BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Pengolahan Data dan Pembahasan
Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang
2. Bukan suara Gamelan Bonang (Gamelan Gong, dan Gamelan Kempyang) Pertama mari lihat data pada gamelan Bonang terlebih dahulu. Percobaan pertama adalah suara gamelan bonang yang telah tersimpan dalam basis data laptop dibuka dengan perangkat lunak Audacity. Sampling yang diambil memiliki sampling rate 44.000 Khz atau dua kali dari batas ambang yang dapat didengar oleh manusia (teori berdasarkan Nyquist). Ini dimaksudkan agar tidak ada informasi yang hilang pada sample data.
Suara Gamelan Bonang yang diambil, dibatasi dengan satu posisi memukul, yaitu tempat pemukulan tepat di tengah gamelan, dan cuplikan suara di ambil secukupnya.
Pada perangkat lunak Audacity, dilakukan proses pertama yaitu mengambil suara dengan rentang waktu satu detik. Berdasarkan teori, sebuah gelombang memiliki periode. Hal ini telah dijelaskan pada BAB II.
Setelah dilakukan pencuplikan berdurasi satu detik, data yang memiliki ekstensi WAV, diproses dengan perangkat lunak Matlab. Pada Matlab ditunjukan gambar domain frekuensi seperti berikut.
Tabel 4.1. Presentasi Domain Frekuensi Gamelan Bonang
Cara Pemukulan Gamelan Bonang Gambar Domain Frekuensi pada Matlab Pukulan Pertama
Pukulan Kedua
Dianalisa dari gambar yang ada, dapat dilihat bahwa variasi pukulan memiliki gambar spektrum yang berbeda. Pukulan pertama memiliki frekuensi yang hampir mirip dengan pukulan kedua. Ini menunjukan bahwa, variasi frekuensi dapat terjadi tergantung dari keras kencangnya cara memukul objek walau pada objek yang sama.
Tabel 4.2. Presentasi Domain Frekuensi Gamelan Kempyang Cara Pemukulan Gamelan Kempyang Gambar Frekuensi pada Matlab
Pukulan Pertama
Pukulan Kedua
Pada gambar spektrum domain frekuensi gamelan kempyang pun menunjukan hal yang sama. Bahwa setiap pukulan memiliki frekuensi yang berbeda.
Tabel 4.3. Presentasi Domain Frekuensi Gamelan Gong
Cara Pemukulan Gamelan Gong Gambar Frekuensi pada Matlab Pukulan normal
Pukulan Pertama
Dari analisa presentasi gambar domain frekuensi, terlihat perbedaan-perbedaan frekuensi yang dimiliki oleh masing-masing gamelan. Diketahui dari landasan teori, gambar domain frekuensi tersebut adalah hasil dari nilai-nilai yang dimiliki oleh data kemudian dilakukan plotting. Jaringan syaraf tiruan, yang diketahui dari landasan teori mempunyai nilai masukan, dan juga nilai keluaran, dapat dilatihkan untuk melakukan identifikasi berdasarkan nilai-nilai yang dimiliki oleh data gamelan.
Pada penelitian ini, akan dilakukan segmentasi sinyal sebanyak sepuluh kali, hal ini telah dijelaskan pada Bab III. Segmentasi akan dilakukan berdasarkan waktu. Setelah dilakukannya segmentasi, maka langkah selanjutmya adalah merubah sinyal dari domain waktu ke dalam domain frekuensi. Dilanjutkan dengan memasukkan perhitungan rata-rata PSD, sehingga akan ada 10 angka rata-rata-rata-rata PSD untuk setiap pukulan. Hal ini dilakukan agar penelitian untuk sinyal lebih akurat; yaitu dengan cara membagi sebuah data yang dianalisa menjadi bagian-bagian kecil.
Sepuluh nilai tersebut diproses dalam jaringan syaraf tiruan untuk pelatihan. Untuk data latih diproses dengan 60 cuplikan suara dari gamelan bonang, dan 40 cuplikan suara yang bukan gamelan bonang.
Berikut adalah tabel dari gamelan bonang dengan nilai rata-rata PSD pada kesepuluh bagian.
Tabel 4.4. Tabel Nilai Gamelan Bonang
Input Ke- Pertama Kedua Ketiga Keempat Kelima Keenam
I 0.0639 0.0448 0.0314 0.0441 0.0595 0.0615 II 0.0497 0.0271 0.0194 0.0271 0.0423 0.0442 III 0.0315 0.0155 0.0111 0.0159 0.0260 0.0280 IV 0.0280 0.0123 0.0095 0.0137 0.0225 0.0246 V 0.0177 0.0075 0.0058 0.0085 0.0145 0.0144 VI 0.0083 0.0037 0.0028 0.0040 0.0068 0.0069 VII 0.0046 0.0022 0.0015 0.0022 0.0038 0.0037
VIII 0.0023 0.0011 0.0008 0.0011 0.0019 0.0018
IX 0.0010 0.0006 0.0004 0.0005 0.0008 0.0009
X 0.0007 0.0004 0.0003 0.0004 0.0006 0.0006
Target 1 1 1 1 1 1
Jika dilihat pada tabel 4.4. setiap pukulan mempunyai sepuluh nilai, pertama menunjukan gamelan pertama yang dipecah menjadi kesepuluh bagian, nilai-nilai tersebut dapat dilihat antara angka romawi pertama hingga romawi kesepuluh. Nilai awal yang lebih besar dibandingkan nilai terakhir menunjukkan bahwa frekuensi tersebut lebih besar di awal sesuai dengan gambar yang diperlihatkan pada frekuensi domain. Sepuluh nilai ini, menunjukan bahwa nantinya akan ada sepuluh nilai masukan untuk jaringan syaraf tiruan. Target yang terletak pada bagian bawah tabel merujuk kepada nilai yang ingin didapati. Sehingga dari kesepuluh nilai itu, layar tengah (hidden layer) pada jaringan syaraf tiruan akan melakukan kalkulasi nilai bobot yang akan mengeluarkan nilai keluaran sebesar satu, dari masukan sepuluh nilai yang diberikan.
Data Gamelan Bonang ada sebanyak enam ditujukan agar pelatihan memiliki variasi nilai yang cukup, sehingga identifikasi yang akan dilakukan lebih akurat.
Tabel 4.5. Tabel Nilai Gamelan Bukan Bonang (Gong dan Kempyang)
Input Ke- Pertama Kedua Ketiga Keempat
I 0.0267 0.0290 0.0133 0.0073
III 0.0274 0.0243 0.0007 0.0004 IV 0.0229 0.0216 0.0007 0.0004 V 0.0182 0.0175 0.0003 0.0002 VI 0.0144 0.0139 0.0002 0.0001 VII 0.0125 0.0120 0.0002 0.0001 VIII 0.0093 0.0086 0.0000 0.0000 IX 0.0084 0.0081 0.0000 0.0000 X 0.0060 0.0053 0.0000 0.0000 Target 0 0 0 0
Gamelan yang bukan bonang, yaitu yang terdiri dari Gamelan Gong (untuk data pertama dan kedua) dan Gamelan Kempyang (untuk data ketiga dan keempat) dimasukan kedalam pelatihan jaringan syaraf tiruan agar, jaringan tersebut mengetahui data seperti apa yang tidak benar. Target yang diberikan untuk data ini adalah 0. Artinya, data yang memiliki jarak nilai seperti data tersebut akan dinyatakan 0, atau pada definisi yang telah ditentukan disini adalah merupakan data yang salah.
Sehingga nilai akhir untuk data yang diuji nantinya akan berkisar antara 0 dan 1. Sesuai dengan hasil identifikasi yang dilakukan oleh sistem.
Nilai pada kedua tabel inilah yang diproses dengan pelatihan jaringan syaraf tiruan. Target yang dipakai pada percobaan ini adalah, angka 1 untuk data yang merupakan data dari bonang, dan angka 0 untuk data yang bukan bonang.
Setelah nilai-nilai ini diperoleh, berikutnya dapat dimasukkan ke dalam jaringan syaraf tiruan. Jaringan yang digunakan adalah backpropagation. Dilakukan percobaan secukupnya, dengan cara menggunakan backpropagation dengan jumlah neuron; 30, 40, 60, 100, 150, 200, 250, dan 300 neuron. Berikut adalah gambar grafik performa pelatihan jaringan berdasarkan jumlah neuron.
Gambar 4.1. Performa Jumlah Neuron 30
Dari gambar diatas, performa terbaik didapat pada iterasi ke-12. Ditunjukkan oleh garis titik yang, serta ada lingkaran berwarna hijau. Artinya, pada iterasi ke-12, telah didapatkan data yang memiliki eror paling sedikit (minimum). Performa ini juga ditunjukkan untuk neuron berikutnya. Seperti pada gambar berikut.
Gambar 4.2. Performa Jumlah Neuron 40
Gambar 4.4. Perfroma Jumlah Neuron 60
Gambar 4.6. Performa Jumlah Neuron 150
Gambar 4.8. Performance Jumlah Neuron 250
Gambar 4.9. Performance Jumlah Neuron 300
Pada gambar performa yang ada, dapat dilihat, nilai yang terbaik dicapai pada iterasi ke-12.
Setelah lihat gambar performa dari jumlah neuron yang diteliti, berikut adalah batasan yang diberikan agar menjadi standar yang digunakan dalam penelitian ini. Berikut tabel keterangan dari nilai tersebut.
Tabel 4.6. Batasan Nilai
Batasan Pada Angka/keterangan
Epochs 1000
Time Tak berhingga
Goal 0
Max_fail 6
Tabel 4.7. Keterangan Jaringan
Keterangan Digunakan
Jenis network Feed-forward Backpropagation
Training Function TrainLM
Adaption Learning Function LearnGD
Number of Layers 2
Transfer Function Tansig
Epochs akan dibatasi hingga 1000 kali. Epochs disini dapat diartikan sebagai iterasi. Sehingga batas pelatihan yang akan dilakukan oleh jaringan syaraf tiruan memiliki maksimum iterasi sebanyak 1000 kali, bila lebih dari itu, maka pelatihan akan dihentikan. Jika dilihat pada batasan waktu, yaitu tak berhingga, sehingga waktu yang
dibutuhkan dalam pelatihan jaringan tidak dibatasi. Adapun batasan goal, yang memiliki nilai akhir yang ingin dicapai. Nilai yang ditentukan adalah 0, namun, dalam beberapa percobaan jarang sekali hingga 0, nilai yang sangat kecil mendekati 0 pun sudah mencukupi. Max fail pada batasan menunjukan, jika kesalahan yang dilakukan pada masa pelatihan jaringan lebih dari 6, maka pelatihan akan dihentikan, lalu akan dicari pada iterasi keberapa pelatihan memiliki nilai yang mendekati goal yaitu 0.
Jenis jaringan yang digunakan adalah Feed-forward Backpropagation dengan fungsi pelatihan Lavernberg-Marquadt menggunakan 2 layer, dan fungsi transfer menggunakan TanSigmoid. Jaringan yang dipilih mempunyai dua layer serta menggunakan funsgi aktivasi yang umum digunakan agar pemodelan jaringan ini tidak mempunyai overfitting, dimana jika terjadi overfitting data yang nanti akan diujikan akan mengeluarkan hasil yang tidak akurat. Namun, overfitting akan memberikan hasil akurasi yang sangat baik jika, data yang diuji memang merupakan data yang dilatih. Sehingga pemodelan yang dihasilkan itu eksklusif terhadap data latih pada jaringan syaraf tiruan tersebut. Berikut adalah gambar Jaringan yang digunakan.
4.2 Pembahasan Hasil Penelitian
Pada sub bab ini, akan dibahas penelitian dari tesis ini. Percobaan penelitian akan dimulai dari menguji data dengan pemodelan jaringan yang telah dibangun.
Tabel 4.8. Nilai Performa Terhadap Data yang Dilatih Suar a 30 40 50 60 100 150 200 250 300 Bonang I 1 1 1 1 1 1 1 1 1 Bonang II 1 1 1 1 1 1 1 1 1 Bonang III 1 0.9890 0.9581 1 0.9656 1 0.9893 1 1 Bonang IV 1 1 1 1 1 1 1 1 1 Bonang V 1 1 1 1 1 1 1 1 1 Bonang VI 1 1 1 1 1 1 1 1 1 Xbonan g I 6.4722 e-13 9.8062 e-12 4.6093 e-13 1.4556 e-13 2.5501 e-12 1.4125 e-15 8.2260 e-16 1.4609 e-13 1.4927 e-12 Xbonan g II 1.6578 e-12 1.1686 e-11 8.0474 e-13 9.7418 e-13 2.5201 e-12 7.0957 e-15 8.0035 e-16 4.4393 e-14 6.1778 e-13 Xbonan 5.5549 2.2534 2.8388 3.2471 3.8464 0.9995 2.8375 1.4305 6.3578
g III e-08 e-12 e-13 e-12 e-10 e-12 e-09 e-10 Xbonan g IV 1.6895 e-11 2.1592 e-13 9.9592 e-14 8.8484 e-15 2.5068 e-12 0.9989 2.4555 e-12 2.4036 e-12 4.7628 e-13
Tabel 4.8. adalah tabel nilai performa terhadap data yang dilatih. Kolom suara merupakan suara dari gamelan. Suara gamelan tersebut diujikan terhadap sejumlah neuron. Hasil angka menunjukan akurasi terhadap suara yang diujikan. Jarak angka yang ditetapkan adalah 1 untuk data benar dan 0 untuk data salah. Dari tabel, terlihat untuk identifikasi data benar mempunyai akurasi tinggi, dan untuk identifikasi data salah memiliki akurasi yang baik pula. Namun, pada uji data untuk neuron yang berjumlah 150, memiliki kesalahan identifikasi terhadap data uji yang salah, dimana angka menunjukan 0.9, ini diartikan bahwa pada jumlah neuron 150, untuk data uji benar memiliki akurasi tinggi, namun untuk data uji yang salah memiliki akurasi yang tidak baik.
Tabel 4.9. Nilai Data yang Akan Diuji (Bonang)
Segmen Ke- Bonang I Bonang II Bonang III Bonang IV Bonang V Bonang VI
1 0.0692 0.0622 0.0716 0.0528 0.0718 0.0596 2 0.0554 0.0454 0.0591 0.0350 0.0592 0.0418 3 0.0383 0.0284 0.0430 0.0206 0.0431 0.0255 4 0.0333 0.0249 0.0380 0.0179 0.0380 0.0206 5 0.0212 0.0154 0.0233 0.0118 0.0232 0.0130 6 0.0099 0.0073 0.0110 0.0057 0.0110 0.0064
7 0.0054 0.0040 0.0060 0.0032 0.0060 0.0036
8 0.0026 0.0019 0.0028 0.0016 0.0029 0.0018
9 0.0012 0.0009 0.0013 0.0007 0.0013 0.0009
10 0.0009 0.0006 0.0009 0.0005 0.0009 0.0006
Tabel 4.9. adalah nilai-nilai dari bonang yang bukan dari data yang dilatihkan terhadap jaringan. Percobaan ini untuk membuktikan, apakah pemodelan jaringan yang terbentuk dapat melakukan identifikasi terhadap data dari objek sama, namun diluar dari data latih yang ada.
Tabel 4.10. Nilai Performa dari Data Uji (Bonang)
Neuron Bonang I Bonang II Bonang III Bonang IV Bonang V Bonang VI
30 1 1 1 1 1 1 40 1 1 1 1 1 1 50 1 1 1 1 1 1 60 1 1 1 1 1 1 100 1 1 1 1 1 1 150 1 1 1 1 1 1 200 1 1 1 1 1 1 250 1 1 1 1 1 1 300 1 1 1 1 1 1
Tabel 4.10. menunjukan hasil dari pengujian data di luar data latih. Hasil angka yang diperoleh adalah 1, diartikan disini bahwa pemodelan jaringan dapat mengidentifikasi data di luar data latih. Pelatihan jaringan menunjukan hasil akurasi yang tinggi. Nilai ini pun membuktikan bahwa, pada pemodelan jaringan tidak terjadi overfitting.
Tabel 4.11. Nilai Data yang Akan Diuji (Bukan Bonang)
Segmen Ke- XBonang I XBonang II XBonang III XBonang IV XBonang V XBonang VI
1 0.0237 0.0162 0.0129 0.0159 0.0177 0.0152 2 0.0092 0.0058 0.0049 0.0196 0.0230 0.0197 3 0.0015 0.0009 0.0007 0.0158 0.0176 0.0162 4 0.0018 0.0010 0.0010 0.0138 0.0171 0.0155 5 0.0009 0.0005 0.0004 0.0091 0.0118 0.0104 6 0.0004 0.0002 0.0002 0.0075 0.0116 0.0103 7 0.0004 0.0002 0.0002 0.0057 0.0086 0.0070 8 0 0 0 0.0039 0.0052 0.0044 9 0 0 0 0.0030 0.0054 0.0041 10 0 0 0 0.0021 0.0035 0.0027
Tabel 4.11. adalah nilai yang akan diujikan terhadap gamelan bukan bonang namun tetap objek yang sama. Data ini merupakan data yang di luar data latih yang dimasukkan dalam pemodelan jaringan. Percobaan ini ingin membuktikan pemodelan jaringan dapat mengidentifiikasi dengan baik data suara buakan Bonang.
Tabel 4.12. Nilai Performa dari Data Uji (Bukan Bonang)
Neuron XBonang I XBonang II XBonang III XBonang IV XBonang V XBonang VI
30 0.8757 8.8916e-06 3.9928e-08 6.7323e-04 2.9688e-09 1.1730e-06 40 2.5551e-09 9.3195e-12 2.3176e-12 1.4701e-04 1.4061e-09 2.8510e-07 50 3.4158e-11 6.7555e-13 3.0587e-13 0.0252 2.6037e-07 1.3841e-04 60 1.6768e-04 1.5504e-10 3.1633e-12 0.3874 8.3205e-06 0.0291 100 1.9229e-05 5.4468e-09 2.7553e-10 3.3628e-09 1.7648e-12 1.0416e-11
150 0.9999 0.9997 0.9995 0.0563 2.8689e-08 8.4558e-05
200 8.7011e-11 4.6318e-12 3.2066e-12 0.0138 1.9692e-09 2.1443e-05 250 0.0050 5.7723e-08 1.5490e-09 0.0015 6.9471e-12 3.0275e-08 300 0.0207 4.2147e-08 6.1517e-10 0.0877 2.5313e-10 1.1850e-06
Tabel 4.12. menunjukan hasil dari pengujian. Hampir semua pemodelan jaringan menunjukan hasil akurasi yang baik. Namun, jika dilihat pada pemodelan jaringan yang memiliki jumlah neuron 150 nilai yang dihasilkan cukup tinggi, yang diartikan, jaringan dengan pemodelan ini tidak memiliki akurasi tinggi.
Tabel 4.13. Rata-Rata Nilai Keseluruhan Performa dari Data Uji
Jumlah Neuron Suara Gamelan Bonang Suara Gamelan Bukan Bonang
30 1 0.1461 40 1 2.4549e-05 50 1 0.0042 60 1 0.0694 100 1 3.2063e-06 150 1 0.5092 200 1 0.0023 250 1 0.0011 300 1 0.0181
Tabel 4.13. menunjukan rata-rata keseluruhan dari pengujian data. Jika dilihat dari data yang ada, jaringan terbaik yang dapat dipilih adalah, jaringan yang memiliki jumlah neuron sebanyak 100 dan 40.
Berikut adalah data Progress untuk setiap jumlah neuron. Tabel 4.14. Progress Setiap Neuron
30 12 Iterasi 0 Detik 0 4.19e-12
40 12 iterasi 2 Detik 0 1.33e-12
50 12 Iterasi 1 Detik 0 1.65e-11
60 12 Iterasi 1 Detik 0 2.25e-12
100 12 Iterasi 1 Detik 0 2.25e-12
150 12 Iterasi 16 Detik 0 7.42e-13
200 12 Iterasi 15 Detik 0 2.21e-12
250 12 Iterasi 33 Detik 0 1.32e-12
300 12 Iterasi 47 Detik 0 2.46e-12
Dari percobaan diatas, hasil yang didapatkan dapat dijadikan acuan dalam menentukan suara dari gamelan bonang. Tingkat akurasi untuk deteksi gamelan bonang sebesar 99.9%. Untuk identifikasi suara bukan bonang pun menunjukan hasil yang maksimal.
Pada percobaan dengan spesifikasi model jaringan syaraf tiruan seperti; jenis jaringan menggunakan Feed-forward Backpropagation, training function menggunakan TrainLM, Adaptation Learning Function menggunakan LeranGD, jumlah layer sebanyak 2, lalu menggunakan Transfer Function Tansig, membuktikan, pemodelan yang dibentuk tidaklah terjadi overfitting.
Berikut adalah tabel performance dengan percobaan 30 kali untuk setiap jaringan yang dimiliki:
Tabel 4.15. 30 Kali Percobaan
Percobaan N: 30 N: 40 N: 50 N: 60 N: 100 N: 150 N: 200 N: 250 N: 300
I 3.10e-12 1.8e-12 7.45e-05 7.9e-13 8.51e-13 1.04e-12 8.91e-13 4.59e-13 1.06e-10
II 3.11e-12 8.13e-13 1.08e-12 1.88e-13
7.61e-13 6.56e-12 8.92e-13 2.39e-10 1.23e-11
III 7.27e-13 3.21e-11 1.01e-05 1.64e-13
7.09e-13 1.78e-12 8.84e-13 3.54e-12 5.46e-13
IV 2.39e-12 8.55e-13 6e-13 8.23e-13
4.55e-11 5.06e-13 1.53e-08 5.09e-12 5.82e-14
V 2.43e-12 9.23e-13 7.13e-13 7.99e-13
1.76e-11 3.92e-08 7.49e-09 2.39e-10 4.62e-13
VI 6.83e-13 8.55e-13 2.18e-12 8.22e-13
1.70e-12 1.85e-12 5.80e-12 2.39e-10 1.57e-13
VII 2.39e-12 7.49e-12 2.14e-12 7.98e-11
755e-12 9.83e-13 8.03e-13 3.54e-11 5.46e-13
VIII 3.11e-12 4.40e-12 1.73e-12 729.e-11
2.88e-14 1.96e-12 4.58e-12 3.02e-10 2.20e-13
IX 4.37e-11 4.52e-12 9.97e-12 6.60e-11
7.55e-12 1.78e-13 7.19e-13 2.25e-12 2.20e-13
X 3.11e-12 3.09e-12 6.34e-12 2.56e-11
XI 2.21e-12 4.44e-12 1.32e-13 7.29e-13
4.55e-11 1.78e-12 7.09e-8 3.42e-12 3.63e-13
XII 4.43e-13 7.37e-12 6.44e-12 6.60e-12
1.70e-12 1.96e-12 5.05e-12 2.82e-13 5.19e-13
XIII 6.54e-15 7.40e-12 3.02e-12 2.57e-14
3.76e-12 1.04e-12 5.75e-12 2.88e-12 4.62e-13
XIV 2.56e-13 7.49e-12 6.40e-12 2.56e-12
1.49e-12 1.16e-13 3.52e-12 1.56e-10 9.99e-13
XV 1.15e-12 3.02e-12 1.32e-13 1.88e-13
1.08e-11 1.16e-13 4.05e-13 2.87e-13 2.20e-13
XVI 2.43e-12 2.97e-12 1.88e-13 1.87e-13
1.07e-11 1.04e-12 3.77e-12 2.66e-12 4.83e-12
XVII 2.68e-12 7.49e-12 3.66e-12 8.22e-13
9.37e-12 9.22e-13 4.03e-12 2.05e-12 3.99e-13
XVIII 2.86e-12 7.37e-12 6.29e-12 8.23e-13
1.43e-12 1.03e-12 5.05e-12 1.11e-12 5.19e-13
XIX 2.68e-12 1.97e-12 2.43e-13 2.43e-12
9.34e-12 1.16e-13 8.29e-12 2.32e-12 5.46e-13
XX 2.21e-12 1.18e-13 6.40e-12 2.81e-13
1.49e-12 1.04e-12 7.71e-09 4.22e-12 4.72e-13
XXI 2.86e-12 6.18e-12 6.49e-12 2.58e-11
1.43e-12 1.96e-12 2.99e-12 2.13e-10 4.26e-13
XXII 2.68e-12 6.14e-12 6.4e-12 1.87e-13
XXIII 2.86e-12 1.95e-12 6.44e-12 6.60e-11
3.76e-12 1.10e-12 5.05e-12 6.55e-13 4.67e-12
XXIV 6.86e-13 1.93e-12 3e-12 2.58e-11
1.70e-12 9.25e-13 5.05e-12 9.21e-13 4.62e-13
XXV 6.54e-15 7.96e-12 6.34e-12 7.05e-11
2.88e-14 1.10e-12 5.80e-12 2.48e-12 1.57e-13
XXVI 4.47e-11 2.09e-12 6.29e-12 7.29e-11
1.70e-12 6.56e-12 3.57e-12 1.81e-12 2.20e-13
XXVII 2.21e-12 6.47e-12 6.34e-12 8.22e-11
2.43e-14 1.16e-13 4.44e-12 1.70e-12 4.26e-13
XXVIII 7.26e-13 1.86e-12 6.29e-12 5.65e-11
1.46e-12 1.78e-12 6.15e-12 2.77e-12 4.83e-13
XXIX 9.10e-13 1.25e-13 6.44e-12 5.34e-12
1.46e-12 9.25e-13 8.71e-12 1.89e-12 3.99e-13
XXX 2.64e-12 6.21e-12 6.29e-12 2.58e-11
