Analisa Pengaruh Kendaraan Muatan Berlebih/Overloading (OL) terhadap Umur Rencana Perkerasan Jalan Tol (Studi Kasus Ruas Jalan Tol Semarang ABC)
Bibliographic record
Abstract
Setiap perkerasan jalan didesain dengan kapasitas beban maksimum tertentu, namun dalam praktiknya terdapat banyak kendaraan yang melebihi batas dimensi dan beban yang telah ditetapkan, yang disebut sebagai kendaraan Beban Muatan Berlebih atau Overloading (OL). Fenomena ini diduga memiliki dampak yang signifikan pada umur rencana perkerasan jalan, terutama pada rute logistik utama jalan tol. Oleh karena itu, diperlukan sebuah studi untuk melihat dampak populasi kendaraan OL pada umur rencana perkerasan jalan tol.Metode yang digunakan dalam studi ini didasarkan pada Manual Desain Perkerasan 2017, dan tujuannya adalah untuk mengevaluasi dampak beban kendaraan OL terhadap umur rencana perkerasan lentur, adapun data yang digunakan seperti Data Lalu Lintas Harian Rata-Rata Tahunan (LHRT), data geometrik jalan, didasarkan pada data lapangan aktual yang dikumpulkan pada rute logistik Jalan Tol Semarang ABC pada periode 2023 serta Data populasi muatan berlebih berdasarkan pembacaan alat Weight in Motion Bridge (WIM).Hasil analisis menunjukkan bahwa pengaruh populasi beban kendaraan OL sebanyak 5,76% dari total populasi lalin harian tahunan (LHRT) memiliki dampak penurunan umur rencana perkerasan lentur, dari awal umur rencana 20 tahun menjadi 17 tahun, dan pengaruh populasi beban kendaraan OL sebanyak 19% dari LHRT akan memiliki dampak penurunan umur rencana perkerasan lentur dari awal 20 tahun menjadi 13 Tahun serta peningkatan Faktor Ekivalen Beban rata-rata atau Average Vehicle Damage Factor (VDF) dari kondisi muatan normal sebesar 5,9245 menjadi 20,2062 pada kondisi OL sehingga diperoleh kesimpulan bahwa dengan adanya kendaraan OL memberikan dampak signifikan terhadap penurunan umur rencana sebesar -16% (OL 5,76%) dan -25% (OL 19%) serta rata rata peningkatan faktor Ekivalen Beban sebesar 241%.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".