BAB 3 METODE PENELITIAN

BAB 3

METODE PENELITIAN

3.1 Pendahuluan

Metode penelitian merupakan sesuatu yang penting dalam memecahkan langkah-langkah strategis mempersiapkan untuk melakukan suatu pekerjaan ataupun penelitian mempunyai pengertian yang lebih khusus, yaitu cara yang tepat dan cepat dalam mengerjakan sesuatu, maka ukuran kerja suatu metode harus diperhitungkan secara ilmiah. Desain penelitian harus cocok dengan pendekatan penelitian yang dipilih. Prosedur, teknik, serta alat yang digunakan dalam penelitian harus cocok pula dengan metode penelitian yang ditetapkan. Sebelum penelitian dilaksanakan, peneliti perlu menjawab sekurang-kurangnya tiga pertanyaan pokok (Nazir, 2005) yaitu:

1. Urutan kerja atau prosedur, apa yang harus dilakukan dalam melaksanakan suatu penelitian.

2. Alat-alat (instrumen) apa yang akan digunakan dalam mengukur ataupun dalam mengumpulkan data serta teknik apa yang akan digunakan dalam menganalisis data?

3. Bagaimana melaksanakan penelitian tersebut?

Adapun metode yang akan dipakai pada penelitin ini berdasarkan sifat-sifat dari permasalahan dan akurasi data, maka ada beberapa metode yang akan dilakukan sebagai berikut:

1. Penelitian Deskriptif, penelitian yang bertujuan untuk membuat deskripsi secara sistematis, faktual, dan akurat mengenai fakta dan sifat populasi karakteristik tiang bor di daerah tertentu khususnya Jawa.

2. Penelitian Korelasional, penelitian yang bertujuan untuk mengkaji tingkat keterkaitan antara variasi suatu faktor dengan variasi faktor lain berdasarkan koefisien korelasi.

3. Penelitian Eksperimental, penelitian yang bertujuan untuk menyelidiki

kemungkinan hubungan sebab akibat dengan melakukan kontrol/kendali.

3.2 Prinsip-prinsip Pengumpulan data

Pengumpulan data – data sekunder dan primer haruslah mendapatkan data yang lengkap akurat dan dapat dipercaya hasil atau output yang dikeluarkan.

3.2.1 Cara Pengumpulan Data

Cara pengumpulan data dilakukan dengan sensus dan sampling yaitu dengan meneliti sebagian kecil dari seluruh elemen penelitian dengan mengumpulkan data sebagian dan meneliti data tersebut. Adapun hasil yang didapatkan adalah sebagai acuan perencanaan sebagai alternatif perhitungan dalam memperkirakan atau mendapatkan hasil yang lebih realistis.

3.2.2 Teknik dan Alat Pengumpulan Data

Teknik dan Alat pengumpulan data dilihat dari segi pelaksanaan kegiatan dapat dilakukan dalam beberapa bentuk, sebagai berikut:

- Teknik Observasi - Teknik Dokumentasi 3.3. Persiapan Data

Pada sub bab ini akan dibahas tentang tempat penelitian, jenis data dan cara pengumpulan data, serta pengolahan basis data untuk pembuatan model

3.3.1 Tempat Penelitian

Tempat penelitian untuk mendapatkan data - data yang akurat adalah merupakan data diambil dari beberapa Proyek Pemerintahan maupun Swasta yang ada di Indonesia khususnya daerah di pulau Jawa, Sumatera dan Kalimantan seperti Proyek Pembangunan Jembatan, Gedung Tingkat Tinggi, Apartemen, Pabrik, dan lain-lain yang menggunakan pondasi tiang bore (bored pile), yang memiliki reputasi yang baik di bidang industry konstruksi.

Pendekatan dalam pengolahan data maupun pembuatan model pemprograman

jaringan syaraf tiruan dengan program MATLAB dan divalidasikan dengan data loading test

berupa pengujian PDA.

3.3.2 Jenis data dan Cara Pengumpulan Data

Jenis data yang digunakan berdasarkan pengujian lapangan yang didapatkan dari perusahaan yang mempunyai kredibilitas yang cukup baik, konsultan maupun kontraktor, swasta maupun BUMN. Data yang digunakan / dipakai dalam penelitian ini adalah sebagai berikut:

- Laporan Akhir Penyelidikan Tanah berupa Pengujian Boring (SPT), profil tanah, permukaan air tanah, data laboratorium (Soil Properties dan Soil Engineering) - Laporan Pengujian PDA dan CAPWAP maupun data yang lain sebagai data

penunjang penelitian ini.

Dengan keterbatasan waktu dalam penelitian ini, metode sampling data yang dipilih dan merupakan metode yang cocok dan baik sebagai representative data yang mewakili dalam penelitian ini. Sampling data yang didapatka dari proyek pondasi bored pile diharapkan mewakili properties tanah, pondasi sebagai variabel input dan variabel output dalam merencanakan / memodelkan penelitian ini.

3.3.3 Pengolahan Basis Data Untuk Pembuatan Model

Data laporan akhir penyelidikan tanah berupa, pengujian boring dalam (standart penetration test), peta topografi proyek, profil tanah, permukaan air tanah, data laboratorium (soil properties dan soil engineering) dan pengujian PDA, dan CAPWAP yang sudah dikumpulkan kemudian diolah untuk persiapan pembuatan model. Pada batasan masalah disebutkan bahwa pondasi dalam yang dianalisis adalah pondasi tiang bore sehingga data proyek yang menggunakan tiang pancang tidak digunakan dan dilakukan pada semua jenis tanah kohesif dan non kohesif (cohesionless) tidak digunakan.

Tanah yang hanya terdiri dari satu jenis saja jarang dijumpai, umunya kondisi tanah

dilapangan adalah berlapis dengan berbagai macam jenis tanah dengan geometri yang tidak

beraturan. Gambar 3.1 adalah contoh Stratifikasi tanah atau potongan melintang tanah pada

pengujian lapangan (Soil Investigation) dan Gambar 3.2 merupakan hasil Bor Log pengujian

Boring Mesin yang merupakan salah satu variable input pada pembuatan model. Informasi

jenis pondasi berupa tiang bor dan geometti pondasi (Panjang, L dan diameter, D) diperoleh

dari Laporan uji beban dinamik PDA, pada proyek yang bersangkutan.

Gambar 3.1. Stratifikasi Tanah atau Potongan Melintang Tanah

Gambar 3.2 Bor Log dari Hasil Pengujian Boring Mesin (Bore Log)

Gambar Stratifikasi tanah yang dituangkan pada Gambar 3.2 adalah salah satu profil vertikal tanah yang diperoleh dari lubang bor (log bor) di sebuah proyek. Informasi yang diperoleh pada bor log antara lain adalah: kedalaman pengambilan sampel, diskripsi tanah, dan nilai N-SPT, Soil Properties dan Soil Engineering. Apabila telah diperoleh cross section seperti diperlihatkan oleh Gambar 3.2, maka estimasi area untuk penentuan jenis tanah dilihat dari keperluan desain sehingga dapat menggunakan asumsi mayoritas jenis tanah penyusunnya. Untuk pondasi dalam, dilihat kemungkinan rencana desain pondasinya sampai pada kedalaman desain yang diinginan, jadi dibawah desain atau rencana di abaikan karena sudah tidak relevan.

3.4. Tahap Pembuatan Model (Model Development)

Tahap pembuatan model dalam penelitian ini menggunakan jaringan syaraf tiruan jenis feed- forward multilayer dengan algoritma back-propagation. Penggunaan metode algoritma back-propagation telah sering diteliti dalam studi kasus maupun penelitian para ahli geoteknik, dikarenakan dapat memprediksi yang mendekati dari hasil yang ada (Tafsi et al.

(2000), Suwansawat (2002), Saka & Ural (2002), Hashash et al.(2004), Jeng et al. (2005), Nouri et al. (2005), Samui & Kumar (2006), Soroush et al. (2006), Niken (2012), F. Pooya Nejad et al. (2011), Ardalan et al. (2009), Muhammad Hassan Baziar et al. (2012).

Adapun dalam pengembangan pembuatan model ada beberapa hal yang perlu diperhatikan pada pembuatan model jaringan syaraf tiruan adalah sebagai berikut (Shahin et al. (2001) :

a. Pemilihan variabel input model.

b. Pengelolaan data.

c. Penentuan arsitektur model.

d. Kriteria jaringan yang dipilih sebagai model akhir.

3.5 Pemilihan Variabel Input Model

Shahin et al. (2001) menerangkan bahwa dalam pemilihan variabel input yang baik adalah

yang dapat meningkatkan kemampuan model dengan hasil yang baik, sehingga pemilihan

variabel input model secara berlebihan pada model jaringan akan menyebabkan ukuran

jaringan menjadi besar dan akan mengurangi kecepatan proses training dan efisiensi jaringan yang ada sehingga akan sulit untuk diaplikasikan.

3.5.1 Model NN_Q

ult

Variabel input Geometri tiang dalam model jaringan syaraf tiruan dengan melibatkan variabel geometri tiang (diameter, keliling, luas, dan panjang), variabel berat hammer (P) adalah sebesar 1,5 – 2,0 dari beban ultimate yang ada. Untuk variabel input propertis tanah diwakili oleh nilai N

shaft

yaitu nilai N-SPT pada sekeliling panjang tiang, dan N

tip

yaitu nilai N-SPT di daerah ujung tiang diambil 8d keatas dan 3d kebawah ujung tiang.

Pengujian boring untuk mendapatkan nilai N-SPT yang akurat sangatlah susah, dikarenakan adanya kwalitas master bor dan kru yang berpengalaman dan yang tidak berpengalaman serta perbedaan jenis hammer yang dilakukan dalam pengujian (drop hammer atau automatic hammer), sehinggga akan mengakibatkan perbedaan pada energi yang ditransfer. Standar internasional merekomendasikan energi aktual yang diterima adalah 60% dari energi teoritis sehingga dipakai nilai N

60

(Jefferies dan Davies, 1993). Nilai N

60

diperoleh dari nilai N teoritis dengan menggunakan Persamaan 3.1 (Bowles, 1988).

Variabel input model untuk perhitungan daya dukung batas pondasi tiang (Q

ult

) yang dipakai pada penelitian ini dapat dilihat pada Tabel 3.1. Adapun model jaringan syaraf tiruan untuk perhitungan daya dukung batas (Qult) dapat dilihat pada Gambar 3.3.

Tabel 3.l. Variabel Input Model Jaringan Syaraf Tiruan (ANN) untuk perhitungan Daya Dukung Batas Pondasi Tiang Bore (Q

ult

)

Kategori Variabel Input

Pondasi

Panjang tiang tertanam, Lp (m) Panjang tiang dibawah gauge, Le (m) Diameter tiang, d (m)

Luas Penampang, A (m

²

) Keliling tiang, K (m) Mutu Beton, f’c (MPa) Berat Hammer, P (Ton) Properties Tanah N

60(shaft)

(Pukulan)

N

60(tip)

(Pukulan)

Gambar 3.3. Rencana Desain Model Jaringan dengan 1 Hidden Layer, 2 Hidden Nodes dan 1 Outputs Q

ult

3.5.2 Model Penurunan Tiang NN_S

i

Pemilihan variabel input pada model untuk analisis S

i

(penurunan) sama dengan variabel input model Q

ult

, hanya saja dasar pemilihan variabel input model untuk analisis S

i

menggunakan data yang langsung diperoleh dari hasil uji penyelidikan tanah sehingga diharapkan lebih sederhana pada saat mengaplikasikan model akhir. Variabel input model yang mewakili geometri tiang adalah L, d, dan p.

Propertis tanah yang dibutuhkan untuk perhitungan penurunan adalah E

s

, K, dan Angka Poisson tanah (υ

s

) tidak dipakai dalam input variabel model jaringan dikarenakan nilai E

s

, K, dan Angka Poisson tanah (υ

s

) sangat dipengaruhi oleh tipe karakteristik tanah dan hanya mempunyai konstribusi atau pengaruh yang sangat kecil. Tipe karakteristik tanah diperoleh dari nilai N-SPT, sehingga nilai N-SPT yang dipakai dalam input variabel model jaringan. Berdasarkan uraian tersebut maka variabel input yang mewakili propertis tanah adalah N

shaft

dan N

tip

, dengan asumsi kedua nilai ini mewakili K dan E

s

. Variabel input untuk perhitungan penurunan elastik tiang (S

i

) yang dipakai pada penelitian ini dapat dilihat pada Tabel 3.2.

Tabel 3.2.Variabel Input Model Untuk perhitungan Penurunan Elastik Pondasi Tiang

Kategori Variabel Input

Pondasi

Panjang tiang tertanam, Lp (m) Panjang tiang dibawah gauge, Le (m) Diameter tiang, d (m)

Luas Penampang , A (m

²

) Keliling tiang, K (m) Mutu Beton, f’c (Mpa) Berat Hammer, P (Ton) Properties tanah N

60(shaft)

(pukulan)

N

60(tip)

(pukulan)

Kondisi Beban Berat Pondasi, W (Ton)

Gambar 3.4. Desain Model Jaringan dengan 1 Hidden Layer, 2 Hidden Nodes dan 1 Outputs Si

Gambar 3.5. Desain Model Jaringan dengan 2 Hidden Layer, 10 Hidden Nodes Layer 1, 9 Hidden Nodes Layer 2 dan 2 Outputs

Q

ult

dan S

i

3.6 Parameter Internal Model Jaringan Syaraf Tiruan

Kasabov (1998), Purnomo dan Kurniawan (2006) menjelaskan tentang keberhasilan proses pembelajaran model algoritma Back-Propagation, selain ditentukan oleh parameter bebasnya (bobot koneksi), juga dipengaruhi oleh parameter internalnya, antara lain seperti Inisialisasi penimbang / bobot koneksi (weight connection initial), laju pelatihan (learning rate) dan momentum.

Penimbang sebagai interkoneksi jaringan syaraf tiruan (artificial neural networks) yang akan dilatih biasanya disimbolkan atau diberi nilai awal dengan bilangan yang nyata kecil dan dapat diinisialisasikan secara random. Hine dan Montgomery (1990) menjelaskan bahwa konvergensi tidak akan dicapai bila penimbang kurang bervariasi dan jika acaknya terlalu kecil.

Konvergensi hampir selalu tercapai untuk inisialisasi acak pada nilai -0,5 sampai 0,5 atau -1 sampai 1. Besarnya parameter laju pelatihan (learning rate) pada umumnya berkisar antara 0,05 sampai 1,0 selama proses pelatihan, dan dapat mempengaruhi intensitas proses pelatihan, efektivitas, dan kecepatan tercapainya konvergensi dari pelatihan tersebut.

Adapun parameter momentum (α) yang berupa bilangan positip antara 0,05 sampai dengan 1,0 dapat mempengaruhi laju pelatihan (η) yang juga dapat mempercepat konvergensi algoritma Back-Propagation. Prinsipnya adalah menambahkan sebagian dari perubahan penimbang sebelumnya, yaitu dengan Persamaan 3.2 (Purnomo dan Kurniawan, 2006) sebagai berikut:

Δw(t) = η 𝛻 E(t) + α Δw(t-1) ……… ... (3.2)

Dengan:

Δ : delta / perbedaan

W : weight connection / bobot koneksi η : learning rate / lajupelatihan

∇ : nabla/ gradient / kemiringan, E : error

α : momentum

3.7. Pengelolaan Data

Pengelolaan data secara baik sangatlah penting dalam suatu penelitian untuk mendapatkan hasil yang akurat dan dapat dilakukan dengan menentukan jumlah sampel data yang tepat dan pola sampel yang akan digunakan dalam penelitian. Banyaknya sampel akan memberikan lebih banyak informasi terhadap jaringan untuk belajar mengenai hubungan antara input data dengan output target dan dapat mengimbangi ketidakjelasan atau kesalahan data sehingga diperoleh peningkatan potensi ketelitian yang dapat dicapai oleh jaringan. Shahin (2001) menerangkan bahwa model jaringan syaraf tiruan dapat memberikan kemampuan yang baik bila tidak digunakan untuk ekstrapolasi diluar data yang yang digunakan untuk tahap training.

Besar bobot koneksi dalam model jaringan syaraf tiruan akan menyebabkan terjadinya overfit terutama apabila terdapat noisy pada data yang digunakan pada fase training. Apabila jumlah derajat kebebasan dari model lebih besar dibandingkan jumlah titik data yang digunakan untuk fase training, maka kemungkinan yang terjadi adalah model tidak dapat menangkap trend yang terjadi, sebagaimana yang diharapkan sehingga model cenderung memiliki kemampuan untuk mengingat (memorisation) dari pada menggeneralisasi. Pemisahan antara fase validasi dengan fase training sangatlah penting, dalam memastikan kemampuan model jaringan dalam rentang data yang digunakan dengan memisahkan kedua data tersebut.

Cross-validation dalam pengolahan suatu data pada pembuatan model jaringan syaraf tiruan adalah data yang tersedia untuk pengelolaan model tersebut dibagi sesuai dengan proporsi yang telah disarankan sebagai berikut : 2/3 data untuk fase training (yaitu: training dan testing) dan l/3 data untuk fase validasi (Shahin et al. 2001). Penyesuain bobot koneksi didapatkan dari data training, dan data testing set digunakan untuk memeriksa kemampuan suatu model pada beberapa variasi tahapan training, dan untuk mengestimasi kemampuan model yang telah melewati fase training yang akan diaplikasikan menggunakan data validasi set.

Untuk dapat mempresentasikan populasi yang sama, maka pembagian sampel data pada

tahap training dan validasi menjadi beberapa pola, sehingga diperlukan beberapa kombinasi

random atau acak yang dilakukan sampai memperoleh nilai yang konsisten pada beberapa nilai

statistik berupa rata-rata, standart deviasi, nilai minimum dan maksimum, range (Shahin et al.

2002a). Adapun persamaan untuk rata-rata, standar deviasi, dan range berturut-turut diberikan oleh Persamaan 3.3, Persamaan 3.4, dan Persamaan 3.5 (Hines dan Montgomery, 1990).

𝜇 =

^{∑𝑛𝑖=0𝑋𝑖}

𝑛

... (3.3) 𝜎 = √

^{∑𝑛𝑖=1𝑋𝑖2− (∑𝑛𝑖=1𝑋𝑖)2/𝑛}

𝑛−1

... (3.4) R = maks (X

i

) – min (X

i

) ... (3.5) Shahin (2002a) menjelaskan bahwa input data yang mempunyai nilai yang jauh lebih besar atau lebih kecil akan dibandingkan dengan input yang lainnya. Maka data dalam 2 (dua) fase tersebut akan diproses terlebih dahulu sebelum digunakan dalam model jaringan, hal ini dilaksanakan untuk memastikan bahwa semua variable menerima perhatian atau perilaku yang sama selama proses training, mempercepat jaringan tersebut belajar, mengatasi terdapatnya .

Pre-processing data input sebaiknya dilakukan dengan batas yang berlaku dari fungsi transfer yang digunakan, misalnya: -1,0 sampai dengan 1,0 untuk fungsi transfer bipolar sigmoid, dan 0,0 sampai dengan 1,0 untuk fungsi logistic sigmoid. Pre-processing dengan nilai input dan output antara nilai -1 sampai dengan 1 rumusnya ditunjukkan pada Persamaan 3.6.

𝑃

_𝑛

= 2

^{(𝑃− 𝑃𝑚𝑖𝑛)}

(𝑃_{𝑚𝑎𝑘𝑠}− 𝑃_𝑚𝑖𝑛)

− 1 ... (3.6) dengan P

n

adalah nilai ternormalisasi, P adalah nilai asli, P

maks

adalah nilai maksimum input atau output, dan P

min

adalah nilai minimum input atau output. Pre-processing dengan nilai input dan output antara nilai 0 s/d 1 rumusnya ditunjukkan oleh Persamaan 3.7.

𝑃

_𝑛

=

^{(𝑃− 𝑃𝑚𝑖𝑛)}

(𝑃_{𝑚𝑎𝑘𝑠}− 𝑃_𝑚𝑖𝑛)

... (3.7) Kekuatan jaringan syaraf tiruan adalah alat yang sangat kuat (robust) untuk memetakan suatu masalah yang rumit sehingga diperoleh solusi terbaik, tetapi juga menjadi kelemahannya.

Permasalahan atau kelemahan yang terjadi pada jaringan syaraf tiruan adalah terjadinya

overfitting, yaitu terdapat noise pada jaringan ketika ada tambahan fungsi yang akan kita cari,

atau dengan pengertian lain error pada training set diarahkan ke nilai yang kecil, apabila

kemudian ada data baru dimasukkan pada jaringan tersebut maka error yang terjadi menjadi

besar.

Ada beberapa pendekatan untuk menghindari terjadinya overfitting yaitu dengan menambah ukuran sampel training, membatasi jumlah hidden nodes, dan membatasi jumlah training epoch. Penjelasannya adalah sebagai berikut:

a. Menambah ukuran sampel training jika dimungkinkan.

Tidak akurat, tidak lengkap dan tidak jelas maupun minimnya suatu data yang ada akan menghasilkan kurangnya informasi antara input dan output dalam suatu jaringan, maka untuk mendapatkan hasil yang baik dengan menambahkan sampel training data yang ada akan memberi lebih banyak informasi kepada jaringan untuk belajar lebih banyak tentang hubungan antara input dengan target output dan dapat mengimbangi ketidaklengkapan atau ketidakjelasan data yang ada.

b. Membatasi jumlah hidden nodes.

Pembatasan kapasitas jaringan akan membatasi juga bobot koneksi, sehingga bobot koneksi pada jaringan akan tergantung dari jumlah node yang ada. Output node yang didapatkan disesuaikan dengan permasalahan yang akan diselesaikan, maka setelah itu diperlukan utuk mengontrol jumlah hidden nodes dan input node yang ada. Sehingga input node tersebut dapat mengambarkan sebuah variabel yang dapat memberikan kesempatan kepada jaringan sehingga mendapatkan hasil yang lebih teliti.

c. Membatasi jumlah training epoch.

Menentukan kapan jaringan mencapai kondisi overfitting, maka kita dapat menghentikan proses training tersebut sebelum terjadi overfitting dan menggunakan jaringan dengan kemampuan generalisir terbaik tersebut sebagai model yang akan kita gunakan. Penghentian training dilakukan setelah nilai error cukup kecil dan tidak ada lagi perubahan error pada proses training tersebut.

3.7.1. Penentuan Model Arsitektur Jaringan

Model arsitektur jaringan untuk mendapatkan hasil optimum belum ada cara secara pasti,

sehingga hanya dilakukan dengan menetapkan (fixing) jumlah lapisan yang tersembunyi

dengan memilih masig - masing node pada setiap lapisan jaringan. Jaringan meliputi dari 2

(dua) lapisan yang mengambarkan dari variabel input dan outputnya. Shahin et al. (2001) menjelaskan adanya jaringan dengan satu lapisan tersembunyi dengan menggunakan fungsi aktivasi jenis sigmoid dirasakan sudah cukup uutuk menyelesaikan suatu masalah.

Dengan membatasi jumlah hidden nodes akan mengurangi waktu fase training dan membatu kemampuan jaringan secara optimal sehingga terhindar terjadi over fitting. Adapun beberapa pendekatan dalam menentukan jumlah hidden nodes yang telah dilakukan oleh bebarapa peneliti sebagai berikut :

1. Aldrich (1994), untuk menentukan jumlah nodes pada lapisan tersembunyi pada suatu jaringan ditunjukkan oleh Persamaan 3.8.

𝑁

_ℎ

=

^𝑛

𝑘 (𝑚+𝑃)

... (3.8) dengan:

N

h

: jumlah hidden nodes

n : jumlah sample pada training set

k : noise factor, bervariasi antara 4 – 10, semakin besar k semakin besar juga tingkat noise pada data

m : jumlah node pada input p : jumlah node pada output

2. Nawari et al. (1999), dalam menentukan jumlah hidden node pada lapisan tersembunyi akan berkurang setiap lapisannya sehingga membentuk piramid, diukur dari input kearah lapisan output.

3. Shahin et al. (2001), menyatakan tentang penentuan hidden node apabila jaringan memiliki 1 (satu) lapisan jaringan lapisan tersembunyi yaitu sebagai berikut :

- Hecht-Nielsen (1987), menyarankan batas atas jumlah hidden nodes adalah (2I+1) dengan I adalah jumlah input.

Dari pendekatan penelitian para peneliti dalam menghitung hidden node, maka diambil

angka yang terendah dan yang teratas dengan ambang batasan maksimum adalah 6 (enam),

dikarenakan semakin banyak nilai hidden nodes maka akan semakin rumit tahap analis model

dan aplikasi jaringan model tersebut.

3.7.2. Model Akhir Kriteria Jaringan

Hasil pengukuran dan output yang dihasilkan oleh jaringan akan dibandingkan dengan cara kualitatif dan kuantitatif. Pengujian parameter statistik merupakan cara kuantitatif yaitu dengan menghitung parameter statistik the root mean squared error (RMSE) dan the coefficient of correlation “r”. Dengan melihat plotting titik (node) pada hasil pengukuran dan output yang dihasilkan dari jaringan tersebut merupakan uji kualitatif yaitu dengan memperhatikan gambar grafik hubungan antara jumlah epoch vs sse” dan grafik hubungan antara hasil perhitungan vs hasil prediksi". Shahin et al. (2001) menggunakan pendekatan rumus RMSE (the root mean square error (RMSE) sebagai alat pengukur error yang digunakan untuk mengevaluasi performa suatu model dan menggunakan the coefficient of correlation (r) untuk mengukur baik tidaknya performa trend dari suatu nilai prediksi dengan membandingkan dengan trend aktual yang terjadi, dapat dilihat pada Persamaan 3.9 dan Persamaan 3.10.

𝑅𝑀𝑆𝐸 = {

¹

𝑛

∑

^𝑛_𝑗=1

(𝑦𝑗 − 𝑑𝑗)

²

}1/2 ... (3.9) dengan :

y

j

: output model (predicted), y

j

= y

1

, y

2

, y

3

,……..,y

n

d

j

: output targer (desired/observed), d

j

= d

1

, d

2

, d

3

,………,d

n

n : jumlah data

𝑟 =

^{𝐶𝑦𝑗𝑑𝑗}

𝜎_𝑦𝑗𝜎_𝑑𝑗

... (3.10) 𝐶

_{𝑦𝑗𝑑𝑗}

=

¹

𝑛−1

∑ (𝑦

_𝑗

− 𝑦̅)(𝑑

_𝑗

− 𝑑̅) =

¹

𝑛

[∑ 𝑦

_𝑗

𝑑

_𝑗

−

^{∑ 𝑦𝑗∑ 𝑑𝑗}

𝑛𝑗=1 𝑛𝑗=1

𝑛

𝑛𝑗=1

]

𝑛𝑗=1

... (3.11)

𝜎

_𝑦𝑗

= √

^{∑ (𝑦𝑗−𝑦̅)2}

𝑛𝑗=1

𝑛−1

... (3.12) 𝜎

_𝑗

= √

^{∑ (𝑑𝑗−𝑑̅)}

𝑛 2 𝑗=1

𝑛−1

... (3.13) 𝑑̅ =

^{∑ 𝑑𝑗}

𝑛𝑗=1

𝑛

... (3.14) dengan :

C

yjdj

: kovarian antara output model (y

j

) dengan output target (d

j

)

σ

yj

: standart deviasi output model y

j

σ

dj

: standart deviasi output model d

j

𝑦̅ : mean output model y

j

𝑑̅ : mean output target d

j

Batasan – batasan nilai “r” atau coefisien of correlation yang dikemukakan oleh Smith (1986) dalam Shahin et al (2000) adalah sebagai berikut:

1. |𝑟| > 0,8 : hubungan antara dua set variable sangat kuat 2. 0,2 < |𝑟|< 0,8 : terdapat hubungan anatara dua set variabel 3. |𝑟| ≤ 0,2 : hubungan antara dua set variable sangat lemah

Pada Gambar 3.6, Gambar 3.7, Gambar 3.8 dan Gambar 3.9 merupakan contoh keluaran (output) analisa jaringan syaraf tiruan (artificial neural networks) dengan menggunakan program MATLAB berupa nilai coefisien of correlation, validation chek, regresi dan performa jaringan.

Gambar 3.6 Hasil NN_Qult dan NN_SI pada data Validasi dan Training

Gambar 3.7 Hasil performance jaringan terlatih dengan epoch 1000

Gambar 3.8 Hasil Validation Check pada jaringan terlatih dengan epoch 1000

Gambar 3.9 Hasil Regresi pada jaringan terlatih dengan epoch 1000 3.7.3. Tahap Pemeriksaan Model (Model Verification)

Analisis sensitivitas merupakan metode pemeriksaan model dengan melihat hubungan pengaruh variable input dengan variable output model jaringan. Dengan melakukan percobaan pertama yaitu memasang nilai variabel input pertama yang bervariasi dengan nilai meannya ± standart deviasi, atau antara nilai minimum dan maksimumnya, sedangkan variable input yang lainnya tetap pada nilai meannya masing-masing, lalu percobaan yang serupa dilakukan dengan variabel yang kedua, ketiga, keempat, kelima dan seterusnya.

Proses ini akan menghasilkan grafik hubungan antara masing-masing variabel input dengan variabel output prediksi jaringan / model. Shahin et al. (2002), Samui et al. (2006) menyatakan bahwa kekuatan dari model akhir dinilai dari kesesuaian model akhir tersebut dengan teori yang ada.

3.7.4. Tahap Pengujian Model (Calibration Model)

Pada tahap pengujian dan pencocokan model merupakan hal yang terpenting untuk

menyesuaikan hasil dan analisis. Tahapan analisis sensitivitas mengahasilkan model akhir yang

dicari yaitu NN_Q

ult

dan NN_S

i

. Model tersebut kemudian digunakan untuk pengujian atau pencocokan dengan hasil uji beban statik skala penuh dengan metode Kentledge sebagai alat validasi lapangan. Beberapa persamaan konvensional dipilih dan dibandingankan dengan model akhir NN_Q

ult

dan NN _S

i.

Adapun alat yang digunakan untuk melakukan perbandingan adalah beberapa parameter ilmu statistika.

Metode statistik dapat menjadi salah satu alternatif dalam memecahkan permasalahn seperti rata-rata (mean), penyebaran (variability) maupun pemisahan (dispersion) dan saling berhubugan (correlation) sehingga dapat memberikan suatu gambaran terhadap permasalahan atau persoalan dalam penelitian tersebut.

3.7.5. Analisa Komparasi Model Akhir dengan Rumus Konvensional

Analisa komparasi model akhir yang berupa NN_Q

ult

dan NN_S

i

dari hasil penelitian dengan menggunakan metode jaringan syaraf tiruan kemudian dikomprasikan dengan pengujian PDA (Pile Driving Analyzer) kemudian juga dibandingkan dengan metode konvensional yang lain.

Tahap pembandingan atau komparasi daya dukung ultimate hasil prediksi terhadap hasil komparasi

^{𝑄𝑢𝑙𝑡𝑝}

𝑄_{𝑢𝑙𝑡𝑘}

dan perbandingan penurunan elastik hasil prediksi terhadap pengukuran

^𝑆𝑖𝑝

𝑆_𝑖𝑚

digunakan sebagai variable analisi komparasi. Perbandingan

^{𝑄𝑢𝑙𝑡𝑝}

𝑄_{𝑢𝑙𝑡𝑘}

atau

^𝑆𝑖𝑝

𝑆_𝑖𝑘

berada pada kisaran antara 0 sampai dengan ∞ dengan nilai optimum sama dengan 1 (satu). Sebuah metode yang dianalisis dikatakan underpredicts bila

^{𝑄𝑢𝑙𝑡𝑝}

𝑄_{𝑢𝑙𝑡𝑘}

atau

^𝑆𝑖𝑝

𝑆_𝑖𝑘

< 1, dan sebaliknya. Mean (μ) sama dengan 1 (satu) dan standart deviasi (σ) sama dengan 0 (nol).

3.8. Desain Penelitian Jaringan

Melakukan desain penelitian yang dilakukan menghasilkan 2 (dua) model jaringan syaraf tiruan yaitu sebagai berikut:

a. Model pertama untuk perhitungan daya dukung batas, diberi nama NN_Q

ult

,{ NN

adalah singkatan dari Neural Network dan subscript pada Q

ult

adalah singkatan dari

ultimit),

b. Model kedua untuk perhitungan penurunan elastik, diberi nama NN_S

i

(subscript pada S

i

adalah singkatan dari immediate).

Model NN _Q

ult

dan model NN_S

i

dibuat dengan 2(dua) cara yaitu sebagai berikut:

a. Cara pertama: masing-masing model dilakukan proses training yang terpisah pada jaringan yang terpisah. Pada cara ini, jaringan memiliki 1(satu) output.

c. Cara kedua: kedua model dilakukan proses training secara bersamaan pada jaringan yang sama. Pada cara ini, jaringan memiliki 2 (dua) output.

Penentuan arsitektur jaringan dilakukan dengan cara sebagai berikut:

a. Jumlah hidden layers: ditetapkan / fixing, yaitu l dan 2.

b. Jumlah hidden nodes: dicoba–coba / choosing, dihitung menggunakan beberapa rumus peneliti yang telah diuraikan di bagian awal. Rumus-rumus tersebut berlaku untuk jaringan dengan l (satu) hidden layer, sedangkan untuk jaringan dengan 2(dua) hidden layers belum ada teorinya. Prinsip penentuan jumlah hidden nodes yang digunakan untuk jaringan dengan l (satu) hidden layer juga digunakan untuk jaringan dengan 2 (dua) hidden layers.

c. Fungsi aktivasi: digunakan logsing karena karakteristik data yang dilatih berada pada rentang nilai antara sama dengan nol sampai dengan nilai plus (lebih besar dari nol).

Cara sebuah proses training dihentikan dilakukan dengan kriteria jumlah epoch, nilainya ditetapkan 1000 dan 10.000. Belum ada teori yang menyebutkan cara penentuan jumlah epoch akan tetapi menggunakan saran Demuth et al. (2006) bahwa sebaiknya jumlah epoch dibatasi untuk menghindari terjadinya overfitting.

Parameter internal jaringan ditetapkan nilai - nilainya sebagai berikut:

1. Goal (mse) = 0,01 ; momentum = 0,5; epoch 1000 2. Goal (mse) = 0,001 ; momentum = 0,5 ; epoch 10.000

3.9 Data Pembuatan Model

Dalam pembuatan model NN_Q

ult

ada 9 (Sembilan) input data dan untuk NN_S

i

ada 10

(sepuluh) input data. Semua data yang ada akan dimodelkan pada tahapan training dan validasi

dengan menggunakan data yang ada, adapun data sebesar 2/3 dari data yang didapatkan untuk pengujian training, dan pada tahapan validasi dengan menggunakan data 1/3 dari data tersebut.

Mengacu pada Tabel 2.1 sebagian besar pengujin Bor Mesin Geoteknik di Indonesia menggunakan panjang rod adalah 3 meter maka nilai N-SPT yang di pakai dalam pembuatan model adalah N-SPT terkoreksi yaitu dengan nilai koreksi sebesar 0,75 x N-SPT (Tabel 2.1) dan Adapun hasil N-SPT dan input dalam pembuatan model dapat dilihat di Tabel 3.3.

Tabel 3.3 Data Input dalam Pembuatan Model NN_Q

ult

dan NN_S

i

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

1 80 20 38 8,6 8,3 10,008 5024,00 251,200 350 1,3

2 80 20 38 4,3 3,1 3,7379 5024,00 251,200 350 1,3

3 80 19 38 9,8 9,5 11,454 5024,00 251,200 350 4

4 80 19 38 10,2 10 12,057 5024,00 251,200 350 4

5 40 9 23 9,68 9,48 2,8577 1256,00 125,600 300 1

6 40 9 23 9,73 9,55 2,8788 1256,00 125,600 300 1

7 120 30 38 2,5 2 5,4259 11304,00 376,800 350 7

8 100 30 38 2,4 2,1 3,9564 7850,00 314,000 350 7

9 100 30 45 23,4 23 43,332 7850,00 314,000 350 14

10 120 23 38 23,2 23 62,398 11304,0 376,800 350 14

11 80 19 34 9,16 8,86 10,683 5024,00 251,200 350 7

12 80 19 34 9,21 8,81 10,622 5024,00 251,200 350 7

13 40 13 30 22 21,7 6,5412 1256,00 125,600 300 1,3

14 40 13 30 24,8 23,2 6,9934 1256,00 125,600 300 1,3

15 90 17 29 17,7 17,1 24,948 6079,04 276,320 300 5

16 90 17 29 19,2 18,9 27,574 6079,04 276,320 300 5

17 90 17 30 18 17,85 26,042 6079,04 276,320 300 5

18 90 17 30 17,8 17,6 25,677 6079,04 276,320 300 5

19 80 19 32 17,9 17,6 21,221 5024,00 251,200 300 7

20 80 38 38 19,5 19,5 23,512 5024,00 251,200 350 14

21 100 27 38 19,5 19,3 36,361 7850,00 314,000 350 14

22 80 15 31 19 18,1 21,824 5024,00 251,200 350 6

23 90 14 30 28 27,85 40,632 6079,04 276,320 350 6

24 80 21 34 14,6 14 16,880 5024,00 251,200 350 7

25 120 21 34 14,2 14 37,981 11304,00 376,800 350 7

26 50 15 32 21,2 20,76 9,7780 1962,50 157,000 300 1,35

27 50 15 32 20,2 19 8,9490 1962,50 157,000 300 1,35

28 80 21 38 18,8 18,5 22,306 5024,00 251,200 350 7

29 80 21 38 18,8 18,5 22,306 5024,00 251,200 350 7

30 80 15 28 21,2 20,7 24,959 5024,00 251,200 350 7

31 80 28 23 6,6 6,1 7,3551 5024,00 251,200 350 7

32 80 26 30 2,7 2,35 2,8335 5024,00 251,200 350 7

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

33 80 26 38 3 2,5 3,0144 5024,00 251,200 350 7

34 80 11 28 19,1 18,7 22,547 5024,00 251,200 300 5

35 60 15 30 19,5 11 7,4606 2826,00 188,400 300 4,5

36 60 15 30 19,5 10,43 7,0740 2826,000 188,400 300 4,5

37 60 14 35 21,8 11,8 8,0032 2826,000 188,400 300 4,5

38 90 19 34 45,6 41 62,567 6358,500 282,600 300 6

39 90 14 30 36 29,5 45,018 6358,500 282,600 300 6

40 90 14 30 36 29,5 45,018 6358,500 282,600 300 6

41 40 21 38 17,5 17,1 5,1546 1256,000 125,600 300 1,5

42 40 23 38 17,6 17,2 5,1848 1256,000 125,600 300 1,5

43 100 20 32 23,5 22,95 43,237 7850,000 314,000 350 15

44 100 20 32 27,5 26,9 50,679 7850,000 314,000 350 15

45 50 6 20 24,2 23,7 11,162 1962,500 157,000 300 4,5

46 50 6 20 24,2 23,6 11,115 1962,500 157,000 300 4,5

47 50 6 20 23,6 23,6 11,115 1962,500 157,000 300 4,5

48 60 8 25 9,7 9,4 6,3755 2826,000 188,400 300 4

49 60 8 25 11,1 10,8 7,3250 2826,000 188,400 300 4

50 60 4 23 7,85 7,85 5,3242 2826,000 188,400 300 4

51 100 38 38 25 24,8 46,723 7850,000 314,000 350 7

52 60 11 28 19,85 19,55 13,259 2826,000 188,400 300 4

53 60 11 28 19,75 19,2 13,022 2826,000 188,400 300 4

54 80 11 28 18,9 18,7 22,547 5024,000 251,200 300 4

55 80 9 26 19,1 18,7 22,547 5024,000 251,200 350 7

56 100 14 32 27 26,7 50,302 7850,000 314,000 350 7

57 60 11 26 19,4 19 12,886 2826,000 188,400 350 7

58 100 13 30 16,1 15,8 29,767 7850,000 314,000 350 4

59 100 13 30 10,1 9,8 18,463 7850,000 314,000 350 4

60 100 12 30 11,7 11 20,724 7850,000 314,000 350 4

61 120 23 34 19,6 19,2 52,088 11304,00 376,800 350 15

62 100 23 34 22,9 22,3 42,013 7850,000 314,000 350 15

63 80 21 34 14,5 13,85 16,699 5024,000 251,200 350 8

64 90 15 27 34,85 21 32,046 6358,500 282,600 350 4,5

65 90 15 27 34,7 18,8 28,689 6358,500 282,600 300 4,5

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

66 90 13 26 34,9 21 32,046 6358,500 282,600 300 4,5

67 90 13 26 33,4 21,6 32,962 6358,500 282,600 350 4,5

68 50 11 25 9,5 9,3 4,380 1962,500 157,000 350 1,3

69 40 8 20 16,3 15,9 4,792 1256,000 125,600 350 2,5

70 40 9 23 16,3 15,65 4,717 1256,000 125,600 350 2,5

71 80 18 30 24,95 24,6 29,661 5024,000 251,200 350 7

72 80 9 29 19,2 18,6 22,427 5024,000 251,200 350 7

73 80 11 29 24,9 24,65 29,722 5024,000 251,200 350 7

74 60 15 26 18,6 18,1 12,276 2826,000 188,400 350 7

75 120 25 33 11,6 11,1 30,113 11304,00 376,800 350 7

76 100 24 34 11,9 11,2 21,100 7850,000 314,000 350 7

77 100 20 33 27,6 27 50,868 7850,000 314,000 350 7

78 100 9 23 13 12,8 24,115 7850,000 314,000 350 4

79 100 9 23 9,2 9 16,956 7850,000 314,000 350 4

80 60 17 29 30,95 30,65 20,788 2826,000 188,400 350 4,5

81 60 17 29 24,8 24,3 16,481 2826,000 188,400 350 4,5

82 60 16 30 11,3 10,5 7,121 2826,000 188,400 300 4

84 60 17 30 23,45 10 6,782 2826,000 188,400 300 12

85 60 17 30 23,85 10,5 7,121 2826,000 188,400 300 12

86 60 23 32 26,3 25,4 17,223 2826,000 188,400 350 4,6

87 60 23 32 22,8 23,3 15,803 2826,000 188,400 350 4,6

88 60 20 34 9,51 9,11 6,178 2826,000 188,400 350 4,6

89 60 20 34 11 10,6 7,189 2826,000 188,400 350 4,6

90 80 19 32 16,94 16,63 20,051 5024,000 251,200 350 2,5

91 100 21 32 8,4 8,15 15,354 7850,000 314,000 350 2,5

92 60 14 30 11,06 10,94 7,4199 2826,000 188,400 350 2,5

93 80 14 30 17,4 17,25 20,799 5024,000 251,200 350 2,5

94 50 11 24 11,1 10,7 5,0397 1962,500 157,000 350 2,5

95 50 11 24 11,05 10,6 4,9926 1962,500 157,000 300 2,5

96 40 12 23 11,1 10,9 3,2857 1256,000 125,600 300 2,5

97 40 12 23 11,2 10,8 3,2556 1256,000 125,600 300 2,5

98 80 21 38 5,1 4,6 5,5465 5024,000 251,200 300 1,6

99 80 21 38 4,4 3,8 4,5819 5024,000 251,200 300 1,6

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

100 80 25 38 4,9 4,3 5,1848 5024,000 251,200 300 1,6

101 100 24 30 3,3 3,1 5,8404 7850,000 314,000 350 2,5

102 80 24 30 3,4 3,1 3,7379 5024,000 251,200 350 2,5

103 100 24 30 3,65 2,9 5,4636 7850,000 314,000 350 2,5

104 100 23 38 3,15 2,85 5,3694 7850,000 314,000 350 2,5

105 100 23 38 3,9 3,1 5,8404 7850,000 314,000 350 2,5

106 100 38 38 3,35 2,85 5,3694 7850,000 314,000 350 2,5

107 80 26 36 3,3 2,8 3,3761 5024,000 251,200 350 2,5

108 80 26 35 3,15 2,75 3,3158 5024,000 251,200 350 2,5

109 100 26 35 2,5 2 3,7680 7850,000 314,000 350 2,5

110 80 13 30 3,2 2,85 3,4364 5024,000 251,200 300 4

111 60 13 30 5,75 5,4 3,6625 2826,000 188,400 300 4

112 60 12 34 6,45 5,75 3,8999 2826,000 188,400 300 4

113 80 12 34 7,35 7,15 8,6212 5024,000 251,200 300 4

114 80 15 32 19,5 18,8 22,668 5024,000 251,200 350 7

115 80 15 32 19,6 19,2 23,150 5024,000 251,200 350 7

116 80 15 32 19,7 19,35 23,331 5024,000 251,200 350 7

117 60 8 32 17,7 17,3 11,733 2826,000 188,400 300 2,5

118 60 9 23 25,2 24,7 16,752 2826,000 188,400 300 3

119 60 9 23 25,2 24,7 16,752 2826,000 188,400 300 3

120 60 11 27 11,9 12,2 8,2745 2826,000 188,400 300 2,5

121 80 11 27 14,3 13,9 16,760 5024,000 251,200 300 2,5

122 50 14 30 15,6 15,1 7,1121 1962,500 157,000 300 3

123 50 11 30 15,44 14,64 6,8954 1962,500 157,000 300 3

124 60 13 26 32,2 32 21,703 2826,000 188,400 300 1,5

125 60 13 26 32,3 32,05 21,737 2826,000 188,400 300 1,5

126 40 11 29 21,3 20,8 6,2700 1256,000 125,600 300 1,8

127 40 11 29 21,2 20,75 6,2549 1256,000 125,600 300 1,8

128 60 17 38 11,2 11 7,4606 2826,000 188,400 300 2

129 40 11 28 19,25 18,75 5,6520 1256,000 125,600 300 1,8

130 40 14 30 19,3 18,8 5,6671 1256,000 125,600 300 1,8

131 40 13 30 7,75 7,15 2,1553 1256,000 125,600 300 4,6

132 40 13 30 3,35 2,75 0,8290 1256,000 125,600 300 4,6

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

133 40 15 28 5,95 5,25 1,5826 1256,000 125,600 300 4,6

134 40 15 28 7,15 6,5 1,9594 1256,000 125,600 300 4,6

135 40 5 20 14,4 14 4,2202 1256,000 125,600 300 2,5

136 40 8 19 14,2 13,9 4,1900 1256,000 125,600 300 2,5

137 60 38 28 19,1 18,2 12,344 2826,000 188,400 300 4

138 60 11 27 27,8 26,1 17,702 2826,000 188,400 300 3,5

139 40 13 30 29,55 29,35 8,8473 1256,000 125,600 300 1,3

140 50 13 30 40,1 39,9 18,792 1962,500 157,000 300 1,3

141 80 17 28 26,2 26 31,349 5024,000 251,200 350 7

142 100 17 28 30,2 30,2 56,896 7850,000 314,000 350 14

143 100 14 28 29,4 29,4 55,389 7850,000 314,000 350 14

144 60 14 28 18,5 18,5 12,547 2826,000 188,400 350 4

145 60 13 30 4,2 3,7 2,5095 2826,000 188,400 300 4,6

146 60 13 30 3,2 2,7 1,8312 2826,000 188,400 300 4,6

147 40 15 29 20,2 19,95 6,0137 1256,000 125,600 300 1,5

148 40 14 29 20,2 20,15 6,0740 1256,000 125,600 300 1,5

149 150 17 35 21,8 21,5 91,138 17662,50 471,000 175 20

150 150 17 35 21,1 20,8 88,171 17662,50 471,000 175 20

151 150 17 38 32 31,85 135,01 17662,50 471,000 350 20

152 150 17 38 31,1 30,9 130,98 17662,50 471,000 350 20

153 80 28 45 20,55 20,05 24,175 5024,000 251,200 275 6

154 80 28 45 20,65 20,25 24,416 5024,000 251,200 275 6

155 60 14 32 21,4 21,15 14,344 2826,000 188,400 275 7

156 60 14 32 21,2 21 14,243 2826,000 188,400 300 7

157 60 15 29 21,4 21,2 14,378 2826,000 188,400 300 7

158 60 15 29 21,4 21,1 14,310 2826,000 188,400 300 7

159 60 15 29 20,4 20,1 13,632 2826,000 188,400 250 7

160 50 16 30 5,2 4,9 2,3079 1962,500 157,000 275 1,3

161 150 12 28 10,2 10 42,390 17662,50 471,000 350 20

162 150 12 28 10,45 10 42,390 17662,50 471,000 350 20

163 150 9 23 10,3 10 42,390 17662,50 471,000 350 20

164 150 9 23 10,3 10 42,390 17662,50 471,000 350 20

165 80 20 38 36,3 36 43,407 5024,00 251,200 350 7

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

166 80 20 38 36,35 36 43,407 5024,00 251,200 350 7

167 80 17 38 35,3 35 42,201 5024,00 251,200 350 7

168 80 17 38 35,3 35 42,201 5024,00 251,200 350 7

169 60 13 30 24 23,8 16,142 2826,00 188,400 300 5

170 60 13 30 23,8 23,3 15,803 2826,00 188,400 300 5

171 80 19 33 29,4 29 34,967 5024,000 251,200 350 3,2

172 80 19 33 29,15 28,95 34,906 5024,00 251,200 350 3,2

173 120 28 38 11,5 11 29,842 11304,00 376,800 350 3

174 120 28 38 11,5 11,2 30,385 11304,00 376,800 350 3

175 120 28 38 11,5 11,8 32,012 11304,00 376,800 350 3

176 50 15 38 20,7 20,2 9,514 1962,500 157,000 300 1,4

177 50 15 34 20,6 20,25 9,537 1962,50 157,000 300 1,4

178 60 24 38 19,1 18,7 12,683 2826,00 188,400 300 2

179 60 24 38 19,3 19 12,886 2826,00 188,400 300 2

180 60 21 38 16,3 15,8 10,716 2826,00 188,400 300 2

181 60 21 38 15,2 14,7 9,970 2826,00 188,400 300 2

182 60 21 38 16,3 16 10,851 2826,00 188,400 300 2

183 80 11 36 13,5 13 15,674 5024,00 251,200 300 3

184 80 12 35 32,35 31,95 38,524 5024,00 251,200 300 2,2

185 50 16 32 21,4 20,75 9,773 1962,50 157,000 300 1,7

186 50 14 32 21,35 20,75 9,773 1962,500 157,000 300 1,7

187 50 14 32 21,4 20,9 9,843 1962,500 157,000 300 1,7

188 80 26 38 20 19,5 23,512 5024,00 251,200 300 3

189 60 18 38 24,5 24 16,277 2826,00 188,400 350 2,2

190 80 19 38 28,5 28 33,761 5024,00 251,200 350 2,2

191 80 19 38 23,2 23 27,732 5024,00 251,200 350 2,2

192 80 14 30 17,1 16,9 20,377 5024,00 251,200 350 3

193 80 13 30 17,1 16,9 20,377 5024,000 251,200 350 3

194 80 15 30 36,1 35,8 43,166 5024,00 251,200 350 1,5

196 60 38 38 15,8 15,5 10,512 2826,00 188,400 300 2

197 70 6 19 39,6 38,8 35,818 3846,500 219,800 300 4,5

198 60 9 20 39,55 39,4 26,722 2826,00 188,400 300 4,5

199 60 9 20 39,5 39,2 26,587 2826,00 188,400 300 4,5

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

200 40 12 25 12,2 12 3,617 1256,00 125,600 300 1,2

201 40 12 25 12,3 12,1 3,647 1256,00 125,600 300 1,2

202 100 10 31 16,8 16,5 31,086 7850,00 314,000 350 2,5

203 100 10 31 17,15 16,75 31,557 7850,00 314,000 350 2,5

204 100 10 31 17 16,7 31,462 7850,00 314,000 350 2,5

205 40 10 27 8,6 8,4 2,5321 1256,000 125,600 300 1

206 60 28 38 14,6 14,5 9,8345 2826,00 188,400 300 3

207 60 28 38 15,9 15,15 10,275 2826,00 188,400 300 3

208 60 28 38 14,75 14,45 9,800 2826,00 188,400 300 3

209 90 13 30 29,4 29 44,255 6358,50 282,600 300 1,7

210 80 12 26 45,2 45 54,259 5024,00 251,200 350 3

211 80 17 38 10,7 10,4 12,539 5024,000 251,200 350 3

212 120 13 26 39,4 38,4 104,17 11304,00 376,800 350 12

213 120 15 28 39,5 38,7 104,99 11304,00 376,800 350 12

214 60 15 24 15,8 15,5 10,512 2826,000 188,400 300 2

215 80 21 38 11,3 11 13,263 5024,000 251,200 350 4

216 80 17 38 11,5 11,3 13,625 5024,000 251,200 350 4

217 40 14 33 16,4 16,1 4,853 1256,000 125,600 300 3

218 60 14 29 18,7 18,4 12,479 2826,000 188,400 300 2

219 60 14 29 18,7 18,3 12,411 2826,000 188,400 300 2

220 60 15 30 18,6 18,3 12,411 2826,000 188,400 300 2

221 50 17 30 10,45 10,2 4,804 1962,500 157,000 300 2

222 40 17 38 15,05 14,5 4,370 1256,000 125,600 300 1,5

223 80 15 38 5,3 5,1 6,149 5024,000 251,200 350 2

224 80 15 38 5,3 5,1 6,149 5024,000 251,200 350 2

225 80 9 28 35,3 35 42,201 5024,000 251,200 350 4,5

226 60 9 28 36,8 36,5 24,755 2826,000 188,400 350 4,5

227 60 17 34 27,85 27,5 18,651 2826,000 188,400 350 2,5

228 60 17 34 28,15 27,85 18,88 2826,000 188,400 350 2,5

229 40 29 38 10,3 10 3,014 1256,000 125,600 350 1,5

230 40 29 38 12,3 12 3,617 1256,000 125,600 350 1,5

231 40 29 38 21,9 21,7 6,541 1256,000 125,600 350 2

232 50 17 32 19,2 18,5 8,713 1962,500 157,000 350 6,5

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

233 50 17 32 19,2 18,5 8,713 1962,50 157,000 350 6,5

234 50 17 32 19,5 19 8,949 1962,50 157,000 350 3

235 50 17 32 19,7 19 8,949 1962,50 157,000 350 3

236 110 28 45 10,15 9,85 22,454 9498,50 345,400 350 5

237 50 11 30 5,7 5,55 2,6141 1962,50 157,000 350 2

238 50 11 30 6,1 5,8 2,7318 1962,50 157,000 350 2

239 110 15 45 9,3 8,8 20,060 9498,50 345,400 350 5

240 100 19 45 11,77 11,52 21,703 7850,00 314,000 350 3,899

241 80 20 30 5,3 5,1 6,1494 5024,00 251,200 350 3

242 80 20 30 4,3 4,15 5,0039 5024,00 251,200 350 3

243 50 14 34 11,5 11,3 5,3223 1962,50 157,000 350 2

244 50 14 34 11,5 11,2 5,2752 1962,50 157,000 350 2

245 80 20 30 14,85 14,55 17,543 5024,00 251,200 350 3

246 80 20 30 11,08 10,58 12,756 5024,00 251,200 350 3

247 80 20 30 12,85 12,45 15,011 5024,00 251,200 350 3

248 80 13 29 13,2 13 15,674 5024,00 251,200 350 0,7

249 80 15 29 13,3 13 15,674 5024,00 251,200 350 0,7

250 50 14 32 13 12 5,652 1962,50 157,000 350 2

251 40 14 32 13,2 12,5 3,768 1256,00 125,600 350 2

252 60 29 45 16,3 16 10,851 2826,00 188,400 350 2,4

253 60 29 45 17,25 17 11,530 2826,00 188,400 350 2,4

254 60 29 45 16,4 16,2 10,987 2826,00 188,400 350 2,4

255 40 14 29 5,5 5,1 1,537 1256,00 125,600 350 2

256 70 14 29 5,4 5,1 4,708 3846,50 219,800 350 2

257 70 13 26 5,45 5,15 4,754 3846,50 219,800 350 2

258 70 13 26 5,5 5,15 4,754 3846,50 219,800 350 2

259 70 13 26 5,4 5,1 4,708 3846,50 219,800 350 2

260 120 13 26 4,2 4 10,851 11304,0 376,800 350 6

261 120 11 26 6,6 6,3 17,091 11304,00 376,800 350 6

262 120 11 26 5 4,7 12,750 11304,00 376,800 350 6

263 80 17 30 10,35 9,5 11,454 5024,00 251,200 350 3

264 80 17 30 9 8,5 10,249 5024,00 251,200 350 3

265 80 17 30 9,3 8,8 10,610 5024,00 251,200 350 3

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

266 80 21 35 13,2 13 15,674 5024,00 251,200 350 0,7

267 80 21 35 13,3 13 15,674 5024,00 251,200 350 0,7

268 80 23 34 15,2 12 14,469 5024,00 251,200 350 1,2

269 80 23 34 15,2 12,5 15,072 5024,00 251,200 350 1,2

270 60 29 35 13 12,8 8,681 2826,00 188,400 350 3

271 60 29 35 13 12,8 8,681 2826,00 188,400 350 3

272 60 29 35 9 8,9 6,036 2826,00 188,400 350 3

273 60 26 32 12,6 12,5 8,478 2826,00 188,400 350 3

274 60 26 32 16 15,8 10,716 2826,00 188,400 350 3

275 60 26 32 16 15,8 10,716 2826,00 188,400 350 3

276 60 26 32 13,8 13,6 9,2241 2826,00 188,400 350 3

278 60 30 45 10,1 9,9 6,714 2826,00 188,400 350 3

279 60 30 45 10 9,8 6,646 2826,00 188,400 350 3

280 60 30 45 10 9,8 6,646 2826,00 188,400 350 3

281 80 26 38 6,8 6,6 7,958 5024,00 251,200 350 2

282 80 20 29 6,75 6,6 7,958 5024,00 251,200 350 22

283 80 17 30 15,8 15,65 18,870 5024,00 251,200 350 3

284 80 18 30 17,3 17,1 20,618 5024,00 251,200 350 3

285 40 19 32 2,3 2 0,603 1256,00 125,600 350 1

286 40 17 32 2,4 2 0,603 1256,00 125,600 350 1

287 80 28 38 11,65 11,25 13,564 5024,00 251,200 350 4,5

288 80 19 38 15,5 15 18,086 5024,00 251,200 350 2

289 80 38 30 15,3 15 18,086 5024,00 251,200 350 2

290 80 28 33 16,2 15,9 19,171 5024,00 251,200 350 2,5

291 80 15 3 15,8 15,4 18,568 5024,00 251,200 350 2,5

292 80 23 45 4,5 4,3 5,185 5024,000 251,200 350 0,7

293 80 15 45 4,5 4,3 5,185 5024,000 251,200 350 0,7

294 80 23 45 4,4 4,3 5,185 5024,000 251,200 350 0,7

295 80 38 45 4,5 4,3 5,185 5024,000 251,200 350 7

296 60 28 45 12,5 12,25 8,308 2826,00 188,400 350 3

297 60 26 45 12,55 12,3 8,342 2826,00 188,400 350 3

298 120 38 45 84,2 83,5 226,53 11304,00 376,800 450 41

299 120 38 45 79,8 79,4 215,41 11304,00 376,800 450 41

No D

(cm)

N-Shaft (efs)

N-Tip (efs)

L

E

(m) L

P

(m) W

(Ton) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

300 120 38 45 78,5 78,3 212,42 11304,00 376,800 450 41

301 120 38 45 78 77,5 210,25 11304,00 376,800 450 41

302 120 38 45 78,3 78 211,61 11304,00 376,800 450 41

303 120 38 45 79 78,7 213,51 11304,00 376,800 450 41

304 100 38 45 58,6 58 109,27 7850,00 314,000 450 15

305 120 38 45 84,64 84,34 228,81 11304,00 376,800 450 30

306 100 38 45 58,4 58 109,27 7850,000 314,000 450 30

307 100 23 45 33,5 32,7 61,606 7850,000 314,000 300 10

308 100 25 45 32,1 31,7 59,722 7850,00 314,000 300 10

309 120 20 30 14,05 13,9 37,710 11304,00 376,800 350 11

310 120 23 30 14 13,85 37,574 11304,00 376,800 350 11

311 150 23 38 66,58 65,98 279,68 1766,500 471,000 450 41

312 40 8 24 19,8 19,1 5,7575 1256,000 125,600 350 0,6

313 40 6 23 19,8 19,1 5,7575 1256,000 125,600 350 0,6

314 40 3 30 19,85 19,55 5,8932 1256,00 125,600 350 0,58

315 40 3 30 19,65 19,45 5,8630 1256,00 125,600 350 0,58

Adapun data training pada pemodelan jaringan syaraf tiruan ini berkisar >70% dari data input yang ada adalah sebesar = 220, sedangkan data validasi berkisar 30% adalah sebesar 94.

Berikut adalah data training dan data Validasi untuk pemodelan NN_Q

ult

dan NN_S

i

yang dapat dilihat pada Tabel 3.4 sampai dengan Tabel 3.5.

Tabel 3.5 mengenai data training pemodelan untuk NN_Q

ult

, Tabel 3.6 mengenai data validasi pemodelan untuk NN_Q

ult

, Tabel 3.7 mengenai data training pemodelan untuk NN_S

i

, Tabel 3.8 mengenai data validasi pemodelan NN_S

i

, sedangkan Tabel 3.9 ada untuk adalah data statistik training pemodelan untuk NN_Q

ult,

Tabel 3.10 data statistik validasi pemodelan untuk NN_Q

ult

, Tabel 3.11 mengenai data Training Statistik Pemodelan untuk NN_S

i

, dan Tabel 3.12.

mengenai data validasi statistik pemodelan untuk NN_S

i

.

Tabel 3.4 Data Training Pemodelan untuk NN_Q

ult

No D (cm) N-Shaft (efs)

N-Tip

(efs) LE (m) LP(m) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

1 80 20 38 8,6 8,3 5024,00 251,200 350 1,3

2 80 20 38 4,3 3,1 5024,00 251,200 350 1,3

3 80 19 38 9,8 9,5 5024,00 251,200 350 4

4 80 19 38 10,2 10 5024,00 251,200 350 4

5 40 9 23 9,68 9,48 1256,00 125,600 300 1

6 40 9 23 9,73 9,55 1256,00 125,600 300 1

7 120 30 38 2,5 2 11304,00 376,800 350 7

8 100 30 38 2,4 2,1 7850,00 314,000 350 7

9 100 30 45 23,4 23 7850,00 314,000 350 14

10 120 23 38 23,2 23 11304,0 376,800 350 14

11 80 19 34 9,16 8,86 5024,00 251,200 350 7

12 80 19 34 9,21 8,81 5024,00 251,200 350 7

13 40 13 30 22 21,7 1256,00 125,600 300 1,3

14 40 13 30 24,8 23,2 1256,00 125,600 300 1,3

15 90 17 29 17,7 17,1 6079,04 276,320 300 5

16 90 17 29 19,2 18,9 6079,04 276,320 300 5

17 90 17 30 18 17,85 6079,04 276,320 300 5

18 90 17 30 17,8 17,6 6079,04 276,320 300 5

19 80 19 32 17,9 17,6 5024,00 251,200 300 7

20 80 38 38 19,5 19,5 5024,00 251,200 350 14

21 100 27 38 19,5 19,3 7850,00 314,000 350 14

22 80 15 31 19 18,1 5024,00 251,200 350 6

23 90 14 30 28 27,85 6079,04 276,320 350 6

24 80 21 34 14,6 14 5024,00 251,200 350 7

25 120 21 34 14,2 14 11304,00 376,800 350 7

26 50 15 32 21,2 20,76 1962,50 157,000 300 1,35

27 50 15 32 20,2 19 1962,50 157,000 300 1,35

28 80 21 38 18,8 18,5 5024,00 251,200 350 7

29 80 21 38 18,8 18,5 5024,00 251,200 350 7

30 80 15 28 21,2 20,7 5024,00 251,200 350 7

31 80 28 23 6,6 6,1 5024,00 251,200 350 7

32 80 26 30 2,7 2,35 5024,00 251,200 350 7

No D (cm) N-Shaft (efs)

N-Tip

(efs) L

E

(m) L

P

(m) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

33 80 26 38 3 2,5 5024,00 251,200 350 7

34 80 11 28 19,1 18,7 5024,00 251,200 300 5

35 60 15 30 19,5 11 2826,00 188,400 300 4,5

36 60 15 30 19,5 10,43 2826,000 188,400 300 4,5

37 60 14 35 21,8 11,8 2826,000 188,400 300 4,5

38 90 19 34 45,6 41 6358,500 282,600 300 6

39 90 14 30 36 29,5 6358,500 282,600 300 6

40 90 14 30 36 29,5 6358,500 282,600 300 6

41 40 21 38 17,5 17,1 1256,000 125,600 300 1,5

42 40 23 38 17,6 17,2 1256,000 125,600 300 1,5

43 100 20 32 23,5 22,95 7850,000 314,000 350 15

44 100 20 32 27,5 26,9 7850,000 314,000 350 15

45 50 6 20 24,2 23,7 1962,500 157,000 300 4,5

46 50 6 20 24,2 23,6 1962,500 157,000 300 4,5

47 50 6 20 23,6 23,6 1962,500 157,000 300 4,5

48 60 8 25 9,7 9,4 2826,000 188,400 300 4

49 60 8 25 11,1 10,8 2826,000 188,400 300 4

50 60 4 23 7,85 7,85 2826,000 188,400 300 4

51 100 38 38 25 24,8 7850,000 314,000 350 7

52 60 11 28 19,85 19,55 2826,000 188,400 300 4

53 60 11 28 19,75 19,2 2826,000 188,400 300 4

54 80 11 28 18,9 18,7 5024,000 251,200 300 4

55 80 9 26 19,1 18,7 5024,000 251,200 350 7

56 100 14 32 27 26,7 7850,000 314,000 350 7

57 60 11 26 19,4 19 2826,000 188,400 350 7

58 100 13 30 16,1 15,8 7850,000 314,000 350 4

59 100 13 30 10,1 9,8 7850,000 314,000 350 4

60 100 12 30 11,7 11 7850,000 314,000 350 4

61 120 23 34 19,6 19,2 11304,00 376,800 350 15

62 100 23 34 22,9 22,3 7850,000 314,000 350 15

63 80 21 34 14,5 13,85 5024,000 251,200 350 8

64 90 15 27 34,85 21 6358,500 282,600 350 4,5

65 90 15 27 34,7 18,8 6358,500 282,600 300 4,5

No D (cm) N-Shaft (efs)

N-Tip

(efs) LE (m) LP(m) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

66 90 13 26 34,9 21 6358,500 282,600 300 4,5

67 90 13 26 33,4 21,6 6358,500 282,600 350 4,5

68 50 11 25 9,5 9,3 1962,500 157,000 350 1,3

69 40 8 20 16,3 15,9 1256,000 125,600 350 2,5

70 40 9 23 16,3 15,65 1256,000 125,600 350 2,5

71 80 18 30 24,95 24,6 5024,000 251,200 350 7

72 80 9 29 19,2 18,6 5024,000 251,200 350 7

73 80 11 29 24,9 24,65 5024,000 251,200 350 7

74 60 15 26 18,6 18,1 2826,000 188,400 350 7

75 120 25 33 11,6 11,1 11304,00 376,800 350 7

76 100 24 34 11,9 11,2 7850,000 314,000 350 7

77 100 20 33 27,6 27 7850,000 314,000 350 7

78 100 9 23 13 12,8 7850,000 314,000 350 4

79 100 9 23 9,2 9 7850,000 314,000 350 4

80 60 17 29 30,95 30,65 2826,000 188,400 350 4,5

81 60 17 29 24,8 24,3 2826,000 188,400 350 4,5

82 60 16 30 11,3 10,5 2826,000 188,400 300 4

84 60 17 30 23,45 10 2826,000 188,400 300 12

85 60 17 30 23,85 10,5 2826,000 188,400 300 12

86 60 23 32 26,3 25,4 2826,000 188,400 350 4,6

87 60 23 32 22,8 23,3 2826,000 188,400 350 4,6

88 60 20 34 9,51 9,11 2826,000 188,400 350 4,6

89 60 20 34 11 10,6 2826,000 188,400 350 4,6

90 80 19 32 16,94 16,63 5024,000 251,200 350 2,5

91 100 21 32 8,4 8,15 7850,000 314,000 350 2,5

92 60 14 30 11,06 10,94 2826,000 188,400 350 2,5

93 80 14 30 17,4 17,25 5024,000 251,200 350 2,5

94 50 11 24 11,1 10,7 1962,500 157,000 350 2,5

95 50 11 24 11,05 10,6 1962,500 157,000 300 2,5

96 40 12 23 11,1 10,9 1256,000 125,600 300 2,5

97 40 12 23 11,2 10,8 1256,000 125,600 300 2,5

98 80 21 38 5,1 4,6 5024,000 251,200 300 1,6

99 80 21 38 4,4 3,8 5024,000 251,200 300 1,6

No D (cm) N-Shaft (efs)

N-Tip

(efs) LE (m) LP(m) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

100 80 25 38 4,9 4,3 5024,000 251,200 300 1,6

101 100 24 30 3,3 3,1 7850,000 314,000 350 2,5

102 80 24 30 3,4 3,1 5024,000 251,200 350 2,5

103 100 24 30 3,65 2,9 7850,000 314,000 350 2,5

104 100 23 38 3,15 2,85 7850,000 314,000 350 2,5

105 100 23 38 3,9 3,1 7850,000 314,000 350 2,5

106 100 38 38 3,35 2,85 7850,000 314,000 350 2,5

107 80 26 36 3,3 2,8 5024,000 251,200 350 2,5

108 80 26 35 3,15 2,75 5024,000 251,200 350 2,5

109 100 26 35 2,5 2 7850,000 314,000 350 2,5

110 80 13 30 3,2 2,85 5024,000 251,200 300 4

111 60 13 30 5,75 5,4 2826,000 188,400 300 4

112 60 12 34 6,45 5,75 2826,000 188,400 300 4

113 80 12 34 7,35 7,15 5024,000 251,200 300 4

114 80 15 32 19,5 18,8 5024,000 251,200 350 7

115 80 15 32 19,6 19,2 5024,000 251,200 350 7

116 80 15 32 19,7 19,35 5024,000 251,200 350 7

117 60 8 32 17,7 17,3 2826,000 188,400 300 2,5

118 60 9 23 25,2 24,7 2826,000 188,400 300 3

119 60 9 23 25,2 24,7 2826,000 188,400 300 3

120 60 11 27 11,9 12,2 2826,000 188,400 300 2,5

121 80 11 27 14,3 13,9 5024,000 251,200 300 2,5

122 50 14 30 15,6 15,1 1962,500 157,000 300 3

123 50 11 30 15,44 14,64 1962,500 157,000 300 3

124 60 13 26 32,2 32 2826,000 188,400 300 1,5

125 60 13 26 32,3 32,05 2826,000 188,400 300 1,5

126 40 11 29 21,3 20,8 1256,000 125,600 300 1,8

127 40 11 29 21,2 20,75 1256,000 125,600 300 1,8

128 60 17 38 11,2 11 2826,000 188,400 300 2

129 40 11 28 19,25 18,75 1256,000 125,600 300 1,8

130 40 14 30 19,3 18,8 1256,000 125,600 300 1,8

131 40 13 30 7,75 7,15 1256,000 125,600 300 4,6

132 40 13 30 3,35 2,75 1256,000 125,600 300 4,6

No D (cm) N-Shaft (efs)

N-Tip

(efs) LE (m) LP(m) A (cm2) K (cm) F’c

(Kg/cm2) P (ton)

133 40 15 28 5,95 5,25 1256,000 125,600 300 4,6

134 40 15 28 7,15 6,5 1256,000 125,600 300 4,6

135 40 5 20 14,4 14 1256,000 125,600 300 2,5

136 40 8 19 14,2 13,9 1256,000 125,600 300 2,5

137 60 38 28 19,1 18,2 2826,000 188,400 300 4

138 60 11 27 27,8 26,1 2826,000 188,400 300 3,5

139 40 13 30 29,55 29,35 1256,000 125,600 300 1,3

140 50 13 30 40,1 39,9 1962,500 157,000 300 1,3

141 80 17 28 26,2 26 5024,000 251,200 350 7

142 100 17 28 30,2 30,2 7850,000 314,000 350 14

143 100 14 28 29,4 29,4 7850,000 314,000 350 14

144 60 14 28 18,5 18,5 2826,000 188,400 350 4

145 60 13 30 4,2 3,7 2826,000 188,400 300 4,6

146 60 13 30 3,2 2,7 2826,000 188,400 300 4,6

147 40 15 29 20,2 19,95 1256,000 125,600 300 1,5

148 40 14 29 20,2 20,15 1256,000 125,600 300 1,5