Bagaimana Design of Experiments [DoE] Mengurangi Trial and Error dalam Formulasi?

Mengembangkan formula tidak harus berarti mencoba kombinasi bahan satu per satu. Design of Experiments [DoE] membantu peneliti merancang percobaan secara sistematis, sehingga pengaruh beberapa variabel dan interaksinya dapat dipahami dengan jumlah eksperimen yang lebih efisien.

Bayangkan sebuah tim R&D sedang mengembangkan krim. Mereka harus menentukan konsentrasi emulsifier, jumlah pengental, rasio fase minyak, kecepatan homogenisasi, suhu proses, hingga waktu pengadukan. Masing-masing variabel dapat memengaruhi viskositas, tekstur, stabilitas, dan karakter sensorik produk.

Jika setiap faktor diubah satu per satu, jumlah eksperimen dapat berkembang dengan cepat. Ketika hasilnya berubah, peneliti juga belum tentu mengetahui apakah penyebabnya berasal dari satu faktor tertentu atau interaksi beberapa faktor sekaligus.

Pendekatan seperti ini dikenal sebagai One Factor at a Time [OFAT]. Metode tersebut masih dapat berguna untuk eksperimen tertentu, tetapi memiliki keterbatasan ketika digunakan untuk memahami sistem formulasi yang kompleks.

Design of Experiments [DoE] menawarkan pendekatan yang berbeda. Alih-alih mencoba kemungkinan secara berurutan berdasarkan intuisi, peneliti merancang kombinasi eksperimen secara statistik sejak awal. Tujuannya bukan sekadar menemukan formula yang berhasil, tetapi memahami mengapa formula tersebut berhasil.

Baca Juga: Bagaimana Quality by Design [QbD] Mulai Mengubah Cara Formula Kosmetik Dikembangkan?

DoE Membantu Melihat Interaksi yang Sering Terlewat

Salah satu keunggulan terbesar DoE adalah kemampuannya mempelajari beberapa faktor secara bersamaan.

Misalnya, sebuah laboratorium ingin mengetahui pengaruh konsentrasi emulsifier, kecepatan homogenisasi, dan suhu proses terhadap viskositas suatu krim. Dengan pendekatan konvensional, peneliti mungkin mengubah konsentrasi emulsifier terlebih dahulu sambil mempertahankan variabel lainnya, kemudian berpindah ke kecepatan homogenisasi, lalu suhu.

Masalahnya, formula kosmetik jarang bekerja melalui hubungan yang benar-benar terpisah seperti itu.

Konsentrasi emulsifier tertentu mungkin memberikan hasil yang baik pada satu kecepatan homogenisasi, tetapi menghasilkan karakter berbeda ketika kecepatan tersebut dinaikkan. Suhu proses juga dapat mengubah bagaimana kombinasi kedua faktor tadi memengaruhi struktur emulsi.

Hubungan semacam ini disebut interaction effect. DoE dirancang untuk membantu peneliti mendeteksi interaksi tersebut.

Peneliti terlebih dahulu menentukan factors, yaitu variabel yang ingin dipelajari. Setiap faktor kemudian memiliki beberapa levels, misalnya konsentrasi emulsifier 3, 4, dan 5 persen atau suhu proses pada beberapa kondisi tertentu.

Selanjutnya ditentukan responses, yaitu hasil yang ingin diamati. Dalam formulasi kosmetik, respons tersebut dapat berupa pH, viskositas, ukuran droplet, daya sebar, stabilitas, atau parameter lain yang relevan terhadap target produk.

Perangkat statistik kemudian membantu menyusun kombinasi eksperimen yang memberikan informasi sebanyak mungkin mengenai hubungan faktor dan respons. Bergantung kepada tujuan penelitian, rancangan yang digunakan dapat berupa factorial design, fractional factorial design, response surface methodology, atau desain eksperimental lainnya.

Hasilnya kemudian dianalisis secara statistik untuk melihat faktor mana yang paling berpengaruh, apakah terdapat interaksi antarfaktor, dan bagaimana perubahan variabel memengaruhi karakteristik produk.

Dengan demikian, DoE bukan sekadar cara untuk mengurangi jumlah percobaan. Nilai terbesarnya justru terletak pada peningkatan kualitas informasi yang diperoleh dari percobaan tersebut.

Baca Juga: Mengapa Data Kegagalan Formula Sama Pentingnya dengan Data Keberhasilan?

Dari Mencari Formula yang Berhasil Menuju Memahami Formula

DoE menjadi semakin relevan ketika industri mulai mengadopsi pendekatan Quality by Design [QbD]. Dalam QbD, kualitas produk dirancang sejak tahap pengembangan dengan memahami hubungan antara karakteristik bahan, parameter proses, dan atribut mutu produk.

Jika QbD memberikan kerangka berpikirnya, DoE dapat menjadi salah satu alat untuk menghasilkan data yang dibutuhkan.

Sebagai contoh, tim R&D telah menentukan bahwa viskositas, homogenitas, dan ukuran droplet merupakan beberapa Critical Quality Attributes [CQA] dari produk yang sedang dikembangkan. Mereka kemudian menduga konsentrasi emulsifier, kecepatan homogenisasi, dan suhu sebagai faktor yang berpotensi memengaruhi atribut tersebut.

DoE dapat digunakan untuk menguji dugaan itu secara sistematis.

Dari hasil eksperimen, peneliti mungkin menemukan bahwa konsentrasi emulsifier memang sangat memengaruhi viskositas. Namun, data juga dapat menunjukkan bahwa efeknya berubah ketika dikombinasikan dengan kecepatan homogenisasi tertentu. Informasi kedua inilah yang sulit diperoleh jika penelitian hanya mengubah satu faktor setiap kali melakukan percobaan.

DoE juga dapat membantu proses optimasi. Setelah hubungan antarvariabel dipahami, model statistik dapat digunakan untuk mencari kombinasi kondisi yang paling mendekati target produk. Peneliti kemudian melakukan eksperimen konfirmasi untuk memastikan bahwa prediksi tersebut benar-benar dapat direproduksi di laboratorium.

Pendekatan ini tidak berarti komputer dapat menciptakan formula tanpa eksperimen fisik. DoE tetap membutuhkan pemilihan faktor yang masuk akal, rentang eksperimen yang relevan, metode pengukuran yang valid, serta interpretasi dari peneliti yang memahami sistem formulasi.

Data yang buruk juga tidak akan berubah menjadi pengetahuan yang baik hanya karena dianalisis dengan metode statistik. Jika rentang faktor dipilih secara keliru atau respons yang diukur tidak relevan, model yang dihasilkan juga dapat menyesatkan.

Karena itu, pengalaman formulator tetap memiliki peran besar. Pengetahuan mengenai karakteristik bahan, mekanisme emulsifikasi, reologi, stabilitas, serta proses manufaktur diperlukan untuk menentukan pertanyaan yang tepat sebelum DoE dilakukan.

Bagi industri kosmetik, perubahan terpenting yang dibawa DoE sebenarnya terletak pada cara melakukan riset. Laboratorium tidak lagi hanya mengumpulkan deretan prototipe dan memilih satu yang terlihat paling baik. Data dari setiap eksperimen digunakan untuk membangun pemahaman mengenai hubungan sebab-akibat di dalam formula.

Pendekatan tersebut juga dapat mengurangi eksperimen yang tidak memberikan informasi baru. Waktu laboratorium, bahan baku, penggunaan instrumen, serta tenaga peneliti dapat diarahkan pada percobaan yang memang dirancang untuk menjawab pertanyaan tertentu.

Formula yang ditemukan melalui DoE pun bukan sekadar formula yang kebetulan berhasil pada satu percobaan. Peneliti memiliki gambaran lebih jelas mengenai faktor apa yang membuatnya bekerja, variabel mana yang paling sensitif, dan seberapa jauh perubahan dapat dilakukan sebelum kualitas produk mulai bergeser.

Itulah mengapa DoE mulai menjadi pendekatan yang menarik dalam pengembangan formula modern. Tujuannya bukan menghilangkan trial and error sepenuhnya, karena eksperimen tetap menjadi jantung penelitian. DoE mengubah percobaan dari rangkaian tebakan yang berulang menjadi proses belajar yang dirancang secara sistematis, sehingga setiap eksperimen memberikan informasi yang lebih berarti bagi formula berikutnya. [][Tim Labcos/LC]

Penulisan artikel ini dibantu AI dan telah melewati proses kurasi Redaksi.