PREDIKSI NILAI RATING FACTOR

JEMBATAN KOMPOSIT BAJA-BETON DENGAN MENGGUNAKAN

ARTIFICIAL NEURAL NETWORK

Nurbetha Hijrah Rahmadi

Mahasiswa Program Sarjana S2, Jurusan Teknik Sipil dan Lingkungan, Universitas Gadjah Mada, Yogyakarta, INDONESIA
nurbethahijrahrahmadi@yahoo.com

Akhmad Aminullah, S.T., M.T., Ph.D.

Dosen Pembimbing Utama, Jurusan Teknik Sipil dan Lingkungan, Universitas Gadjah Mada, Yogyakarta, INDONESIA
akhmadaminullah4@gmail.com

Dr. Ir. Muslikh, M.Sc., M.Phil.

Dosen Pembimbing Pendamping, Jurusan Teknik Sipil dan Lingkungan, Universitas Gadjah Mada, Yogyakarta, INDONESIA
muslikh7@yahoo.com

INTISARI

Saat ini metode analisis yang digunakan untuk menghitung rating factor jembatan komposit cukup panjang
dan lama, sehingga diperlukan suatu metode baru untuk memprediksi rating factor dengan cepat. Pada penelitian
ini digunakan metode Artificial Neural Network (ANN). ANN adalah suatu pemodelan matematis yang dapat
membentuk suatu persamaan pendekatan terhadap suatu proses yang unik dari kumpulan input dan output. Pada
penelitian ini persamaan dibentuk dari kumpulan input (bentang, kedalaman penetrasi korosi, kuat tekan pelat beton
dan tegangan leleh gelagar baja) yang menghasilkan output berupa nilai rating factor. Hasil penelitian
menunjukkan bahwa kesimpulan akhir hasil prediksi persamaan empiris hasil pemodelan ANN mengenai masih
aman atau tidaknya jembatan untuk menahan beban yang bekerja tetap sama dengan hasil hitungan secara teoritis.
Oleh karena itu, persamaan empiris yang dihasilkan dapat digunakan untuk memprediksi secara cepat nilai rating
factor jembatan.

Kata kunci: jembatan komposit, rating factor, Artificial Neural Network

1. PENDAHULUAN selanjutnya adalah pemeliharaan dan

1.1 Latar Belakang
Jembatan memiliki fungsi utama untuk
menghubungkan dua atau lebih daerah yang terhalang
oleh sungai, selat maupun ngarai untuk meningkatkan
arus transportasi dari dua atau lebih kawasan yang
terhubung. Fungsi tersebut menjadikan peranan
jembatan cukup penting, sehingga dalam
pembangunannya perlu mengikuti standar yang tinggi,
agar jembatan yang dibangun tidak mudah rusak yang
akan berdampak banyak dalam hal perekonomian.
Kejadian runtuhnya Jembatan Kutai Kartanegara
menjadi pelajaran yang berharga bagi Indonesia dalam
membangun dan mengelola jembatan. Pembangunan
tidak sekedar membangun, tetapi hal penting
pemeriksaan/evaluasi jembatan agar selalu dapat
berfungsi dengan maksimal. Salah satu cara untuk
mengevaluasi jembatan adalah dengan menggunakan
rating factor. Sampai saat ini metode analisis yang
digunakan untuk menghitung rating factor cukup
panjang dan lama. Hal ini terjadi karena kapasitas dari
sebuah jembatan dan gaya-gaya dalam yang bekerja
akibat pembebanan yang terjadi harus diketahui
dahulu. Oleh karena itu perlu dikembangkan suatu
metode untuk dapat membantu proses perhitungan
nilai rating factor sebuah jembatan dengan harapan
agar waktu dan tenaga yang diperlukan lebih efektif
dan efisien.

1
1.2 Tujuan
Tujuan dari penelitian ini adalah
1. mengetahui salah satu jenis kerusakan elemen
akibat pengaruh lingkungan dan dampaknya
terhadap rating factor jembatan komposit baja-
beton;
2. membuat model matematis hubungan antara
rating factor jembatan komposit baja-beton yang
tipikal dan faktor-faktor yang mempengaruhinya
dengan menggunakan ANN;
3. membuat persamaan empiris prediksi nilai rating
factor jembatan komposit baja-beton dari model
matematis ANN;
4. memverifikasi keakuratan hasil prediksi nilai
rating factor suatu jembatan komposit baja-beton
yang dihasilkan oleh persamaan empiris.
1.3 Batasan Masalah
Batasan-batasan masalah yang digunakan dalam
penelitian ini adalah sebagai berikut .
1. Sistem struktur jembatan yang ditinjau adalah
struktur atas jembatan komposit baja beton yang
terdiri dari pelat lantai jembatan dan gelagar
jembatan.
2. Penghubung geser (shear connector) dan baja
tulangan yang berada di dalam pelat lantai tidak
dapat diketahui karena keterbatasan alat survei.
Penghubung geser dianggap sudah memenuhi
untuk menahan gaya geser yang terjadi dan baja
tulangan pelat lantai diasumsikan tidak ada. Baja
tulangan pelat lantai diasumsikan tidak ada
karena jika baja tulangan pelat lantai diasumsikan
ada, dikhawatirkan asumsi baja tulangan pelat
lantai melebihi dari kondisi sebenarnya yang
akan mengakibatkan penilaian berlebihan pada
kekuatan struktur.
3. Kerusakan akibat pengaruh lingkungan yang
ditinjau ialah kerusakan akibat pengaruh korosi;
4. Model ANN menggunakan skema
backpropagation.
5. Data sampel yang digunakan untuk pemodelan
ANN sebanyak 192 buah.
1.4 Keaslian Penelitian
Beberapa penelitian sebelumnya yang terkait
antara lain dilakukan oleh R.S. Adhikari (2011)
tentang prediksi tingkat kapasitas dari struktur
jembatan beton di Canada yang mengalami kerusakan
2
(defect) akibat proses pembekuan yang berulang.
Prediksi tingkat kapasitas dimodelkan dengan
menggunakan Backpropagation Neural Network.
Selain itu juga ada penelitian yang dilakukan oleh
Jaeho Lee, dkk (2006) tentang pemodelan kondisi
jembatan lama di Australia dengan data inspeksi yang
terbatas. Pemodelan dilakukan dengan menggunakan
Backward Prediction Model. Penelitian tentang
pemodelan kondisi struktur menggunakan Artificial
Neural Network masih jarang dijumpai di Indonesia.
Oleh karena itu penelitian tentang prediksi nilai rating
factor jembatan komposit baja-beton menggunakan
Artificial Neural Network dengan skema
backpropagation ini bersifat asli.
2. LANDASAN TEORI
2.1 Pembebanan Jembatan
Saat ini peraturan pembebanan untuk jembatan
jalan raya terus mengalami penyesuaian. SNI
Pembebanan Untuk Jembatan tahun 2004 dibuat untuk
menyesuaikan keadaan yang ada. SNI Pembebanan
Untuk Jembatan tahun 2004 ini memiliki beberapa
perbedaan dibandingkan dengan BMS 1992, yaitu
berupa nilai serta faktor pembebanannya. Peraturan
pembebanan untuk jembatan jalan raya terbaru yang
dikeluarkan adalah RSNI T-02-2005 yang telah
disesuaikan dengan keadaan yang ada pada saat ini,
yaitu dengan mengubah nilai serta faktor pembebanan
yang ada.
Pada penelitian ini, beban-beban yang
diperhitungkan ialah aksi tetap dan lalu lintas
sebagaimana tercantum dalam Pedoman Penentuan
Nilai Sisa Kapasitas Jembatan mengenai jenis beban
dalam perhitungan rating factor.
a) Aksi Tetap
Beban aksi tetap untuk analisis jembatan ini
terdiri atas berat sendiri struktur jembatan dan
beban mati tambahan.
b) Beban Lalu Lintas
Beban lalu lintas untuk analisis jembatan ini
terdiri atas beban truk T.
2.2 Analisis Penampang Gelagar Jembatan
Jenis jembatan yang diteliti merupakan jembatan
dengan struktur gelagar komposit. Gelagar komposit
yang ditinjau dalam penelitian ini adalah berupa
gelagar pada struktur bentang sederhana dengan
tumpuan sendi-rol. Untuk menentukan kapasitas 2.5 Analisis Rating Factor
gelagar komposit digunakan RSNI T-03-2005. Gaya- Rating factor adalah nilai banding antara
gaya dalam yang terjadi akibat pembebanan kapasitas elemen struktur terhadap gaya-gaya dalam
didapatkan dari model jembatan yang dimodelkan yang dihasilkan oleh pembebanan.
dengan software SAP2000. Pada Pedoman Penentuan Nilai Kapasitas Sisa
Jembatan (2011), nilai rating factor dapat diperoleh
2.3 Korosi melalui persamaan berikut.
Ada banyak faktor yang dapat mempengaruhi  Rn  (  D D L )
RF 
laju korosi pada baja, akan tetapi data statistik yang  L LL ( 1  I ) (2)
tersedia tidak cukup untuk merumuskan model-model
dengan:
analitis. Oleh karena itu sangat sulit untuk
RF : rating factor
memperkirakan laju korosi secara akurat, sehingga
∅ : faktor reduksi kekuatan
yang dapat dilakukan adalah melakukan pendekatan
: kapasitas nominal elemen struktur
dengan menggunakan rumus-rumus empiris. Dari
L : gaya-gaya dalam akibat beban mati
hasil studi yang telah dilaksanakan oleh Komp (1987)
didapatkan bahwa penetrasi korosi dapat : gaya-gaya dalam akibat beban hidup
diperhitungkan dengan persamaan eksponensial : faktor beban mati
sebagai berikut: L : faktor beban hidup
C = A tB (1) : faktor kejut
dengan:
C : Penetrasi korosi rata – rata (dalam µm) 2.6 Pemodelan Artificial Neural Network
t : Tahun umur elemen struktur baja Artificial Neural Network (ANN) merupakan
A dan B : Koefisien regresi secara numerik dari data representasi buatan dari sistem jaringan saraf otak
eksperimental manusia yang selalu mencoba menyimulasikan proses
Parameter A dan B telah diklasifikasikan oleh pemebelajaran dari otak manusia. Istilah artificial
Albrecht dan Naeemi (1984) pada lingkungan digunakan karena jaringan saraf diimplementasikan
pedesaan (rural), perkotaan (urban) dan tepi laut dengan menggunakan program komputer yang mampu
(marine) menyelesaikan sejumlah proses perhitungan selama
proses pembelajaran.
2.4 Penurunan Kuat Tekan Beton dan Tegangan Persamaan umum ANN yang diperkenalkan oleh
Leleh Baja Rumelhart (1986):
Suatu struktur atau komponen struktur dapat Y = f(ΣWn . Xn) (3)
mengalami pembebanan yang berulang-ulang (cyclic dengan:
loading), misalnya pintu yang dibuka dan ditutup, Y : Output prediksi
lantai kendaraan pada jembatan akibat beban roda Wn : Bobot korespodensi
kendaraan. Adanya beban siklis ini dapat Xn : Input parameter
mengakibatkan struktur/komponen struktur f : Fungsi transfer yang digunakan
mengalami kerusakan meskipun beban yang bekerja (fungsi sigmoid)
masih lebih kecil dari kapasitas beban statisnya. Pada 1
( )=
kasus jembatan komposit baja-beton, akibat dibebani 1+
berulang-ulang secara terus menerus dalam periode
Pada penelitian ini, simulasi ANN menggunakan
waktu tertentu maka tegangan leleh gelagar baja dan
skema backpropagation dengan bantuan software
kuat tekan pelat beton akan menurun akibat pengaruh
MATLAB. Keberhasilan pemodelan skema
fatigue. Fatigue adalah fenomena kerusakan yang
backpropagation tergantung pada hal-hal berikut.
terjadi pada struktur saat mengalami sejumlah siklus
a) Fungsi aktivasi
pembebanan.
b) Inisialisasi bobot awal
c) Laju pembelajaran/learning rate

3
 d) Jumlah hidden layer 4. ANALISIS DAN PEMBAHASAN
e) Lama iterasi
f) Target error 4.1 Data Jembatan
Detail dimensi, bentuk dan mutu awal bahan dari
3. METODOLOGI PENELITIAN komponen-komponen struktur atas jembatan yang
digunakan sebagai acuan dalam penelitian ini adalah
3.1 Metode Penelitian sebagai berikut.
Metode yang digunakan dalam penelitian ini Jumlah lajur : 2 lajur
terdiri dari beberapa tahap. Langkah-langkah Lebar lajur : 2,75 m
penelitian secara global adalah sebagai berikut. Lebar jembatan : 8,75 m
1. Membuat model jembatan komposit baja-beton Tebal pelat lantai, ts : 250 mm
yang terdapat di lapangan. Model kemudian Jumlah gelagar : 3 buah
diperbanyak dengan menggunakan bentang, Jarak antar gelagar, S : 3000 mm
kedalaman penetrasi korosi, kuat tekan pelat Kuat tekan Beton, fc’ : 46 MPa
beton dan tegangan leleh gelagar baja. Namun Tegangan leleh baja, fy : 410 MPa
tetap menggunakan tampang yang tipikal. Tinggi, H : 1250 mm
2. Masing-masing model jembatan komposit Lebar sayap, bf : 450 mm
dihitung kapasitasnya secara teoritis dan dihitung Tebal sayap, tf : 20 mm
gaya-gaya dalam yang terjadi akibat pembebanan Tebal badan, tw : 15 mm
dengan menggunakan software SAP2000. Luas, As : 36150 mm2
3. Masing-masing model jembatan dihitung nilai Inersia, Ix : 9023101250 mm4
rating factor-nya dari nilai kapasitas dan gaya-
gaya dalam yang sudah didapatkan sebelumnya. 4.2 Analisis Struktur Jembatan
4. Melakukan simulasi Artificial Neural Network Analisis struktur jembatan dilakukan pada 192
dengan menggunakan data input berupa bentang, variasi. Variasi yang dilakukan berupa panjang
kedalaman penetrasi korosi, kuat tekan pelat bentang jembatan (15, 25, 35 dan 45 meter),
beton dan tegangan leleh gelagar baja serta data kedalaman penetrasi korosi (0, 500 dan 1000 μm),
output berupa nilai rating factor masing-masing kuat tekan pelat beton (46, 37, 28 dan 20 MPa) dan
jembatan. tegangan leleh gelagar baja (240, 300, 340 dan 410
5. Model dijalankan dengan skema MPa).
backpropagation pada software MATLAB. Jika Dari hasil analisis kapasitas tampang berdasarkan
hasil simulasi sudah konvergen, maka akan RSNI T-03-2005 akan didapat kemampuan nominal
didapatkan fungsi matematis yang penampang untuk menahan lentur dan geser untuk
menghubungkan nilai output dan input. masing-masing variasi kedalaman penetrasi korosi,
6. Fungsi matematis yang didapatkan kemudian kuat tekan pelat beton dan tegangan leleh gelagar baja.
ditransformasikan menjadi persamaan empiris Dari hasil pemodelan dengan menggunakan
untuk memprediksi nilai rating factor jembatan SAP2000 didapatkan nilai maksimum gaya-gaya
berdasarkan bentang, kedalaman penetrasi korosi, dalam yang terjadi akibat pembebanan pada tiap-tiap
kuat tekan pelat beton dan tegangan leleh gelagar model. Nilai maksimum gaya-gaya dalam inilah yang
baja. digunakan untuk menghitung nilai rating factor
7. Persamaan empiris diuji keakuratannya untuk jembatan.
memprediksi nilai rating factor suatu jembatan
komposit dengan tipe yang tipikal, tetapi dengan 4.3 Analisis Rating Factor
variabel yang berbeda dengan data input. Analisis rating factor akan menghasilkan nilai
8. Setelah diuji dan cukup akurat maka persamaan operating rating factor (ORF) dan inventory rating
empiris tersebut dapat digunakan untuk factor (IRF) untuk masing-masing variasi bentang
memprediksi nilai rating factor jembatan jembatan, kedalaman penetrasi korosi, kuat tekan
komposit yang tipikal dengan model. pelat beton dan tegangan leleh gelagar baja.

4
4.4 Simulasi Artificial Neural Network (ANN) Sketsa konfigurasi bentuk jaringan yang
Keberhasilan dari simulasi/pemodelan Artificial digunakan dapat dilihat pada Gambar 1 berikut.
Neural Network (ANN) sangat bergantung pada
pemilihan variabel. Variabel yang dipilih haruslah
Bentang V [1,1]
merupakan faktor yang memberikan dampak yang X1
V [1,2] Iterasi = 15000
paling signifikan terhadap target. Target output dari Korosi V [2,1] Z1 W [1,1]
E max= 1e-11
X2
penelitian ini adalah rating factor. Detail variabel- V [2,2]
T
V [3,1] Y
variabel output yang diprediksi adalah sebagai berikut. f c' X3 V [3,2] W [2,1]

a) Operating rating factor kuat geser. Z2

V [4,1]
fy X4
b) Operating rating factor kuat lentur. V [4,2]
b [1,1]
b [1,2] b [2,1]

c) Inventory rating factor kuat geser. 1 1

d) Inventory rating factor kuat lentur. Input Layer Hidden Layer Output Layer

Gambar 1. Sketsa konfigurasi bentuk jaringan

Rating factor adalah fungsi dari kapasitas dan
gaya-gaya dalam yang terjadi akibat pembebanan.
Oleh karena itu dipilihlah variabel-variabel input yang
dinilai cukup memberikan dampak signifikan bagi
perubahan nilai kapasitas dan beban. Selain itu
variabel-variabel input yang digunakan harus bisa
terdefinisi dan terukur di lapangan. Hal ini
dikarenakan supaya hasil dari penelitian ini dapat
diaplikasikan di lapangan. Pada penelitian ini variabel
input yang dipilih berdasarkan beberapa referensi
adalah sebagai berikut.
a) Bentang jembatan.
b) Kedalaman penetrasi korosi.
c) Kuat tekan pelat beton.
d) Tegangan leleh gelagar baja.
Variabel-variabel input tersebut dipilih karena
dinilai memberikan dampak yang signifikan
perubahan nilai rating factor. Adapun rating factor
adalah fungsi dari kapasitas dan gaya-gaya dalam
akibat pembebanan. Kapasitas dan gaya-gaya dalam
sangat dipengaruhi oleh 4 variabel diatas. Kedalaman
penetrasi korosi, kuat tekan pelat beton dan tegangan
leleh gelagar baja akan mempengaruhi akan
berdampak pada kapasitas jembatan. Bentang
jembatan akan sangat mempengaruhi seberapa besar
beban dan gaya-gaya dalam yang akan terjadi.
Konfigurasi bentuk jaringan ANN yang
digunakan pada penelitian ini ialah sebagai berikut.
Jumlah kasus (n) = 192
Jumlah Input Layer (X) =4
Jumlah Hidden Layer (Z) = 2
Jumlah Output Layer (Y) = 1
Jumlah Iterasi (epoch) = 15000
Target error (Emax) = 10-11
Dari hasil simulasi ANN didapatkan nilai
prediksi rating factor. Besar rata-rata nilai error
antara nilai rating factor target dan hasil simulasi
adalah sebagai berikut.
a) Operating rating factor kuat geser : 1,57%
b) Operating rating factor kuat lentur : 7,30%
c) Inventory rating factor kuat geser : 1,54%
d) Inventory rating factor kuat lentur : 3,20%
Persamaan empiris untuk memprediksi nilai
rating factor dapat dibentuk dengan memasukkan
konstanta-konstanta yang sudah didapat dari simulasi
ANN ke dalam persamaan umumnya. Persamaan
empiris yang sudah didapat sebagai berikut.
1. Persamaan empiris untuk memprediksi nilai
operating rating factor kuat geser
Y = 3,08592 + (Z1 x -9,7325)
+ (Z2 x 8,50705)
Zinj1 = (-0,7694 + (X1 x -0,027609)
+ (X2 x 1,13425451) + (X3 x 0,0000461)
+ (X4 x 0,15490654))
Zinj2 = (-2,2639 + (X1 x -0,0688176)
+ (X2 x 1,14263318) + (X3 x 0,0000542)
+ (X4 x 0,75278641))
2. Persamaan empiris untuk memprediksi nilai
operating rating factor kuat lentur
Y = 42,6274 + (Z1 x -84,797)
+ (Z2 x 42,4019)
Zinj1 = (2,70321 + (X1 x 0,78815761)
+ (X2 x 0,13054689) + (X3 x -0,0363093)
+ (X4 x -0,2441561))
Zinj2 = (-6,7185 + (X1 x 3,56427933)
+ (X2 x 3,35030587) + (X3 x 3,06095736)
+ (X4 x 5,27361552))

5
 3. Persamaan empiris untuk memprediksi nilai Tabel 1. Validasi ke-1
inventory rating factor kuat geser Bentang 30 meter
Y = 1,53404 + (Z1 x 1,07356) Kedalaman
+ (Z2 x -0,6068) Penetrasi 200 μm
Zinj1 = (-6,3343 + (X1 x -0,2358005) Korosi
+ (X2 x -0,9203736) + (X3 x 0,000156) Kuat Tekan
43 MPa
+ (X4 x 2,76228467)) Pelat Beton
Zinj2 = (19,6532 + (X1 x 0,08051871) Tegangan
+ (X2 x 4,97044588) + (X3 x 0,0104) Leleh 400 MPa
Gelagar Baja
+ (X4 x -5,5698796))
Hasil Hasil
4. Persamaan empiris untuk memprediksi nilai Rating Factor Error
Teoritis Prediksi
inventory rating factor kuat lentur
ORF Kuat 4,662 4,047 13,2 %
Y = -0,0785 + (Z1 x 0,57162)
Geser
+ (Z2 x 19,4508)
ORF Kuat 1,893 1,816 4,1 %
Zinj1 = (22,301+ (X1 x -8,93122)
Lentur
+ (X2 x 0,63164649) + (X3 x -0,2112852)
+ (X4 x -0,7388484)) IRF Kuat 2,793 2,459 12,0 %
Zinj2 = (-2,3523 + (X1 x -0,5282222) Geser
+ (X2 x -0,150925) + (X3 x 0,04225759) IRF Kuat 1,134 1,028 4,2 %
+ (X4 x 0,27895777)) Lentur
Dengan ketentuan sebagai berikut.

1 1 Tabel 2. Validasi ke-2

= ; = Bentang 30 meter
1+ 1+
Kedalaman
X1 = bentang jembatan (dalam satuan 10 meter) Penetrasi 400 μm
X2 = kedalaman penetrasi korosi Korosi
(dalam satuan 1000 μm) Kuat Tekan
35 MPa
X3 = kuat tekan pelat beton Pelat Beton
(dalam satuan 10 MPa) Tegangan
X4 = tegangan leleh gelagar baja Leleh 370 MPa
(dalam satuan 100 MPa) Gelagar Baja
Hasil Hasil
Rating Factor Error
Teoritis Prediksi
4.5 Validasi Persamaan Empiris
ORF Kuat 4,161 3,614 13,2 %
Untuk membuktikan bahwa persamaan empiris
Geser
hasil pemodelan ANN valid maka perlu dilakukan
ORF Kuat 1,708 1,628 4,7 %
validasi. Untuk melakukan validasi digunakan data-
Lentur
data diluar data yang telah dimasukkan dalam variabel
input. Hasil validasi persamaan empiris dapat dilihat IRF Kuat 2,493 2,068 17,0 %
pada Tabel 1 sampai dengan Tabel 3 berikut. Geser
IRF Kuat 1,023 1,018 0,5 %
Lentur

6
 Tabel 3. Validasi ke-3 Tabel 4. Kesimpulan akhir validasi ke-1
Bentang 45 meter Bentang 30 meter
Kedalaman Kedalaman
Penetrasi 400 μm Penetrasi 200 μm
Korosi Korosi
Kuat Tekan Kuat Tekan
35 MPa 43 MPa
Pelat Beton Pelat Beton
Tegangan Tegangan
Leleh 370 MPa Leleh 400 MPa
Gelagar Baja Gelagar Baja
Hasil Hasil Hasil Hasil
Rating Factor Error Rating Factor Ket.
Teoritis Prediksi Teoritis Prediksi
ORF Kuat 4,662 4,047 13,2 % ORF Kuat
Aman Aman Sama
Geser Geser
ORF Kuat 1,893 1,816 4,1 % ORF Kuat
Aman Aman Sama
Lentur Lentur
IRF Kuat 2,793 2,459 12,0 % IRF Kuat
Aman Aman Sama
Geser Geser
IRF Kuat 1,134 1,028 4,2 % IRF Kuat
Aman Aman Sama
Lentur Lentur

Tabel 1 dan Tabel 2 menunjukkan bahwa ketika

mutu material diturunkan yang secara teoritis akan Tabel 5. Kesimpulan akhir validasi ke-2
mengakibatkan turunnya kapasitas nominal, maka Bentang 30 meter
hasil prediksi rating factor juga ikut menurun. Tabel 2 Kedalaman
dan Tabel 3 menunjukkan bahwa ketika bentang Penetrasi 400 μm
jembatan diperbesar yang secara teoritis akan Korosi
mengakibatkan naiknya nilai gaya-gaya dalam, maka Kuat Tekan
35 MPa
hasil prediksi rating factor juga ikut menurun. Secara Pelat Beton
Tegangan
keseluruhan Tabel 1 sampai dengan Tabel 3
Leleh 370 MPa
memperlihatkan bahwa hasil perhitungan Gelagar Baja
menggunakan persamaan empiris cukup akurat Hasil Hasil
meskipun ada nilai yang error yang besar. Nilai error Rating Factor Ket.
Teoritis Prediksi
yang besar ini disebabkan perbedaan kecil pada nilai ORF Kuat
rating factor yang sudah kecil pada awalnya, sehingga Aman Aman Sama
Geser
perbedaan nilai yang kecil akan meghasilkan ORF Kuat
persentase error yang besar. Namun kesimpulan akhir Aman Aman Sama
Lentur
mengenai masih aman atau tidaknya jembatan untuk IRF Kuat
menahan beban yang bekerja tetap sama. Oleh karena Aman Aman Sama
Geser
itu, persamaan empiris yang dihasilkan dinilai masih IRF Kuat
dapat digunakan untuk memprediksi secara cepat nilai Aman Aman Sama
Lentur
rating factor jembatan.
Detail perbandingan kesimpulan akhir mengenai
masih aman atau tidaknya jembatan dapat dilihat pada
Tabel 4 sampai dengan Tabel 6 berikut.

7
 Tabel 6. Kesimpulan akhir validasi ke-3 pada analisis struktur di bidang teknik sipil untuk
Bentang 45 meter memprediksi nilai rating factor jembatan.
Kedalaman 4. Hasil penelitian menunjukkan bahwa kesimpulan
Penetrasi 400 μm akhir hasil prediksi persamaan empiris hasil
Korosi pemodelan ANN mengenai masih aman atau
Kuat Tekan tidaknya jembatan untuk menahan beban yang
35 MPa
Pelat Beton bekerja tetap sama dengan hasil hitungan secara
Tegangan teoritis. Oleh karena itu, persamaan empiris yang
Leleh 370 MPa dihasilkan dapat digunakan untuk memprediksi
Gelagar Baja
secara cepat nilai rating factor jembatan.
Hasil Hasil
Rating Factor Ket.
Teoritis Prediksi
5.2 Saran
ORF Kuat
Aman Aman Sama Dari beberapa kesimpulan yang telah ditarik dari
Geser
penelitian ini, terdapat beberapa saran yang dapat
ORF Kuat Tidak Tidak
Sama diberikan peneliti adalah sebagai berikut:
Lentur Aman Aman
1. Penelitian lanjutan dapat dilakukan dengan
IRF Kuat menambah variabel yang dinilai cukup signifikan
Aman Aman Sama
Geser pengaruhnya bagi nilai rating factor.
IRF Kuat Tidak Tidak 2. Penelitian dapat dikembangkan dengan
Sama
Lentur Aman Aman memodelkan struktur jembatan yang lebih
kompleks.
3. Saat melakukan survei lapangan sebaiknya
5. KESIMPULAN DAN SARAN
didukung dengan peralatan yang lengkap untuk
dapat memperoleh kondisi existing bangunan
5.1 Kesimpulan
jembatan yang lebih lengkap. Jika masih terdapat
Dari hasil analisis yang telah dilakukan, dapat
ditarik beberapa kesimpulan sebagai berikut. data yang kurang lengkap, misalkan tulangan
1. Kapasitas jembatan akan semakin menurun pelat beton, sebaiknya dihitung secara manual
seiring dengan bertambahnya kedalaman atau diasumsikan memiliki tulangan minimal
penetrasi korosi, turunnya nilai kuat tekan pelat sesuai dengan peraturan yang berlaku.
4. Perencana jembatan nantinya perlu membuat
beton dan turunnya nilai tegangan leleh gelagar
baja. Semua rating factor menurun seiring persamaan empiris tiap jembatan yang dirancang
guna mengetahui nilai rating factor jembatan saat
dengan bertambahnya kedalaman penetrasi
korosi, turunnya nilai kuat tekan pelat beton dan pengecekan berkala.
turunnya nilai tegangan leleh gelagar baja karena 5. Pemodelan Artificial Neural Network juga bisa
besar pembebanan tetap namun kapasitas dicoba penerapannya pada analisis struktur di
cenderung menurun. bidang teknik sipil untuk memprediksi hasil-hasil
2. Gaya-gaya dalam yang terjadi akibat lainnya secara cepat.
pembebanan akan semakin besar seiring dengan
semakin besarnya bentang jembatan. Namun
DAFTAR PUSTAKA
tidak semua rating factor menurun seiring
dengan semakin besarnya bentang jembatan. Hal
Adhikari, R.S., 2011, Automated Prediction of
ini disebabkan karena adanya faktor kejut yang
Condition State Rating in Bridge Inspection,
cenderung dapat menambah rating factor
Concordia University, Canada.
jembatan seiring dengan semakin besarnya
Albrecht, P. and Naeemi A.H., 1984, Performance of
bentang jembatan.
Weathering Steel in Bridge, National
3. Hasil penelitian menunjukkan bahwa pemodelan
Cooperative Highway Research Program,
Artificial Neural Network dapat diaplikasikan
Report 272, Washington D.C.

8
Anderson D. and Mcneill G., 1992, Artificial Neural Kuliah, Jurusan Teknik Sipil FT UMY,
Networks Technology, Kaman Sciences Yogyakarta.
Coorporation, Utica, U.S.A. Rumelhart D., Hinton G. and Williams R., 1986,
Anonim, 1992, Bridge Management System, Learning Internal Representations by
Departemen Pekerjaan Umum Republik Error Propagation, Cambridge: MIT Press,
Indonesia, Jakarta. U.S.A.
Anonim, 2005, Perencanaan Struktur Baja untuk Salmon, C.G. and Johnson, J.E., 1996, Steel
Jembatan, Badan Standarisasi Nasional, Structures: Design and Behavior. Emphasizing
Jakarta. Load and Resistance Factor Design, 4th ed.,
Anonim, 2005, Standar Pembebanan untuk Jembatan, HarperCollins, U.S.A.
Badan Standarisasi Nasional, Jakarta. Schalkoff and Robert, J., 1996, Artificial Neural
Anonim, 2008, Kamus Istilah Bidang Pekerjaan Networks, McGraw-Hill, U.S.A.
Umum, Departemen Pekerjaan Umum, Jakarta. Setiawan, A., 2008, Perencanaan Struktur Baja
Anonim, 2011, Pedoman Penentuan Nilai Sisa dengan Metode LRFD, Erlangga, Semarang.
Kapasitas Jembatan, Kementrian Pekerjaan Siang, J.J., 2004, Jaringan Saraf Tiruan &
Umum Direktorat Jenderal Bina Marga, Jakarta. Pemrogramannya Menggunakan MATLAB,
Anonim, 2012, Bridge Design Specifications, Penerbit ANDI, Yogyakarta.
American Association of State Highway and Sumiyanto, J., 2012, Struktur Komposit, Bahan
Transportation Officials, U.S.A. Kuliah, Jurusan Teknik Sipil FT UNY,
Asadi, A., 2011, Bridge Life-Cycle Cost Analysis Yogyakarta.
Using Artificial Neural Networks, Northwestern Tadesse, Z., dkk, 2010, Neural Networks for
University, Illinois, U.S.A. Prediction of Deflection in Composite Bridges,
Czarnecki, A.A., 2006, System Reliability Model for Indian Institute of Technology, India.
the Evaluation of Corroded Steel Girder Tokdemir, O.B., dkk, 1999, Prediction of Highway
Bridges, Tesis, University of Michigan, U.S.A. Bridge Performance By Artificial Neural
Holmen, J.O., 1979, Fatigue of Concrete by Constant Networks and Genetic Algorithms, Illinois
and Variable Amplitude Loading, The Institute of Technology, Chicago, U.S.A.
University of Trondheim, Norwegia.
Kayser, J.R., 1988, The Effect of Corrosion on the
Reliability of Steel Girder Bridges, Tesis,
University of Michigan, U.S.A.
Komp, M.E., 1987, Atmospheric Corrosion Ratings of
Weathering Steel – Calculation and
Significance, Material Performance, 26(7): 42-
44.
Kusumadewi, S., 2004, Membangun Jaringan Saraf
Tiruan Menggunakan MATLAB & Excel Link,
Penerbit Graha Ilmu, Yogyakarta.
Lee, J., 2006, ANN Based Bridge Condition Rating
Models Using Limited Structural Inspection
Records, Tesis, Griffith University, Australia.
Muhtarom, A., 2012, Optimasi Dimensi Lubang
Heksagonal Balok Kastela Bentang Pendek
dengan Metode Artificial Neural Network,
Tesis, Universitas Gadjah Mada, Yogyakarta.
Pujianto, A., 2007, Struktur Komposit dengan Metode
Load and Resistance Factor Design, Bahan