Avesina Vol.13 No.

1/Juni 2019
http://e-journal.unizar.ac.id

OPTIMASI SUDUT DALAM KUDA-KUDA BAJA DENGAN METODE ARTIFICIAL

NEURAL NETWORK

Auliya Isti Makrifa

Program Studi Teknik Sipil, Fakultas Teknik, Universitas Islam Al-Azhar, Mataram
Jln. Unizar No. 20 Turida, Mataram
Email: auliyamakrifa@gmail.com

ABSTRAK
Optimasi sudut dalam kuda-kuda dilakukan agar struktur berat sendiri yang ringan dan mampu
menahan beban yang ada, sesuai dengan kaidah peraturan yang berlaku. Tujuan dari tulisan
ini adalah untuk mendapatkan sudut dalam kuda-kuda baja yang optimum dengan bentang
kuda-kuda 6m sampai dengan 12m, dan sudut atap antara 25 0 sampai dengan 350. Data yang
digunakan dalam penelitian ini sebanyak sembilan buah, yang didapatkan dari hasil
pemodelan SAP 2000. Metode optimasi yang digunakan adalah dengan pemodelan Artificial
Neural Network (ANN) mengunakan program MATLAB. Rumus empiris yang didapatkan
kemudian digunakan untuk mendapatkan jarak antar kuda-kuda optimum yang dilanjutkan
untuk mendapatkan sudut dalam optimum. Hasil dari penelitian ini berupa rumus empiris
ANN yang dapat digunakan untuk mendesain kuda-kuda dengan sudut dalam yang optimum
dengan bentang antara 6m sampai dengan 12m dan sudut atap mulai dari 25 0 sampai dengan
350.

Kata kunci: optimasi, kuda-kuda baja, Artificial Neural Network

ABSTRACT
Angular optimization in the truss is done so that the weight structure itself is light and able to
withstand existing loads, in accordance with the rules of the applicable regulations. The
purpose of this paper is to get the optimum angle in steel truss with 6m to 12m truss, and roof
angles between 250 to 350. The data used in this study were nine, which were obtained from
the results of SAP modeling 2000. The optimization method used is modeling Artificial Neural
Network (ANN) using the MATLAB program. The empirical formula obtained is then used to
get the optimum distance between the truss which is continued to get the optimum inner angle.
The results of this study are an ANN empirical formula that can be used to design truss with
optimum inner angles with a span between 6m to 12m and roof angles ranging from 250 to 350.

Keyword: optimation, steel truss, Artificial Neural Network

PENDAHULUAN mendapatkan berat kuda-kuda baja yang

Optimasi struktural merupakan optimum.
salah satu tantangan bagi para engineer Perencanaan struktur atap yang
teknik sipil dalam menyediakan desain selama ini dilakukan secara manual
struktur yang efisien. Dimana struktur memakan waktu yang cukup lama, sehingga
tersebut selain murah harus memenuhi dirasa kurang praktis dilakukan di lapangan,
kriteria perencanaan. Optimasi sudut dalam terlebih bagi engineer yang belum banyak
kuda-kuda merupakan langkah awal untuk pengalaman. Hal ini mendorong untuk

9
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

diciptakannya metode pembantu guna dapat disajikan dalam bentuk angka dan
mempermudah dan mempercepat prediksi grafik.
perhitungan struktur. Penelitian ini Disimpulkan bahwa kombinasi
mengusulkan metode prediksi optimasi struktur atap antara profil IWF dengan baja
dimensi rangka atap menggunakan metode siku menghasilkan berat struktur yang lebih
Artificial Neural Network (ANN). Metode ringan, dengan kemiringan atap 200
ini telah banyak digunakan, dan menghasilkan berat kuda-kuda paling
memberikan hasil yang akurat serta mudah optimum.
diaplikasikan di lapangan. Optimasi Berat Perluasan Struktur Atap
Adapun tujuan dari penelitian ini Rangka Baja
adalah: Terdapat beberapa penelitian terkait
a) Tujuan dari penelitian ini adalah yang dilakukan pada tahun 2011. Penelitian
menghitung jarak antar kuda-kuda yang ini menggunakan data profil gording C serta
optimum pada struktur atap rangka baja profil siku untuk kuda-kuda. Optimasi yang
dengan variasi bentang kuda-kuda serta dilakukan ditinjau dari berat per meter
variasi sudut atap. persegi, dengan kontrol tegangan dan
b) Menghitung sudut dalam kuda-kuda yang lendutan.
optimum pada struktur atap rangka baja Perhitungan dimulai dengan
dengan variasi bentang kuda-kuda serta mengoptimasi bentang gording. Variasi
variasi sudut atap. bentang gording dimualai dengan
Optimasi Perencanaan Rangka Atap pertambahan tiap 0,5 meter hingga
Baja mencapai bentang optimum. Perhitungan
Marsiano (2010) melakukan dilanjutkan dengan mengoptimasi berat
penelitian penggunaan struktur rangka atap optimum kuda-kuda menggunakan variasi
dalam berbagai variasi bentuk rangka serta sudut dalam. Sudut dalam dimulai dari 00
variasi sudut kemiringan atap, guna dengan kenaikan setiap setiap 50. Teknik
memperoleh tipe rangka atap yang paling pengumpulan data menggunakan matriks
optimum dari segi berat rangka atapnya. serta bantuan program SAP 2000 untuk
Metode dan teknik pengumpulan memperoleh gaya-gaya dalam serta reaksi
data menggunakan program SAP 2000 perletakan. Perhitungan dilakukan dengan
dalam memperoleh gaya-gaya dalam serta bantuan program Microsoft Excel.
reaksi perletakan, yang kemudian dianalisis
menggunakan rumus yang ada sehingga

10
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

Tabel 1. Hasil perhitungan optimasi berat Ganni dkk (2011)

Nama Peneliti L (m) Sudut Atap Jarak KK Sudut dalam Berat optimum
(m) kg/m2
Ganni L. 6 30 1,73 5 7,82
Meirino Dwi 6 40 2,85 25 8,84
Mhd. Salim J. 6 60 3,94 45 7,39
Aditya Wisnu 9 30 2,54 10 8,85
Reza Satria I. 9 40 2,63 25 9,89
Dhoni Rahadi 9 50 2,42 30 9,31

Penggunaan ANN untuk Prediksi terjadi hasil analisis Metode Elemen

Tegangan pada Balok Kastela Hingga (MEH).
Hexagonal Bentang 1 Meter
Data input dan output tersebut
Dalam penelitian yang dilakukan kemudian dimasukkan dalam persamaan
oleh Ahmad Muhtarom (2012) digunakan ANN. Dari hasil running program,
data sekunder input berupa 10 variasi didapatkan fungsi matematis dari
dimensi lubang balok kastela bukaan generalisasi tegangan maksimum yang
heksagonal bentang 1 meter (BKBH-1M) terjadi.
yang ada di pasaran dan data sekunder Perbandingan antara hasil
berupa output target tegangan tarik perhitungan menggunakan MEH dan ANN,
maksimum, tegangan tekan maksimum didapatkan rasio perbandingan seperti
dan tegangan geser maksimum yang berikut :
Tabel 2. Rasio perbandingan output MEH dan ANN Muhtarom (2012)

Rata-rata Rata-rata
Jenis Batasan Output Output Rasio
MEH ANN

Tegangan Tarik 489,00 485,45 0,9927403

Tegangan Tekan 496,40 496,40 1,00000
Tegangan geser 313,30 332,73 1,0620172

Hybrid neural network model for the (GA) untuk mendesain sebuah balok
design of beam subjected to bending and berdasarkan momen dan gesernya. Sampel
shear yang digunakan sebanyak 100 buah sampel
Penelitian yang dilakukan oleh dengan 1000 kali training.
Sudarsana Rao dan Ramesh Babu (2007) Dari penelitian yang telah
ini mengkombinasikan Artificial Neural dilakukan, metode ini menunjukkan bahwa
Network (ANN) serta Genetic Algorithms model Neural Network dapat menyediakan

11
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

desain yang aman untuk balok berdasarkan Prediction of Optimal Design and
momen serta gesernya. Metode ini dapat Deflection of Space Structures Using
digunakan sebagai prediksi tinggi balok, Neural Networks
luas tulangan, jarak sengkang untuk kasus Penelitian ini dilakukan oleh Reza
balok baru. Kamyab dkk (2012). Penelitian ini
Frame Optimization using Neural bertujuan untuk mendapatkan desain paling
Network optimum yang ditunjukkan oleh berat
Suhairil dkk (2012) melakukan paling optimal, dengan lendutan paling
penelitian untuk membuktikan bahwa maksimum untuk space structure. Metode
Neural Network dapat digunakan untuk yang digunakan adalah menggunakan
memprediksi berat optimum portal hasil Neural Network. Variabel yang digunakan
hitungan menggunakan software Finite dalam penelitian adalah luas penampang,
Element (FE). Data yang digunakan panjang bentang serta tinggi struktur.
menggunakan tegangan dan lendutan Metode yang digunakan dalam penelitian
sebagai kriteria optimum. ini adalah menggunakan double layer grids
Dalam penelitian ini terdapat tiga yang kemudian dilanjutkan dengan training
kasus dengan perbedaan kompleksitas untuk Radial Basis Function (RBF) dan
konfigurasi struktur, serta sisitem Generalized Regression (GR) neural
pembebanan. network. Dengan metode ini, peneliti
Penelitian ini menunjukkan bahwa mampu memprediksi desain optimal
Neural Network dapat memprediksi kriteria dengan lendutan maksimal dalam waktu
optimasi. Komplksitas konfigurasi struktur yang singkat.
mempengaruhi hasil yang dicapai, yang Pembebanan Struktur Atap
diperlihatkan melalui Mean Square Error Jenis-jenis beban yang biasa
(MSE) seperti berikut : dipergunakan dalam perencanaan struktur
rangka atap antara lain sebagai berikut:
a) Beban mati DL (Dead Load)
b) Beban hidup LL (Life Load)
c) Beban angin WL (Wind Load)
Analisis Pembebanan
Kombinasi pembebanan merupakan
suatu perhitungan, dimana struktur harus
Gambar 1. Pencapaian MSE Suhairil (2012)
mampu menahan semua kombinasi

12
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

pembebanan yang terjadi. Kombinasi 2) Bila Lp<Lb ≤Lr, maka Mn

dihitung dengan rumus :
pembebanan yang harus ditinjau menurut
𝑀𝑛 = 𝐶𝑏 [𝑀𝑛 − (𝑀𝑝 −
Peraturan Pembebanan Indonesia untuk
𝐿𝑏−𝐿𝑝
Gedung 1983 adalah sebagai berikut : 0,7 𝐹𝑦 𝑆𝑥) [ ]] ≤ 𝑀𝑝 (2)
𝐿𝑟−𝐿𝑝
a) Pembebanan tetap : M + H
b) Pembebanan Sementara : M + H + A 3) Bila Lb > Lr, maka Mn dihitung:
Mn = Fcr Sx ≤ Mp (3)
Dimana :
M = Beban Mati, DL (Dead Load) Untuk kriteria lendutan, balok biasa
H = Beban Hidup, LL (Life Load)
A = Beban Angin, WL (Wind Load) lendutan aktual tidak boleh lebih dari
L/240.
Struktur baja harus mampu
Perencanaan Batang Tarik Kuda-kuda
memikul semua kombinasi pembebanan di
Rangka batang merupakan sistem
bawah ini:
struktur gabungan dari beberapa batang
a) 1,4 DL yang dihubungkan untuk mentransfer
b) 1,2 DL + 1,6 LL+ 0,5 WL
c) 1,2 DL + 1,6 LL + 0,8WL beban ke tumpuan dalam bentuk gaya
d) 1,2 DL + 1,3 WL + γL LL aksial (tarik maupun tekan) murni.
e) 0,9 DL ± 1,3WL
Perencanaan rangka batang menggunakan
Perhitungan Jarak kuda-kuda Optimum baja mengacu pada SNI 03-1729–2015.
Perhitungan balok gording
Pada batang tarik gaya dukung
dilakukan untuk mendapatkan bentang
nominal yang diperhitungkan adalah pada
kuda-kuda paling optimum untuk profil
kondisi leleh sepanjang batang. Kondisi
yang tersedia mengacu pada SNI 03–1729-
fraktur di sambungan tidak diperhitungkan
2015.
karena penelitian ini dibatasi sambungan
Kekuatan lentur desain ditentukan
tidak diperhitungkan. Gaya dukung
oleh φb Mn, dengan nilai φb adalah 0,9
nominal pada batang tarik diperoleh dengan
(DFBK). Kuat lentur nominal, Mn, harus
rumus sebagai berikut:
nilai terendah yang diperoleh sesuai dengan
ϕtPn = φt Ag Fy dengan ϕt = 0,9 (4)
keadaan batas dari leleh (momen plastis)
Untuk batang-batang yang
dan tekuk torsi lateral.
direncanakan terhadap tarik, angka
a) Pelelehan
perbandingan kelangsingannya L/r lebih
Mn = Mp = Fy Zx (1) baik tidak melebihi 300.
b) Tekuk torsi lateral
1) Bila Lb ≤ Lp, maka keadaan batas Perencanaan Batang Tekan Kuda-kuda
dari tekuk torsi lateral tidak boleh Sesuai dengan Tabel B4.1a dalam
digunakan
SNI 03-1729-2015, Rasio tebal terhadap

13
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

lebar untuk komponen struktur yang perhitungan besarnya output dari hidden
menahan tekan aksial, khususnya untuk dan output layer tersebut berdasarkan
elemen kaki dari siku ganda dengan fungsi aktivasi tertentu.
pemisah ditetapkan sebagai berikut :
𝑏 𝐸
≤ 0,45√𝐹𝑦 (5)
𝑡
Untuk kondisi tekan, kekuatan
tekan desain dapat dihitung dengan formula
sebagai berikut :

ϕcPn = ϕc Ag Fcr dengan ϕc = 0,9 (6)

Untuk batang-batang yang Gambar 2. Arsitektur Backpropagation ANN
direncanakan terhadap tekan, angka
X = data input.
perbandingan kelangsingan globalnya KL/r Vij = bobot awal input
Wij = bobot awal lapisan
sebaiknya tidak melebihi 200. bij = bobot bias

Y = Zi . W[i,j] + b[i,j] (7)

Pemodelan dengan Artificial Neural
Network Zi nj = f(Xi . V[i.j] + b[i,j]) (8)
1
Artificial Neural Network 𝑍𝑖 = 1+𝑒−𝑍𝑖𝑛𝑗 (9)

merupakan salah satu sistem pemrosesan

METODE
informasi yang didesain dengan menirukan
Dalam penelitian dilakukan
cara kerja otak manusia dalam
optimasi dimensi struktur atap dengan
menyelesaikan suatu masalah dengan
menggunakan metode Artificial Neural
melakukan proses belajar melalui
Network. Materi yang digunakan adalah
perubahan bobot sinapsisnya. Salah satu
hasil pemodelan menggunakan software
metode ANN yang digunakan adalah
Microsoft Excel dan SAP 2000 yang
metode Backpropagation.
kemudian digunakan sebagai input dalam
Arsitektur algoritma
pemodelan jaringan syaraf tiruan
backpropagation terdiri dari tiga layer,
menggunakan bantuan program MATLAB
yaitu input layer, hidden layer dan output
untuk mendapatkan rumus empirisnya.
layer. Pada input layer tidak terjadi proses
Alat yang digunakan dalam
komputasi, namun terjadi pengiriman
penelitian ini merupakan beberapa program
sinyal input X ke hidden layer. Pada hidden
komputer yang membantu, yaitu Microsoft
dan output layer terjadi proses komputasi
Excel, SAP 2000 serta MATLAB.
terhadap bobot dan bias serta proses

14
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

Langkah-langkah penelitian yang sudut atap, guna mendapatkan jarak

dilakukan, secara umum dapat dijabarkan optimum antar kuda-kuda. Sistem
sebagai berikut: yang digunakan adalah sistem ANN
a) Menghitung jarak kuda-kuda bertingkat. Output yang didapatkan
optimum menggunakan Microsoft dari perhitungan sebelumnya
Excel yang mengacu pada SNI 03- digunakan sebagai input pada
1729-2015 tentang komponen lentur; perhitungan selanjutnya. Dengan
b) Menghitung pembebanan kuda-kuda menggunakan sistem tersebut,
dengan acuan PPIUG 1983; kemudian akan didapatkan sudut
c) Membuat model kuda-kuda dalam optimum kuda-kuda
menggunakan program SAP 2000 h) Dari rumus empiris ANN yang
dengan variasi bentang, sudut atap didapatkan, kemudian dipakai untuk
serta sudut dalam kuda-kuda; variasi model dalam beberapa
d) Menginput ukuran profil baja dan parameter yaitu bentang kuda-kuda
melakukan trial dalam program SAP dan sudut atap;
2000 dan mengganti profil i) Melakukan validasi dengan cara
berdasarkan masing-masing grup pengecekan kembali profil yang
(grup batang tekan atas, grup batang didapatkan secara random dari
diagonal, grup batang tarik bawah) persamaan ANN ke dalam SAP 2000.
secara manual ke dalam program
SAP 2000, untuk mendapatkan profil HASIL DAN PEMBAHASAN
yang paling optimum; Optimasi Jarak Kuda-kuda
e) Menganalisa batang tekan dan tarik Optimasi dilakukan terhadap
dengan acuan SNI 03-1729-2015; gording light lip channal tipe 150.65.20.3,2
f) Hasil dari pemodelan SAP 2000 untuk mendapatkan bentang optimum.
berupa berat kuda-kuda yang akan Kriteria kontrol berdasarkan tegangan,
diolah kembali ke dalam Microsoft momen lentur serta lendutan.
Excel untuk mendapatkan total berat
struktur atap, yang kemudian Perhitungan Kuda-kuda
diinputkan ke dalam ANN; Pada perhitungan kuda-kuda ini,
g) Membuat pemodelan ANN dalam digunakan bantuan program SAP 2000
program MATLAB dengan input dengan design code AISC 360-05/IBC
awal adalah bentang kuda-kuda dan 2006 yang senada dengan SNI 03-1729-

15
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

2015. Kemudian perhitungan dilanjutkan Pemodelan awal dilakukan dengan

menggunakan Microsoft Excel. untuk mendapatkan jarak optimum antar
Model kuda-kuda dibagi menjadi kuda-kuda dengan input bentang kuda-kuda
tiga grup, yaitu grup A (batang tekan bagian dan sudut atap. Dihasilkan rumus empiris
atas), grup B (batang diagonal) serta grup C dengan konstanta sebagai berikut :
(batang tarik bagian bawah). Pembagian V[1,1]= 2,8871E-07
grup ini dimaksudkan untuk mempermudah V[1,2]= -1,0180977
V[2,1]= 1,32575701
pelaksanaan pemasangan di lapangan.
V[2,2]= 1,26675306
Optimasi dilakukan terhadap b[1,1]= 30,3583356
berat struktur atap, yang kemudian b[1,2] = -19,871176
W[1,1]= 0,55692803
dikonversikan terhadap profil batang pada
W[2,1]= 0,58570497
masing-masing grup kuda-kuda. Variabel b[2,1] = 2,66145953
yang divariasikan adalah bentang kuda-
Zin1 = (2,8871E-07 X1) + (-1,0180977 X2)+
kuda dan sudut atap. Bentang kuda-kuda
30,3583356
yang diapaki sebagai pemodelan adalah Zin2 = (1,32575701 X1) + (1,26675306 X2)
-19,871176
6m, 9m, dan 12m. Sedangkan sudut atap
250, 300 dan 350. Hasil optimasi berupa Dari persamaan di atas, dihasilkan
jarak kuda-kuda, sudut dalam optimum, rumus empiris sebagai berikut :
berat optimum struktur atap, berat masing- Y = 2,66 + 0,56 Z1 + 0,59 Z2 (10)
masing grup kuda-kuda. Untuk masing- Pemodelan yang kedua dilakukan
masing bentang, model kuda-kuda dapat untuk mendapatkan sudut dalam optimum,
dilihat dalam Tabel 3 berikut ini : dengan input bentang kuda-kuda, sudut
Tabel 3. Model kuda-kuda tiap bentang atap dan jarak antar kuda-kuda. Dihasilkan
Bentang Bentuk kuda-kuda
(m) rumus empiris dengan konstanta sebagai
berikut :
6
V[1,1]= -5,3526E-05
V[1,2]= -0,55336193
9
V[1,3]= 6,179860433
V[2,1]= 3,652076491
V[2,2]= -4,050317501
V[2,3]= 30,45177122
b[1,1] = -4,779402128
12
b[1,2] = -37,93141353

W[1,1]= -9,174424141

16
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id

W[2,1]= -6,050834927 DAFTAR PUSTAKA

b[2,1] = 20,15510753 Wijaya, A.W. 2011. Optimization of Steel

Roof Structure Design for 9m Span
Zin1 = (-5,3526E-05 X1) + (- Length and 30 Derajat Pitch Based
0,553361933 X2) + (6,179860433 X3) on ITS Strenght and Deflection.
- 4,779402128 Jurusan Teknik Sipil Fakultas
Zin2 = (3,652076491 X1) + (- Teknik Universitas Gadjah Mada
4,050317501 X2) + (30,45177122 X3) - Yogyakarta.
4,779402128
Muhtarom, A. 2012. Penggunaan ANN
Dari persamaan di atas, dihasilkan untuk Prediksi Tegangan pada
rumus empiris sebagai berikut : Balok Kastela Hexagonal Bentang 1
Y = 20,16 - 9,17 Z1 – 6,05 Z2 (11) Meter.Jurusan Teknik Sipil Fakultas
Teknik Universitas Gadjah Mada
KESIMPULAN Yogyakarta.
Kesimpulan yang dapat ditarik dari Rahadi, D. 2011. Optimasi Berat Perluasan
penelitian ini antara lain adalah sebagai Struktur Atap Rangka Baja Bentang
9 Meter Susut 50 Derajat, Jurusan
berikut: Teknik Sipil Fakultas Teknik
a) Didapatkan dua buah rumus empiris Universitas Gadjah Mada
Yogyakarta.
ANN yang dapat digunakan untuk
Firdausa, F. 2015. Optimasi Dimensi Berat
mendapatkan desain kuda-kuda yang
Profil Batang Bangunan Atas
optimum dengan mengetahui bentang Jembatan Tipe Warren Tertutup
dengan Metode Artificial Neural
kuda-kuda dan sudut atap untuk
Network. Jurusan Teknik Sipil
mendapatkan jarak kuda-kuda dan sudut Fakultas Teknik Universitas Gadjah
Mada Yogyakarta.
dalam optimum.
b) Didapatkan desain kuda-kuda optimum Luthfiansyah, G. 2011. Optimasi Berat
Perluasan Struktur Atap Rangka
dengan bentang dan sudut atap yang Baja Bentang 6 Meter Sudut 30
diketahui, sebagai berikut : Derajat. Jurusan Teknik Sipil
Fakultas Teknik Universitas Gadjah
Tabel 4. Desain kuda-kuda optimum dengan
rumus ANN bertingkat
Mada Yogyakarta.
Bentang Sudut Sudut Marsiano. 2010. Optimasi Perencanaan
(m) atap dalam Rangka Atap Baja. Program Studi
6 25 10 Teknik Sipil FTSP ISTN Jakarta.
7 25 6
8 25 5 Handoyo, M.D. 2011. Optimasi Berat
9 25 5
Perluasan Struktur Atap Rangka
Baja Bentang 6 Meter Sudut 40
10 25 5
Derajat. Jurusan Teknik Sipil
11 27 5 Fakultas Teknik Universitas Gadjah
12 28 5 Mada Yogyakarta.

17
Avesina Vol.13 No.1/Juni 2019
http://e-journal.unizar.ac.id
Jung, M.S. 2011. Optimasi Struktur Atap
Rangka Baja Bentang 6 Meter
dengan Sudut Atap 60 Derajat
Ditinjau dari Segi Berat dan
Lendutan. Jurusan Teknik Sipil
Fakultas Teknik Universitas Gadjah
Mada Yogyakarta.
Moghadas, dan Reza, K. 2012. Prediction
of Optimal Design and Deflection of
Space Structures Using Neural
Networks. Hindawi Publishing
Corporation. Mathematical
Problems in Engineering. Article
doi:10.1155/2012/712974
Rao, S. 2007. Hybrid Neural Network
Model for The Design of Beam
18
Subjected to Bending and Shear.
Shadana 32(5): 577-586.
Iswandrata, R.S. 2011. Optimasi Struktur
Atap Rangka Baja Bentang 9 Meter
dengan Sudut Atap 40 Derajat
Ditinjau dari Segi Berat dan
Lendutan. Jurusan Teknik Sipil
Fakultas Teknik Universitas Gadjah
Mada Yogyakarta.
Suhairil. 2012. Frame Optimization using
Neural Network. International
Journal on Advanced Since
Engineering Information
Technology 2(1).