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.
1
1.2 Tujuan (defect) akibat proses pembekuan yang berulang.
Tujuan dari penelitian ini adalah Prediksi tingkat kapasitas dimodelkan dengan
1. mengetahui salah satu jenis kerusakan elemen menggunakan Backpropagation Neural Network.
akibat pengaruh lingkungan dan dampaknya Selain itu juga ada penelitian yang dilakukan oleh
terhadap rating factor jembatan komposit baja- Jaeho Lee, dkk (2006) tentang pemodelan kondisi
beton; jembatan lama di Australia dengan data inspeksi yang
2. membuat model matematis hubungan antara terbatas. Pemodelan dilakukan dengan menggunakan
rating factor jembatan komposit baja-beton yang Backward Prediction Model. Penelitian tentang
tipikal dan faktor-faktor yang mempengaruhinya pemodelan kondisi struktur menggunakan Artificial
dengan menggunakan ANN; Neural Network masih jarang dijumpai di Indonesia.
3. membuat persamaan empiris prediksi nilai rating Oleh karena itu penelitian tentang prediksi nilai rating
factor jembatan komposit baja-beton dari model factor jembatan komposit baja-beton menggunakan
matematis ANN; Artificial Neural Network dengan skema
4. memverifikasi keakuratan hasil prediksi nilai backpropagation ini bersifat asli.
rating factor suatu jembatan komposit baja-beton
yang dihasilkan oleh persamaan empiris. 2. LANDASAN TEORI
2
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]
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.
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
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