IMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION

(1)

IMPLEMENTASI PREDIKSI KEDALAMAN LAUT BERDASARKAN CITRA SATELIT MENGGUNAKAN SUPPORT VECTOR REGRESSION

Putri Haryati Rizki,S.Kom.1_{, Jondri, Drs.,Msi.}2_{, Rian Febrian Umbara, Ssi.,Msi.}3 1,3_{Prodi Ilmu Komputasi Telkom University, Bandung}

2_{Prodi Teknik Informatika Telkom University, Bandung}

1_{tifaniintan@gmail,}2_{[email protected],}

Abstrak

Penginderaan jauh adalah sebuah metode untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan menganalisis data yang diperoleh tanpa kontak langsung terhadap obyek, daerah, atau gejala yang dikaji. Bathymetry merupakan salah satu bagian dari penginderaan jauh, yaitu ilmu yang mempelajari kedalaman dibawah air atau disebut juga topografi dasar laut. Dalam penelitian ini, akan dilakukan sebuah implementasi prediksi kedalaman laut menggunakan menggunakan Support Vector Regression.

Untuk mendapatkan model prediksi, pertama dilakukan pemrosesan awal citra satelit dan data kedalaman dengan menggunakan aplikasi sistem informasi geografis, yaitu ArcGIS. Dari proses tersebut akan dihasilkan data komponen warna Red, Green, dan Blue beserta data kedalaman pada tiap pikselnya yang akan berguna untuk proses selanjutnya. Proses berikutnya adalah melakukan learning dengan metode Support Vector Regression (SVR) dengan fungsi kernel gaussian radial basis function (RBF). Hasil prediksi yang dihasilkan dari metode ini sudah cukup baik, dibuktikan dari presentase MAPE sebesar 0,176067252 dengan nilai C = 50, ɛ = 0,0001, serta kernel = 5. Kata kunci: penginderaan jauh, bathymetry, support vecctor regression, kernel, mean absolute precentage error.

1. Pendahuluan

Bathymetry adalah ilmu yang mempelajari kedalaman dibawah air atau disebut juga topografi dasar laut. Pentingnya melakukan bathymetry adalah untuk mengetahui kedalaman suatu laut yang dapat bermanfaat untuk berbagai hal, contohnya untuk penentuan jalur pelayaran yang aman, untuk inventarisasi sumber daya laut, pembangunan jalur kereta bawah laut, studi geologi laut dan geofisika. Saat ini ada 2 teknik yang sering digunakan untuk mengukur kedalaman laut, yaitu dengan dradloading (metode mengukur menggunakan tali) dan echosounder (Menggunakan radar). Tentunya dengan teknik dradloading untuk saat ini sudah dianggap kuno untuk diaplikasikan. Sedangkan dengan teknik echo sounder walaupun bisa mendapatkan hasil yang tepat dan akurat, tapi teknik ini hanya bisa melakukan satu pengukuran dalam satu waktu, sehingga membutuhkan waktu yang lama untuk pengukuran serta membutuhkan biaya yang mahal.

Berangkat dari ide suatu peta yang pasti mempunyai serangkaian warna tertentu yang dapat mendiskripsikan keadaan relief digambar tersebut, maka dari itu muncul ide bagaimana caranya agar seseorang tidak perlu terjun langsung ke lapangan untuk melakukan pengukuran dan hanya perlu melihat gambar saja untuk mengetahui kedalaman laut yang diinginkan, maka terpikirkanlah salah satu bidang dari penginderaan jarak jauh, yaitu bathymetry dengan melihat perbedaan warna yang ada pada peta. Jika, semakin dalam laut maka warnanya akan semakin pekat begitu pula sebaliknya, semakin dangkal laut maka warnanya akan semakin cerah. Untuk gambarnya sendiri nantinya akan diambil dari citra satelit yang sudah ada.

Support Vector Regression (SVR) merupakan salah satu penerapan Support Vector Machine (SVM) untuk kasus regresi dan outputnya berupa bilangan riil atau kontinue. SVM sendiri adalah salah satu metode pembelajaran dengan menggunakan algoritma yang mencoba menemukan pemisah linear (hyperplane) antara titik data dari dua kelas dalam ruang multidimensi. Salah satu keunggulan SVR adalah kemampuannya mengatasi overfitting, sehingga mendapatkan suatu fungsi dengan tingkat kesalahan paling kecil dan menghasilkan suatu prediksi yang bagus. Karena kelebihannya itulah sehingga penulis memakai metode SVR dalam membuat sistem bathymetry.

Karena pentingnya mengetahui kedalam suatu laut, maka seiring berkembangnya teknologi sudah banyak yang meneliti bathymetry dengan berbagai metode yang dipakai, contohnya ialah Özçelik

(2)

Batimetri Perairan Dangkal Menggunakan Citra Quick Bird Diperairan Taman Nasional Karimun Jawa, Kabupaten Jepara, Jawa Tengah.

1.2 Perumusan Masalah

Rumusan masalah dalam pengerjaan penelitian ini adalah sebagai berikut 1. Bagaimana mengimplementasikan bathymetry menggunakan metode SVR . 2. Berapakah tingkat akurasi bathymetry menggunakan metode SVR.

1.3 Batasan Masalah

Batasan masalah pada penelitian ini meliputi : 1 Citra masukan yang akan diolah berformat file .jpg

2 Citra satelit diambil pada saat cuaca cerah dan matahari masih bersinar terang 3 Citra diambil saat kondisi air laut dalam keadaan tenang.

4 Sistem yang dibangun bersifat offline. 1.4 Tujuan Penelitian

Tujuan penulisan Penelitian ini adalah sebagai berikut : 1. Dapat mengimplementasikan bathymetry menggunakan SVR. 2. Menguji tingkat akurasi bathymetry dengan metode SVR. 2. Landasan Teori

2.1 BATHYMETRY

Bathymetry (BM) adalah ilmu yang mempelajari kedalaman dibawah air atau disebut juga topografi dasar laut. Secara etimologi, BM berasal dari bahasa yunani βαθυσ (bathus) yang berarti kedalaman, dan μετρον (metron) yang berarti ukuran. BM merupakan dasar dari hydograpgy yang mempelajari karakteristik dan dinamika lautan, meliputi : bentuk dan karakteristik garis pantai, pasang surut, arus, ombak dan topologi dasar laut.

2.2 Support Vector Regression

Support Vector Regression (SVR) adalah salah satu teknik untuk melakukan prediksi dalam kasus regresi yang dicetuskan oleh vapnik pada tahun 1997. SVR merupakan salah satu contoh dari supervised learning. Untuk model yang dihasilkan akan didapatkan persamaan :

𝑤 𝑤⃗⃗⃗⃗⃗ 𝑏 (2.1)

Dimana w adalah margin, b untuk bias, dan φ(x) merupakan fungsi basis. Untuk fungsi basis ini mempunyai 2 fungsi pendekatan alternatif dalam menentukan fungsinya, yaitu pendekatan parametrik tidak linier dan pendekatan nonparametrik. Dalam TA ini, penulis menggunakan pendekatan nonparametrik yaitu fungsi kernel.

Koefisien w dan b diestimasi dengan cara meminimalkan fungsi resiko.

𝑤⃗⃗⃗⃗⃗ 𝑤⃗⃗ (2.2)

Dengan konstrain

𝑤⃗⃗⃗⃗⃗ ⃗⃗⃗ 𝑏 (2.3) (𝑤⃗⃗⃗⃗⃗ ⃗⃗⃗ 𝑏) (2.4)

Dengan meminimalkan fungsi resiko akan membuat fungsi menjadi setipis mungkin, selain itu juga memperhitungkan kesalahan empirik yang diukur dari besarnya ɛ-insensitive loss function.

𝑤⃗⃗⃗⃗⃗ 𝑤⃗⃗ ∑ (2.5)

Dengan konstrain

(𝑤⃗⃗⃗⃗⃗ ⃗⃗⃗ 𝑏) (2.6) (𝑤⃗⃗⃗⃗⃗ ⃗⃗⃗ 𝑏) (2.7)

Kemudian dari masalah minimasi tersebut menjadi masalah quadratic programming , yaitu meminimumkan suatu fungsi kuadrat dengan syarat pertidaksamaan linier. Untuk menyelesaikan masalah tersebut, adalah dengan optimisasi menggunakan perkalian Lagrange Multiplier αi ≥ 0, αi ≥ 0, ηi ≥ 0, ηi ≥ 0 dengan satu pengali lagrange untuk setiap kendala, sehingga rumusnya sebagai berikut :

(3)

𝑤 ⃗⃗⃗⃗⃗ 𝑤⃗⃗ ∑ ∑ ∑ 𝑤⃗⃗⃗⃗⃗ ⃗⃗⃗ 𝑏 ∑ 𝑤⃗⃗⃗⃗⃗ ⃗⃗⃗ 𝑏

Sehingga didapatkan hasil :

∑ ∑ ⃗⃗⃗ ( ⃗⃗⃗ ) ∑ ∑

Untuk fungsi kernelnya sendiri, penulis menggunakan kernel Gaussian Radial Basis Function : ( ‖ ⃗ ⃗⃗⃗ ‖

) (2.10)

2.3 Akurasi Sistem

Adapun akurasi sistem yang akan digunakan yaitu Mean Absolute Precentage Error (MAPE), yaitu : ∑ | | (2.11)

Keterangan :

Ai = nilai aktual pada data ke-i Fi = nilai ramalan pada data ke-i n = banyaknya data.

3. Perancangan Sistem 3.1 Perancangan Sistem SVR

Pada penelitian ini akan dibangun suatu program yang dapat digunakan untuk memprediksikan kedalaman laut dengan menggunakan metode Support Vector Regression (SVR). Secara umum, program ini memiliki 5 fase tahapan utama yang harus dilakukan dalam pengerjaan. Berikut diagram sistemnya:

Preprocessing SVR Pengujian hasil SVR Citra Latih Kedalaman Laut

Gambar 1. : Diagram Alir Sistem Bathymetry Menggunakan SVR 3.2 Data

Data yang akan digunakan untuk membangun sistem ini terdiri dari dua data, yaitu data citra satelit dan data kedalaman berekstensi .xyz dari pulau Oahu. Untuk file berekstensi.xyz ini mengandung sejumlah data berupa posisi koordinat dan kedalaman , dimana x mewakili koordinat bujur, y mewakilkan koordinat lintang, dan z mewakili kedalaman laut pada masing – masing titik. Kemudian dicari sebuah citra yang memiliki area koordinat yang sama pada data kedalaman melalui aplikasi google earth. Agar citra satelit tersebut dapat menghasilkan data RGB, maka citra satelit ini nantinya akan dilakukan tahap preprocessing. Berikut citra yang akan digunakan dalam penelitian ini :

(2.8)

(4)

Gambar 2 : Citra Satelit Laut Pulau Oahu

3.3 Preprocessing

Dalam tahap preprocessing ini akan menggunakan aplikasi ArcGis. Untuk proses pertama yang akan dilakukan adalah memberi nilai koordinat pada citra dengan cara menempatkan beberapa titik koordinat acuan sebagai batasnya, sehingga akan diperoleh citra dengan informasi koordinat disetiap titiknya. Lalu dengan aplikasi ini, data tersebut diplotkan terhadap citra dengan mencocokkan koordinat citra dengan koordinat data kedalaman. Selanjutnya dilakukan proses dengan memotong bagian yang diperlukan (crropping).

Kemudian citra tersebut dilakukan ekstraksi citra sehingga didapatkan informasi RGB ditiap pikselnya. Dilanjut dengan menggabungkan data kedalaman, sehinggaa diperoleh sebuah tabel data berisi Dan untuk proses yang terakhir adalah penggabungan antara citra satelit dan data kedalaman berdasarkan titik koordinatnya. Dari proses ini akan dihasilkan sebuah data yang berisi komponen red, blue, green, garis bujur, garis lintang, kedalaman laut, serta distance.

Georeference Cropping Ekstraksi citra

Join Tabel Citra Data Kedalaman Data RGB + kedalaman

Gambar 3 : Diagram Alir Sistem Preprocessing 3.4 Pembelajaran

Pertama yang harus dilakukan adalah dengan menngeset nilai error ɛ, konstanta C, dan nilai parameter kernel. Setelah mengeset parameter yang diperlukan, langkah selanjutnya mulai menghitung nilai f dan h.

𝑤 𝑏 (2.12)

Agar memudahkan perhitungan pada proses selanjutnya, maka hasil yang sudah didapatkan akan dimasukkan kedalam sebuah matriks. Kemudian dengan melihat hasil perhitungan margin h akan diketahui data tersebut berada pada error set, remaining set, dan support set dengan konstrain untuk masing-masing set : 1. Support Set ∈ [ ] ∈ [ ] (2.13) 2. Error Set ∈ ∈ (2.14)

(5)

3. Remaining Set

(2.15)

Jika suatu data baru berada pada error set, maka akan dilakukan pergeseran titik sampai mencapai wilayah support atau remaining set dengan usaha agar titik – titik yang lainnya juga tidak berpindah set. Dan jika data berada di support atau remaining set, tidak diperlukan pergeseran titik. Setelah semua titik memenuhi kondisi KKT maka jika masih ada data baru akan dilakukan proses learning kembali. Namun jika data latih sudah selesai diproses semua maka akan didapatkan suatu model prediksi. Berikut lima kondisi KKT : (2.16) ∈ [ ] (2.17) ∈ [ ] (2.18) ∈ [ ] (2.19) (2.20) 4. Analisis

Pada tahap ini akan dilakukan serangkaian pengujian parameter yang berpengaruh dalam memprediksikan kedalaman laut dengan metode SVR. Melalui tahap preprocessing sebelumnya telah dihasilkan matriks dengan jumlah data sebanyak 897465. Karena akan membutuhkan waktu yang sangat lama untuk memproses data sebanyak itu, maka data akan diseleksi lagi dan hanya akan ada data berjumlah 883 data. Hal tersebut diseleksi berdasarkan pada distance dengan nilai maksimal sebesar 0.0000005. Distance sendiri merupakan jarak terkecil antara titik koordinat pada citra dan titik koordinat pada data kedalaman.

Dari data tersebut, akan dibagi kembali menjadi data latih dan data uji dengan presentase 70% untuk data latih, dan 30% untuk data uji.

4.1 Preprocessing

Untuk proses pertama akan dilakukan plot kedalaman terhadap citra berdasarkan koordinat bujur dan lintang. Setelah proses tersebut selesai, kemudian kedua data tersebut digabungkan sehingga terbentuk sebuah tabel. Kemudian untuk mendapatkan data yang valid, data diseleksi berdasarkan nilai distance minimal 0,0000005, sehingga didapatkan tabel dengan jumlah 883 :

Tabel 1 : Data hasil preprocessing

Berdasarkan tabel 1 grid_code mewakili komponen warna Red, grid_cod_1 mewakili komponen warna Green, grid_cod_2¬ mewakili komponen warna Blue, serta F_50_71 yang menyatakan kedalaman laut dalam bentuk negatif.

grid_code grid_cod_1 grid_cod_2 F_50_71

28

32

44 -18,1000

22

26

35 -21,9800

23

38

59 -17,3400

28

44

60 -15,1300

24

31

37 -21,6500

27

43

59 -14,4700

45

89

88 -4,0400

28

60

59 -7,3600

30

44

53 -9,7400

(6)

4.2 Hasil Pengujian Sistem dan Analisis

Untuk melihat pengaruh sebuah parameter terhadap hasil yang didapatkan maka akan dilakukan uji coba terhadap ketiga parameter

4.2.1 Analisis Pengaruh Konstanta C

Dapat dilihat dari gambar 4 perbandingan grafik perubahan nilai C. Karena dalam MAPE kita mencari presesntaase terkecil, maka skenario ke – 5 dengan nilai C 60 mendapatkan hasil MAPE yang paling bagus jika dibandingkan dengan skenario yang lainnya. Skenario ke – 5 mampu menghasilkan nilai MAPE sebesar 0.3051. Grafik tersebut diuji dengan kombinasi nilai ɛ = 0.0001 dan parameter kernel 20.

Gambar 4 : Grafik perubahan parameter C 4.2.2 Analisis Pengaruh Nilai Error (ɛ)

Gambar 5 : Grafik perubahan nilai error

Nilai error menunjukkan toleransi yang diperbolehkan oleh suatu fungsi. Jika selisih hasil prediksi dengan data aktual kurang dari nilai error maka prediksi tersebut dinyatakan valid. Berdasarkan gambar 18, dapat dilihat pada rentang nilai 0,1 – 0,0001 jika error semakin kecil maka nilai MAPE nya semakin naik. Pada skenario ke – 2 dihasilkan mape yang paling bagus, yaitu 0,2681. Grafik tersebut tersebut diuji dengan kombinasi nilai C= 60

dan parameter kernel 20.

4.2.2 Analisis Pengaruh Parameter Kernel

Pada gambar 6 menyatakan grafik nilai MAPE terhadap perubahan nilai parameter kernel. Skenario pertama dengan nilai parameter 55 mempunyai nilai MAPE yang paling bagus, yaitu 0.1761. Perubahan nilai kernel memberi perubahan pada nilai MAPE,semakin kecil nilai kernel akan berdampak pada semakin kecilnya nilai MAPE yang bisa diartikan juga semakin akurat data yang dihasilkan. Grafik tersebut tersebut diuji dengan kombinasi nilai C= 50 dan nilai ɛ = 0.0001.

(7)

Gambar 6 : Grafik perubahan parameter kernel 4.3 Kinerja Sistem

Ada 3 parameter yang mempengaruhi keberhasilan suatu sistem terhadap data uji. Berdasarkan percobaan yang telah penulis lakukan dengan mengubah ketiga parameter C, ɛ, dan kernel pada nilai yang bervariasi, akhirnya didapatkan nilai MAPE yang paling bagus sebesar 0,176067252 dengan nilai C = 50, ɛ = 0,0001, serta kernel = 5. Berikut gambar grafik hasil skenario terbaik yang berhasil penulis dapatkan.

Gambar 7 : Grafik skenario terbaik

Pada gambar tersebut dapat dilihat bahwa hasil antara data aktual dan data uji memiliki selisih yang tidak jauh berbeda, walaupun ada beberapa titik yang memiliki selisih sebesar 6,507555 meter

5.1 Kesimpulan

Berdasarkan hasil analisis yang dibahas dalam bab 4, maka dapat disimpulkan bahwa :

1. Dalam proses bathymetry menggunakan SVR, data kedalaman dan citra satelit terlebih dahulu diproses menggunakan ArcGIS sehingga akan didapatkan sebuah tabel yang berisi komponen warna red, green,blue dan kedalaman laut.

2. Dari data yang telah kita dapatkan, akan diproses menggunakan SVR dengan parameter terbaik yang telah penulis coba sebesar C = 50, ɛ = 0,0001, serta kernel = 5.

3. SVR dapat memodelkan prediksi kedalaman laut dengan sangat baik. Hal ini dibuktikan dengan tingkat mape sebesar 0,176067252, dengan nilai selisih paling besar antar data aktual dengan hasil prediksi sebesar 6,50756.

DAFTAR PUSTAKA

[1] Santosa, Budi.”Tutorial Support Vector Machine”. Dosen Teknik Industri Institut Teknologi Surabaya. Surabaya : ITS

[2] Smola, Alex J dan Scholkopf,Bernhard.2004. ”A Turtorial on Support Vector Regression”. Statistics and Computing.14:192-222

[3] Kusumanto,RD dan Tompunu, Alan Novi.2011.”Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB”. Seminar Nasional Teknologi Informasi &

0,0000 5,0000 10,0000 15,0000 20,0000 1 ₇₀ 139 208

K

eda

la

ma

n

Data ke -

Data Aktual Hasil Prediksi

(8)

citra%20digital.pdf diakses pada (13-6-2014) pukul 03.58

[5] Martin,Mario.”On-line Supprot Vector Machine Regression” . Software Department Universitat Politecnica de Catalunya. Barcelona : Spain

[6] Parrella, Francesco.2007.”Online Support Vector Regression”.Italy : Thesis Department of Information Science University of Genoa.

[7] http://catatanpeneliti.wordpress.com/2013/06/04/empat-tipe-dasar-citra-digital/ diakses pada

(04-07-2014) pukul 20.00

[8] http://shofwanalifauji.blogspot.com/2012/03/citra-digital-dan-citra-analog.html diakses pada

(05-07-2014) pukul 20.15

[9] http://ilmukelautan.com/publikasi/oseanografi/fisika-oseanografi/404-penentuan-batimetri diakses

pada (05-07-2014) pukul 21.50

[10] http://husenudinn.blogspot.com/2014/03/pengertian-laut.html diakses pada (05-07-2014) pukul 22.15

[11] http://lib.geo.ugm.ac.id/ojs/index.php/jbi/article/viewFile/173/170 diakses pada (16-06-2014) pukul 02.33

[12] Ceyhun, Ozcelik., Arisoy, Yalcin.2010. ”Remote Sensing of Water Depths in Shallow Waters via Artificial Neural Networks”.Estuarine,Coastal and Shelf Science.89(2010):89-96

(9)

Lampiran-Lampiran Tabel Selisih Hasil Prediksi Kedalaman Laut

Koordinat Bujur Koordinat Lintang Data Aktual Hasil Prediksi Selisih -158,06556453200 21,29119792300 -10,7700 -10,43575619 0,3342 -158,04865786100 21,29119801100 -11,9500 -9,815277302 2,1347 -158,04334203700 21,29119794000 -8,7700 -6,800332832 1,9697 -158,05380920400 21,29122495400 -9,2900 -7,660227644 1,6298 -158,04761661900 21,29122512100 -9,9000 -8,261590392 1,6384 -158,03758834600 21,29125238200 -11,1100 -13,07203343 1,9620 -158,06685184500 21,29136195200 -8,4900 -7,97465356 0,5153 -158,05496040700 21,29133511500 -8,6200 -8,486546394 0,1335 -158,03731421500 21,29136250800 -10,7400 -13,82057187 3,0806 -158,04249237500 21,29138953900 -9,7800 -7,850200857 1,9298 -158,04906913700 21,29141669400 -11,5800 -9,567214715 2,0128 -158,04394511000 21,29141665800 -8,8200 -7,763697391 1,0563 -158,04372554600 21,29141672000 -8,7700 -5,573778637 3,1962 -158,03936906300 21,29141669400 -10,7600 -17,26755512 6,5076 -158,04547969000 21,29152625500 -8,1100 -7,380887745 0,7291 -158,05082262300 21,29158112000 -10,0600 -9,229126698 0,8309 -158,05471348900 21,29155370100 -7,7600 -7,179533349 0,5805 -158,03747808300 21,29158117300 -10,5900 -10,99731926 0,4073 -158,06216663700 21,29163641700 -8,6200 -10,17894569 1,5589 -158,04172545200 21,29163568500 -8,4900 -4,703686044 3,7863 -158,04484967800 21,29166339500 -8,5800 -7,763697391 0,8163 -158,03917733200 21,29166344800 -10,0000 -7,858948221 2,1411 -158,04887735000 21,29171818900 -11,5700 -7,858948221 3,7111 -158,05405589700 21,29169113200 -9,0700 -8,063097908 1,0069 -158,04090393500 21,29169124700 -9,1800 -11,36742636 2,1874 -158,03723213400 21,29174578500 -10,7000 -11,55739063 0,8574 -158,06482469900 21,29177352200 -8,6900 -10,93870133 2,2487 -158,04312316900 21,29177314200 -8,3200 -9,2501 0,9301 -158,04030071100 21,29182780400 -9,2000 -14,04594986 4,8459 -158,03613585500 21,29180068500 -10,8600 -15,05289531 4,1929 -158,03860192300 21,29188222800 -10,1100 -13,39390913 3,2839 -158,06504396200 21,29190985000 -8,2100 -9,118508077 0,9085 -158,03682122500 21,29188295100 -10,6400 -11,90485064 1,2649 -158,06142667200 21,29196513800 -7,9800 -7,966324844 0,0137 -158,05482310200 21,29196516400 -7,4300 -7,22630155 0,2037 -158,04312317900 21,29196490900 -8,8000 -7,123986134 1,6760 -158,05920763500 21,29199257500 -7,8600 -9,359736159 1,4997 -158,04369847400 21,29199185100 -7,8600 -6,975479423 0,8845 -158,06164608600 21,29204672500 -7,7900 -8,669018952 0,8790 -158,03860149000 21,29204721900 -10,1600 -14,91361292 4,7536

(10)

-158,03682063200 21,29212928200 -10,4800 -12,52131633 2,0413 -158,05337088400 21,29218397000 -6,8000 -3,809369643 2,9906 -158,04016385700 21,29218433200 -8,8000 -7,165056496 1,6349 -158,05654930900 21,29226676600 -6,7400 -7,283388714 0,5434 -158,05665875300 21,29223877300 -6,0200 -5,856996833 0,1630 -158,05402872200 21,29223906500 -6,0900 -3,48411956 2,6059 -158,03805360500 21,29223889700 -10,4300 -11,21438186 0,7844 -158,05630291800 21,29229398200 -5,9300 -7,22630155 1,2963 -158,04230096400 21,29232112800 -7,3800 -7,720890196 0,3409 -158,05241196700 21,29234822900 -5,4200 -3,10012617 2,3199 -158,04972679600 21,29234883800 -9,2100 -7,521875191 1,6881 -158,03816318900 21,29234844100 -10,4200 -11,11181529 0,6918 -158,05504223400 21,29240353500 -5,7300 -6,121487197 0,3915 -158,04254719600 21,29240327900 -7,2900 -7,785874762 0,4959 -158,03983529200 21,29245823200 -8,6300 -7,440156993 1,1898 -158,06063235800 21,29248596000 -5,6100 -5,6101 0,0001 -158,03630055200 21,29245840900 -10,4300 -11,75446807 1,3245 -158,04978170100 21,29248588100 -8,2100 -8,210099999 0,0001 -158,06033114600 21,29254003100 -4,9800 -4,9801 0,0001 -158,03676592400 21,29248595100 -10,4600 -10,80675618 0,3468 -158,06383811700 21,29259477200 -5,6900 -5,6901 0,0001 -158,04210945000 21,29259531900 -7,6700 -7,6701 0,0001 -158,05978277100 21,29264960200 -4,6600 -4,6601 0,0001 -158,06635906300 21,29273216800 -4,0400 -4,0401 0,0001 -158,06279693200 21,29273203500 -4,1000 -4,1001 0,0001 -158,04178026300 21,29267742700 -7,6400 -7,6401 0,0001 -158,05282286700 21,29273200000 -4,1400 -4,1401 0,0001 -158,05213764800 21,29270499600 -5,7900 -5,7901 0,0001 -158,04399991200 21,29273170900 -7,6800 -7,6801 0,0001 -158,04186258800 21,29273216800 -7,3600 -7,401481265 0,0415 -158,04230118100 21,29278700600 -6,9400 -6,9401 0,0001 -158,03728672900 21,29278723500 -9,3900 -9,815277302 0,4253 -158,04345167800 21,29281415200 -7,3700 -7,3701 0,0001 -158,03758820400 21,29281417800 -9,2500 -9,2501 0,0001 -158,05709711900 21,29286902500 -3,7000 -3,7001 0,0001 -158,05298737600 21,29289665600 -3,0600 -3,399718679 0,3397 -158,04687677700 21,29289610000 -7,3700 -7,3701 0,0001 -158,06268688600 21,29292399600 -3,2000 -3,2001 0,0001 -158,04241066200 21,29289704400 -6,7800 -6,7801 0,0001 -158,04145165100 21,29289670000 -7,5100 -7,5101 0,0001 -158,06227665400 21,29297871900 -3,4200 -3,4201 0,0001 -158,05474121000 21,29303361100 -3,5600 -3,5601 0,0001 -158,04701443000 21,29303343400 -5,5900 -5,5901 0,0001 -158,03736858300 21,29303368100 -9,0400 -9,567214715 0,5272 -158,04438313800 21,29308804300 -8,3700 -8,3701 0,0001 -158,04153379700 21,29308880200 -7,7900 -7,7901 0,0001 -158,05723471700 21,29314287200 -2,7200 -3,06054709 0,3405 -158,04684933800 21,29314328700 -6,6600 -6,6601 0,0001

(11)

-158,05104180200 21,29319771100 -3,8300 -5,152743648 1,3227 -158,04945252400 21,29319751700 -4,9300 -4,9301 0,0001 -158,06249555000 21,29325250500 -2,8900 -2,8901 0,0001 -158,04989094700 21,29325311400 -4,5600 -4,5601 0,0001 -158,06682444400 21,29330752800 -2,5300 -2,5301 0,0001 -158,05219256300 21,29328042700 -3,3000 -3,3001 0,0001 -158,06052305500 21,29336259600 -2,7200 -2,7201 0,0001 -158,05468631400 21,29347156700 -2,1700 -2,519751143 0,3498 -158,03926000500 21,29352689900 -7,5500 -7,5501 0,0001 -158,04745242100 21,29355390400 -5,4400 -5,4401 0,0001 -158,04317747200 21,29355400900 -6,6400 -6,6401 0,0001 -158,04109557100 21,29355415100 -7,5600 -7,5601 0,0001 -158,05838548700 21,29363590500 -3,7000 -3,7001 0,0001 -158,06161842200 21,29360928000 -1,8700 -2,0199 0,1499 -158,04213642700 21,29363617000 -6,7700 -6,7701 0,0001 -158,05422019800 21,29366388900 -2,7200 -2,7201 0,0001 -158,04635633000 21,29366410100 -6,5600 -6,5601 0,0001 -158,05972785600 21,29374568800 -2,0400 -2,0401 0,0001 -158,03679340100 21,29371890400 -8,0600 -8,0601 0,0001 -158,06707174900 21,29380118700 -2,0200 -2,0199 0,0001 -158,06329024100 21,29380042000 -2,2500 -2,2501 0,0001 -158,06698891500 21,29382840400 -1,9600 -1,9601 0,0001 -158,06326306600 21,29388281000 -2,2700 -2,2701 0,0001 -158,06307117600 21,29388293300 -2,1900 -2,1901 0,0001 -158,04432908000 21,29385587600 -5,5900 -5,5901 0,0001 -158,06386523600 21,29396493500 -2,9800 -2,9801 0,0001 -158,06504356700 21,29404734200 -2,4800 -2,4801 0,0001 -158,04731557600 21,29404758900 -4,1100 -5,280352895 1,1704 -158,04158888100 21,29407485800 -6,4700 -6,57037147 0,1004 -158,04021876200 21,29407483200 -6,7600 -6,995109821 0,2351 -158,05909778700 21,29415707200 -2,6600 -2,6601 0,0001 -158,04013595700 21,29412969700 -6,8000 -6,823478627 0,0235 -158,06693469700 21,29421204200 -2,3000 -2,3001 0,0001 -158,05939924400 21,29421218300 -1,7900 -1,7901 0,0001 -158,05865937300 21,29421214800 -3,1900 -3,874455936 0,6845 -158,03786246700 21,29421148600 -7,4600 -7,4601 0,0001 -158,06561955000 21,29423956700 -1,7600 -1,7601 0,0001 -158,05852238800 21,29423911700 -3,1700 -3,488289709 0,3183 -158,06287946400 21,29432117200 -2,2900 -2,2901 0,0001 -158,05145296500 21,29443080400 -1,9700 -1,9701 0,0001 -158,04380815300 21,29443104200 -6,4200 -6,4201 0,0001 -158,04879496900 21,29448613600 -3,1700 -3,1701 0,0001 -158,05128866400 21,29454087800 -2,3400 -2,3401 0,0001 -158,06575604600 21,29456804100 -2,2900 -2,2899 0,0001 -158,04052021900 21,29456837600 -6,4200 -6,4199 0,0001 -158,05148024400 21,29459589200 -1,7700 -1,7701 0,0001

(12)

-158,04572578000 21,29465042200 -3,5000 -3,4999 0,0001 -158,03745110600 21,29465006900 -7,1500 -7,549286816 0,3993 -158,05920767300 21,29467736500 -2,6800 -2,6801 0,0001 -158,05775494700 21,29467802600 -2,8600 -4,184177135 1,3242 -158,04542487000 21,29467762000 -4,1400 -4,1401 0,0001 -158,04356141300 21,29467811400 -4,5300 -7,07637789 2,5464 -158,04731512500 21,29478722600 -4,1800 -6,29188898 2,1119 -158,05789196100 21,29481487500 -2,9700 -2,9699 0,0001 -158,06309848200 21,29492449800 -2,6000 -2,7101 0,1101 -158,04515060700 21,29492464800 -3,9600 -5,630444262 1,6704 -158,06630432700 21,29495178500 -3,4600 -6,056551002 2,5966 -158,06518075000 21,29495205900 -3,5200 -2,516971926 1,0030 -158,06213961200 21,29495138800 -2,0000 -3,213184588 1,2132 -158,05909742900 21,29497887800 -2,7700 -4,118990429 1,3490 -158,04997332800 21,29500693200 -2,3500 -1,437576613 0,9124 -158,04065664900 21,29500660600 -6,0700 -3,607835563 2,4622 -158,03775251500 21,29497901900 -7,0500 -6,121487197 0,9285 -158,04125982600 21,29506086200 -5,6500 -8,368950629 2,7190 -158,05783754500 21,29511650300 -3,7200 -0,97268493 2,7473 -158,05707063200 21,29511586800 -4,0700 -3,089348091 0,9807 -158,05841283100 21,29508891600 -2,8500 -2,370205745 0,4798 -158,04643817500 21,29511593800 -3,6600 -5,168714387 1,5087 -158,06189244900 21,29517060000 -2,4700 -2,936822822 0,4668 -158,04906941000 21,29522541200 -2,1400 -4,841673522 2,7017 -158,03777952100 21,29522580900 -6,2300 -7,820319109 1,5903 -158,03704032800 21,29519822200 -5,5600 -3,924043863 1,6360 -158,06233080600 21,29528055900 -2,1500 -3,649715263 1,4997 -158,06202973600 21,29528077900 -2,5400 -2,9801 0,4401 -158,05035737300 21,29528052400 -3,0100 -3,853776646 0,8438 -158,06586606400 21,29530753700 -3,7500 -4,258807173 0,5088 -158,05575527700 21,29533546800 -3,7100 -4,286301412 0,5763 -158,05545376400 21,29530750200 -3,9700 -3,671502289 0,2985 -158,04446610300 21,29533552100 -4,5900 -7,242125366 2,6521 -158,03939679300 21,29533535300 -5,7300 -7,179624658 1,4496 -158,04758906700 21,29536232200 -2,4600 -3,399784655 0,9398 -158,04446571700 21,29536271000 -4,7900 -8,105326585 3,3153 -158,04567105400 21,29539010300 -4,2100 -8,706496507 4,4965 -158,04227354500 21,29541754000 -4,7900 -7,25354818 2,4635 -158,03854685800 21,29541718700 -5,6700 -5,347952747 0,3220 -158,04016359400 21,29547199900 -5,4700 -4,091937444 1,3781 -158,05586443800 21,29555483000 -3,6600 -4,367601343 0,7076 -158,05567302800 21,29552739300 -3,8600 -4,367601343 0,5076 -158,04652075400 21,29552676600 -3,3000 -7,59950679 4,2995 -158,06049542900 21,29558204600 -3,5800 -6,239081325 2,6591 -158,03843755600 21,29558219600 -5,0600 -8,807582781 3,7476 -158,05808417200 21,29563661100 -3,2600 -3,031542056 0,2285 -158,05586463600 21,29563682200 -3,7000 -4,264935035 0,5649 -158,05030220400 21,29563636400 -2,6500 -3,697738216 1,0477

(13)

-158,05805661100 21,29569153700 -3,2500 -3,410149088 0,1601 -158,05671412900 21,29569132500 -3,6200 -3,29258106 0,3274 -158,05238483000 21,29566402100 -3,4700 -4,633515998 1,1635 -158,04827434300 21,29569187200 -3,3300 -7,214227552 3,8842 -158,05627529100 21,29571847100 -3,5900 -3,24162066 0,3484 -158,05224779700 21,29577395300 -3,2600 -7,363176667 4,1032 -158,04575342600 21,29582876500 -4,5500 -3,269204475 1,2808 -158,05400160300 21,29585607000 -3,7600 -2,692095477 1,0679 -158,05320647000 21,29591018400 -3,7800 -4,137931689 0,3579 -158,04819208400 21,29588292400 -3,2700 -3,2001 0,0699 -158,04986377200 21,29601990500 -2,5600 -3,235142834 0,6751 -158,05641270000 21,29610270900 -3,0000 -1,820093947 1,1799 -158,05534352100 21,29610230400 -3,4300 -2,694900686 0,7351 -158,05353539300 21,29615693000 -3,5800 -2,918326119 0,6617 -158,04369855000 21,29623941700 -4,3300 -6,4135763 2,0836 -158,03830027800 21,29626694200 -5,6300 -9,43180163 3,8018 -158,06556443800 21,29634904000 -4,4100 -10,16286175 5,7529 -158,05460371600 21,29632156800 -3,3200 -2,964331857 0,3557 -158,05597449400 21,29637654800 -3,2100 -2,31037807 0,8996 -158,06392036700 21,29640381700 -4,1000 -8,028490346 3,9285 -158,06126263400 21,29648599500 -3,1000 -3,4201 0,3201 -158,04158859800 21,29659553900 -4,8900 -4,426936008 0,4631 -158,04791840500 21,29656798800 -3,1600 -3,960037547 0,8000 -158,04191734300 21,29656802300 -5,0500 -4,962337965 0,0877 -158,06718115400 21,29665043000 -3,0000 -6,204456147 3,2045 -158,04153388100 21,29662311700 -4,8200 -4,576428078 0,2436 -158,05211051100 21,29670518900 -3,2100 -3,879286447 0,6693 -158,03997160900 21,29675991300 -5,4300 -7,811584013 2,3816 -158,04454795700 21,29678775500 -3,3100 -0,97268493 2,3373 -158,06490694900 21,29686978300 -3,1700 -6,186792789 3,0168 -158,04827396600 21,29686967800 -2,9700 -5,4401 2,4701 -158,04219122000 21,29686981000 -4,7700 -7,070597311 2,3006 -158,04027304600 21,29686942200 -5,4200 -6,473600702 1,0536 -158,06534567300 21,29692422500 -3,0700 -3,0701 0,0001 -158,06652387300 21,29695182000 -3,0900 -3,0901 0,0001 -158,05465865000 21,29695145900 -3,1000 -3,1001 0,0001 -158,05405648000 21,29695172300 -3,4200 -3,4201 0,0001 -158,04783636200 21,29695152000 -3,1400 -3,91827955 0,7783 -158,05786504000 21,29697921300 -2,5900 -2,5901 0,0001 -158,04882244500 21,29697937200 -2,8700 -2,8701 0,0001 -158,05718010300 21,29703432500 -2,3500 -2,3501 0,0001 -158,05386386500 21,29703406900 -3,1700 -3,1701 0,0001 -158,04158877700 21,29717104100 -4,9100 -7,930174489 3,0202 -158,03920440300 21,29717119100 -5,7900 -7,425499895 1,6355 -158,06644102000 21,29719876000 -3,2300 -3,2301 0,0001 -158,04991822500 21,29719876000 -2,8100 -3,030359478 0,2204

(14)

-158,05822091200 21,29722618800 -3,0000 -2,9999 0,0001 -158,04114972300 21,29722576500 -5,1900 -6,319136006 1,1291 -158,04320500500 21,29728033800 -3,9900 -3,9901 0,0001 -158,04221929800 21,29730823400 -4,3700 -4,3701 0,0001 -158,06611288800 21,29736271900 -2,7600 -2,7601 0,0001 -158,06487960400 21,29736271900 -2,0100 -2,0101 0,0001 -158,05652213400 21,29736324000 -2,4800 -2,4799 0,0001 -158,06181051000 21,29741774300 -3,1300 -3,1301 0,0001 -158,05035731700 21,29744510900 -2,7500 -2,7501 0,0001 -158,04994569200 21,29750013200 -2,8900 -2,837489172 0,0525 -158,05178179400 21,29747242200 -2,9600 -2,9599 0,0001 -158,06219453600 21,29755477600 -3,2100 -3,2101 0,0001 -158,05665912900 21,29755426500 -2,6400 -2,6401 0,0001 -158,06677006600 21,29758208100 -3,4300 -3,4299 0,0001 -158,05485059700 21,29766406500 -2,1500 -2,1501 0,0001 -158,05844046800 21,29771944100 -2,2000 -2,2001 0,0001 -158,04630173500 21,29777395300 -2,7100 -2,7101 0,0001 -158,05405633900 21,29780101900 -2,2200 -2,2201 0,0001 -158,06331745400 21,29785569000 -2,0100 -2,0101 0,0001 -158,04139657600 21,29782887100 -4,2600 -4,2601 0,0001 -158,06468725200 21,29788346200 -1,6900 -1,6901 0,0001 -158,06205709000 21,29788341800 -2,8300 -2,8301 0,0001 -158,05789237500 21,29791110200 -2,6200 -2,6199 0,0001 -158,04021856500 21,29793807100 -5,1900 -5,1901 0,0001 -158,05065858500 21,29791133100 -2,6400 -2,6399 0,0001 -158,06192016100 21,29799268900 -3,1300 -3,1301 0,0001 -158,04010929100 21,29799278600 -5,1000 -5,855344013 0,7553 -158,04742487900 21,29804779100 -3,0100 -3,0099 0,0001 -158,03665608600 21,29802078700 -5,6700 -9,140243476 3,4702 -158,04969918800 21,29815731800 -2,4600 -2,4601 0,0001 -158,04038249900 21,29818479900 -4,5500 -4,5501 0,0001 -158,05101486200 21,29829446700 -2,2900 -2,2899 0,0001 -158,05438532800 21,29826723300 -2,2400 -2,2401 0,0001 -158,03999909400 21,29829434300 -4,9200 -4,9201 0,0001 -158,04572624200 21,29826695900 -2,8200 -2,8199 0,0001 -158,05369957200 21,29832224700 -1,9600 -1,9599 0,0001 -158,05052158100 21,29837708600 -2,1400 -2,4601 0,3201 -158,04432873200 21,29845882300 -3,2000 -3,2001 0,0001 -158,04961699500 21,29851359900 -2,3300 -2,3301 0,0001