Pendahuluan: Inovasi Tak Lagi Opsional di Industri Farmasi
Industri farmasi dikenal sebagai bidang yang menuntut ketelitian ekstrem dan kualitas tak tergoyahkan. Namun di balik label "life-saving", sektor ini juga menghadapi tantangan besar—khususnya dalam konsistensi hasil produksi dan efisiensi biaya. Dalam tesis yang dilakukan oleh Bernardo Maria Fernandes Ferreira, diterapkan metode Six Sigma berbasis DMAIC dan analisis data multivariat (MVDA) guna meningkatkan hasil akhir (yield) dari produksi API generik Fluticasone Propionate (FP) di perusahaan farmasi Hovione, Portugal.
Latar Belakang Masalah
Proses produksi API Fluticasone Propionate di Hovione menunjukkan rata-rata yield 81,83% dalam periode Juli 2018 – Januari 2021, dengan fluktuasi sebesar 11%. Variasi ini berdampak langsung terhadap hilangnya minimal satu batch produk tiap tahun, setara dengan ratusan ribu euro kerugian dalam bentuk "missed opportunity".
Metodologi: Integrasi Six Sigma, DMAIC, dan MVDA
Proyek peningkatan ini menggunakan pendekatan:
- DMAIC (Define, Measure, Analyse, Improve, Control)
- MVDA (Multivariate Data Analysis)
- PLS (Partial Least Squares) dan PCA (Principal Component Analysis)
- SIMCA Software untuk eksplorasi data dan model prediktif
Langkahnya dimulai dari identifikasi masalah yield pada langkah akhir (FP), lalu ditelusuri variabel-variabel input dan proses dari batch historis untuk mengidentifikasi penyebab utama variabilitas tersebut.
Analisis Masalah (Define & Measure Phase)
Apa Masalahnya?
Variabilitas hasil pada langkah akhir (FP), dengan standar deviasi ±15,6%, menyebabkan kehilangan potensi pendapatan dan efisiensi produksi.
Seberapa Besar Masalahnya?
- Satu batch hilang per tahun
- Variasi yield memuncak hingga 30% antar batch
- Grafik regresi menunjukkan korelasi kuat antara variabel waktu proses dan hasil akhir (R² hingga 0,99 untuk model kuadratik)
Analisis Data (Analyse Phase)
1. Dampak Impuritas H dan G
- Impuritas H & G di intermediate 4 berkorelasi negatif signifikan terhadap yield FP
- Model PLS menunjukkan impuritas ini sebagai predictor dominan dari kegagalan yield
2. Variabel Proses Kritis
Analisis proses kristalisasi pada tahap FP memperlihatkan bahwa:
- Kecepatan penambahan antisolven, suhu akhir pendinginan, dan waktu agitasi memiliki kontribusi tertinggi terhadap variabilitas hasil
- Model statistik menunjukkan bahwa cooling dan antisolvent addition step adalah tahapan paling sensitif
3. Model Alternatif: Uji dengan "Assay"
Ketika variabel "yield" diganti dengan kemurnian (assay) sebagai respons:
- Hasil model tetap konsisten
- Validasi ini memperkuat temuan bahwa variabel proses memiliki pengaruh langsung terhadap baik yield maupun kualitas
Peningkatan Proses (Improve Phase)
Identifikasi Aksi Peningkatan
Dengan pendekatan matrix Impact vs Effort, tindakan berikut diprioritaskan:
- Pengaturan ulang durasi pendinginan dan kecepatan agitasi
- Penyesuaian prosedur degassing dan penambahan garam
- Penyesuaian waktu antisolven dengan toleransi batch
Contoh Hasil Nyata:
- Durasi pendinginan yang disesuaikan mampu meningkatkan yield hingga +7%
- Optimasi waktu penambahan antisolven menghasilkan peningkatan stabilitas antar batch
Kontrol dan Pelestarian Perbaikan
Flowchart & Dashboard
- Lembar kontrol interaktif dibuat menggunakan Excel dan integrasi dengan data historis
- Flowchart SOP diperbarui berdasarkan model MVDA dan hasil statistik
Control Chart
- Penerapan grafik kendali Hotelling’s T² memastikan bahwa setiap batch berada dalam rentang kontrol statistik
Hasil Utama
- Model MVDA mampu memetakan 80% variabilitas yield
- Pengurangan impuritas input memberikan kontribusi terbesar
- Aksi peningkatan memberikan proyeksi peningkatan yield >5% per batch
- Six Sigma terbukti relevan untuk industri batch farmasi—bukan hanya manufaktur elektronik
Implikasi Industri
Penelitian ini memberikan template konkret bagi CDMO (Contract Development & Manufacturing Organizations) untuk:
- Meningkatkan yield dan efisiensi tanpa mengorbankan kualitas
- Menerapkan Quality by Design (QbD) berbasis data
- Memanfaatkan MVDA untuk prediksi berbasis input, bukan sekadar inspeksi output
Opini & Rekomendasi
Kelebihan pendekatan ini:
- Berbasis data nyata, bukan asumsi
- Memungkinkan simulasi sebelum perubahan proses
- Mempercepat pengambilan keputusan manajerial
Kekurangan:
- Memerlukan pelatihan staf dalam penggunaan software statistik
- Bergantung pada ketersediaan data historis lengkap
Saran Implementasi Lanjutan:
- Terapkan real-time data collection agar MVDA bisa dilakukan secara prediktif
- Gunakan model batch evolution untuk proses jangka panjang
- Kembangkan dashboard berbasis cloud agar dapat dipantau lintas site
Kesimpulan
Proyek ini membuktikan bahwa Six Sigma bukan sekadar jargon statistik, melainkan alat transformasi nyata ketika dikombinasikan dengan analisis data modern. Hasilnya bukan hanya peningkatan yield, tetapi juga pemahaman yang lebih mendalam terhadap seluruh proses produksi API. Di tengah tuntutan efisiensi dan regulasi ketat industri farmasi, inisiatif seperti ini akan menentukan siapa yang bertahan dan siapa yang tertinggal.
Sumber : Ferreira, B. M. F. API Production Process Improvement Project: A Six Sigma Approach. Master’s Thesis, Instituto Superior Técnico, Universidade de Lisboa, 2021.