METODE ANALISIS
PENETAPAN VARIABEL
TIDAK BEBAS (FAKTOR)
OPTIMASI
Pendekatan yang dipakai :
a. Menentukan faktor dan arasnya yang terlibat dalam proses
(tahapan ini menjadi tantangan bagi pengembang metode)
b. Faktor lain dapat dibuat tetap dan faktor yang satu diubah
selama percobaan unuk mencari level opimumnya namun cara
ini menjadi tidak ekonomis karena percobaan menjadi banyak
(One Factor At Time of Optimization)
c. Membuat rancangan percobaan yang akan dioptimasikan
berdasarkan:
1. Analisis numerik (bagi faktor tunggal),
2. Optimasi faktorial (bagi faktor banyak) dan
3. Optimasi simpleks (bagi faktor tunggal ataupun banyak).
4. Response surface methodology (RSM)
Optimasi secara manual Vs komputer.
a. Pendekatan manual hasilnya lambat, lama dan mahal,
karena dilakukan terhadap satu persatu dari faktor
berpengaruh saja sedangkan faktor yang lain dianggap
tetap (tidak berpegaruh). Makin banyak faktor makin
banyak percobaan dan waktu yang diperlukan.
b. Pendekatan dengan bantuan komputer hasilnya lebih baik,
cepat dan efisien (hanya perlu suatu software tertentu dari
vendor: Merck, Water, Hitachi, Agilent, dll ).
OPTIMASI DENGAN ANALISIS NUMERIK
• Analisis numerik digunakan sebagai cara atau alat untuk
mengembangkan penyelesaian suatu masalah dengan
menggunakan persamaan matematik.
• Optimasi ditujukan untuk tujuan maksimalisasi atau
minimalisasi.
• Jika berkaitan dengan mencari keuntungan atau kenaikan,
maka optimasi ditujukan untuk mencapai keuntungan yang
maksimal (maksimalisasi),
• Jika berkaitan dengan menghitung kerugian atau penurunan,
maka optimasi ditujukan untuk mencapai penurunan yang
minimal (minimalisasi).
Persamaan Polinomial (kuadratik)
• Optimasi dengan analisis numerik dilakukan berdasarkan
perhitungan nilai faktor optimum yang digambarkan sebagai nilai
x optimum (Xopt).
• Secara analitik, nilai maksimum atau minimum dari suatu
persamaan polinomial (kuadratik)
y = f(x) = ax2 + bx + c
dapat dihitung pada saat harga x dari turuna pertamanya (dy/dx)
sama dengan 0.
• Metode pendekatan Newton-Raphson merupakan cara yang
paling banyak digunakan.
• Hasil optimasi ini tidaklah terlalu eksak, harga yang diperoleh
masih terdapat kesalahan, meskipun kesalahannya sangat kecil.
Nilai Optimum
▪ Secara umum, nilai optimum pada persamaan kurva kuadratik
(polinomial) dapat diperoleh pada saat derivat pertama (dy/dx)
adalah 0.
▪ Jika diketahui persamaan kurva polinomial kuadratik umum:
y = ax2 + bx + c
▪ di mana a, b, dan c adalah tetapan yang diperoleh dari
perhitungan data percobaan.
▪ Nilai x optimumnya diperoleh :
dy/dx = 0
2ax + b = 0
2ax = - b
xopt = (-b)/2a
Analisis Numerik Pendekatan Newton
• Optimasi ini berdasarkan pada perhitungan xopt (faktor yang
optimum) pada kurva polinomial yang dibuat dari minimal 3
percobaan yang menghasilkan tiga titik.
• Dari ketiga titik tersebut dibuat garis melengkung yang
menggambarkan kurva polinomial.
• Sumbu Y menunjukkan respon: Y0, Y1 dan Y2
Optimisasi Analisis Numerik Pendekatan Newton
Persamaan Polinomial Newton
▪ Persamaan dengan formula Newton:
Y = Yo + (∆ yo- ½ ∆ 2Yo)x + ½ (∆ 2Yo)x2
di mana :
∆Y0 = Y1 - Y0
∆Y1 = Y2 – Y1
∆2 Y0 = ∆Y1 - ∆Y0
= (Y2 – Y1 ) – (Y1 - Y0)
= Y2 – 2Y1 + Y0
Nilai Faktor X Optimum:
▪ Pada keadaan optimum turunan pertama persamaan Newton itu
harus sama dengan nol (dY/dX = 0) maka :
(dY/dX = (∆ 2Yo)x + (∆ Yo- ½ ∆ 2Yo ) = 0
Xopt = - (∆ Yo- ½ ∆ 2Yo ) / (∆ 2Yo)
Xopt = (Y2 – 4Y1 + 3Y0)/(2Y2 – 4Y1 + 2Yo)
▪ Sangat penting dicatat bahwa persamaan ini berlaku jika hanya
skala X yang digunakan sebenarnya dan jika aras pertama atau
nilai (x1 - ∆x ) pada skala mempunyai nilai 0, x1 bernilai 1 dan (x1 +
∆x) bernilai 2.
▪ Oleh karena kita gunakan persamaan berikut:
Xopt = x1 + ∆ x1 (Yo-Y2)/(2Y2 - 4Y1 + 2Yo)
Contoh:
• Bila faktor yang berpengaruh pada metode analisis hanya
ada 1 dan faktor lainnya tetap atau dibuat tetap (OFAT),
maka optimasi dapat dilakukan dengan perhitungan
analisis numerik sederhana.
• Misalkan : Percobaan penentuan panjang gelombang
serapan maksimum pada kurva spektrum absorpsi UV di
mana X merupakan panjang gelombang ( λ ) dan Y
merupakan Absorbans (A).
• Kurva diperoleh berupa garis lengkung polinomial dan titik
puncaknya adalah Y optimum dan X optimum.
Contoh: Spektrum UV/Vis senyawa X dalam air
λ (nm) A λ (nm) A
200 0,420 300 0,702
210 0,487 310 0,643
220 0,528 320 0,589
230 0,599 330 0,522
240 0,654 340 0,490
250 0,689 350 0,426
260 0,732 360 0,388
270 0,767 370 0,319
280 0,790 380 0,276
290 0,745 390 0,234
Persamaan polinomial kuadratiknya:
y =-4,034755861.10-5x2 + 0,02244347x - 2,240581651
Derivat pertamanya adalah:
dy/dx = 0, maka xopt = - b/2a
xopt = (- 0,02244347)/ 2.(- 4,034755861.10-5)
= 278,13 nm
Dengan Pendekatan 3 titik (Cara Newton):
xopt = x1 + Δx (yo-y2)/(2y0-4y1+2y2)
= 280 + 10(0,767-0,745)/(2.0,767-4.0,790 +2.0,75)
= 278,38 nm
Hanya ada perbedaan/selisih 0,25 nm, yang kemungkinan timbul
karena adanya pembulatan angka.
Contoh 2:
• Dalam percobaan analisis lipida (1 g/L dalam kloroform) menggunakan KLT
menggunakan lempeng silika komersial (Merck) ukuran 20 X 20 cm. Lempeng
akan dikembangkan dalam campuran kloroform-methanol. Bercak yang
terpisah akan diamati dengan lampu UV. Hitunglah ratio pelarut pengembang
yang memberikan pemisahan (Rs) yang optimum.
• Rancangan percobaan disusun sbb:
1. Pengembang 1 : Kloroform-methanol (97:3), Rs(0) = 0,56
2. Pengembang 2 : Kloroform-methanol (95:5), Rs(1) = 0,92 optimum?
3. Pengembang 3 : Kloroform-methanol (93:7), Rs(2) = 0,78
▪ Dengan menggunakan persamaan Newton saat optimum:
xopt = x1 + Δx (yo-y2)/(2y0-4y1+2y2)
= 5 + 2 (0,56 – 0,78)/(2.0,56 – 4.0,92 + 2.0,78)
= 5,44
Pelarut pengembang optimum : Kloroform-methanol (94,56 : 5,44)
OPTIMASI SIMPLEKS
• Simpleks merupakan gambaran geometri dengan (n + 1) sudut,
di mana n adalah jumlah faktor eksperimen yang berpengaruh
pada metode analisis yang sedang dioptimasi.
• Jika terdapat 1 faktor yang berpengaruh, maka gambar
geometriknya berupa garis lurus yang menghubungkan dua titik,
sedangkan jika ada 2 faktor maka gambarannya berupa segitiga,
dengan 3 titik sudut P1, P2 dan P3.
• Titik sudut tersebut dinamakan verteks.
• Sedangkan jika terdapat 3 faktor, maka gambaran simpleksnya
berupa tetrahedron dengan 4 bidang.
• Percobaan awal untuk optimasi dengan 2 factor dimulai dengan 3
perlakuan dengan kombinasi masing-masing factor.
Gambar Optimasi Simpleks 1 faktor
Respon
B
Faktor
Pengambaran geometrik simpleks
• Optimasi simpleks menggunakan strategi berundak (stepwise)
yang berarti experimen dilakukan menaik secara bertahap satu
demi satu, kecuali pada awal eksperimen dilakukan secara
paralel (n+ 1) perlakuan, di mana n adalah jumlah faktor yang
berpengaruh pada metode.
• Level atau aras faktor dapat ditentukan melalui percobaan
orientasi yang menggunakan OFAT.
• Koordinat setiap titik sudut menggambarkan kondisi operasional
percobaan.
• Dalam setiap percobaan selalu diukur tanggapan Y nya. Respon
Y yang jelek harus dibuang dan simpleks yang baru harus dibuat
lagi dan diukur responnya serta dibandingkan terhadap respon
yang lain.
Evaluasi Optimasi Simpleks
▪ Respon yang jelek dibuang lagi dan dibuat simpleks yang
baru dan diukur responnya dan seterusnya hingga diperoleh
simpleks yang optimal.
▪ Jumlah tahapan yang diperlukan untuk mencapai kondisi
optimum sangat tergantung pada simpleks awal dan
besaran perubahan faktor yang digunakan (step size).
▪ Nilai awal dan step size yang lebih besar akan
menguntungkan, karena kondisi optimum akan lebih cepat
tercapai.
▪ Sedangkan nilai awal dan step size yang kecil dapat
menyebabkan tahapan mencapai kondisi optimum menjadi
panjang.
Optimasi Simpleks Cara Deming
1. Tahap 1, Ternyata dari 3 percobaan awal, respon pada vertex 1 (P1)
memberikan hasil yang jelek, maka verteks 1 dibuang dan harus
dibuat lagi verteks yang baru (verteks 4, P4)
2. Tahap 2, Experimen dengan perlakuan 4 memberikan verteks 4. Dari
respon P 3,2 dan 4 ternyata respon 2 (P2) yang jelek dan harus
dibuang lalu dibuat verteks 5 dan diukur responnya.
3. Tahap 3, Dari percobaan 3,4 dan 5 ternyata respon 3 (P3) paling jelek
dan dibuang, lalu dibuat vertex 6 dan diukur responnya.
4. Tahap 4, Dari respon 4, 5 dan 6 ternyata respon 5 (P5) yang jelek
dibuang lalu dibuat verteks 7
5. Tahap 5, Dari respon4,6 dan 7 ternyata respon 4 (P4) yang paling
jelek harus dibuang lalu dibuat lagi verteks 8
6. Tahap 6, Dari respon 6,7 dan 8 ternyata respon 8 (P8) yang paling
baik dan merupakan kondisi yang optimum
Ilustrasi Optimisasi Simpleks Cara Deming
Cara perhitungan Optimasi Simpleks
▪ Pada optimisasi metode analisis kromatografi yang menggunakan
2 faktor yang berpengaruh yaitu Suhu kolom dan Laju alir fase
gerak.
▪ Berarti dibutuhkan percobaan awal dengan 3 perlakuan dengan
kombinasi kedua faktor ( 3 verteks).
▪ Ketiga verteks diukur responnya bisa berupa Rs (resolusi) , tR
(waktu retensi) atau AUC (luas puncak kromatogram).
▪ Respon yang baik diberikan oleh vertex B (Best) , sedangkan
respon yang paling jelek diberikan oleh vertex W ( Worse).
Vertex lain dinyatakan sebagai vertex N (Netral).
▪ Dari ketiga percobaan, respon verteks yang paling jelek vertex W
harus dibuang (tidak dipakai lagi dalam percobaan berikutnya)
dan harus digantikan dengan verteks baru (R).
▪ Jika step size masing- masing faktor selalu tetap selama
percobaan, maka algoritma ini dinamakan sebagai Fixed Size
Simplex Optimization.
1.Jumlahkan semua koordinat titik verteks (respon) yang
dipertahankan yaitu verteks B dan N, karena vertek W
dibuang, maka datanya tidak digunakan lagi dalam
perhitungan (berarti hanya ada data 2 hasil pengujian).
2.Hasil penjumlahan tersebut dibagi n (jumlah faktor). Ini
merupakan titik tengah M.
3.M merupakan titik tengah antara titik sudut B dan N.
Maka M = (B + N)/2 atau M = (B + N)/faktor
4.Selisih antara titik tengah M dengan titik sudut W adalah
d = (M – W)
5.Titik sudut baru verteks berikutnya adalah
R= M+d
R = M + (M - W)
R=2M–W
R = 2 [(B + N)/2] – W)
1. Secara matematis dapat dihitung : B R
B (x1b, x2b) M
N (x1n, x2n )
W (x1W, x2W)
W N
30 20 50 B+
Tinggi
Faktor B
Respon
10 10 B+ B-
Rendah B-
20 20 40
40 - 28 12
Tinggi
B-
Faktor B
Respon
B+
20 - 38
Rendah B-
30 B+
20 50
Aras P
Aras O Aras C (+) (-) Selisih
- - 9,9 4,7 5,2
+ - 5,3 2,7 2,6
- + 15,0 7,0 8,0
+ + 6,0 3,2 2,8
Jumlah selisih = 18,6
Pengaruh rata-rata jika aras P berubah:
= 18,6/4 = 4,65
Pengaruh C dan O
• Dengan cara perhitungan yang sama dapat diperoleh pengaruh rata-rata jika
C dan O berubah dari aras tinggi ke rendah.
Pengaruh rata-rata jika aras O berubah = -4,85
Pengaruh rata-rata jika aras C berubah = 2,15
• Pengaruh interaksi dua faktor dihitung dengan cara yang sama. Misalnya
pengaruh P dan C
Perubahan P dari tinggi ke rendah pada C aras rendah
(5,2 + 2,6)/2 = 3,9.
Perubahan P dari tinggi ke rendah pada C aras tinggi
(8,0 + 2,8)/2 = 5,4
Maka pengaruh interaksi PC = (5,4 -3,9)/2 = 0,75
• Pengaruh interaksi PO = -1,95
• Pengaruh interaksi CO = -1,55
Rangkuman Pengaruh Faktor
Faktor tunggal Pengaruh
P 4,65
C 2,15
O - 4,85
Interaksi dua faktor
PC 0,75
PO - 1,95
CO - 1,55
Interaksi 3 faktor
PCO - 0,65
Optimasi faktorial 32 pada KCKT Asam Humat
Model Matemattik Desain Factorial 32
Hubungan linear dengan adanya interaksi antar faktor:
Y = β0 + β1X1 + β2X2 + β3X3 + β1.2X1X2 + β1.3X1X3 + β2.3X2X3 + ε
dimana Y = respon (R)
X1 = faktor berpengaruh
ε = galat analisis (error of analysis)
β0 = 1/n ∑ Ri
β1 = 1/n ∑ X*iRi
β2 = 1/n ∑ X*2Ri
β3 = 1/n ∑ X*3Ri
β1.2 = 1/n ∑ X*iX*2Ri
β1.3 = 1/n ∑ X*iX*3Ri
β2.3 = 1/n ∑ X*2X*3Ri
Persamaan empirik desain factorial 3 faktor
• β0 = 10,36
• βA = - 0,1875
• βM = 0,9625
• βC = 0,0625
• βAM = 0,0625
• βAC = 0,0125
• βMC = 0,4125
• βAMC = 0,0125
Persamaan empiriknya:
• Y = 10,36 - 0,1875 A*+ 0,9625* M*+ 0,0625 C*
+ 0,0625 A*M*+0,0125 A*C*+0,4125 M*C*+0,0125 A*M*C*
RESPONSE SURFACE METHODOLOGY
▪ Metodologi Permukaan Respon (Response Surface
Methodology, RSM) merupakan teknik matematika dan
statistika yang digunakan untuk menyelesaikan masalah di
mana respon yang diamati dipengaruhi oleh beberapa
faktor, dan tujuan RSM adalah mencari aras faktor yang
memberikan respon optimum.
▪ Permukaan respon merupakan grafik kurva yang
menggambarkan hubungan antara permukaan respon
terhadap faktor-faktor yang berpengaruh
▪ Grafik tersebut dapat digambarkan sebagai
❖ Wireframe plot
❖ 2D level plot
❖ 2D contour plot
Grafik/gambaran kurva RSM
Permukaan respon jenis 3D
Permukaan Respon 3D
Permukaan Respon Jenis Countur
Model Matematik
▪ Hubungan antara respon dengan faktor independen
biasanya tidak diketahui.
▪ Oleh karena itu, perlu perkirakan hubungan menggunakan
model persamaan matematik.
▪ Langkah pertama, menetapkan hubungan yang sederhana
antara respon dengan semua faktor menggunakan first
order model berupa persamaan model linear.
▪ Setelah diuji kesesuaiannya dengan lack of fit test, maka
dikembangkan langkah kedua menggunakan persamaan
polinomial dengan second order model berupa persamaan
polinomial kuadratik.
a. Model Linear (first-order model)
• Persamaan matematik yang digunakan:
a. Hubungan linear tanpa ada interaksi antar faktor
Y = β0 + β1X1 + β2X2 +.....+βnXn + ε
b. Hubungan linear dengan adanya interaksi antara faktor:
Y = β0 + β1X1 + β2X2 +.....+β1.2X1X2 + ε
dimana Y = respon
β = Koefisien empirik
X = faktor berpengaruh
ε = galat analisis (error of analysis)
▪ Cara menghitung koefisen empirik:
β0 = 1/n ∑ Ri
β1 = 1/n ∑ X*iRi
β2 = 1/n ∑ X*2Ri
β1.2 = 1/n ∑ X*iX*2Ri
▪ Nilai X* diambil dari tanda simbol level faktor rendah adalah
(-), level tinggi (+) dan level tengah (0).
▪ Nilai Ri adalah respon instrumen yang dihasilkan dari
perlakuan percobaan (empiris).
b. Model polinomial kuadratik
▪ Disebut juga sebagai second-order respon surface
model.
▪ Persamaan umum polinomial kuadratik:
Y = β0 +∑βiX*i +∑βiX*i 2+∑∑ βiX*i X*j + ε
▪ Dari persamaan ini, dapat diperoleh nilai optimum masing-
masing faktor dengan cara menurunkan derivatif pertama
(dy/dx) = 0
▪ Nilai optimum dapat berupa:
▪ titik optimum respon, atau
▪ titik minimum respon atau
▪ titik sadel.
Model Matematik RSM 2 Faktor
Model Matematik RSM 32
Disain factorial 3 aras 2 faktor
Disain Faktorial 3 Faktor 3 Aras
Penetapan kondisi optimum
▪ Misalnya persamaan kuadratik diperoleh dari 2 faktor
yang berpengaruh:
Y = β0 + β1X1+ β2X2+ β11X12+ β22X22+ β12X1X2
▪ Maka dengan menurunkan derivat pertamanya dapat dihitung
nilai optimum masing-masing faktor X1 dan X2.
dy/dx = β1+2β11X1 +β12X2 = 0
dy/dx = β2 +2β22X2+β12X1 = 0
▪ Dengan dua persamaan tersebut, maka nilai optimum faktor
X1 dan X2 dapat dihitung.
Symetrical Second-Order Experimental Design