada panjang gelombang deteksi nominal 227 nm (Gambar.
2.7-17).
Pengecualian pada kotoran yang dikenal untuk mendominasi deteksi
panjang gelombang adalah luas puncak relatif SP3, yang tampaknya juga
dipengaruhi oleh laju alir fase gerak dan konsentrasi penyangganya.
Untuk resolusi antara U1 dan SP1 faktor yang dominan adalah pH, dan
untuk resolusi antara SP1 dan DP1, suhu kolom dan pH adalah faktor
yang paling signifikan (relevan). Dalam kasus faktor pengekoran,
konsentrasi penyangga dan bets fase diam yang yang paling penting.

Resolusi SP1_DP1

Resolusi U1_SP1

Luas puncak relatif U1

Luas puncak relatif SP3

Luas puncak relatif SP2

Luas puncak relatif DP1

Luas puncak relatif SP1

Luas puncak relatif MC

Luas puncak relatif CI

Faktor pengekoran MC

Gambar 2.7-16: gambaran plot Koefisien untuk semua tanggapan

didefinisikan

dalam

penelitian

(semua

termasuk

pengaturan faktor-faktor kualitatif). Faktor yang dengan

kode warna seperti yang ditunjukkan di atas (lihat juga
Tabel 2.7-5).

Gambar 2.7-17: Bagian spektrum uv/vis komponen utama MC.

Penyerapan [m AU] vs panjang gelombang [nm]
Untuk mendapatkan analisis yang lebih detail dan mengetahui faktor
yang mempengaruhi yang paling sering digunakan yaitu plot koefisien.
Koefisien plot ditunjukkan oleh koefisien regresi dengan tingkat intervalnya
dan keduanya diterapkan untuk menginterpretasikan koefisien.

Pada

dasarnya, plot koefisien adalah data dari dari tengah dan skala untuk
membuat perbandingan koefisien.
Ukuran koefisien digunakan untuk merubah respon ketika sebuah
faktor bervariasi dari nol sampai satuan., sementara faktor lain tetap pada
keadaan nilai rata-ratanya. Sebuah koefisien dikatakan signifikan ketika
tingkat interval tidak sama dengan 0. Dari teori palcket-burnman, koefisien
adalah setengah dari ukuran efeknya.
Tipe koefisien plot yang diperoleh ditunjukkan dari gambar 2.7-18
dari resolusi SP1_DP1. PH, konsentrasi buffer, temperatur, dan laju alir
adalah signifikan, merupakan faktor dari puncak resolusi antara SP1 dan
DP1.

Faktor sikinifikan dipengaruhi oleh respons yang telah ditentukan

dalam tabel 2.7-8

Pengujian lebih lanjut dengan memvisualisasikan efek faktor

ketahanan oleh pengujian efek plot. Plot ini khususnya digunakan untuk
screening seperti teori Placket-Burman. Efek plot ini diurutkan dari yang
terbesar ke yang terkecil.

Efek plot dapat dilihat dengan mengubah respon ketika faktor

variasinya dari rendah ke tinggi. Dan semua faktor lain tetap pada
keadaan rata2nya. Harus dicatat bahwa efeknya adalah 2 kali koefisien,
sebagaimana koefisien diganti responnya ketika faktor variasinya dari
rata2 ke tinggi. Efek tidak siknifikan ketika jarak interval sama dengan nol.
Efek kecil yang terlihat tidak terlalu penting.
Dalam figure 2.7-19 efek plot ditunjukkan untuk resolusi antara
puncak U1 dan SP1. Ilustrasi ini menunjukkan bahwa pH merupakan
faktor yang paling penting dalam puncak resolusi antara U1 dan SP 1.
Konsentrasi buffe dan laju alir juga memainkan peran tertenu tapi faktor

lain tidak siknifikan. Dengan kata lain, faktor yang lain tidak relevan dan
dapat diabaikan. Dari pelajaran ini, figure 2.7-19 mewakili contoh dari efek
plot. Semua efek yang diperoleh dari tes ketahanan disimpulkan dalam
tabel 2.7-9

Salah satu cara untuk mengilustrasi efek dari suatu faktor dari
respon tertentu adalah pengujian efek plot utama. Untuk desain
penyaringan, efek plot utama menampilkan nilai yang cocok dari respon
dengan interval kepercayaan dibawah dan diatas nilai faktor pilihan, dan
pada titik pusat. Faktor lainnya dijaga pada nilai rata-ratanya.
Efek plot utama yang menarik digambarkan pada gambar 2.7-20
dan gambar 2.7-21 yang dimana efek pH yang berlawanan pada resolusi
pasangan puncak U1 / SP 1 dan SP 1 / DP1 jelas.

Penggunaan Model
Setelah interpretasi, model dapat diaplikasikan untuk memprediksi.
Untuk maksud itu MODDE menyediakan beberapa fitur yang digunakan
untuk studi ketangguhan, seperti plot perediksi, plot respon prediksi, plot
kontur, dan yang disebut Sweet Spot Plot [168].
Plot prediksi menunjukkan dua dimensi melapisi semua respon,
setiap fungsi dari suatu faktor. Faktor lainnya dapat diatur ke efek rendah,
pusat,

tinggi,

dan

biasa.

Plot

respon

prediksi

mengilustrasikan

ketergantungan fungsi dari respon tertentu pada satu faktor yang

divariasikan, ketika faktor lainnya dijaga pada tingkat pusatnya. Dengan
tambahan, interval kepercayaan tersendiri menunjukkan setiap plotnya.
Tingkat kepercayaan 90%, 95%, atau 99% dapat dipilih. Plot prediksi dan
plot respon prediksi keduannya merupakan alat yang membantu analisis
untuk memberi nilai ketangguhan suatu metode analisis. Alat yang lebih
kuat adalah plot kontur dan khususnya Sweet Spot Plot. Plot kontur dapat
menjadi perbandingan untuk peta resolusi tiga dimensi yang dikalkulasi
oleh DryLab. Hal tersebut menunjukkan respon magnitude tertentu
(respon rentang kode-warna), sebagai fungsi dari dua faktor terlihat pada
axis x dan y. Faktor lainnya biasanya diatur ke tingkat pusatnya. Contoh
tipikal yang terdapat pada pada studi ini ditunjukkan dalamgambar 2.7-22
dan 2.7-23.
Pada gambar 2.7-22 fungsi tergantung dari are puncak dari
komponen MC utama (%MC) pada konsentrasi buffer dan panjang
gelombang deteksi yang ditunjukkan. Semua faktor lainnya dijaga pada
tingkat pusatnya. Faktor kualitatif Col (sekumpulan fase stasioner) diatur
ke batch B. Dari grafik dapat dilihat bahwa % MC hanya dipengaruhi oleh
panjang gelombang deteksi, selama efek dari buffer dapat diabaikan.

Pada gambar 2.7-23 resolusi antara puncak U1 dan SP1

diberikan sebagai fungsi dari konsentrasi penyangga dan pH
penyangga. Hal ini menunjukkan bahwa kedua faktor dampak pada
resolusi. Semakin tinggi nilai faktor, semakin tinggi resolusi antara U1
dan
SP1.
Tentu
saja,
efek
dari
pH
buffer
lebihjelasdaripadapengaruhkonsentrasipenyangga.

Sweets pot plot merupakan fitur yang sangat kuat untuk menilai
kekokohan suatu metode analisis. Sebelum membuat plot sweetspot
persyaratan yang harus dipenuhi oleh metode analisis tertentu untuk
memastikan kinerja yang handal dan akurat, harus dipertimbangkan.
Persyaratan ini yang ditetapkan untuk tanggapan.The sweetspot plot

grafik tiga dimensi yang mirip dengan plot kontur dan peta resolusi lab
kering. Dimensi ketiga (z-axis) adalah warna -coded dan visualisasi
daerah di mana semua atau tidak ada persyaratan terpenuhi dan yang
pertama (x-axis) dan kedua (y-axis) dimensi
merupakanduafaktor.Faktorlaintetapkonstanpadatingkatmereka
RENDAH, TENGAH, TINGGI atau CUSTOM. Untuk menghitung daerah di
mana semua atau tidak ada persyaratan terpenuhi, MODE
menggunakan metode simpleks Nelder mead (168, 171). Sehubungan
dengan studi HPLC ketahanan dibahas di sini aspek berikut
dipertimbangkan, penelitian ini dilakukan
dengansenyawapembangunanpadatahappraklinisdankarenatelahberkomentaratasstandaracuananalisis yang
tidaktersediapadatahapawalpengembangan.Olehkarenaitu,
daerahpuncakrelatiftelahdimasukkansebagaitanggapandalamdesain.Ka
renadefinisipersyaratanuntuk area puncakrelatiftidakterlaluberguna,
hasilmasingmasingdiperolehdalampenelitianinidinilaisecarakualitatifdanmerekaaka
ndipertimbangkandalamstudiketahanan yang
akandilakukanpadatahapberikutnyapembangunan.
Dalamstuditersebutdaerahpuncakrelatifakandigantikanoleh assay
(dihitungterhadapstandarreferensieksternal), yaitu,
isikomponenutamadankotoran yang
terkaitdankemudiankriteriapenerimaanpastiakandiperlukan.Akibatnya,
persyaratanhanyaditetapkanuntuktanggapan, tailing
faktorkomponendanpuncakresolusiutamaantara U1 dan SP1
sertaantara SP1 dan DP1.taking mempertimbangkan data eksperimen
yang diperoleh, faktor tailing dari 1,7 (MC miliksenyawakelas yang
selalucenderung tailing sedikit) dianggapsebagaibatasatas. Rentang
yang ditetapkanuntukperhitunganadalah 0,8-1.7 (0,8 TMC1.7).
untukresolusipuncaknilai minimal 1,8 ditetapkan (RU1_SP1 1.8,
RSP1_DP1 1.8). xdansumbu y dalam plot
sepertiituharusmewakilifaktor-faktor yang tampaknyamemilikidampak
yang paling signifikanterhadaprespon, yang
konsentrasifaktorpenyanggadan pH penyangga. Gambar 2,7-24
menggambarkan plot sweetspotdiperolehdalamkondisisepertiitu.
Selainkonsentrasifaktorpenyanggadan pH buffer, faktordisimpan di
CENTER tingkat.BahanFasediamadalah bets A.

Padagambar
2,7-24
wilayahabu-abugelap
yang
besardalamgrafikmenunjukkandaerahsweetspot,
yang
merupakandaerah di manasemuakriteriaterpenuhi. Daerah abuabuterangadalah di manaduakriteriaterpenuhi (1.4 <RU1_SP1 <1,8).
daerahhitamdanputihadalahmereka
di
manahanyasatuatautidakadakriteriaterpenuhi.
Namun,
kasusinitidakdiamatidalampenelitianini.Bahkanjikafaktor-faktor
yang
ditetapkanpadatingkat
CENTRE
padagambar
2,7-24
bervariasiantarapengaturanmereka
RENDAH
dan
TINGGI
plot
tidakberubahsecarasignifikan.
Olehkarenaitu,
plot
sweetspotmenunjukkan di satusisibahwametodeinikuatdan di sisi lain
bahwapersyaratan yang ditetapkanuntuk TMC RU1_SP1, dan RSP1_DP1
dapatdiadopsiuntukujikesesuaiansistem.
Namun,
untukstudiketahananpadatahapberikutnyadaripengembanganobatdisar
ankanuntukmelakukaneksperimen
di
perbatasan
(antaraterangdandaerahabu-abugelappadagambar
2,7-24)
untukmengkonfirmasibahwaprediksi yang diperolehsesuaidengan data
eksperimen.

Setelah berbagai faktor kuat yang ditemukan, maka juga harus dipertimbangkan
bahwa prosedur analitis divalidasi dalam rentang tersebut.Akibatnya, variasi
diperlukan dalam aplikasi jangka panjang dapat dianggap sebagai penyesuaian. Di luar
kisaran divalidasi, itu harus diasumsikan secara resmi bahwa ada perubahan dengan
segala konsekuensinya,
seperti pengendalian perubahan, revalidation, dll (lihat Bab 9).
Kesimpulan
Contoh yang dibahas dalam bagian ini menunjukkan bahwa perangkat lunak DOE,
seperti MODDE dapat menjadi alat yang sangat ampuh dalam menilai kekokohan
metode analisis. Dalam penelitian ini delapan faktor masing-masing pada dua tingkat
diperiksa, yang berarti bahwa untuk evaluasi lengkap 2 8 = 256 percobaan akan
diperlukan. Tapi dengan cara desain rancangan Plackett-Burman yang terdiri dari 12
berjalan eksperimental ditambah tiga kali pada titik tengah, ruang lingkup dapat
dikurangi menjadi 15 percobaan tanpa kehilangan informasi yang relevan untuk
evaluasi ketahanan dari metode analisis dipelajari. Dari contoh ini dapat disimpulkan
bahwa dengan menggunakan desain eksperimen, tabungan bekerja
waktu, sumber daya dan biaya bisa sangat besar.
Mungkin, terutama karena fakta bahwa DOE telah menjadi lebih dan lebih populer di
HPLC dan kapiler Elektroforesis selama beberapa tahun terakhir, baik di bidang
pengujian ketahanan metode analisis [172-174] dan juga dalam pengembangan
metode analisis [175-177].
Pengakuan

Saya ingin mengucapkan terima kasih Ralf Hohl atas keterlibatannya dan peduli dalam
melakukan pekerjaan eksperimental studi ketahanan ini, untuk membantu dan menarik
komentarnya, dan juga untuk diskusi inspirasi. Saya juga ingin menyampaikan terima
kasih kepada Prof Dr Andreas Orth untuk meninjau bagian pada desain eksperimental,
untuk diskusi instruktif, dan nasihat yang tak ternilai pada desain eksperimen.