Analisis Prediktif Tekanan Akademik: Integrasi Metode Random Forest, POLR, dan LDA dalam Menentukan Variabel Pengaruh Dominan
Aprilia Safna Anggraeni (24031554003), Khairun Nisa’ (24031554043) & Naufal Muzaki (24031554061)
2026-04-21
Dataset yang digunakan dalam penelitian ini merupakan dataset yang diperoleh dari platform penyedia dataset publik, Kaggle. Dataset yang digunakan berjudul “Student Depression Dataset” yang mencakup berbagai indikator mengenai faktor-faktor yang memengaruhi tingkat depresi mahasiswa dari aspek demografi, akademik, gaya hidup, dan sosial kondisi sosial ekonomi. Dataset ini terdiri dari 27.901 sampel data serta 18 variabel. Setiap baris data merepresentasikan satu individu mahasiswa sementara setiap kolom menunjukkan karakteristik dari kondisi dari mahasiswa tersebut. Variabel dalam dataset ini terdiri dari beberapa kategori diantaranya, variabel demografi, variabel akademik, variabel gaya hidup, dan variabel berkaitan dengan kondisi mental dan sosial ekonomi. Penelitian ini berfokus pada identifikasi dan analisis faktor-faktor yang memengaruhi tingkat depresi pada mahasiswa.
Load Library
library(tidyverse) ## Warning: package 'tidyverse' was built under R version 4.5.3## Warning: package 'lubridate' was built under R version 4.5.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.0 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.2 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ✔ purrr 1.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(car) ## Loading required package: carData
##
## Attaching package: 'car'
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following object is masked from 'package:purrr':
##
## somelibrary(visdat) ## Warning: package 'visdat' was built under R version 4.5.3library(psych)##
## Attaching package: 'psych'
##
## The following object is masked from 'package:car':
##
## logit
##
## The following objects are masked from 'package:ggplot2':
##
## %+%, alphalibrary(dplyr)
library(ggplot2)
library(naniar) # untuk visualisasi missing value## Warning: package 'naniar' was built under R version 4.5.3library(MVN)## Registered S3 method overwritten by 'lme4':
## method from
## na.action.merMod car
##
## Attaching package: 'MVN'
##
## The following object is masked from 'package:psych':
##
## mardialibrary(biotools)## Loading required package: MASS## Warning: package 'MASS' was built under R version 4.5.3##
## Attaching package: 'MASS'
##
## The following object is masked from 'package:dplyr':
##
## select
##
## ---
## biotools version 4.3library(rstatix)## Warning: package 'rstatix' was built under R version 4.5.3##
## Attaching package: 'rstatix'
##
## The following object is masked from 'package:MASS':
##
## select
##
## The following object is masked from 'package:stats':
##
## filterlibrary(VGAM)## Warning: package 'VGAM' was built under R version 4.5.3## Loading required package: stats4
## Loading required package: splines
##
## Attaching package: 'VGAM'
##
## The following object is masked from 'package:psych':
##
## logisticlibrary(DescTools)## Warning: package 'DescTools' was built under R version 4.5.3##
## Attaching package: 'DescTools'
##
## The following object is masked from 'package:VGAM':
##
## Rank
##
## The following objects are masked from 'package:psych':
##
## AUC, ICC, SD
##
## The following object is masked from 'package:car':
##
## Recodelibrary(MASS)
library(PResiduals)## Warning: package 'PResiduals' was built under R version 4.5.3library(VGAM)Load Dataset
data <- read.csv("Student Depression Dataset.csv")head(data)## id Gender Age City Profession Academic.Pressure Work.Pressure CGPA
## 1 2 Male 33 Visakhapatnam Student 5 0 8.97
## 2 8 Female 24 Bangalore Student 2 0 5.90
## 3 26 Male 31 Srinagar Student 3 0 7.03
## 4 30 Female 28 Varanasi Student 3 0 5.59
## 5 32 Female 25 Jaipur Student 4 0 8.13
## 6 33 Male 29 Pune Student 2 0 5.70
## Study.Satisfaction Job.Satisfaction Sleep.Duration Dietary.Habits Degree
## 1 2 0 5-6 hours Healthy B.Pharm
## 2 5 0 5-6 hours Moderate BSc
## 3 5 0 Less than 5 hours Healthy BA
## 4 2 0 7-8 hours Moderate BCA
## 5 3 0 5-6 hours Moderate M.Tech
## 6 3 0 Less than 5 hours Healthy PhD
## Have.you.ever.had.suicidal.thoughts.. Work.Study.Hours Financial.Stress
## 1 Yes 3 1
## 2 No 3 2
## 3 No 9 1
## 4 Yes 4 5
## 5 Yes 1 1
## 6 No 4 1
## Family.History.of.Mental.Illness Depression
## 1 No 1
## 2 Yes 0
## 3 Yes 0
## 4 Yes 1
## 5 No 0
## 6 No 0Pengecekan Struktur dan Tipe Data
str(data)## 'data.frame': 27901 obs. of 18 variables:
## $ id : int 2 8 26 30 32 33 52 56 59 62 ...
## $ Gender : chr "Male" "Female" "Male" "Female" ...
## $ Age : num 33 24 31 28 25 29 30 30 28 31 ...
## $ City : chr "Visakhapatnam" "Bangalore" "Srinagar" "Varanasi" ...
## $ Profession : chr "Student" "Student" "Student" "Student" ...
## $ Academic.Pressure : num 5 2 3 3 4 2 3 2 3 2 ...
## $ Work.Pressure : num 0 0 0 0 0 0 0 0 0 0 ...
## $ CGPA : num 8.97 5.9 7.03 5.59 8.13 5.7 9.54 8.04 9.79 8.38 ...
## $ Study.Satisfaction : num 2 5 5 2 3 3 4 4 1 3 ...
## $ Job.Satisfaction : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Sleep.Duration : chr "5-6 hours" "5-6 hours" "Less than 5 hours" "7-8 hours" ...
## $ Dietary.Habits : chr "Healthy" "Moderate" "Healthy" "Moderate" ...
## $ Degree : chr "B.Pharm" "BSc" "BA" "BCA" ...
## $ Have.you.ever.had.suicidal.thoughts..: chr "Yes" "No" "No" "Yes" ...
## $ Work.Study.Hours : num 3 3 9 4 1 4 1 0 12 2 ...
## $ Financial.Stress : num 1 2 1 5 1 1 2 1 3 5 ...
## $ Family.History.of.Mental.Illness : chr "No" "Yes" "Yes" "Yes" ...
## $ Depression : int 1 0 0 1 0 0 0 0 1 1 ...Berdasarkan hasil pemeriksaan struktur data, dataset memiliki total 27.901 observasi dengan 18 variabel. Ukuran sampel yang besar memberikan keunggulan statistik berupa kestabilan estimasi dan kekuatan uji yang tinggi untuk analisis yang lebih mendalam.
glimpse(data)## Rows: 27,901
## Columns: 18
## $ id <int> 2, 8, 26, 30, 32, 33, 52, 56, 59…
## $ Gender <chr> "Male", "Female", "Male", "Femal…
## $ Age <dbl> 33, 24, 31, 28, 25, 29, 30, 30, …
## $ City <chr> "Visakhapatnam", "Bangalore", "S…
## $ Profession <chr> "Student", "Student", "Student",…
## $ Academic.Pressure <dbl> 5, 2, 3, 3, 4, 2, 3, 2, 3, 2, 3,…
## $ Work.Pressure <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ CGPA <dbl> 8.97, 5.90, 7.03, 5.59, 8.13, 5.…
## $ Study.Satisfaction <dbl> 2, 5, 5, 2, 3, 3, 4, 4, 1, 3, 3,…
## $ Job.Satisfaction <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ Sleep.Duration <chr> "5-6 hours", "5-6 hours", "Less …
## $ Dietary.Habits <chr> "Healthy", "Moderate", "Healthy"…
## $ Degree <chr> "B.Pharm", "BSc", "BA", "BCA", "…
## $ Have.you.ever.had.suicidal.thoughts.. <chr> "Yes", "No", "No", "Yes", "Yes",…
## $ Work.Study.Hours <dbl> 3, 3, 9, 4, 1, 4, 1, 0, 12, 2, 1…
## $ Financial.Stress <dbl> 1, 2, 1, 5, 1, 1, 2, 1, 3, 5, 1,…
## $ Family.History.of.Mental.Illness <chr> "No", "Yes", "Yes", "Yes", "No",…
## $ Depression <int> 1, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1,…Pemeriksaan Kolom
colnames(data)## [1] "id"
## [2] "Gender"
## [3] "Age"
## [4] "City"
## [5] "Profession"
## [6] "Academic.Pressure"
## [7] "Work.Pressure"
## [8] "CGPA"
## [9] "Study.Satisfaction"
## [10] "Job.Satisfaction"
## [11] "Sleep.Duration"
## [12] "Dietary.Habits"
## [13] "Degree"
## [14] "Have.you.ever.had.suicidal.thoughts.."
## [15] "Work.Study.Hours"
## [16] "Financial.Stress"
## [17] "Family.History.of.Mental.Illness"
## [18] "Depression"Statistik Deskriptif
summary(data)## id Gender Age City
## Min. : 2 Length:27901 Min. :18.00 Length:27901
## 1st Qu.: 35039 Class :character 1st Qu.:21.00 Class :character
## Median : 70684 Mode :character Median :25.00 Mode :character
## Mean : 70442 Mean :25.82
## 3rd Qu.:105818 3rd Qu.:30.00
## Max. :140699 Max. :59.00
##
## Profession Academic.Pressure Work.Pressure CGPA
## Length:27901 Min. :0.000 Min. :0.0000000 Min. : 0.000
## Class :character 1st Qu.:2.000 1st Qu.:0.0000000 1st Qu.: 6.290
## Mode :character Median :3.000 Median :0.0000000 Median : 7.770
## Mean :3.141 Mean :0.0004301 Mean : 7.656
## 3rd Qu.:4.000 3rd Qu.:0.0000000 3rd Qu.: 8.920
## Max. :5.000 Max. :5.0000000 Max. :10.000
##
## Study.Satisfaction Job.Satisfaction Sleep.Duration Dietary.Habits
## Min. :0.000 Min. :0.000000 Length:27901 Length:27901
## 1st Qu.:2.000 1st Qu.:0.000000 Class :character Class :character
## Median :3.000 Median :0.000000 Mode :character Mode :character
## Mean :2.944 Mean :0.000681
## 3rd Qu.:4.000 3rd Qu.:0.000000
## Max. :5.000 Max. :4.000000
##
## Degree Have.you.ever.had.suicidal.thoughts.. Work.Study.Hours
## Length:27901 Length:27901 Min. : 0.000
## Class :character Class :character 1st Qu.: 4.000
## Mode :character Mode :character Median : 8.000
## Mean : 7.157
## 3rd Qu.:10.000
## Max. :12.000
##
## Financial.Stress Family.History.of.Mental.Illness Depression
## Min. :1.00 Length:27901 Min. :0.0000
## 1st Qu.:2.00 Class :character 1st Qu.:0.0000
## Median :3.00 Mode :character Median :1.0000
## Mean :3.14 Mean :0.5855
## 3rd Qu.:4.00 3rd Qu.:1.0000
## Max. :5.00 Max. :1.0000
## NA's :3Berdasarkan hasil statistik deskriptif, diketahui bahwa profil responden memiliki rentang usia produktif antara 18 hingga 59 tahun dengan nilai median berada pada usia 25 tahun. Hal ini menunjukkan bahwa dataset didominasi oleh kelompok dewasa muda yang relevan dengan variabel tekanan akademik.
Variabel Target (Academic Pressure): Nilai rata-rata berada pada 3,14 (skala 0-5), dengan median di angka 3,00. Ini mengindikasikan bahwa sebagian besar responden merasakan tekanan akademik tingkat menengah ke atas.
Kinerja Akademik (CGPA): Sebaran nilai CGPA berada pada rentang 0 hingga 10, dengan rata-rata 7,65. Nilai median (7,77) yang lebih besar dari rata-rata menunjukkan adanya kecondongan data (skewed) ke arah nilai yang lebih tinggi.
Financial Stress: Tingkat stres finansial memiliki rata-rata 3,14, serupa dengan tekanan akademik, yang mungkin menunjukkan adanya korelasi awal antara tekanan keuangan dan tekanan belajar.
Temuan Khusus (Depression): Nilai rata-rata pada variabel Depression adalah 0,58. Karena ini adalah variabel biner (0 dan 1), angka ini menunjukkan bahwa sekitar 58,55% responden dalam dataset ini teridentifikasi mengalami depresi.
describe(data)## vars n mean sd median
## id 1 27901 70442.15 40641.18 70684.00
## Gender* 2 27901 1.56 0.50 2.00
## Age 3 27901 25.82 4.91 25.00
## City* 4 27901 27.29 16.36 25.00
## Profession* 5 27901 11.99 0.24 12.00
## Academic.Pressure 6 27901 3.14 1.38 3.00
## Work.Pressure 7 27901 0.00 0.04 0.00
## CGPA 8 27901 7.66 1.47 7.77
## Study.Satisfaction 9 27901 2.94 1.36 3.00
## Job.Satisfaction 10 27901 0.00 0.04 0.00
## Sleep.Duration* 11 27901 2.51 1.06 3.00
## Dietary.Habits* 12 27901 2.47 1.24 2.00
## Degree* 13 27901 11.92 7.24 12.00
## Have.you.ever.had.suicidal.thoughts..* 14 27901 1.63 0.48 2.00
## Work.Study.Hours 15 27901 7.16 3.71 8.00
## Financial.Stress 16 27898 3.14 1.44 3.00
## Family.History.of.Mental.Illness* 17 27901 1.48 0.50 1.00
## Depression 18 27901 0.59 0.49 1.00
## trimmed mad min max range
## id 70454.87 52412.88 2 140699 140697
## Gender* 1.57 0.00 1 2 1
## Age 25.77 5.93 18 59 41
## City* 27.36 22.24 1 52 51
## Profession* 12.00 0.00 1 14 13
## Academic.Pressure 3.18 1.48 0 5 5
## Work.Pressure 0.00 0.00 0 5 5
## CGPA 7.67 1.88 0 10 10
## Study.Satisfaction 2.93 1.48 0 5 5
## Job.Satisfaction 0.00 0.00 0 4 4
## Sleep.Duration* 2.51 1.48 1 5 4
## Dietary.Habits* 2.46 1.48 1 4 3
## Degree* 11.53 8.90 1 28 27
## Have.you.ever.had.suicidal.thoughts..* 1.67 0.00 1 2 1
## Work.Study.Hours 7.40 4.45 0 12 12
## Financial.Stress 3.17 1.48 1 5 4
## Family.History.of.Mental.Illness* 1.48 0.00 1 2 1
## Depression 0.61 0.00 0 1 1
## skew kurtosis se
## id -0.01 -1.21 243.31
## Gender* -0.23 -1.95 0.00
## Age 0.13 -0.85 0.03
## City* 0.03 -1.39 0.10
## Profession* -39.59 1638.16 0.00
## Academic.Pressure -0.14 -1.16 0.01
## Work.Pressure 108.58 12107.60 0.00
## CGPA -0.11 -1.02 0.01
## Study.Satisfaction 0.01 -1.22 0.01
## Job.Satisfaction 74.10 5925.51 0.00
## Sleep.Duration* -0.03 -1.22 0.01
## Dietary.Habits* 0.23 -1.59 0.01
## Degree* 0.36 -0.67 0.04
## Have.you.ever.had.suicidal.thoughts..* -0.55 -1.70 0.00
## Work.Study.Hours -0.45 -1.00 0.02
## Financial.Stress -0.13 -1.32 0.01
## Family.History.of.Mental.Illness* 0.06 -2.00 0.00
## Depression -0.35 -1.88 0.00vis_dat(data)
# Pengecekan Missing Value
print(colSums(is.na(data)))## id Gender
## 0 0
## Age City
## 0 0
## Profession Academic.Pressure
## 0 0
## Work.Pressure CGPA
## 0 0
## Study.Satisfaction Job.Satisfaction
## 0 0
## Sleep.Duration Dietary.Habits
## 0 0
## Degree Have.you.ever.had.suicidal.thoughts..
## 0 0
## Work.Study.Hours Financial.Stress
## 0 3
## Family.History.of.Mental.Illness Depression
## 0 0Berdasarkan hasil pengecekan missing value, ditemukan bahwa dataset memiliki tingkat kebersihan yang snagat tinggi, dari total 27.901 observasi, hampit seluruh variabel memiliki data yang lengkap kecuali pada variabel Financial.Stress yang memiliki 3 data yang hilang. Persentase missing value pada dataset ini hanya sebesar 0.01% (3/27.901)
vis_miss(data)
Penanganan Missing Value
data_bersih <- data %>%
mutate(Financial.Stress = ifelse(is.na(Financial.Stress),
median(Financial.Stress, na.rm = TRUE), Financial.Stress))colSums(is.na(data_bersih))## id Gender
## 0 0
## Age City
## 0 0
## Profession Academic.Pressure
## 0 0
## Work.Pressure CGPA
## 0 0
## Study.Satisfaction Job.Satisfaction
## 0 0
## Sleep.Duration Dietary.Habits
## 0 0
## Degree Have.you.ever.had.suicidal.thoughts..
## 0 0
## Work.Study.Hours Financial.Stress
## 0 0
## Family.History.of.Mental.Illness Depression
## 0 0Penanganan outlier dilakukan dengan menerapkan prosedur Imputasi Median, dikarenakan Nilai median merupakan nilai yang lebih robust terhadap pengaruh nilai outlier. Sehingga untuk menjaga integritas jumlah sampel maka dilakukan imputasi median pada variabel Financial.Stress.
Uji Outlier (Mahalanobis Distance)
data_clean <- data_bersih %>%
mutate(Sleep_Num = case_when(
Sleep.Duration == "Less than 5 hours" ~ 4,
Sleep.Duration == "5-6 hours" ~ 5.5,
Sleep.Duration == "7-8 hours" ~ 7.5,
Sleep.Duration == "More than 8 hours" ~ 9,
TRUE ~ 0
))data_outlier <- data_clean %>% select(Age, Academic.Pressure, CGPA, Study.Satisfaction, Work.Study.Hours, Financial.Stress, Sleep_Num)
mahalanobis_distance <- mahalanobis(data_outlier, colMeans(data_outlier), cov(data_outlier))
threshold <- qchisq(0.999, df = ncol(data_outlier))Visualisasi Plot Jarak Mahalanobis
Mahalanobis Distance digunakan karena data yang diteliti bersifat multivariat (melibatkan banyak variabel sekaligus). Berbeda dengan Boxplot/IQR yang hanya mengecek satu variabel secara terpisah (univariat), Mahalanobis mampu mendeteksi outlier berdasarkan korelasi antar variabel.
plot(mahalanobis_distance, main = "Deteksi Outlier dengan Mahalanobis Dinstance",
ylab = "Mahalanobis Distance", xlab= "Index Data (Mahasiswa", pch = 20, col = ifelse(mahalanobis_distance > threshold, "red", "steelblue"))
abline(h = threshold, col = "darkred", lwd = 2, lty = 2)
legend("topleft", legend = c("Normal", "Outlier"), col = c("steelblue", "red"), pch = 20)
Hasil Uji Outlier Multivariat menggunakan Mahalanobis Distance
menunjukkan bahwa ditemukan terhadap 18 data yang teridentifikasi
sebagai outlier multivariat.
Visualisasi Chi-Square QQ-Plot
qqplot(qchisq(ppoints(nrow(data_outlier)), df = ncol(data_outlier)), mahalanobis_distance, main = "QQ-Plot Jarak Mahalanobis", xlab = "Teoretis Chi-Square", ylab= "Mahalanobis Distance")
abline(0, 1, col = "red", lwd = 2)
Hasil Grafik QQ-Plot menunjukkan bahwa titik-titik data mengikuti garis
referensi diagonal merah dengan sangat presisi pada nilai teoretis
rendah hingga menengah Hal ini menunjukkan bahwa data yang digunakan
telah memenuhi asumsi Normalitas Multivariat pada sebagian besar
distribusinya. Serta, terdapat penyimpangan pada ekor kanan grafik
menunjukkan 18 outlier yang sudah dideteksi sebelumnya.
outliers_count <- sum(mahalanobis_distance > threshold)
cat("Jumlah Outlier yang terdeteksi:", outliers_count)## Jumlah Outlier yang terdeteksi: 18data_outlier_info <- data_clean[mahalanobis_distance > threshold, ]
view(data_outlier_info)Penanganan Outlier (Winsorizing)
# 1. Fungsi Winsorize Manual
winsorize_data <- function(x) {
qnt <- quantile(x, probs=c(.01, .99), na.rm = TRUE) # Ambil batas 1% dan 99%
x[x < qnt] <- qnt # Jika terlalu rendah, tarik ke atas (batas 1%)
x[x > qnt] <- qnt # Jika terlalu tinggi, tarik ke bawah (batas 99%)
return(x)
}
# 2. Terapkan ke semua kolom numerik
data_clean_handled <- data_clean %>%
mutate(
Age = winsorize_data(Age),
CGPA = winsorize_data(CGPA),
Study.Satisfaction = winsorize_data(Study.Satisfaction),
Work.Study.Hours = winsorize_data(Work.Study.Hours),
Financial.Stress = winsorize_data(Financial.Stress),
Sleep_Num = winsorize_data(Sleep_Num)
)## Warning: There were 18 warnings in `mutate()`.
## The first warning was:
## ℹ In argument: `Age = winsorize_data(Age)`.
## Caused by warning in `x < qnt`:
## ! longer object length is not a multiple of shorter object length
## ℹ Run `dplyr::last_dplyr_warnings()` to see the 17 remaining warnings.# 3. Cek jumlah data
nrow(data_clean_handled)## [1] 27901Setelah pengecekan outlier, dilakukan penanganan outlier menggunakan metode winsorizing pada persentil 1% (batas bawah) dan 99% (batas atas). Penerapan Metode Winsorizing bekerja dengan menangani nilai ekstrem dengan cara mengganti nilai tersebut ke batas nilai terdekat yang masih dianggap wajar dalam distribusi data dengan tujuan, untuk menjaga representasi sampel dan menghindari hilangnya informasi berharga dari responden yang memiliki karakteristik unik. Hal ini juga bertujuan untuk memitigasi risiko bias pada estimasi parameter saat analisis diskriminan.
Uji Multikolinearitas (VIF)
model_vif <- lm(Academic.Pressure ~ Age + CGPA + Study.Satisfaction + Work.Study.Hours + Financial.Stress + Sleep_Num, data = data_clean_handled)
vif_values <- vif(model_vif)print(vif_values)## Age CGPA Study.Satisfaction Work.Study.Hours
## 1.001837 1.001162 1.003648 1.002194
## Financial.Stress Sleep_Num
## 1.005013 1.006186Uji Multikolinearitas dilakukan dengan tujuan untuk memastikan bahwa tidak terdapat korelasi linear yang kuat antar variabel independen yang dapat mengganggu estimasi koefisien model. Hasil pengujian menunjukkan bahwa Nilai Variance Inflation Faktor untuk seluruh variabel prediktor berada pada rentang 1,001 hingga 1,006 yang artinya seluruh variabel dalam penelitian ini tidak terjadi gejala multikolinearitas.
Uji Proporsi Data
# Tabel Frekuensi
tabel_frekuensi <- table(data_clean_handled$Academic.Pressure)
# Tabel Persentase
tabel_persen <- prop.table(tabel_frekuensi) * 100
proporsi_final <- rbind(Frekuensi = tabel_frekuensi, Persentase = round(tabel_persen, 2))
cat("HASIL PEMERIKSAAN PROPORSI (Academic Pressure):", proporsi_final)## HASIL PEMERIKSAAN PROPORSI (Academic Pressure): 9 0.03 4801 17.21 4178 14.97 7462 26.74 5155 18.48 6296 22.57# Visualisasi
library(ggplot2)
ggplot(data_clean_handled, aes(x = as.factor(Academic.Pressure), fill = as.factor(Academic.Pressure))) +
geom_bar() +
geom_text(stat='count', aes(label=..count..), vjust=-0.5) +
scale_fill_brewer(palette = "Set3") +
labs(title = "Proporsi Tingkat Academic Pressure",
subtitle = "Total Data: 27.901 Mahasiswa",
x = "Skala Tekanan (0-5)",
y = "Jumlah Mahasiswa") +
theme_minimal() +
theme(legend.position = "none")## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Berdasarkan analisis proporsi pada variabel target Academic.Pressure,
data menunjukkan distribusi yang well-balanced. Hal ini diperlihatkan
oleh visualisasi histogram yang memperlihatkan jumlah data untuk
masing-masing kelompok Academic.Pressure, kelas dengan
jumlah objek terendah ada pada kelas tekanan akademik 0 yang mengartikan
bahwa sangat jarang ditemukan objek yang tidak merasakan tekanan
akademik asama sekali. Selain itu, untuk jumlah objek tertinggi
diperoleh kelas tekanan akademik menengah dengan jumlah objek sebanyak
7462, hal ini sangat merepresentasikan keadaan dunia nyata.
Berdasarkan hasil pengujian keseluruhan maka dataset dapat dinyatakan sangat layak untuk dilanjutkan ke tahap analisis yang lebih mendalam.
Uji Kelayakan Data
1. Analisis Diskriminan
# Pemisahan Variabel
y_diskri <- as.factor(data_clean_handled$Academic.Pressure)
x_var <- data_clean_handled %>%
select(Age, CGPA, Study.Satisfaction,
Work.Study.Hours, Financial.Stress,
Sleep_Num)Sebelum masuk pada tahapn uji kelayakan data untuk analisis, dilakukan pemisahan variabel yang nantinya akan digunakan untuk penelitian. Pada analisis ini fokus variabel dependen yang akan diteliti adalah Academic Pressure atau tekanan akademik. Analisis diskriminan ini bertujuan untuk menentukan variabel independen analisis, seperti umur, IPK, kepuasan belajar, waktu belajar, tekanan finansial, dan waktu tidur, yang paling mempengaruhi pemisahan pengelompokan.
Pada analisis diskirminan ini variabel yang berperan sebagai variabel
dependen akan dianggap sebagai faktor, pada kode
y_diskri <- as.factor(data_clean_handled$Academic.Pressure)
variabel Y diubah ke bentuk kategori (faktor) supaya program tidak salah
mengira sebagai numerik yang nantinya akan menyebabkan kesalahan
analisis.
Uji Box’s M
box_m_test <- boxM(x_var, y_diskri)
print(box_m_test)##
## Box's M-test for Homogeneity of Covariance Matrices
##
## data: x_var
## Chi-Sq (approx.) = 95.089, df = 105, p-value = 0.7455Pengujian pertama adalah uji Box’s M, pengujian ini dilakukan untuk
menguji kesamaan variansi antar grup, menentukan kesamaan matriks
kovarian. Fungsi boxM(x_var, y_diskri) melakukan
perhitungan dan hasilnya menunjukan nilai p-value sebesar
0,7455 (p > 0.05) yang berarti gagal tolak H0. Hasil
tola H0 menandakan bahwa matriks kovarian sama atau tidak signifikan.
(Berhasil)
Uji Normalitas Multivariat
set.seed(123)
data_sampel <- data_clean_handled[sample(nrow(data_clean_handled), 5000), ]
x_sampel <- data_sampel %>%
select(Age, CGPA, Study.Satisfaction,
Work.Study.Hours, Financial.Stress,
Sleep_Num)
mvn_result <- mvn(data = x_sampel, mvn_test = "mardia")
print(mvn_result)## $multivariate_normality
## Test Statistic p.value Method MVN
## 1 Mardia Skewness 34.940 0.988 asymptotic ✓ Normal
## 2 Mardia Kurtosis -43.126 <0.001 asymptotic ✗ Not normal
##
## $univariate_normality
## Test Variable Statistic p.value Normality
## 1 Anderson-Darling Age 898.414 <0.001 ✗ Not normal
## 2 Anderson-Darling CGPA 898.466 <0.001 ✗ Not normal
## 3 Anderson-Darling Study.Satisfaction 898.239 <0.001 ✗ Not normal
## 4 Anderson-Darling Work.Study.Hours 898.085 <0.001 ✗ Not normal
## 5 Anderson-Darling Financial.Stress 898.930 <0.001 ✗ Not normal
## 6 Anderson-Darling Sleep_Num 900.495 <0.001 ✗ Not normal
##
## $descriptives
## Variable n Mean Std.Dev Median Min Max 25th 75th Skew
## 1 Age 5000 25.859 8.000 18.00 18.00 34.00 18.00 34.00 0.035
## 2 CGPA 5000 7.489 2.425 5.11 5.11 9.96 5.11 9.96 0.038
## 3 Study.Satisfaction 5000 2.974 2.000 1.00 1.00 5.00 1.00 5.00 0.026
## 4 Work.Study.Hours 5000 6.036 6.000 12.00 0.00 12.00 0.00 12.00 -0.012
## 5 Financial.Stress 5000 3.054 1.999 5.00 1.00 5.00 1.00 5.00 -0.054
## 6 Sleep_Num 5000 6.387 2.498 4.00 4.00 9.00 4.00 9.00 0.090
## Kurtosis
## 1 1.001
## 2 1.001
## 3 1.001
## 4 1.000
## 5 1.003
## 6 1.008
##
## $data
## Age CGPA Study.Satisfaction Work.Study.Hours Financial.Stress Sleep_Num
## 18847 18 9.96 1 0 5 4
## 18895 34 5.11 5 0 1 9
## 26803 34 9.96 1 12 1 4
## 25102 18 9.96 1 0 1 9
## 2986 34 9.96 1 12 1 9
## 1842 18 9.96 1 12 5 4
## 25718 34 9.96 5 0 5 4
## 3371 18 9.96 1 12 1 4
## 11638 18 5.11 5 0 5 9
## 4761 18 5.11 5 0 1 4
## 6746 18 9.96 5 12 1 9
## 26203 18 9.96 5 0 1 4
## 16128 34 9.96 5 12 1 9
## 2757 18 5.11 1 12 5 4
## 21491 34 9.96 1 12 5 9
## 25529 34 5.11 5 0 1 9
## 12636 34 9.96 1 0 5 4
## 9209 34 5.11 1 12 5 4
## 10205 34 9.96 1 0 5 4
## 13667 18 5.11 5 12 5 9
## 2888 34 5.11 1 0 5 9
## 6170 34 9.96 5 0 1 9
## 18951 34 5.11 1 12 1 9
## 9642 34 9.96 5 12 1 9
## 26366 34 5.11 5 12 1 9
## 12499 34 5.11 5 0 1 9
## 19364 34 5.11 1 12 1 9
## 1614 34 9.96 1 0 5 9
## 16939 18 9.96 1 12 1 9
## 14183 34 9.96 1 0 1 4
## 20853 34 9.96 5 12 1 4
## 15180 34 9.96 5 12 1 4
## 9359 34 5.11 5 12 1 9
## 27168 34 5.11 5 0 5 9
## 27114 34 5.11 5 12 5 9
## 24173 18 9.96 1 0 1 4
## 9991 34 5.11 1 0 5 9
## 9097 18 5.11 5 12 5 4
## 15273 18 5.11 5 0 1 9
## 17431 18 9.96 5 0 1 9
## 23451 34 9.96 5 0 1 4
## 3004 18 5.11 5 0 5 4
## 19591 34 5.11 1 12 5 4
## 7989 18 9.96 1 12 1 4
## 3995 18 5.11 1 0 1 4
## 13536 34 5.11 5 12 5 4
## 8358 18 9.96 1 0 1 4
## 16601 34 5.11 5 12 1 4
## 25890 34 9.96 5 0 5 4
## 24541 18 5.11 5 0 5 9
## 10821 18 5.11 5 0 1 4
## 6216 34 5.11 5 0 1 4
## 25164 34 9.96 5 0 1 4
## 17983 34 9.96 1 0 5 4
## 20621 18 9.96 1 12 1 4
## 20321 18 5.11 5 0 5 9
## 20473 18 9.96 1 12 1 4
## 19291 18 5.11 1 12 5 4
## 16678 18 5.11 1 0 1 4
## 8469 34 5.11 1 12 1 4
## 13775 18 5.11 1 0 1 4
## 41 18 5.11 5 0 1 9
## 14426 18 9.96 1 12 5 9
## 24892 18 5.11 1 12 5 9
## 7391 34 5.11 1 12 1 9
## 23056 18 5.11 5 12 5 9
## 7284 18 9.96 5 12 1 4
## 15966 34 5.11 5 12 1 9
## 11014 34 9.96 5 12 5 4
## 27371 18 5.11 5 0 5 4
## 18888 18 9.96 1 12 5 9
## 6742 18 5.11 5 12 5 4
## 25759 34 5.11 5 0 5 9
## 25328 34 9.96 1 0 1 9
## 11473 18 5.11 5 12 5 4
## 8566 34 9.96 5 0 1 4
## 10034 18 9.96 5 12 1 9
## 22513 18 5.11 1 12 1 4
## 10274 34 9.96 5 12 1 9
## 20996 34 5.11 5 0 5 9
## 12301 34 9.96 5 12 5 4
## 18501 18 9.96 5 0 1 4
## 6134 18 5.11 1 12 5 4
## 755 34 5.11 1 12 5 4
## 6553 18 5.11 5 0 1 4
## 21812 18 9.96 5 12 1 4
## 25582 18 9.96 5 12 1 4
## 27161 18 9.96 1 0 1 9
## 7127 18 5.11 5 12 5 9
## 26915 34 9.96 1 0 1 4
## 9640 18 5.11 5 0 5 4
## 19742 34 5.11 1 12 5 4
## 3980 34 5.11 1 12 1 9
## 14457 18 9.96 1 12 5 4
## 9326 34 9.96 1 12 5 4
## 3230 18 5.11 1 0 1 9
## 5603 18 9.96 5 12 1 4
## 26510 34 5.11 5 0 5 9
## 9693 18 5.11 1 0 1 9
## 20960 34 5.11 5 0 1 4
## 20167 18 9.96 5 0 1 9
## 14403 18 5.11 5 12 5 9
## 24215 34 9.96 1 0 1 4
## 10106 18 9.96 5 0 1 9
## 5967 34 5.11 5 0 5 9
## 9301 34 9.96 1 12 5 4
## 12453 34 9.96 1 12 1 4
## 7816 34 5.11 5 12 1 9
## 25651 18 9.96 5 0 5 4
## 11338 18 9.96 1 12 5 9
## 15538 18 5.11 5 0 5 9
## 1386 18 9.96 5 12 5 4
## 10476 18 5.11 5 0 5 9
## 21090 18 9.96 5 12 1 9
## 18762 34 5.11 5 12 5 9
## 20428 34 9.96 1 12 1 4
## 26836 18 5.11 5 12 1 9
## 686 34 9.96 1 12 1 9
## 12049 34 9.96 5 0 1 4
## 22462 34 5.11 5 0 5 4
## 15150 18 5.11 5 0 5 4
## 15670 34 5.11 5 12 1 9
## 5027 18 5.11 1 12 5 4
## 16104 34 9.96 1 0 5 4
## 15214 34 5.11 5 0 1 9
## 22771 18 5.11 5 0 1 9
## 25423 34 9.96 5 0 1 9
## 16152 34 9.96 1 12 5 4
## 7281 18 9.96 1 0 5 9
## 25559 18 5.11 1 0 5 4
## 4715 34 9.96 1 12 1 9
## 14215 34 9.96 1 0 1 9
## 14287 18 9.96 1 0 5 9
## 151 18 9.96 1 0 5 4
## 23194 18 9.96 5 12 5 9
## 9830 18 9.96 5 0 5 4
## 24558 34 9.96 5 12 5 9
## 23295 34 9.96 1 12 1 4
## 2208 34 5.11 1 12 5 4
## 15751 34 5.11 1 0 1 4
## 14491 18 9.96 1 0 5 9
## 27050 18 9.96 5 12 1 9
## 17413 18 5.11 5 12 5 4
## 8518 18 5.11 5 12 1 9
## 12048 18 5.11 1 0 5 9
## 23832 18 5.11 5 12 1 9
## 16160 34 9.96 5 12 1 4
## 11029 18 5.11 5 12 1 9
## 7735 34 5.11 1 12 5 4
## 24395 34 9.96 1 12 5 9
## 1956 18 9.96 5 0 5 9
## 24556 18 5.11 1 12 1 4
## 5358 18 5.11 5 0 5 9
## 22268 18 5.11 5 12 1 4
## 20477 18 9.96 1 12 1 4
## 13651 18 5.11 1 0 1 4
## 17369 34 5.11 1 12 1 4
## 6183 18 5.11 1 0 5 4
## 17370 18 5.11 5 12 1 9
## 4233 18 9.96 1 0 5 9
## 27079 34 5.11 1 0 1 4
## 26338 34 5.11 1 12 1 9
## 17968 34 9.96 5 0 5 9
## 21069 18 9.96 5 12 5 4
## 7864 34 5.11 5 12 5 4
## 26663 34 5.11 1 0 1 4
## 10436 34 5.11 5 0 5 4
## 9985 18 5.11 1 12 1 4
## 4776 34 9.96 5 0 5 9
## 15646 34 5.11 5 0 1 4
## 6644 18 5.11 5 12 5 4
## 985 34 9.96 5 0 5 9
## 26384 18 9.96 5 12 5 9
## 24920 34 5.11 5 0 5 4
## 23862 18 5.11 1 12 1 9
## 18891 34 5.11 5 0 5 4
## 11184 34 9.96 1 12 1 9
## 11284 34 5.11 1 0 5 9
## 16579 34 9.96 1 0 5 9
## 14173 18 9.96 5 12 1 4
## 11428 34 9.96 5 0 5 9
## 3124 18 5.11 5 0 5 9
## 13164 18 5.11 5 0 5 9
## 23062 34 9.96 1 0 1 9
## 26801 18 5.11 5 0 5 9
## 21034 18 5.11 5 12 1 4
## 27451 18 5.11 1 12 1 9
## 18516 18 5.11 5 12 5 9
## 14969 18 5.11 1 0 5 4
## 12215 18 5.11 1 12 5 4
## 3464 18 9.96 5 0 5 4
## 25902 34 9.96 1 0 5 4
## 3949 18 5.11 5 0 1 4
## 12994 34 9.96 5 0 1 4
## 27243 18 5.11 5 0 1 9
## 7757 34 5.11 1 0 5 4
## 2758 18 5.11 1 0 5 9
## 3833 34 5.11 1 0 1 9
## 17096 18 9.96 5 0 1 9
## 26028 34 5.11 5 0 1 4
## 12960 18 5.11 5 12 1 4
## 21754 34 9.96 5 12 5 4
## 10020 18 5.11 5 0 1 9
## 19885 18 9.96 1 12 1 4
## 3069 34 9.96 1 0 1 9
## 10638 18 5.11 5 12 1 4
## 11253 34 5.11 1 0 1 4
## 8720 34 9.96 1 0 1 4
## 20439 18 5.11 1 12 1 9
## 14717 18 5.11 5 12 5 9
## 26145 18 5.11 1 12 1 9
## 14858 18 9.96 5 0 5 9
## 16857 18 5.11 5 0 1 4
## 14536 18 9.96 5 12 5 9
## 6098 18 5.11 5 0 5 9
## 17533 34 9.96 1 0 5 4
## 2037 34 9.96 1 12 5 9
## 18697 18 9.96 5 12 5 4
## 11015 34 9.96 5 0 5 4
## 26503 18 9.96 5 12 1 4
## 24125 18 9.96 5 0 1 9
## 25034 18 9.96 5 0 1 4
## 11416 34 9.96 1 12 1 4
## 1078 34 5.11 1 0 1 9
## 5015 18 5.11 1 0 5 4
## 22042 34 5.11 5 0 1 9
## 22763 18 5.11 1 0 1 4
## 1313 34 5.11 5 12 1 9
## 185 18 9.96 5 12 1 4
## 24317 18 5.11 1 12 5 4
## 413 18 5.11 1 0 5 4
## 4723 34 9.96 5 12 5 4
## 10762 34 5.11 1 12 5 9
## 17717 34 5.11 1 0 5 9
## 15414 18 5.11 5 12 1 9
## 4875 18 9.96 1 0 1 4
## 9753 34 5.11 5 0 1 9
## 16948 34 9.96 5 0 5 9
## 8986 18 5.11 5 0 5 4
## 25991 34 5.11 5 12 1 4
## 14745 34 5.11 1 0 5 4
## 3799 18 9.96 1 12 1 4
## 25946 18 9.96 5 0 5 4
## 4256 34 9.96 5 12 5 4
## 14804 34 5.11 5 12 1 4
## 3581 18 5.11 5 12 1 4
## 11160 34 9.96 1 0 1 9
## 19513 18 9.96 5 12 1 4
## 6601 34 5.11 1 0 5 4
## 4713 18 5.11 5 0 5 4
## 24933 18 5.11 1 12 1 4
## 16663 34 9.96 1 0 5 4
## 20750 18 5.11 1 12 5 4
## 6790 18 5.11 5 0 5 9
## 6491 34 5.11 5 0 5 4
## 19585 18 9.96 5 0 1 9
## 18650 18 9.96 5 12 1 9
## 618 18 5.11 1 12 1 9
## 18289 34 5.11 1 0 5 9
## 15034 18 9.96 1 12 1 9
## 8529 34 5.11 1 0 1 4
## 10266 34 9.96 5 0 5 9
## 539 18 5.11 5 0 5 4
## 25532 34 9.96 5 12 1 4
## 13978 34 9.96 5 0 1 9
## 3625 18 5.11 5 0 5 4
## 23252 18 5.11 1 0 1 9
## 19846 18 9.96 1 0 1 4
## 22002 34 9.96 1 0 1 9
## 15582 18 5.11 1 0 1 9
## 23199 18 9.96 5 0 5 4
## 23389 18 5.11 1 12 5 4
## 23185 34 5.11 1 0 5 4
## 19392 34 5.11 1 0 5 9
## 9637 18 5.11 5 0 5 9
## 13369 18 9.96 5 0 1 9
## 6804 34 9.96 1 12 5 4
## 2211 18 5.11 1 12 1 4
## 2286 18 9.96 5 12 1 9
## 22177 18 5.11 1 0 1 9
## 27202 34 5.11 5 12 1 9
## 7684 34 9.96 5 0 5 9
## 27787 34 5.11 1 0 5 4
## 15585 18 5.11 5 0 1 9
## 21893 18 9.96 5 0 1 4
## 20597 34 9.96 1 12 1 4
## 12936 34 5.11 5 12 5 9
## 9271 18 5.11 1 0 1 4
## 9433 18 5.11 1 0 1 4
## 27181 34 5.11 1 0 5 4
## 7826 18 9.96 1 12 1 4
## 1706 34 9.96 5 12 5 4
## 14751 18 9.96 5 12 5 4
## 24263 34 9.96 1 0 1 4
## 25449 18 5.11 1 0 5 4
## 15024 34 5.11 5 0 5 4
## 8081 18 9.96 1 0 5 4
## 8949 18 5.11 1 12 5 4
## 988 34 9.96 5 0 5 9
## 10687 34 5.11 5 0 5 9
## 27858 18 5.11 5 12 1 9
## 11061 34 9.96 5 0 1 9
## 27455 18 5.11 1 0 1 4
## 21191 18 5.11 1 0 1 4
## 21972 18 5.11 5 12 1 9
## 9426 34 5.11 5 0 5 4
## 12637 34 5.11 5 12 1 4
## 26001 18 9.96 1 0 5 4
## 20193 34 5.11 1 12 5 9
## 23810 34 9.96 1 0 5 9
## 18609 18 9.96 1 0 5 4
## 12674 18 5.11 5 12 1 4
## 1165 18 5.11 1 12 5 9
## 26648 18 5.11 1 12 1 9
## 22467 18 5.11 1 12 5 4
## 24018 34 5.11 5 12 1 4
## 2213 18 9.96 5 0 5 9
## 17996 34 9.96 5 0 5 9
## 13689 34 9.96 5 12 5 4
## 20237 18 5.11 5 0 1 9
## 5565 34 5.11 1 0 5 4
## 17094 34 5.11 1 12 5 9
## 24426 34 5.11 1 12 5 9
## 17642 34 5.11 5 12 5 4
## 2470 34 9.96 1 0 5 9
## 27132 34 9.96 1 0 5 9
## 12144 18 9.96 5 12 5 4
## 18496 34 5.11 5 12 5 4
## 6224 34 5.11 5 0 1 4
## 13795 18 5.11 1 0 5 9
## 19419 34 5.11 5 12 5 4
## 14811 18 5.11 1 12 1 4
## 18723 34 5.11 1 12 1 4
## 6909 18 5.11 5 12 1 4
## 15703 18 5.11 5 0 1 9
## 17731 18 9.96 1 0 5 9
## 6623 18 9.96 5 0 1 4
## 7728 34 5.11 5 0 5 9
## 8983 18 9.96 1 0 1 4
## 26563 34 5.11 5 12 5 4
## 5001 18 9.96 1 12 5 9
## 25917 18 9.96 1 12 5 4
## 13534 18 9.96 1 0 1 9
## 5407 34 5.11 1 0 1 4
## 22238 18 5.11 5 0 1 9
## 11849 18 5.11 1 0 1 9
## 20772 18 5.11 1 12 1 9
## 21730 34 9.96 5 0 5 4
## 14102 34 9.96 1 12 5 4
## 18092 34 5.11 1 12 1 9
## 12585 34 9.96 1 0 5 4
## 21085 18 9.96 1 0 1 9
## 1835 18 5.11 1 12 1 4
## 3111 34 5.11 1 12 5 9
## 9453 34 5.11 5 12 1 9
## 6309 18 9.96 1 0 5 4
## 21099 34 5.11 1 0 5 4
## 25633 34 5.11 1 0 1 9
## 8275 34 5.11 1 0 5 9
## 19852 34 5.11 5 12 5 4
## 25442 34 5.11 5 12 5 4
## 10517 34 5.11 1 12 5 4
## 23761 18 9.96 1 0 1 4
## 4172 18 9.96 5 12 1 9
## 21598 18 5.11 1 0 1 9
## 15390 18 5.11 1 12 5 9
## 7385 18 9.96 5 12 5 4
## 7090 34 5.11 5 12 1 9
## 6518 34 9.96 1 12 1 4
## 10563 18 9.96 1 12 5 9
## 18547 18 5.11 1 0 1 4
## 5497 18 5.11 5 0 1 4
## 15186 18 5.11 5 0 1 4
## 10848 34 5.11 5 12 1 9
## 24017 34 5.11 1 0 1 9
## 13670 34 5.11 5 0 1 9
## 17066 34 5.11 5 0 1 4
## 27811 34 5.11 1 12 5 4
## 23466 34 9.96 1 0 5 9
## 11360 18 5.11 5 0 5 4
## 1562 34 5.11 1 12 5 4
## 22925 34 9.96 1 0 5 4
## 15764 18 9.96 1 12 1 9
## 3814 34 5.11 1 0 1 4
## 15508 34 9.96 5 12 5 4
## 25565 18 9.96 5 12 5 4
## 20436 34 9.96 5 12 5 9
## 16222 34 5.11 5 12 1 9
## 10153 18 5.11 1 0 5 4
## 8176 18 5.11 5 12 1 4
## 10833 34 9.96 5 12 5 4
## 5567 18 9.96 1 12 1 4
## 17746 18 9.96 5 0 5 9
## 15080 34 9.96 5 0 5 9
## 12531 18 5.11 5 0 1 9
## 18538 34 9.96 5 12 1 4
## 20343 34 9.96 5 0 1 9
## 6155 18 5.11 1 0 1 4
## 21105 18 9.96 1 12 1 4
## 16770 34 5.11 1 0 5 9
## 10643 34 5.11 1 12 5 4
## 8333 18 5.11 5 12 5 4
## 31 18 9.96 5 12 5 4
## 14238 18 9.96 5 12 5 9
## 13427 34 5.11 1 12 5 4
## 27553 18 5.11 1 0 1 4
## 20574 18 5.11 5 12 5 9
## 20170 34 9.96 5 12 5 9
## 12304 34 5.11 1 0 5 9
## 7588 34 5.11 5 12 5 4
## 8370 18 9.96 5 12 1 4
## 11681 34 5.11 5 0 1 4
## 21916 34 5.11 1 12 5 4
## 4620 18 9.96 5 12 5 9
## 13212 18 5.11 5 0 5 4
## 5698 34 5.11 5 12 5 4
## 16588 34 9.96 5 0 5 9
## 3247 18 5.11 5 12 1 4
## 12211 18 5.11 1 12 5 9
## 18805 18 9.96 1 12 5 4
## 23174 34 9.96 1 0 5 9
## 24016 18 9.96 1 12 5 9
## 18816 34 9.96 5 0 5 4
## 5242 34 9.96 5 12 1 4
## 23951 34 9.96 5 0 5 4
## 11667 34 9.96 5 12 1 4
## 2363 18 5.11 1 0 1 4
## 259 34 5.11 1 0 1 4
## 22369 34 5.11 5 0 1 9
## 5409 18 9.96 5 12 1 9
## 23600 18 9.96 1 0 1 4
## 25931 34 5.11 1 12 1 4
## 15460 18 5.11 5 0 5 9
## 11256 34 5.11 5 0 5 9
## 17709 34 5.11 1 12 5 4
## 4106 34 9.96 5 12 5 4
## 20650 18 5.11 5 12 1 4
## 19736 18 9.96 1 0 1 9
## 23900 18 9.96 1 12 1 4
## 20455 18 5.11 5 0 5 4
## 2450 18 5.11 1 12 5 9
## 1233 18 9.96 1 12 1 4
## 11732 34 9.96 1 0 1 4
## 26427 34 9.96 1 0 1 9
## 1673 34 9.96 1 12 5 9
## 19851 18 9.96 1 12 5 9
## 12296 18 5.11 5 12 5 9
## 20741 18 9.96 1 12 5 9
## 2589 18 9.96 5 0 5 4
## 15666 34 5.11 5 0 5 9
## 22854 34 5.11 1 12 5 9
## 21578 18 9.96 1 12 1 4
## 2330 34 5.11 1 12 5 9
## 17993 18 5.11 1 12 5 4
## 19723 18 5.11 1 0 1 9
## 6007 34 5.11 1 0 1 4
## 21766 34 9.96 5 12 5 9
## 18144 34 5.11 1 12 5 4
## 27485 34 9.96 5 12 1 9
## 5339 18 5.11 1 0 1 4
## 23224 18 5.11 1 12 1 4
## 19808 34 5.11 5 0 5 9
## 25243 34 9.96 1 0 1 4
## 21470 34 9.96 5 12 1 9
## 13431 34 5.11 1 12 5 4
## 4548 34 9.96 5 12 5 4
## 25432 18 9.96 1 0 5 4
## 1948 34 9.96 1 0 1 9
## 5699 34 9.96 1 12 1 4
## 10862 18 9.96 1 0 5 9
## 1960 18 5.11 5 12 5 9
## 646 34 5.11 5 12 1 9
## 1060 34 9.96 1 0 5 4
## 3127 18 5.11 1 12 5 4
## 17648 18 9.96 5 0 5 4
## 13179 34 5.11 5 0 5 9
## 9848 18 5.11 5 12 1 4
## 10078 18 9.96 1 0 5 4
## 25904 18 5.11 5 12 1 9
## 20468 18 9.96 5 12 5 4
## 3082 18 9.96 1 12 5 9
## 25241 18 5.11 5 12 5 4
## 3494 34 9.96 1 12 5 4
## 26611 18 5.11 1 0 1 9
## 5732 34 9.96 5 0 5 9
## 13700 34 9.96 1 12 1 4
## 27087 34 5.11 1 0 5 9
## 1204 34 9.96 5 0 1 9
## 4374 34 9.96 1 0 1 9
## 24817 18 5.11 1 0 1 4
## 20504 34 9.96 5 12 1 9
## 23207 18 9.96 5 0 5 4
## 24111 18 9.96 1 12 5 4
## 24508 18 9.96 5 0 5 9
## 9919 18 9.96 5 12 5 9
## 18469 34 9.96 1 0 5 4
## 10926 18 9.96 5 0 1 4
## 5423 34 9.96 1 12 1 9
## 1743 34 5.11 1 12 1 4
## 3984 34 5.11 1 12 1 4
## 7880 34 5.11 1 0 5 9
## 5791 34 5.11 1 12 1 9
## 24954 34 9.96 1 0 1 4
## 549 34 9.96 1 12 1 4
## 22119 18 9.96 1 12 5 4
## 25844 34 5.11 1 12 5 4
## 2096 34 5.11 5 0 1 9
## 15548 34 9.96 5 12 5 4
## 12222 34 5.11 1 0 1 4
## 14800 34 5.11 5 12 5 4
## 20873 34 9.96 5 12 1 9
## 11403 34 9.96 1 12 1 4
## 19755 18 5.11 1 0 1 9
## 9587 34 5.11 5 0 1 9
## 21150 34 9.96 1 12 1 4
## 21693 18 5.11 5 0 5 4
## 24522 18 5.11 5 0 5 9
## 8503 34 9.96 5 12 1 4
## 6333 34 9.96 5 12 5 9
## 1442 18 9.96 5 12 1 4
## 5502 18 5.11 5 12 5 9
## 18470 34 5.11 5 12 1 9
## 25684 34 9.96 5 0 5 9
## 16703 34 9.96 1 0 5 4
## 2894 18 9.96 5 12 5 4
## 26438 34 5.11 5 0 5 9
## 23954 34 5.11 5 0 5 4
## 18050 18 9.96 1 12 5 9
## 24696 34 9.96 5 12 5 4
## 2760 34 9.96 5 12 1 9
## 23883 18 9.96 1 0 1 4
## 17941 34 5.11 5 12 1 4
## 22969 34 5.11 1 0 5 9
## 23751 18 5.11 1 12 1 9
## 19955 34 5.11 1 0 1 4
## 16983 18 5.11 1 12 1 4
## 22600 34 9.96 5 12 5 9
## 15050 18 9.96 5 12 5 4
## 6821 34 5.11 5 0 5 9
## 14417 34 9.96 1 0 1 9
## 16518 34 9.96 1 0 1 4
## 20904 34 5.11 1 12 5 9
## 6150 18 5.11 1 12 1 9
## 19584 34 9.96 5 0 5 4
## 25455 34 9.96 5 12 1 4
## 25244 34 9.96 1 0 1 4
## 5920 18 5.11 5 12 1 4
## 8241 34 9.96 1 12 1 4
## 16099 18 9.96 5 0 1 9
## 5596 18 5.11 1 12 5 4
## 19695 18 5.11 5 0 1 9
## 7508 34 5.11 5 12 1 4
## 16577 18 5.11 5 12 1 4
## 27333 34 9.96 5 0 5 4
## 4399 18 5.11 1 0 1 4
## 27517 34 9.96 5 0 5 9
## 23426 18 9.96 5 12 5 4
## 26814 34 9.96 5 12 1 4
## 3696 18 9.96 1 12 5 9
## 191 18 5.11 1 0 5 4
## 22974 34 5.11 5 12 5 9
## 22647 34 5.11 5 0 5 4
## 20083 34 9.96 1 0 1 4
## 7690 18 9.96 1 12 1 4
## 13939 34 9.96 1 12 1 4
## 15419 34 9.96 1 0 1 4
## 4913 18 9.96 5 12 1 4
## 10301 18 5.11 1 12 1 9
## 9638 34 9.96 1 12 5 9
## 11372 18 5.11 1 0 1 4
## 1316 18 5.11 1 12 5 4
## 1397 18 5.11 1 0 5 9
## 5655 18 9.96 5 0 1 4
## 27531 18 5.11 1 12 1 9
## 5720 34 9.96 5 12 1 4
## 20100 34 5.11 5 12 1 9
## 13238 34 5.11 5 0 1 9
## 15319 34 5.11 5 0 5 4
## 14075 34 5.11 1 12 5 4
## 21707 18 9.96 1 0 1 4
## 25334 34 5.11 1 0 5 4
## 3318 34 5.11 1 0 5 4
## 1464 18 5.11 5 0 5 4
## 11187 18 9.96 1 0 1 9
## 16635 18 9.96 5 12 1 4
## 2608 18 5.11 1 12 5 9
## 8835 34 5.11 1 12 1 4
## 2593 18 9.96 5 0 5 4
## 9182 34 5.11 5 12 1 9
## 18594 34 9.96 5 12 1 9
## 5442 34 5.11 1 0 5 4
## 10816 18 9.96 5 0 1 4
## 6312 18 9.96 5 0 5 9
## 23316 34 5.11 1 12 1 9
## 22606 34 5.11 1 0 1 9
## 17049 18 5.11 1 12 5 4
## 1517 18 5.11 1 0 1 4
## 27368 34 9.96 5 0 5 4
## 21928 18 5.11 1 12 5 4
## 8637 18 9.96 5 0 5 9
## 3043 18 9.96 1 0 1 9
## 24671 34 5.11 5 12 1 4
## 12182 34 9.96 5 0 5 9
## 8571 18 5.11 1 0 5 9
## 1366 18 9.96 5 12 5 9
## 10461 34 5.11 1 0 1 9
## 15032 34 5.11 5 0 5 4
## 25196 18 5.11 5 0 5 9
## 448 34 5.11 5 12 1 9
## 242 34 9.96 5 12 1 9
## 7071 34 9.96 5 0 5 9
## 14280 34 9.96 5 0 5 4
## 15896 18 9.96 5 0 1 9
## 24380 34 9.96 1 12 1 9
## 7070 18 5.11 5 12 1 9
## 16791 34 9.96 1 0 5 4
## 22757 34 9.96 1 12 1 4
## 7392 34 9.96 1 0 5 9
## 19217 34 9.96 1 0 1 4
## 1498 34 5.11 1 0 5 9
## 24569 18 5.11 5 12 1 4
## 9657 18 5.11 5 0 1 9
## 11287 34 5.11 5 12 1 9
## 20698 34 5.11 5 0 1 4
## 19940 34 9.96 1 12 1 9
## 21128 18 5.11 5 0 1 4
## 79 34 9.96 5 0 5 4
## 9723 18 9.96 1 12 1 4
## 3236 34 9.96 5 12 5 9
## 6381 18 9.96 1 12 1 9
## 21059 18 5.11 5 0 1 9
## 1831 18 5.11 1 12 1 9
## 19361 18 9.96 1 0 1 4
## 4518 34 9.96 5 0 1 4
## 12781 34 5.11 5 12 1 4
## 18204 34 5.11 1 0 1 4
## 16346 34 5.11 1 0 1 9
## 10449 34 5.11 1 0 1 4
## 4695 18 9.96 5 12 5 9
## 3765 34 9.96 5 12 5 4
## 25453 18 5.11 1 0 5 4
## 2406 18 9.96 1 0 5 9
## 13353 18 9.96 1 12 1 4
## 904 34 5.11 5 12 5 9
## 15489 18 5.11 5 0 1 4
## 4944 18 5.11 5 12 1 9
## 4546 18 5.11 5 0 5 9
## 9448 18 9.96 5 0 5 9
## 9550 18 9.96 5 0 5 9
## 27020 34 9.96 1 0 5 9
## 11994 34 5.11 5 0 1 9
## 10056 18 5.11 5 12 5 9
## 20521 18 9.96 5 12 5 4
## 11528 18 9.96 1 12 5 4
## 20153 18 5.11 1 12 5 4
## 8393 18 9.96 5 12 5 4
## 16436 34 9.96 5 12 5 4
## 21729 34 5.11 1 12 1 9
## 26691 34 9.96 1 12 1 4
## 8872 18 5.11 5 0 5 9
## 20226 18 9.96 1 12 5 9
## 16961 34 5.11 5 0 1 9
## 20937 34 9.96 5 12 1 4
## 1015 18 9.96 1 0 1 9
## 10119 18 9.96 5 12 1 9
## 20429 34 5.11 1 0 1 9
## 13332 18 9.96 5 0 5 4
## 1230 34 5.11 5 12 5 9
## 18556 18 5.11 1 12 5 9
## 27216 34 9.96 5 12 5 4
## 2788 34 9.96 1 0 1 4
## 14381 34 9.96 5 0 1 4
## 19737 34 9.96 1 12 1 4
## 26715 34 9.96 5 12 1 9
## 6797 34 5.11 1 12 1 4
## 18388 34 9.96 1 0 5 9
## 23690 34 9.96 1 0 5 4
## 16990 34 9.96 5 0 5 4
## 23977 34 5.11 1 12 1 4
## 7948 34 5.11 5 12 5 9
## 3080 34 5.11 5 0 1 4
## 17223 18 9.96 1 12 5 9
## 16305 18 5.11 5 0 1 9
## 10987 34 9.96 1 0 1 9
## 3239 18 5.11 1 12 1 9
## 12787 18 5.11 1 0 5 4
## 23807 34 5.11 1 0 5 4
## 25175 18 5.11 5 12 1 9
## 18042 18 9.96 1 12 5 9
## 9123 18 9.96 1 0 1 4
## 19334 34 9.96 5 12 1 9
## 8263 34 5.11 1 0 5 9
## 5892 34 9.96 1 12 5 9
## 4042 34 5.11 5 0 1 9
## 12369 18 9.96 1 0 5 9
## 20400 34 9.96 1 12 1 9
## 6920 18 9.96 5 12 5 4
## 15939 34 5.11 1 12 1 9
## 4972 34 5.11 5 0 5 9
## 3509 18 9.96 1 0 1 4
## 22254 18 5.11 5 0 1 9
## 15333 34 9.96 5 12 1 4
## 270 18 9.96 5 12 5 9
## 17820 18 9.96 5 12 1 9
## 14473 34 9.96 5 0 1 9
## 10913 18 9.96 5 0 5 9
## 4724 18 9.96 1 12 5 9
## 13358 34 9.96 1 12 5 9
## 10304 34 5.11 1 0 5 4
## 18963 34 5.11 1 12 1 4
## 6373 18 9.96 1 12 5 9
## 27257 34 9.96 1 12 5 4
## 7388 18 9.96 1 0 5 9
## 7860 34 5.11 5 12 5 4
## 3294 18 5.11 5 0 5 4
## 17220 34 5.11 1 12 5 4
## 26107 18 9.96 5 12 5 4
## 602 18 5.11 5 0 1 4
## 15482 18 5.11 5 0 5 9
## 8523 18 9.96 1 0 1 9
## 21381 18 5.11 1 12 1 9
## 14838 18 9.96 5 12 1 9
## 14099 18 5.11 5 0 1 4
## 291 18 5.11 5 0 1 4
## 7877 34 9.96 5 12 1 4
## 4925 34 9.96 1 12 1 9
## 25495 34 9.96 5 0 1 9
## 2777 18 5.11 1 12 1 9
## 9663 34 9.96 1 0 5 4
## 7729 18 9.96 1 0 1 4
## 17749 18 5.11 5 0 5 4
## 10309 18 5.11 1 12 5 4
## 7488 34 9.96 1 0 5 4
## 504 34 9.96 5 0 5 4
## 3148 18 5.11 5 12 5 9
## 9218 18 5.11 1 12 5 9
## 11126 18 9.96 5 0 5 9
## 17170 34 5.11 1 12 5 4
## 1796 34 9.96 5 12 5 4
## 23658 18 5.11 5 12 5 4
## 11375 18 5.11 1 0 1 9
## 855 18 5.11 5 0 1 4
## 12662 18 5.11 5 12 1 4
## 25672 34 9.96 5 0 5 9
## 8641 18 9.96 5 0 5 9
## 7032 34 9.96 5 0 5 4
## 11493 34 5.11 1 12 5 4
## 9739 18 9.96 1 12 1 9
## 16079 18 9.96 1 0 1 4
## 19512 34 9.96 1 0 1 9
## 17002 34 9.96 1 12 5 9
## 14607 18 5.11 1 0 1 9
## 4303 34 9.96 1 12 1 9
## 16820 34 9.96 5 0 1 4
## 11116 34 5.11 1 12 5 9
## 3049 34 5.11 5 0 5 9
## 20413 18 5.11 1 0 1 4
## 16985 34 9.96 5 0 5 4
## 27331 18 5.11 1 12 1 9
## 24963 34 9.96 5 12 1 4
## 3335 34 5.11 5 0 1 4
## 19524 34 9.96 1 0 5 9
## 2792 34 9.96 1 0 1 4
## 23093 34 9.96 1 12 1 4
## 5477 18 5.11 1 0 1 9
## 11032 18 5.11 5 0 5 4
## 742 34 5.11 1 0 5 9
## 27186 18 9.96 1 0 5 4
## 26435 34 9.96 1 0 5 9
## 21003 18 5.11 1 0 1 9
## 4682 18 5.11 5 12 5 9
## 256 34 5.11 1 0 5 9
## 3421 18 5.11 1 12 1 9
## 24023 34 9.96 5 12 5 9
## 4997 34 9.96 1 12 1 4
## 20568 34 9.96 5 0 1 9
## 5977 18 9.96 1 12 1 9
## 2059 18 5.11 1 12 1 9
## 25162 18 5.11 1 12 5 9
## 20943 34 5.11 1 0 5 9
## 20211 18 9.96 1 0 1 4
## 2748 34 9.96 5 0 5 9
## 23839 18 9.96 1 0 5 9
## 23370 34 9.96 5 12 5 9
## 12973 18 5.11 1 12 5 4
## 12091 18 5.11 1 12 1 9
## 22808 18 5.11 5 0 1 4
## 3584 18 9.96 5 0 5 4
## 8995 34 9.96 1 0 1 9
## 18674 18 9.96 1 12 5 9
## 25354 34 5.11 5 12 1 9
## 13376 18 5.11 5 12 5 9
## 17736 34 5.11 1 0 5 4
## 6316 18 5.11 5 0 5 9
## 10400 18 9.96 5 0 1 4
## 1703 18 5.11 1 0 5 9
## 24455 34 9.96 1 0 5 4
## 24230 34 5.11 5 0 5 9
## 1553 18 9.96 1 0 5 4
## 25505 18 5.11 1 0 1 4
## 6090 18 5.11 5 0 1 4
## 10605 18 9.96 5 0 5 9
## 26570 34 9.96 1 12 5 4
## 22402 34 9.96 1 12 5 9
## 19927 34 5.11 1 12 5 9
## 3951 18 9.96 1 12 5 4
## 10216 34 9.96 5 0 1 9
## 2882 34 9.96 1 12 5 9
## 24390 18 5.11 5 0 5 9
## 9531 34 5.11 1 0 1 9
## 4015 18 9.96 1 0 5 4
## 26867 18 9.96 1 0 5 4
## 535 18 5.11 5 0 5 4
## 8079 34 5.11 1 12 1 4
## 9174 34 9.96 5 12 5 4
## 26736 34 5.11 5 12 5 9
## 4552 34 9.96 5 12 5 4
## 3165 34 9.96 1 0 1 9
## 7657 18 9.96 1 0 5 4
## 17173 34 5.11 1 0 5 4
## 18480 18 9.96 1 0 5 9
## 3017 34 5.11 5 12 1 9
## 20962 18 9.96 5 12 5 9
## 17656 18 9.96 1 0 5 4
## 18537 34 9.96 1 12 1 9
## 9387 34 5.11 5 0 1 4
## 459 34 9.96 1 0 1 4
## 23044 34 5.11 5 0 5 4
## 13874 34 9.96 1 12 1 9
## 8331 18 5.11 1 0 1 4
## 26358 34 5.11 1 12 5 4
## 16865 34 5.11 1 0 1 4
## 9035 18 5.11 5 0 1 4
## 10044 18 5.11 5 0 1 9
## 12538 34 5.11 1 0 1 9
## 5717 18 5.11 5 0 1 4
## 14666 34 5.11 5 12 5 4
## 4729 18 5.11 1 0 1 4
## 26226 34 5.11 5 12 5 9
## 4291 18 5.11 5 12 1 9
## 21603 34 5.11 5 0 5 9
## 9314 18 9.96 5 12 1 9
## 25658 18 5.11 5 12 1 4
## 13736 34 9.96 5 12 1 4
## 7132 18 5.11 5 0 5 9
## 17933 34 5.11 5 0 5 9
## 6152 34 9.96 5 0 5 4
## 10498 34 9.96 5 12 5 4
## 23163 18 5.11 5 0 1 4
## 22790 34 5.11 1 0 1 9
## 17937 34 5.11 5 12 1 9
## 19360 18 5.11 1 0 1 9
## 4302 34 5.11 1 12 1 4
## 22344 18 9.96 5 0 5 9
## 12134 18 5.11 5 12 5 9
## 27075 34 9.96 5 0 1 4
## 1258 18 5.11 5 12 1 9
## 27051 18 9.96 5 0 5 9
## 3911 34 9.96 1 12 5 4
## 27614 34 9.96 5 0 5 9
## 18300 18 5.11 1 0 1 4
## 19185 34 9.96 1 0 1 9
## 5608 18 5.11 1 12 1 9
## 25871 34 5.11 1 12 1 4
## 20398 18 5.11 5 12 5 4
## 20878 18 9.96 1 0 1 9
## 5338 18 9.96 5 12 5 4
## 17617 34 9.96 1 12 5 4
## 3617 18 5.11 1 0 1 4
## 15154 18 5.11 5 0 5 4
## 2834 18 9.96 5 12 5 4
## 8539 18 9.96 5 12 5 4
## 7978 34 9.96 5 12 5 9
## 3146 34 9.96 1 0 5 4
## 9781 18 5.11 1 0 1 4
## 3903 34 9.96 1 12 5 9
## 21843 18 5.11 5 0 1 9
## 14391 18 5.11 1 12 5 4
## 1394 34 9.96 5 12 1 4
## 15890 34 5.11 5 12 1 4
## 27203 34 5.11 5 12 1 4
## 25644 34 9.96 5 12 1 9
## 860 18 5.11 5 0 5 9
## 24085 18 5.11 5 0 1 4
## 13688 34 9.96 1 12 1 9
## 21412 18 9.96 5 12 1 9
## 27379 18 5.11 5 0 5 9
## 2583 34 5.11 1 12 1 4
## 3626 18 5.11 1 0 5 9
## 18117 18 5.11 5 0 1 4
## 10434 18 9.96 5 12 1 9
## 15954 34 5.11 5 12 1 9
## 18892 18 5.11 1 12 1 9
## 14142 34 9.96 5 0 1 9
## 14912 34 9.96 1 0 1 4
## 11341 18 9.96 1 0 1 9
## 20075 34 9.96 1 0 1 4
## 24243 18 9.96 5 0 5 9
## 5094 18 9.96 1 12 1 4
## 13970 18 9.96 1 0 1 9
## 3338 34 5.11 1 0 5 4
## 8905 18 9.96 5 0 1 4
## 4061 34 5.11 1 12 5 9
## 18902 34 9.96 5 12 5 9
## 22867 18 5.11 1 0 1 4
## 24776 34 5.11 5 12 1 9
## 19693 34 9.96 1 12 1 4
## 9185 18 5.11 1 12 1 4
## 8450 18 5.11 5 0 5 9
## 17788 34 9.96 5 12 5 9
## 1963 34 5.11 1 0 1 9
## 23294 34 9.96 5 12 5 9
## 25712 18 5.11 1 12 1 9
## 11269 34 9.96 5 0 1 4
## 20949 18 9.96 5 12 1 9
## 16996 18 5.11 5 12 1 4
## 17819 18 9.96 5 0 1 4
## 7575 34 5.11 5 0 5 4
## 1923 34 5.11 1 12 5 4
## 20111 34 5.11 1 0 1 4
## 20071 34 9.96 5 0 1 4
## 5178 34 5.11 5 12 5 9
## 7559 18 5.11 1 0 1 4
## 8482 34 5.11 5 12 1 9
## 15647 34 9.96 5 12 1 9
## 16850 34 5.11 5 12 5 4
## 8163 18 5.11 1 0 5 4
## 18920 18 5.11 5 0 1 4
## 13102 34 9.96 5 0 5 4
## 19721 34 9.96 5 12 1 4
## 14927 18 9.96 1 12 5 4
## 14225 18 5.11 1 12 1 4
## 16007 34 9.96 1 12 1 9
## 24030 18 5.11 5 0 5 9
## 1928 18 5.11 5 0 5 9
## 6465 18 5.11 1 0 1 4
## 10521 34 5.11 1 12 1 4
## 4738 18 5.11 5 0 1 4
## 21387 34 9.96 1 0 1 4
## 25640 34 9.96 5 12 1 9
## 19604 34 9.96 1 12 5 4
## 16011 34 9.96 5 12 1 9
## 17334 34 5.11 1 0 1 4
## 4494 34 9.96 1 0 1 4
## 13251 34 5.11 1 0 1 9
## 27885 18 9.96 1 12 5 9
## 14327 18 9.96 1 0 5 4
## 20547 18 5.11 1 0 5 4
## 9070 18 9.96 5 12 5 4
## 3804 18 5.11 1 0 5 9
## 4479 34 5.11 5 12 1 4
## 7719 34 5.11 5 12 5 9
## 4247 18 5.11 5 12 5 9
## 2639 18 5.11 5 0 1 4
## 20951 34 5.11 1 0 5 4
## 13303 18 5.11 1 0 1 9
## 4440 18 9.96 5 12 5 9
## 14504 18 5.11 1 0 5 4
## 16545 18 5.11 1 12 1 9
## 24997 18 5.11 1 12 5 4
## 18876 18 9.96 1 12 1 9
## 2077 34 9.96 1 0 5 9
## 17017 18 9.96 1 12 5 4
## 21745 18 5.11 1 12 5 4
## 26566 34 9.96 5 12 5 4
## 27892 18 9.96 1 12 5 9
## 14234 34 9.96 5 12 5 9
## 26584 18 5.11 5 0 5 4
## 8236 34 5.11 5 0 5 9
## 8416 34 5.11 5 12 1 4
## 21512 18 5.11 1 12 1 4
## 9104 18 5.11 1 12 5 4
## 6496 34 5.11 5 12 5 9
## 16359 18 9.96 1 12 1 4
## 1886 18 9.96 5 0 1 9
## 24378 18 5.11 5 0 5 9
## 4313 18 5.11 5 12 1 9
## 27441 34 5.11 1 0 5 9
## 683 18 9.96 1 0 5 4
## 13763 18 5.11 5 0 1 4
## 24632 18 9.96 5 12 5 9
## 13590 18 5.11 5 0 5 4
## 15828 18 5.11 5 12 5 9
## 7779 34 5.11 5 0 1 9
## 4750 18 5.11 5 12 5 9
## 12517 34 9.96 1 12 5 4
## 18807 34 5.11 5 0 1 4
## 9792 18 5.11 1 12 5 9
## 26904 18 9.96 5 12 1 9
## 26334 34 5.11 5 12 1 9
## 9736 34 9.96 5 0 1 4
## 14200 18 9.96 5 12 5 9
## 27028 34 9.96 1 0 1 9
## 14422 18 9.96 1 0 1 9
## 26034 18 9.96 1 12 5 9
## 6161 34 9.96 5 12 5 4
## 8841 18 9.96 5 0 1 9
## 163 18 5.11 5 0 1 4
## 13797 34 9.96 5 12 1 4
## 11733 18 5.11 1 0 5 9
## 23999 34 9.96 5 0 1 9
## 19641 34 5.11 1 0 5 4
## 8848 34 5.11 5 0 5 4
## 25396 18 9.96 5 12 1 4
## 18906 34 9.96 5 12 5 9
## 12643 18 9.96 1 0 5 9
## 6179 18 5.11 1 0 1 9
## 8118 18 9.96 1 12 1 9
## 3610 34 5.11 5 0 5 9
## 17444 34 5.11 5 12 1 9
## 1711 18 5.11 5 0 1 4
## 12791 34 5.11 1 0 5 4
## 24985 18 5.11 5 12 1 4
## 7196 34 5.11 1 12 1 9
## 25245 18 5.11 1 12 5 9
## 23501 34 5.11 1 0 1 4
## 25388 18 9.96 5 12 1 4
## 14293 34 5.11 1 12 5 4
## 4244 18 9.96 5 0 5 4
## 10333 18 5.11 1 12 5 9
## 18701 18 9.96 5 12 5 9
## 2765 18 5.11 1 12 1 4
## 16756 34 5.11 5 12 1 4
## 517 34 9.96 5 0 5 9
## 5176 18 9.96 1 0 1 4
## 20557 18 9.96 1 12 5 4
## 25047 34 9.96 5 12 5 4
## 19804 34 5.11 5 0 5 9
## 12972 18 5.11 5 12 1 9
## 22654 18 9.96 5 12 5 4
## 1446 18 9.96 1 12 5 4
## 7320 34 9.96 5 12 5 4
## 25296 34 5.11 5 0 5 4
## 2647 18 5.11 1 0 1 9
## 14816 34 5.11 5 0 1 4
## 23515 18 5.11 5 0 1 4
## 2028 18 5.11 5 12 5 9
## 304 18 9.96 1 12 5 9
## 18191 34 5.11 1 0 5 4
## 21313 34 5.11 5 12 5 4
## 5814 34 9.96 1 12 5 4
## 16364 34 9.96 5 0 5 4
## 2826 18 9.96 1 12 1 9
## 7254 34 5.11 1 0 5 9
## 13354 34 5.11 5 12 5 9
## 20393 34 5.11 1 12 1 4
## 5145 34 5.11 1 0 5 9
## 21086 18 9.96 5 12 1 9
## 8186 34 9.96 1 12 5 4
## 19749 34 9.96 5 12 1 9
## 18304 34 5.11 1 0 1 9
## 4635 18 9.96 1 12 1 9
## 2761 18 5.11 1 12 5 4
## 27876 18 5.11 1 12 5 4
## 14883 18 5.11 1 0 5 4
## 21410 34 5.11 5 0 5 4
## 703 18 9.96 1 12 1 4
## 4439 34 5.11 1 12 5 4
## 76 34 9.96 5 12 5 4
## 9423 34 9.96 5 12 5 9
## 23985 34 5.11 1 12 5 4
## 5411 34 5.11 1 0 5 4
## 16029 34 5.11 5 0 1 4
## 5085 34 5.11 1 0 1 4
## 16301 18 5.11 5 0 5 9
## 7534 34 9.96 5 0 5 9
## 2082 34 9.96 1 12 5 9
## 9597 18 9.96 1 12 5 4
## 13309 34 9.96 5 12 1 9
## 4297 18 9.96 1 0 5 4
## 7983 34 5.11 1 0 1 4
## 5761 18 5.11 5 0 5 9
## 1705 34 9.96 5 12 1 4
## 14761 18 9.96 5 12 5 9
## 4338 34 9.96 1 0 1 9
## 24428 18 9.96 5 0 1 4
## 3576 18 9.96 5 0 5 9
## 15575 34 9.96 1 12 5 4
## 8070 34 9.96 1 0 5 4
## 20384 18 5.11 1 12 5 9
## 25703 18 5.11 5 12 1 9
## 13245 18 9.96 5 12 5 4
## 23120 18 5.11 1 0 1 9
## 7002 34 5.11 1 12 5 9
## 16784 18 5.11 5 12 5 9
## 4098 34 9.96 5 12 1 9
## 18082 18 9.96 5 12 5 4
## 15438 18 9.96 5 12 1 4
## 27806 18 5.11 5 0 5 9
## 22684 34 5.11 1 0 1 4
## 981 34 9.96 5 12 1 4
## 20695 18 5.11 1 0 5 4
## 1722 34 9.96 1 12 5 4
## 13307 18 5.11 1 0 5 4
## 22814 34 9.96 1 12 5 9
## 24281 18 5.11 1 12 1 4
## 19879 34 9.96 1 0 1 9
## 17734 18 9.96 5 12 1 9
## 15300 18 9.96 1 0 5 9
## 22211 34 9.96 1 0 1 4
## 4526 18 5.11 5 0 1 9
## 1723 18 5.11 5 12 1 4
## 2798 18 9.96 1 12 1 9
## 22064 18 9.96 1 12 5 9
## 14986 34 9.96 1 0 1 9
## 3612 18 9.96 1 12 1 4
## 4812 34 5.11 5 0 5 9
## 8946 18 9.96 1 0 5 9
## 12099 18 5.11 1 12 5 4
## 6529 18 9.96 5 0 5 9
## 13356 18 9.96 5 12 1 4
## 26841 34 5.11 1 0 5 4
## 22689 18 9.96 5 0 1 4
## 15524 34 9.96 5 12 5 4
## 27497 18 9.96 1 0 1 4
## 7053 34 5.11 1 0 1 4
## 18290 34 9.96 5 12 1 9
## 16719 34 9.96 5 0 5 4
## 3149 34 9.96 1 0 5 9
## 2222 18 9.96 1 0 1 9
## 20062 34 5.11 5 12 5 9
## 22135 18 9.96 5 12 5 4
## 23404 18 5.11 5 12 5 4
## 25191 34 5.11 1 0 1 4
## 804 18 5.11 1 0 5 9
## 9272 18 5.11 5 12 5 9
## 825 18 9.96 1 12 5 4
## 20995 18 5.11 1 0 1 4
## 5337 34 9.96 1 12 5 9
## 7691 34 5.11 1 12 1 9
## 11166 18 5.11 5 12 1 4
## 14096 18 5.11 1 0 1 9
## 16239 34 9.96 1 12 1 4
## 22539 18 9.96 1 12 5 4
## 2278 18 9.96 5 0 5 9
## 27440 34 9.96 1 0 1 4
## 25189 18 9.96 5 12 5 4
## 16322 18 9.96 1 0 5 4
## 10134 34 5.11 1 12 5 4
## 19077 18 5.11 1 0 5 4
## 9843 34 9.96 5 0 1 4
## 2383 18 5.11 1 0 5 4
## 6387 18 5.11 1 0 5 9
## 1632 18 5.11 5 12 5 4
## 318 18 5.11 5 0 5 9
## 8611 34 5.11 1 0 5 4
## 1627 18 5.11 1 0 5 4
## 6038 34 5.11 1 0 1 9
## 12889 18 5.11 5 0 5 4
## 20623 34 5.11 1 0 5 9
## 15995 18 9.96 5 12 1 4
## 9758 18 9.96 1 0 1 9
## 10402 34 5.11 1 12 5 9
## 22085 34 9.96 1 12 5 4
## 15303 34 5.11 1 12 1 4
## 19586 18 5.11 1 12 5 9
## 10448 34 5.11 5 0 1 9
## 27039 18 9.96 1 12 5 4
## 9751 18 9.96 1 12 1 4
## 11735 34 9.96 5 12 1 4
## 22232 34 9.96 5 12 5 4
## 12053 34 9.96 5 0 1 4
## 26578 34 9.96 1 12 5 9
## 7443 18 5.11 1 0 5 4
## 12169 18 9.96 1 12 1 9
## 21203 34 5.11 1 0 5 9
## 24510 34 5.11 5 12 5 4
## 1235 34 5.11 5 0 5 9
## 7365 34 9.96 5 0 1 9
## 23248 18 5.11 5 12 1 9
## 25063 34 9.96 5 12 1 4
## 4968 18 5.11 5 0 1 9
## 25120 34 5.11 5 0 1 9
## 12336 34 5.11 1 0 5 9
## 14095 18 5.11 5 0 1 4
## 24218 34 5.11 5 12 1 4
## 3988 34 9.96 1 12 1 9
## 15395 18 9.96 1 12 5 9
## 11679 18 9.96 1 12 5 4
## 24728 18 9.96 5 0 5 4
## 19783 34 5.11 1 0 5 9
## 10681 18 9.96 5 12 1 4
## 3491 34 5.11 5 12 5 9
## 15546 18 5.11 1 0 5 9
## 15286 34 5.11 5 0 5 4
## 15117 34 5.11 5 0 1 4
## 4046 34 5.11 5 0 5 9
## 15999 18 9.96 1 12 1 4
## 16921 34 5.11 5 0 5 4
## 3101 18 9.96 1 0 1 4
## 5648 34 5.11 5 0 1 4
## 14576 18 9.96 5 12 1 4
## 7461 34 9.96 5 12 1 9
## 10550 34 5.11 5 12 5 9
## 11990 34 5.11 5 12 1 9
## 15086 34 5.11 5 12 5 9
## 5868 34 9.96 1 0 5 4
## 20479 34 5.11 5 0 1 9
## 17878 18 5.11 5 12 1 9
## 22040 18 9.96 1 12 5 4
## 23310 34 9.96 5 0 5 4
## 5278 34 9.96 5 12 5 9
## 6511 18 5.11 5 0 1 4
## 24231 34 9.96 1 0 5 4
## 19685 34 5.11 1 12 1 4
## 19528 34 9.96 1 12 5 4
## 27351 18 5.11 5 0 1 9
## 25358 34 5.11 5 0 5 4
## 25008 18 5.11 1 0 5 9
## 9537 18 9.96 1 12 1 9
## 23703 34 5.11 1 12 1 9
## 27640 18 9.96 1 12 1 4
## 1070 18 5.11 5 0 1 4
## 26743 34 9.96 5 0 5 4
## 27837 18 9.96 5 12 1 4
## 2751 34 9.96 5 0 1 4
## 15697 34 9.96 1 0 5 9
## 16640 18 9.96 5 0 1 9
## 4135 34 5.11 1 0 1 4
## 45 18 5.11 5 0 5 9
## 17711 18 9.96 1 0 1 4
## 6476 34 5.11 1 0 5 9
## 15456 18 5.11 5 12 1 9
## 13998 34 9.96 5 12 5 4
## 7635 34 5.11 5 12 1 4
## 4924 18 5.11 1 12 5 9
## 19539 18 5.11 5 0 5 4
## 15193 18 5.11 1 12 5 9
## 14737 18 5.11 5 12 1 4
## 22153 18 5.11 5 0 5 4
## 7789 18 9.96 1 12 1 4
## 16238 34 5.11 1 12 1 9
## 20375 18 9.96 5 0 1 4
## 12447 18 5.11 1 0 5 9
## 1702 34 9.96 1 12 1 4
## 23841 34 5.11 5 12 1 4
## 9020 18 9.96 1 0 1 4
## 13119 34 5.11 1 0 5 9
## 4298 34 5.11 5 12 1 4
## 27863 18 5.11 1 0 1 9
## 25948 34 5.11 1 12 5 9
## 14766 18 9.96 5 0 5 9
## 22672 18 5.11 1 12 5 9
## 21510 34 9.96 5 12 5 9
## 17148 18 9.96 1 0 5 9
## 7348 18 9.96 5 0 5 4
## 22216 18 9.96 5 0 1 9
## 20569 34 9.96 5 0 1 9
## 3167 18 5.11 5 12 1 4
## 16174 18 5.11 5 12 1 9
## 5384 18 9.96 5 12 5 9
## 21675 18 5.11 5 0 5 4
## 887 34 5.11 5 0 5 9
## 756 34 9.96 5 12 5 9
## 27759 18 5.11 1 0 5 4
## 20622 18 9.96 1 12 1 4
## 20449 34 9.96 5 12 5 9
## 13157 18 9.96 5 12 1 4
## 9571 34 5.11 1 0 1 4
## 15114 34 5.11 5 12 1 9
## 12812 18 5.11 1 0 5 9
## 3712 18 9.96 1 0 5 9
## 5552 34 5.11 1 0 5 4
## 6348 34 5.11 5 12 5 9
## 22573 18 5.11 1 0 1 9
## 14600 18 9.96 5 0 5 9
## 1363 18 9.96 1 12 1 4
## 24934 34 9.96 1 0 5 9
## 12546 34 5.11 5 0 1 4
## 13457 18 9.96 1 12 1 9
## 26649 18 9.96 1 12 5 9
## 15153 18 5.11 1 0 5 4
## 15155 34 9.96 1 12 1 4
## 914 18 9.96 5 0 5 9
## 2970 34 9.96 1 12 5 4
## 9427 34 9.96 1 12 5 9
## 14405 34 9.96 1 0 1 4
## 21853 34 9.96 1 12 1 4
## 12765 34 5.11 1 0 1 9
## 26158 18 5.11 5 0 5 9
## 16385 34 5.11 5 0 1 9
## 24496 18 5.11 5 12 5 9
## 15198 18 5.11 1 12 5 9
## 27720 18 9.96 1 12 5 9
## 17927 18 9.96 1 0 1 9
## 21701 34 5.11 5 12 1 9
## 3466 34 9.96 1 12 1 9
## 11556 34 9.96 1 12 5 9
## 18176 18 5.11 5 0 5 9
## 27711 34 5.11 1 0 5 4
## 7217 18 9.96 5 12 1 4
## 5799 18 5.11 1 12 1 9
## 25932 18 5.11 5 12 1 9
## 25581 18 9.96 1 12 5 9
## 20874 18 9.96 1 0 1 9
## 11966 34 5.11 5 12 5 9
## 18653 34 9.96 1 0 5 9
## 25566 18 9.96 1 12 5 9
## 19137 34 9.96 1 12 5 4
## 20474 34 5.11 1 0 1 9
## 20783 18 5.11 5 0 1 9
## 14478 34 5.11 5 12 5 9
## 71 18 9.96 1 12 1 4
## 10943 34 5.11 5 12 5 4
## 7842 18 9.96 5 0 1 4
## 26058 18 5.11 1 0 5 4
## 6142 34 5.11 5 12 1 9
## 23925 18 5.11 1 12 1 9
## 18127 34 9.96 1 12 5 9
## 1789 34 9.96 1 12 1 4
## 18835 18 9.96 1 0 1 9
## 23506 34 9.96 5 12 5 9
## 1646 34 9.96 1 12 1 9
## 27889 18 9.96 1 12 5 9
## 1942 18 5.11 5 12 5 4
## 16819 34 5.11 1 0 5 4
## 10051 34 5.11 1 12 1 9
## 5483 34 9.96 5 12 1 4
## 11828 34 9.96 1 12 5 9
## 6847 18 9.96 5 12 5 4
## 27845 18 9.96 1 12 5 4
## 8357 18 9.96 1 0 5 4
## 8558 34 5.11 5 0 5 4
## 25618 34 5.11 5 0 1 4
## 22849 18 9.96 5 12 5 4
## 19239 34 5.11 5 0 1 4
## 25359 18 5.11 1 0 5 4
## 9905 18 5.11 1 0 5 9
## 6086 18 5.11 5 0 1 4
## 21485 18 5.11 5 0 1 4
## 4961 18 9.96 5 12 1 4
## 5990 34 5.11 1 12 1 4
## 11688 34 9.96 5 0 5 9
## 15818 34 9.96 1 0 1 9
## 19260 34 5.11 1 12 1 9
## 9122 34 9.96 1 12 5 4
## 8181 34 9.96 5 12 1 4
## 16730 18 9.96 5 12 1 9
## 21010 18 5.11 5 0 5 9
## 19909 18 9.96 1 12 1 4
## 27860 34 9.96 5 0 5 4
## 24611 18 5.11 1 12 1 4
## 8390 34 9.96 5 12 5 9
## 7133 34 9.96 1 0 1 4
## 3755 18 5.11 1 0 1 4
## 15100 18 9.96 5 12 5 4
## 25775 18 5.11 5 0 1 4
## 7134 34 9.96 1 12 1 4
## 22642 18 5.11 1 0 1 9
## 15017 18 5.11 1 0 5 9
## 398 34 5.11 5 12 5 9
## 1565 18 9.96 1 0 1 4
## 3851 18 9.96 5 0 5 9
## 17340 18 9.96 5 12 5 9
## 22993 34 9.96 5 0 1 4
## 5356 34 9.96 5 12 1 4
## 12248 34 9.96 5 12 5 4
## 7148 34 5.11 5 0 1 9
## 25779 18 5.11 5 0 1 9
## 19289 34 9.96 1 0 1 9
## 269 18 9.96 5 12 5 4
## 10118 18 9.96 5 12 5 9
## 25411 18 9.96 1 0 5 4
## 25692 34 5.11 1 12 5 9
## 11692 34 9.96 5 0 5 9
## 16876 18 9.96 1 12 1 9
## 7435 18 5.11 5 0 1 4
## 19475 34 9.96 1 0 1 4
## 7179 18 5.11 5 12 5 4
## 21567 34 5.11 1 12 1 4
## 17764 34 5.11 5 12 5 9
## 18690 18 9.96 1 0 1 4
## 24551 34 9.96 5 0 1 9
## 25852 34 9.96 1 12 5 9
## 6534 34 9.96 1 12 5 4
## 18151 34 5.11 1 12 1 4
## 14564 18 9.96 5 0 1 4
## 23351 18 9.96 5 0 5 9
## 25082 34 9.96 5 0 5 4
## 27395 34 5.11 1 12 5 9
## 1406 34 9.96 5 12 5 4
## 7935 18 5.11 5 12 1 4
## 27356 34 9.96 5 12 5 9
## 4893 18 9.96 1 0 5 9
## 18628 18 5.11 5 0 1 4
## 23209 34 5.11 1 12 1 9
## 2437 34 5.11 1 0 5 9
## 18032 34 5.11 1 0 5 9
## 9311 34 5.11 1 0 1 4
## 18683 34 5.11 1 12 1 4
## 26219 18 9.96 5 0 5 9
## 25593 18 9.96 1 12 1 4
## 18771 34 5.11 5 0 5 4
## 7324 34 9.96 5 12 5 4
## 3855 18 9.96 5 0 1 4
## 2620 18 5.11 1 12 5 9
## 16075 18 9.96 5 0 1 4
## 13533 18 5.11 5 12 5 9
## 10257 34 9.96 1 0 1 4
## 1469 34 5.11 1 0 1 4
## 8745 34 9.96 1 12 5 4
## 7705 18 9.96 1 0 1 4
## 18671 18 5.11 5 12 1 4
## 14668 18 9.96 1 12 5 9
## 2558 18 9.96 5 0 5 9
## 21556 34 9.96 5 0 1 4
## 27598 34 5.11 1 12 5 4
## 2315 18 5.11 1 12 1 9
## 1679 18 5.11 1 0 5 4
## 6345 34 9.96 1 12 5 9
## 15866 18 5.11 1 12 5 9
## 5459 18 9.96 1 0 1 4
## 17035 34 5.11 1 12 1 9
## 24566 34 9.96 1 12 5 4
## 23073 34 9.96 5 12 1 4
## 22473 18 9.96 1 0 5 4
## 10007 34 5.11 5 12 5 4
## 12305 34 9.96 5 12 5 9
## 13962 18 9.96 1 12 5 4
## 5576 18 9.96 5 12 5 9
## 22630 18 5.11 5 0 5 9
## 14169 18 9.96 1 12 5 4
## 8114 18 9.96 5 0 1 4
## 6215 18 5.11 5 12 5 4
## 7564 34 5.11 5 12 5 9
## 17897 34 5.11 1 12 1 4
## 4176 18 9.96 5 12 1 9
## 4739 34 9.96 5 12 1 4
## 24479 34 9.96 1 12 5 4
## 23779 18 5.11 1 12 5 9
## 3822 34 5.11 1 0 5 9
## 830 18 9.96 1 0 5 9
## 26888 18 9.96 5 0 5 9
## 20900 34 5.11 1 12 5 9
## 24730 34 9.96 1 12 5 9
## 3713 18 5.11 1 0 1 4
## 20570 18 5.11 5 12 5 9
## 5397 34 9.96 5 12 5 4
## 18346 18 9.96 5 12 5 9
## 12664 34 9.96 5 0 5 9
## 10197 34 5.11 5 0 5 9
## 12921 18 9.96 5 0 5 4
## 2060 34 5.11 5 0 1 9
## 24313 18 5.11 1 12 1 4
## 6636 18 5.11 5 12 5 4
## 19597 18 9.96 5 0 1 4
## 20274 34 9.96 5 0 5 9
## 26487 34 9.96 1 12 5 4
## 8344 34 5.11 5 0 5 9
## 3743 18 5.11 1 12 5 4
## 352 18 9.96 1 0 1 9
## 8898 18 9.96 5 12 5 9
## 384 34 9.96 5 0 5 9
## 20767 18 5.11 5 0 1 4
## 18492 18 5.11 5 12 5 4
## 24163 34 5.11 1 12 5 4
## 21217 18 9.96 5 12 1 4
## 18839 18 9.96 1 0 5 4
## 8050 34 9.96 1 12 5 4
## 25802 18 9.96 5 12 5 4
## 26283 34 9.96 1 12 5 9
## 12015 18 5.11 5 12 1 4
## 1191 34 9.96 5 12 1 9
## 27528 18 9.96 5 12 5 9
## 25491 34 9.96 5 0 1 9
## 22660 18 5.11 1 0 5 4
## 13491 34 5.11 1 0 5 9
## 11554 18 5.11 5 0 1 4
## 9117 34 5.11 5 0 1 4
## 9805 34 5.11 5 0 1 9
## 6628 18 5.11 5 12 5 9
## 17876 34 9.96 1 0 5 9
## 14566 34 5.11 1 12 5 9
## 16707 34 9.96 1 0 5 4
## 10073 18 5.11 1 0 5 4
## 10549 34 5.11 1 0 1 4
## 17832 18 9.96 5 12 5 4
## 13957 34 9.96 5 0 1 4
## 7429 34 9.96 1 12 5 9
## 8659 34 5.11 5 12 1 9
## 4588 34 9.96 5 12 5 9
## 24135 18 5.11 1 0 1 4
## 11630 18 5.11 5 12 5 9
## 22673 18 9.96 5 0 5 9
## 15837 34 9.96 1 0 1 4
## 2304 18 5.11 5 0 5 4
## 6242 18 9.96 5 0 1 9
## 22033 34 9.96 5 12 1 9
## 23741 18 9.96 5 0 1 4
## 21771 34 9.96 1 12 5 4
## 9486 18 5.11 5 12 1 9
## 6305 18 9.96 1 0 5 9
## 674 34 9.96 1 12 1 9
## 10176 34 9.96 5 0 1 4
## 22666 34 9.96 5 0 1 9
## 14050 18 9.96 5 0 5 4
## 11133 18 5.11 1 12 5 9
## 7718 18 9.96 1 0 5 4
## 3277 34 9.96 5 0 5 4
## 26840 18 5.11 5 12 5 9
## 23656 34 9.96 5 12 5 9
## 1211 34 5.11 1 12 1 4
## 17441 34 9.96 5 0 1 4
## 6382 34 5.11 1 0 5 9
## 19371 34 5.11 5 0 1 9
## 12406 18 9.96 1 12 5 4
## 7761 34 5.11 1 0 1 4
## 6732 34 9.96 5 0 5 9
## 303 18 9.96 1 0 5 4
## 7731 34 5.11 5 12 5 4
## 24219 34 9.96 1 0 1 4
## 2635 18 5.11 5 0 1 4
## 25009 18 5.11 5 12 1 4
## 2461 18 5.11 5 0 1 4
## 24998 34 9.96 5 12 5 9
## 14572 18 9.96 5 0 5 4
## 17683 18 9.96 5 0 1 4
## 23829 34 5.11 5 0 1 9
## 49 18 5.11 5 0 5 4
## 13637 34 9.96 5 12 5 4
## 1777 18 9.96 1 0 1 4
## 20696 18 9.96 1 12 5 9
## 10494 34 9.96 5 12 5 4
## 20624 34 5.11 5 0 5 9
## 18283 18 9.96 5 0 1 4
## 22245 34 5.11 5 0 1 9
## 18110 18 9.96 5 0 5 9
## 1003 18 5.11 5 12 1 9
## 9336 18 5.11 1 0 1 4
## 27536 34 9.96 1 0 5 9
## 16190 18 5.11 5 12 1 9
## 19373 18 9.96 1 12 5 4
## 23156 18 5.11 5 0 1 9
## 4676 34 5.11 1 12 1 4
## 5099 18 9.96 1 12 1 9
## 5216 18 9.96 1 0 5 4
## 21973 18 9.96 1 12 5 9
## 10932 34 5.11 1 12 1 4
## 4906 18 9.96 1 12 1 4
## 12564 34 9.96 5 0 5 4
## 5883 34 5.11 1 12 5 9
## 27527 18 5.11 1 12 1 4
## 75 34 9.96 1 12 1 9
## 14632 34 9.96 1 0 5 9
## 25317 34 9.96 1 0 1 4
## 11322 18 5.11 1 0 1 9
## 18515 34 5.11 1 12 1 9
## 20779 18 5.11 1 0 1 4
## 16129 34 5.11 5 12 1 4
## 24226 34 5.11 5 12 1 9
## 15436 34 5.11 5 12 5 9
## 9008 34 9.96 1 12 5 9
## 22784 18 9.96 5 12 5 4
## 23130 18 9.96 5 12 5 9
## 9348 18 5.11 1 0 5 9
## 23556 18 9.96 5 0 5 4
## 16090 34 5.11 5 12 1 4
## 3009 18 5.11 1 12 1 4
## 18649 34 9.96 5 0 5 4
## 13053 18 5.11 5 0 5 4
## 25681 34 5.11 5 0 5 9
## 21205 18 9.96 5 12 1 4
## 6692 18 5.11 5 12 1 9
## 2705 34 9.96 1 0 1 4
## 16633 34 5.11 1 0 5 4
## 27336 34 9.96 5 12 5 9
## 3805 34 5.11 1 0 5 4
## 25737 34 9.96 5 0 5 4
## 21279 34 9.96 5 12 1 4
## 7366 18 5.11 5 12 1 9
## 2345 34 9.96 1 12 1 4
## 17955 34 9.96 5 0 1 4
## 10313 34 5.11 1 12 5 4
## 24369 18 5.11 5 0 1 9
## 4067 18 9.96 1 0 1 4
## 3323 34 5.11 1 12 1 4
## 6054 34 5.11 1 0 5 9
## 14930 18 9.96 5 12 5 9
## 9105 34 5.11 1 0 5 4
## 7501 34 9.96 5 0 5 4
## 3436 34 9.96 5 0 5 9
## 4271 18 5.11 5 12 1 4
## 5725 18 5.11 1 0 1 4
## 8426 18 9.96 1 0 5 9
## 27601 34 5.11 1 12 5 4
## 5392 34 9.96 1 12 5 4
## 5089 34 5.11 1 0 5 4
## 12262 18 5.11 1 0 1 9
## 21647 34 5.11 1 0 5 4
## 9563 34 5.11 1 0 5 4
## 18582 34 9.96 5 12 1 9
## 4081 34 5.11 1 12 1 4
## 24790 34 9.96 5 12 1 9
## 1222 34 5.11 1 12 5 4
## 4869 34 5.11 1 12 5 4
## 2522 34 5.11 1 0 1 4
## 1823 18 5.11 1 0 5 4
## 2115 18 5.11 5 0 5 4
## 2473 18 9.96 5 0 1 4
## 3104 34 9.96 1 12 1 4
## 26426 34 5.11 5 0 5 9
## 20050 34 9.96 5 12 5 4
## 18390 18 5.11 5 12 1 4
## 16698 34 5.11 5 0 5 9
## 1431 18 9.96 5 12 1 4
## 18937 18 9.96 1 0 5 4
## 1139 18 9.96 1 0 5 4
## 11033 18 5.11 5 12 5 9
## 4390 34 9.96 5 0 1 9
## 22046 34 5.11 5 0 1 9
## 8870 34 9.96 5 12 1 4
## 27095 34 5.11 5 0 1 4
## 22148 34 9.96 5 12 1 4
## 16886 34 5.11 5 12 5 9
## 8913 18 9.96 1 0 5 4
## 17268 34 9.96 1 0 1 4
## 13894 34 9.96 5 0 1 9
## 17562 18 9.96 5 12 1 9
## 2087 18 5.11 1 12 5 4
## 24475 34 9.96 1 12 1 4
## 18046 18 9.96 1 12 5 9
## 3815 18 9.96 1 12 5 4
## 10174 34 5.11 1 12 5 9
## 16021 18 5.11 1 0 1 4
## 8545 34 5.11 1 0 1 9
## 27337 34 9.96 1 0 1 4
## 24904 34 5.11 5 12 1 4
## 23569 18 5.11 1 0 1 9
## 19836 34 5.11 5 0 1 4
## 2910 34 9.96 5 12 5 4
## 4504 18 5.11 1 12 5 4
## 14471 18 5.11 1 0 5 4
## 24771 34 9.96 1 0 5 4
## 2776 34 9.96 5 0 1 4
## 18639 18 5.11 1 12 1 9
## 9691 34 9.96 5 12 5 4
## 9496 34 9.96 5 0 5 9
## 21079 34 5.11 1 12 1 9
## 12334 18 9.96 5 12 1 4
## 16411 34 5.11 5 12 1 9
## 9265 34 9.96 5 0 1 4
## 13448 34 9.96 5 0 5 4
## 11489 34 5.11 1 12 5 9
## 9046 18 9.96 5 0 1 9
## 8058 18 9.96 1 12 5 9
## 16461 34 9.96 5 0 5 4
## 10847 18 5.11 1 0 5 4
## 23450 34 9.96 1 12 5 9
## 10260 18 9.96 5 12 1 4
## 5789 18 9.96 5 0 1 4
## 25784 34 5.11 5 0 5 9
## 19702 34 5.11 5 12 5 4
## 16521 34 5.11 5 0 1 9
## 10465 34 5.11 5 0 1 9
## 9471 18 9.96 1 12 1 4
## 9777 18 5.11 1 0 1 4
## 946 34 5.11 1 0 5 9
## 7625 18 9.96 5 0 1 9
## 3649 18 5.11 1 12 1 4
## 354 34 5.11 5 12 5 4
## 14539 34 5.11 5 0 5 9
## 23001 34 9.96 1 0 1 4
## 17521 34 9.96 5 0 5 9
## 6462 18 5.11 1 12 1 4
## 7118 34 9.96 5 0 5 9
## 12530 34 5.11 1 0 5 4
## 16607 18 9.96 1 0 5 9
## 15886 34 5.11 5 12 1 4
## 21460 34 5.11 5 0 5 4
## 232 18 5.11 5 0 5 4
## 12893 18 5.11 5 0 5 4
## 7306 18 5.11 1 12 5 4
## 16433 34 9.96 5 0 1 9
## 26583 18 5.11 5 0 1 9
## 5063 18 5.11 1 12 1 4
## 15020 34 5.11 5 0 1 4
## 4863 18 9.96 5 12 1 4
## 5088 18 9.96 1 0 1 9
## 5899 34 9.96 5 12 5 4
## 14610 34 5.11 1 12 5 9
## 6783 18 9.96 1 0 5 4
## 15500 18 9.96 5 0 5 9
## 7367 18 5.11 1 12 5 4
## 16046 18 9.96 1 0 5 9
## 11455 34 9.96 1 0 5 4
## 17201 34 5.11 1 0 1 4
## 20678 34 9.96 5 12 1 9
## 13092 18 5.11 1 12 1 9
## 3253 34 9.96 1 0 1 4
## 5925 18 5.11 1 12 1 4
## 27383 34 5.11 1 0 5 9
## 10666 34 5.11 1 12 5 9
## 8374 18 9.96 5 12 5 4
## 26210 18 5.11 5 12 1 9
## 18615 18 5.11 5 12 1 4
## 17342 34 5.11 1 0 1 4
## 11310 18 9.96 1 0 1 9
## 7581 18 9.96 1 12 1 4
## 23023 34 5.11 5 12 1 9
## 26392 18 9.96 1 12 5 9
## 22048 18 9.96 1 12 5 9
## 11137 18 5.11 1 12 5 4
## 26409 18 5.11 1 12 1 4
## 21199 18 5.11 1 0 5 4
## 17674 34 9.96 1 12 5 4
## 21317 34 5.11 5 12 1 9
## 8375 34 5.11 5 0 1 4
## 6897 34 5.11 5 12 1 4
## 10866 18 9.96 5 0 5 9
## 17538 34 9.96 5 0 5 9
## 1435 18 9.96 1 12 1 4
## 25855 34 5.11 1 12 1 4
## 3211 34 5.11 5 0 1 4
## 10048 18 5.11 5 0 5 9
## 12901 18 5.11 1 0 1 9
## 14929 34 5.11 5 0 1 4
## 7103 34 9.96 1 12 5 4
## 9315 34 5.11 5 0 1 9
## 26026 34 9.96 5 12 5 9
## 11712 18 9.96 1 12 1 9
## 20665 18 5.11 1 12 5 4
## 27424 34 9.96 1 0 1 4
## 19743 18 5.11 1 0 5 4
## 6195 34 5.11 1 0 5 9
## 1762 34 5.11 5 0 5 9
## 20348 34 5.11 1 0 5 4
## 15889 18 9.96 5 0 1 9
## 1458 18 9.96 1 0 5 9
## 4425 18 9.96 5 0 5 4
## 8510 18 5.11 5 12 1 9
## 23162 34 9.96 1 12 5 9
## 11862 34 9.96 5 0 1 9
## 14318 18 5.11 5 0 1 4
## 11183 18 9.96 5 0 1 4
## 13344 18 9.96 1 12 1 9
## 24678 34 5.11 1 12 5 4
## 22120 34 5.11 5 0 1 4
## 14460 18 9.96 5 12 5 4
## 18420 34 9.96 1 0 5 4
## 13762 18 9.96 1 12 1 9
## 1426 34 9.96 1 0 5 9
## 14407 18 5.11 5 0 1 9
## 17243 18 9.96 1 12 1 4
## 1607 34 5.11 5 12 1 9
## 13860 18 5.11 1 0 5 4
## 22341 34 5.11 1 0 5 4
## 10623 34 5.11 5 12 5 9
## 17691 18 9.96 5 0 1 4
## 14303 34 9.96 5 0 1 4
## 24106 34 5.11 1 12 5 9
## 1611 34 5.11 1 12 1 9
## 22940 18 5.11 1 0 5 9
## 1569 18 9.96 5 0 1 9
## 10784 18 9.96 5 12 1 4
## 24825 18 5.11 1 0 1 4
## 9047 18 9.96 5 0 5 4
## 9813 34 5.11 5 0 1 9
## 11564 34 9.96 5 12 1 9
## 4071 18 9.96 5 0 1 9
## 20389 34 5.11 1 12 1 4
## 1010 34 5.11 1 12 1 4
## 13352 18 9.96 1 12 1 9
## 11855 34 9.96 5 12 1 4
## 23264 34 5.11 1 0 5 4
## 3271 18 5.11 1 12 1 9
## 9998 34 9.96 1 0 5 4
## 6506 18 9.96 1 12 5 9
## 18360 34 5.11 5 12 1 9
## 25392 18 9.96 5 12 1 4
## 8793 18 9.96 5 0 5 4
## 13571 34 9.96 5 0 1 4
## 21366 18 5.11 5 0 1 4
## 12875 34 9.96 5 12 1 4
## 10557 34 5.11 5 0 1 9
## 24187 18 5.11 1 12 1 4
## 19807 34 5.11 5 12 1 4
## 21187 18 5.11 5 0 1 9
## 15240 18 9.96 5 12 5 9
## 8155 18 5.11 1 0 5 4
## 27030 18 5.11 5 12 5 4
## 13361 18 9.96 1 0 5 4
## 27125 34 9.96 1 12 1 4
## 2972 18 5.11 5 0 5 9
## 16077 34 5.11 1 12 5 9
## 10028 18 5.11 1 12 5 4
## 27483 18 5.11 1 0 1 4
## 21023 18 5.11 1 0 1 4
## 3302 18 5.11 1 12 1 4
## 21325 34 5.11 5 12 1 9
## 22441 18 5.11 5 0 1 4
## 26390 34 5.11 5 12 1 9
## 19129 34 9.96 5 12 1 9
## 10547 18 9.96 1 12 1 4
## 572 34 9.96 1 12 1 9
## 14197 18 5.11 1 12 5 4
## 1847 18 5.11 1 12 5 4
## 26553 18 9.96 1 0 1 4
## 16150 18 5.11 5 0 5 9
## 17304 18 9.96 1 12 1 9
## 16117 34 5.11 5 12 5 4
## 11245 18 5.11 5 0 1 9
## 11276 34 5.11 1 0 5 9
## 11123 34 9.96 5 0 1 9
## 23002 34 9.96 5 12 5 9
## 18421 34 9.96 5 0 1 4
## 12180 18 5.11 1 12 1 4
## 5988 18 9.96 5 0 5 9
## 8412 34 5.11 5 12 5 4
## 20983 18 5.11 5 0 1 9
## 14203 18 9.96 1 0 1 4
## 18896 18 5.11 1 0 1 9
## 1201 18 9.96 1 0 5 4
## 11436 34 9.96 5 0 1 9
## 6466 18 5.11 5 12 5 9
## 5285 34 5.11 5 0 5 9
## 13587 34 5.11 5 12 1 9
## 4173 18 9.96 5 12 5 4
## 18535 18 5.11 5 0 5 4
## 25694 18 9.96 5 0 5 9
## 11320 34 9.96 5 12 5 4
## 10629 18 9.96 1 0 1 4
## 7111 18 5.11 5 12 1 4
## 2192 34 5.11 1 0 1 9
## 6764 34 5.11 5 12 1 9
## 6123 34 5.11 5 0 1 9
## 9171 34 9.96 5 0 1 9
## 4198 34 5.11 5 0 5 9
## 20024 34 5.11 5 0 1 4
## 17434 18 9.96 5 12 5 9
## 8684 18 9.96 1 0 5 4
## 21677 18 9.96 1 12 1 9
## 3366 18 5.11 1 12 1 9
## 1448 34 5.11 5 12 1 9
## 11786 34 5.11 5 0 1 9
## 21542 34 5.11 1 12 1 9
## 23259 34 9.96 5 12 5 4
## 12083 34 5.11 1 12 1 9
## 19357 18 9.96 1 0 1 9
## 23518 34 9.96 5 12 1 9
## 9713 18 5.11 1 0 5 4
## 21302 34 5.11 5 12 1 4
## 16087 18 9.96 5 0 1 9
## 1472 18 5.11 5 0 1 4
## 17043 34 5.11 5 0 1 4
## 10100 34 5.11 1 12 5 9
## 4941 18 9.96 1 0 1 4
## 24128 18 5.11 1 12 5 9
## 18418 18 5.11 5 12 5 9
## 19655 18 9.96 1 12 1 4
## 18970 18 9.96 5 0 1 4
## 17189 34 5.11 5 0 1 4
## 21536 34 9.96 5 0 5 4
## 15483 18 9.96 1 0 1 9
## 7725 18 9.96 1 0 1 4
## 22312 18 9.96 5 12 5 9
## 3827 18 9.96 1 12 1 9
## 12324 34 5.11 1 12 5 9
## 23736 18 5.11 5 12 5 9
## 8260 18 5.11 1 12 1 9
## 11816 34 9.96 1 0 5 9
## 1308 34 9.96 5 12 1 9
## 10680 18 9.96 5 0 5 4
## 25941 18 9.96 5 0 1 4
## 10038 18 9.96 5 12 5 9
## 16951 18 9.96 1 12 5 9
## 15993 34 5.11 1 0 5 9
## 27693 18 9.96 5 12 5 4
## 14500 18 5.11 1 12 5 9
## 2002 34 9.96 5 12 5 4
## 3288 34 5.11 1 12 1 4
## 23582 34 5.11 1 12 1 4
## 25995 34 5.11 1 12 1 9
## 24318 34 9.96 5 12 5 4
## 216 18 5.11 1 12 1 9
## 1809 34 9.96 1 12 1 9
## 11159 18 9.96 1 0 1 9
## 2530 34 5.11 1 0 5 4
## 7242 34 5.11 5 12 1 9
## 7478 34 5.11 1 12 1 9
## 2948 34 5.11 1 0 1 4
## 14918 18 9.96 5 12 5 9
## 13011 18 9.96 1 12 1 4
## 25190 34 9.96 5 12 1 4
## 15611 18 9.96 1 12 1 9
## 19113 34 9.96 1 0 1 9
## 24668 34 9.96 5 12 1 9
## 7804 34 5.11 5 0 5 9
## 23416 34 5.11 1 12 1 9
## 25837 18 9.96 1 0 5 4
## 11081 34 9.96 1 12 5 4
## 26520 18 9.96 1 12 1 9
## 14599 18 5.11 1 12 1 4
## 12467 18 5.11 1 12 1 9
## 26271 18 9.96 1 0 5 4
## 11242 34 5.11 1 0 1 9
## 21336 34 9.96 5 0 1 4
## 3064 18 5.11 1 0 5 4
## 328 18 9.96 1 0 1 4
## 24256 18 9.96 5 0 5 4
## 26665 18 9.96 5 12 5 9
## 7184 34 5.11 5 12 5 9
## 20860 34 5.11 5 12 5 9
## 7727 34 5.11 5 12 5 9
## 10706 34 5.11 5 0 5 9
## 13213 18 9.96 1 12 5 4
## 5693 18 5.11 1 0 5 4
## 12785 34 5.11 5 12 1 9
## 1854 18 9.96 1 0 5 4
## 24217 18 5.11 5 12 5 9
## 13008 18 5.11 5 0 5 9
## 15127 18 9.96 5 12 1 9
## 5190 34 5.11 5 0 5 4
## 16888 18 9.96 1 0 5 9
## 3545 34 5.11 5 0 5 4
## 1427 18 9.96 1 12 1 9
## 13835 18 5.11 1 12 1 4
## 8939 18 5.11 5 0 1 9
## 14220 18 5.11 1 12 1 4
## 18145 18 9.96 1 0 5 4
## 4798 18 9.96 1 12 5 9
## 6472 34 5.11 1 0 5 4
## 9827 34 9.96 1 12 1 4
## 10247 18 5.11 1 12 1 4
## 11092 34 5.11 5 0 1 9
## 4809 18 5.11 5 0 5 4
## 4341 18 9.96 5 12 5 4
## 23948 18 9.96 1 12 5 4
## 18279 18 9.96 1 0 1 4
## 21212 18 5.11 1 12 1 9
## 18505 18 9.96 1 0 1 4
## 15072 34 9.96 5 0 5 9
## 4343 34 5.11 1 0 1 9
## 2468 18 9.96 5 12 1 9
## 15571 34 9.96 1 0 5 4
## 14313 18 5.11 1 12 5 4
## 3261 34 9.96 1 0 5 4
## 14008 34 5.11 1 0 1 9
## 15729 18 9.96 5 12 5 4
## 26609 34 9.96 5 12 5 4
## 17226 18 9.96 5 12 1 4
## 20967 18 5.11 1 0 5 4
## 10768 18 9.96 5 0 1 4
## 14946 18 9.96 5 0 5 9
## 27131 18 5.11 1 0 1 4
## 24819 34 9.96 5 12 5 9
## 13461 18 9.96 1 12 1 4
## 24865 34 5.11 1 0 1 4
## 16225 18 5.11 5 0 5 9
## 26628 34 5.11 5 12 5 9
## 24547 34 9.96 1 0 1 9
## 528 18 9.96 5 12 5 4
## 24743 18 9.96 1 12 1 9
## 9150 34 9.96 1 0 5 9
## 4078 34 5.11 1 0 5 9
## 19292 18 5.11 1 12 5 9
## 12708 34 5.11 1 12 5 9
## 13809 34 9.96 5 12 5 9
## 4307 34 9.96 1 0 1 4
## 663 18 9.96 5 0 1 9
## 16840 34 9.96 1 0 5 9
## 26162 18 5.11 5 0 5 4
## 2962 34 9.96 5 12 5 9
## 9529 18 9.96 1 12 5 4
## 15226 34 5.11 5 12 5 9
## 7191 34 5.11 1 0 1 4
## 14705 34 5.11 5 12 1 4
## 19842 18 5.11 1 12 5 4
## 20475 34 5.11 5 0 5 4
## 14894 18 5.11 5 12 5 9
## 10329 18 5.11 5 0 5 9
## 15449 34 5.11 5 12 5 4
## 23830 34 5.11 1 0 5 4
## 11469 18 5.11 1 12 5 4
## 10582 34 5.11 5 0 5 4
## 793 34 9.96 1 0 5 4
## 23991 34 9.96 5 0 5 4
## 27653 18 5.11 5 12 5 9
## 20463 18 5.11 5 0 1 9
## 7587 18 5.11 1 0 5 9
## 26741 18 5.11 1 12 1 9
## 27478 18 9.96 1 12 1 4
## 21606 18 5.11 1 12 5 9
## 21930 34 9.96 5 0 5 9
## 25036 34 5.11 1 12 5 9
## 6927 34 9.96 5 0 5 4
## 7161 34 9.96 1 12 5 4
## 22671 34 5.11 1 12 1 4
## 16409 18 9.96 1 0 1 4
## 19369 18 9.96 1 12 1 4
## 25605 34 9.96 1 0 1 4
## 974 18 9.96 1 12 5 9
## 15953 34 5.11 5 0 1 4
## 4482 34 9.96 1 0 5 9
## 2099 18 5.11 1 12 1 4
## 8037 34 9.96 5 12 5 9
## 11520 18 9.96 1 12 1 9
## 3672 18 9.96 5 12 1 9
## 19531 18 5.11 5 0 5 9
## 10657 18 9.96 1 12 5 9
## 26969 34 5.11 1 12 1 4
## 10511 18 9.96 5 0 1 9
## 3802 34 9.96 5 12 5 9
## 997 34 9.96 1 0 5 4
## 21847 18 5.11 1 0 1 9
## 17163 18 5.11 1 0 1 4
## 3632 34 9.96 5 0 5 4
## 22809 34 5.11 1 12 1 4
## 5258 34 5.11 1 0 1 9
## 19938 18 5.11 5 0 5 4
## 22300 18 9.96 1 0 5 9
## 8838 34 9.96 1 0 5 9
## 17932 18 9.96 1 12 1 4
## 24723 34 5.11 1 12 1 4
## 10147 34 9.96 5 12 5 9
## 16648 18 9.96 5 12 5 9
## 27042 18 9.96 5 12 5 4
## 12909 18 5.11 1 0 5 9
## 6960 34 9.96 1 0 1 9
## 13054 34 9.96 5 12 5 4
## 22253 34 5.11 5 0 5 9
## 2229 18 9.96 1 0 5 4
## 6502 18 9.96 1 12 1 9
## 3103 34 5.11 5 12 5 9
## 1739 18 5.11 1 12 5 4
## 27332 34 9.96 1 12 5 4
## 24779 18 5.11 5 0 1 9
## 26252 18 5.11 5 0 1 9
## 22049 34 9.96 1 12 1 9
## 16537 18 5.11 1 12 5 9
## 11080 18 9.96 5 0 1 9
## 22521 18 5.11 1 0 5 9
## 20992 34 5.11 5 0 5 9
## 15329 34 9.96 5 12 1 4
## 20316 18 5.11 1 12 5 4
## 19000 34 5.11 5 12 5 9
## 16680 34 9.96 5 12 5 9
## 27274 18 5.11 5 12 1 9
## 14188 34 9.96 1 12 5 4
## 8264 18 5.11 1 12 1 9
## 16848 18 9.96 1 0 1 9
## 13578 34 5.11 5 12 1 9
## 15887 34 5.11 1 0 1 4
## 17194 18 5.11 1 12 1 9
## 4760 34 9.96 1 0 1 9
## 13660 18 9.96 5 12 5 9
## 22568 34 9.96 5 12 5 9
## 19310 34 9.96 5 12 5 4
## 9874 34 9.96 5 12 5 9
## 9291 34 5.11 1 0 5 4
## 23170 34 9.96 1 0 5 9
## 10880 34 9.96 1 0 5 9
## 15292 18 9.96 5 0 1 9
## 20627 34 5.11 1 0 5 9
## 10992 18 9.96 5 12 1 9
## 9849 18 5.11 1 12 5 9
## 18729 18 9.96 5 0 5 9
## 1797 34 9.96 1 12 1 9
## 10362 34 5.11 5 12 5 4
## 17670 34 9.96 1 12 5 4
## 8818 34 9.96 5 0 5 4
## 15569 18 5.11 5 12 1 9
## 14619 18 9.96 5 0 5 9
## 8332 34 9.96 5 0 5 9
## 8802 34 9.96 1 12 1 9
## 1934 34 5.11 1 12 1 4
## 21634 18 9.96 5 12 5 9
## 17744 34 5.11 1 12 1 4
## 8847 18 5.11 1 12 1 4
## 17981 18 5.11 1 12 1 4
## 11722 34 5.11 1 12 5 9
## 26722 34 9.96 1 12 5 9
## 5083 18 5.11 5 12 5 9
## 26983 34 9.96 1 0 1 4
## 23339 18 9.96 1 0 1 4
## 3240 34 9.96 5 12 1 4
## 10811 34 9.96 5 0 1 4
## 30 18 5.11 1 0 5 4
## 6025 34 9.96 5 0 1 4
## 27574 18 5.11 5 12 1 9
## 24239 34 9.96 5 0 5 9
## 20407 34 9.96 1 12 5 9
## 10075 34 9.96 5 12 1 4
## 15058 18 9.96 5 12 5 9
## 17007 34 5.11 1 0 1 9
## 10540 34 9.96 5 12 5 9
## 25545 34 5.11 5 0 5 4
## 27267 18 5.11 1 0 5 4
## 5946 18 5.11 5 12 1 9
## 10185 34 5.11 5 0 5 4
## 1278 18 5.11 5 12 1 9
## 21445 18 5.11 5 12 1 4
## 4136 34 5.11 1 12 1 4
## 12606 18 5.11 5 12 5 4
## 15238 34 5.11 1 12 1 4
## 20584 34 9.96 1 0 1 9
## 24043 34 9.96 5 0 5 4
## 21850 34 5.11 5 0 5 4
## 678 34 9.96 1 0 1 9
## 20260 18 5.11 5 12 5 4
## 5647 18 9.96 5 12 1 4
## 21169 34 9.96 1 12 5 4
## 2120 34 5.11 5 12 5 4
## 7531 18 5.11 1 0 1 9
## 2038 34 9.96 1 12 1 4
## 1522 18 9.96 5 12 1 4
## 5081 18 9.96 1 0 1 4
## 23694 34 9.96 5 0 1 9
## 17132 34 9.96 1 12 5 9
## 15944 18 9.96 5 12 5 9
## 6403 18 5.11 1 0 1 9
## 9386 18 5.11 5 12 5 9
## 4255 18 5.11 1 12 5 4
## 20974 18 9.96 5 12 1 9
## 2169 18 9.96 5 12 5 4
## 25197 18 9.96 1 12 1 9
## 3014 34 9.96 5 0 5 4
## 19447 34 5.11 1 12 1 9
## 8346 18 9.96 1 12 1 4
## 6813 34 5.11 5 12 1 4
## 12583 18 5.11 5 12 1 4
## 22421 18 5.11 1 0 5 9
## 18171 34 5.11 5 12 1 4
## 27871 18 5.11 5 0 1 9
## 19460 34 9.96 5 12 5 9
## 27690 18 5.11 1 12 1 9
## 7888 34 5.11 5 0 5 9
## 24503 18 5.11 5 12 1 4
## 26869 18 5.11 5 12 1 4
## 8227 18 5.11 5 12 1 9
## 10355 34 9.96 1 0 5 4
## 9075 18 9.96 5 0 1 9
## 12199 34 5.11 1 0 1 9
## 10782 34 5.11 1 12 5 9
## 789 34 9.96 5 0 5 4
## 15835 18 5.11 5 12 5 4
## 22054 34 5.11 5 0 5 4
## 7293 18 9.96 5 12 1 9
## 2799 34 5.11 1 12 1 4
## 15746 34 5.11 5 12 5 9
## 26205 34 5.11 1 12 5 4
## 5668 18 5.11 5 0 1 4
## 10021 18 9.96 1 0 1 9
## 20140 34 9.96 1 12 1 4
## 12996 18 5.11 1 12 5 9
## 17251 34 9.96 1 0 5 4
## 647 18 5.11 1 0 1 9
## 14859 34 5.11 1 12 1 4
## 10870 18 9.96 5 0 5 9
## 20719 18 5.11 1 0 5 9
## 2946 34 9.96 5 12 5 9
## 11113 18 5.11 1 0 1 9
## 16141 34 5.11 5 12 5 4
## 16288 34 5.11 1 12 5 4
## 2903 18 9.96 1 0 5 9
## 6440 18 9.96 5 0 1 9
## 7547 18 5.11 1 0 1 4
## 9222 18 5.11 5 0 5 9
## 18333 34 5.11 1 0 5 4
## 1513 18 5.11 1 0 1 4
## 11621 18 5.11 5 0 1 4
## 19644 18 9.96 5 0 5 9
## 17089 18 5.11 1 0 1 4
## 5386 34 5.11 5 0 1 4
## 26964 34 5.11 5 0 1 9
## 19811 34 5.11 1 12 5 4
## 24941 18 5.11 5 0 5 4
## 25535 18 9.96 1 12 5 4
## 743 34 5.11 5 0 1 9
## 15821 34 9.96 5 0 5 4
## 7030 18 5.11 5 12 5 9
## 23772 18 5.11 5 0 1 9
## 13711 34 9.96 5 0 1 4
## 27705 18 9.96 1 12 1 4
## 27334 18 5.11 5 0 1 9
## 15119 18 9.96 1 12 1 4
## 17890 34 5.11 5 12 1 9
## 15281 18 5.11 5 0 1 9
## 11683 18 9.96 1 12 5 4
## 25273 18 9.96 1 12 1 9
## 12082 18 5.11 5 12 5 4
## 2764 34 9.96 5 0 1 4
## 8328 34 9.96 5 0 5 9
## 2044 18 5.11 5 0 5 4
## 10857 34 9.96 1 0 1 9
## 19588 34 9.96 5 12 1 9
## 9332 18 5.11 5 0 5 4
## 4879 18 9.96 1 0 1 4
## 1873 34 9.96 1 0 1 4
## 23202 18 9.96 5 12 5 4
## 21659 34 5.11 5 0 1 4
## 23053 34 9.96 5 0 5 4
## 18368 34 5.11 1 12 5 9
## 15029 34 5.11 1 0 1 4
## 14208 18 5.11 5 12 1 9
## 4214 18 5.11 5 0 5 9
## 13777 34 9.96 1 12 5 9
## 20876 34 5.11 5 12 5 4
## 7981 18 9.96 5 12 5 4
## 5520 34 9.96 1 12 5 4
## 10378 18 9.96 5 12 5 9
## 12719 34 9.96 1 0 5 4
## 20742 18 5.11 1 0 1 9
## 7829 18 9.96 1 0 5 9
## 14693 34 5.11 1 12 5 9
## 4971 34 5.11 5 0 5 4
## 8543 18 9.96 5 12 1 4
## 14064 34 5.11 5 0 5 4
## 20445 34 9.96 5 0 5 9
## 25828 34 5.11 5 12 1 4
## 20760 34 9.96 5 0 5 4
## 22510 34 9.96 5 12 1 9
## 4414 18 5.11 5 0 5 4
## 14492 18 5.11 1 0 1 9
## 19508 34 9.96 1 0 1 9
## 10391 18 5.11 5 0 1 9
## 4367 18 5.11 5 12 5 9
## 6877 34 5.11 1 12 1 9
## 2871 34 9.96 5 0 5 4
## 24441 18 5.11 5 0 1 4
## 18271 18 9.96 5 0 5 9
## 10956 18 9.96 1 12 1 9
## 7956 34 5.11 5 0 5 9
## 7753 34 5.11 1 0 5 9
## 18179 34 5.11 1 0 1 4
## 20285 34 5.11 1 0 1 9
## 11705 18 5.11 5 0 5 4
## 16956 34 9.96 1 0 5 4
## 12017 34 9.96 1 0 5 4
## 22779 18 5.11 1 12 1 9
## 20420 34 9.96 5 12 5 4
## 11978 34 5.11 5 12 1 9
## 6129 34 9.96 5 12 5 4
## 970 18 9.96 5 12 5 9
## 19403 34 5.11 5 0 5 9
## 5097 34 5.11 5 0 5 4
## 6668 18 9.96 5 0 1 9
## 11397 18 5.11 1 0 5 9
## 1880 34 5.11 5 12 5 9
## 15422 18 5.11 5 12 1 4
## 7748 34 9.96 5 12 1 9
## 6780 34 5.11 1 0 5 9
## 3426 18 5.11 5 12 5 9
## 19040 18 9.96 1 12 5 9
## 7763 18 9.96 1 0 5 9
## 15243 34 9.96 5 12 1 4
## 11293 18 9.96 1 0 5 9
## 18907 34 5.11 1 0 1 9
## 10712 18 9.96 5 12 5 4
## 24581 34 5.11 1 12 5 9
## 11202 34 5.11 1 12 5 4
## 13850 34 9.96 5 0 1 4
## 26097 34 9.96 5 12 5 9
## 15644 18 9.96 1 12 5 9
## 4911 34 5.11 1 0 5 9
## 1606 18 9.96 1 0 5 9
## 23770 34 9.96 1 12 5 9
## 2935 34 9.96 1 0 1 4
## 23803 34 5.11 1 0 5 9
## 17412 34 9.96 5 12 5 9
## 4288 34 5.11 5 0 5 9
## 7702 18 9.96 5 0 5 9
## 20303 18 9.96 5 12 1 4
## 20230 18 9.96 1 12 1 9
## 15227 34 9.96 5 0 1 9
## 9273 34 9.96 5 12 5 4
## 23253 18 5.11 5 12 1 4
## 5501 18 5.11 5 0 5 4
## 613 34 9.96 5 12 1 4
## 26343 18 9.96 1 0 5 4
## 7260 18 9.96 1 12 5 4
## 11427 18 9.96 5 0 5 4
## 24578 34 9.96 1 12 1 4
## 4371 18 5.11 5 12 5 4
## 10074 18 9.96 1 0 5 4
## 18721 18 9.96 5 0 5 4
## 9091 34 9.96 1 0 1 4
## 3749 34 9.96 5 0 1 4
## 16576 34 9.96 5 0 5 9
## 4824 34 5.11 1 12 1 4
## 17213 34 5.11 1 0 5 4
## 6971 18 9.96 5 12 5 4
## 21824 18 9.96 1 0 5 4
## 5901 18 5.11 1 0 1 9
## 25361 34 9.96 1 12 1 4
## 14319 18 9.96 5 0 1 4
## 21454 18 9.96 1 12 1 9
## 8561 34 5.11 5 12 1 4
## 2911 18 9.96 1 0 1 9
## 25525 34 5.11 5 0 5 4
## 13832 18 5.11 5 0 5 9
## 1701 34 9.96 1 0 1 4
## 25356 18 9.96 1 12 5 9
## 14324 34 5.11 5 12 1 9
## 24916 34 5.11 5 12 5 9
## 7941 18 9.96 1 0 5 4
## 24056 18 5.11 5 12 5 4
## 19001 34 9.96 5 0 1 4
## 14130 34 9.96 1 0 5 9
## 7912 18 5.11 1 0 5 9
## 24755 18 9.96 1 12 1 4
## 6819 18 9.96 1 12 1 4
## 4229 18 9.96 1 0 1 9
## 12744 34 9.96 1 0 1 9
## 20588 34 9.96 1 0 1 4
## 24247 18 9.96 1 0 5 9
## 21146 34 9.96 1 12 1 4
## 828 34 5.11 5 12 1 9
## 15833 34 9.96 1 0 1 9
## 22895 34 5.11 1 12 1 4
## 22998 34 9.96 5 12 5 9
## 14879 18 5.11 1 12 5 4
## 7542 18 9.96 5 0 1 4
## 13108 18 5.11 5 12 5 9
## 16265 18 5.11 5 12 1 4
## 17161 34 9.96 5 12 5 9
## 18101 18 5.11 5 0 1 4
## 13073 18 5.11 5 0 1 4
## 17770 18 9.96 1 0 1 9
## 2405 18 9.96 1 0 1 4
## 19775 18 5.11 5 0 1 4
## 25552 34 5.11 1 0 1 4
## 16110 18 5.11 5 0 5 9
## 18587 18 5.11 1 12 1 9
## 13596 34 9.96 5 12 1 9
## 3705 18 5.11 5 0 1 4
## 21727 18 9.96 5 0 5 4
## 12046 34 9.96 5 12 5 4
## 17549 18 9.96 5 0 5 4
## 10031 34 5.11 1 12 1 4
## 231 34 5.11 1 12 1 4
## 24799 18 9.96 5 0 5 4
## 9418 34 9.96 5 0 1 4
## 6493 18 9.96 1 12 1 9
## 27603 18 5.11 1 0 1 9
## 9737 34 5.11 5 0 1 4
## 26118 34 5.11 5 12 5 9
## 23118 34 9.96 5 12 5 4
## 21296 34 9.96 5 12 5 9
## 17477 18 9.96 1 0 1 4
## 15962 34 5.11 5 12 1 9
## 25599 34 5.11 5 12 5 4
## 7139 18 5.11 5 12 1 4
## 17211 18 9.96 5 12 1 9
## 13869 18 9.96 1 0 1 9
## 2873 18 5.11 1 12 1 4
## 8750 18 5.11 5 12 5 9
## 23117 34 9.96 1 12 1 4
## 7806 18 9.96 1 12 1 9
## 2677 34 9.96 5 0 5 4
## 11181 18 5.11 1 12 5 4
## 1518 18 9.96 5 12 1 9
## 13716 18 9.96 5 12 5 9
## 10208 34 9.96 5 0 5 9
## 5291 18 9.96 1 12 1 9
## 27096 18 9.96 1 12 5 9
## 14216 18 5.11 5 12 5 4
## 18575 18 5.11 1 12 5 4
## 19809 18 9.96 1 0 1 9
## 27842 18 5.11 1 0 5 9
## 20204 34 5.11 1 12 5 9
## 15185 18 5.11 1 12 1 4
## 25815 18 5.11 5 12 5 4
## 20154 34 5.11 1 12 5 4
## 20029 34 5.11 1 12 5 9
## 8509 18 5.11 1 0 1 4
## 18165 18 9.96 1 0 5 4
## 14231 34 9.96 5 0 1 9
## 10694 34 5.11 5 12 1 4
## 13310 34 5.11 1 0 1 4
## 12625 34 5.11 5 0 5 4
## 6428 34 9.96 5 0 5 9
## 17510 34 9.96 1 0 5 9
## 15492 18 9.96 1 12 1 4
## 12554 34 5.11 1 0 5 9
## 6045 34 9.96 1 0 1 4
## 15535 34 9.96 5 12 1 9
## 10754 34 5.11 1 12 5 9
## 10972 18 9.96 1 12 1 9
## 9042 34 9.96 5 12 1 9
## 6145 34 9.96 5 12 5 4
## 16651 18 9.96 5 0 1 9
## 24008 18 9.96 1 0 1 4
## 4466 34 5.11 5 0 5 9
## 27898 34 5.11 1 0 1 4
## 13320 18 9.96 1 12 1 4
## 2312 18 5.11 5 0 5 9
## 25287 18 5.11 5 12 1 4
## 23743 18 5.11 1 12 5 9
## 6132 34 9.96 5 0 5 9
## 4159 34 5.11 1 0 1 4
## 10930 18 9.96 5 0 5 9
## 11430 18 5.11 5 12 5 9
## 2365 34 9.96 1 12 5 4
## 2992 18 5.11 5 0 1 4
## 7867 18 5.11 5 0 1 4
## 23914 34 5.11 5 12 5 4
## 12837 18 9.96 1 0 5 4
## 18488 18 5.11 5 12 5 9
## 23933 18 5.11 5 12 5 4
## 2100 34 5.11 5 0 1 9
## 25972 34 5.11 5 12 5 9
## 5251 18 5.11 1 0 5 4
## 12387 34 5.11 5 0 1 4
## 26353 18 5.11 5 0 1 4
## 11176 34 9.96 5 0 1 9
## 12285 18 9.96 5 12 1 4
## 25018 34 9.96 1 0 5 9
## 3203 18 5.11 1 0 5 4
## 14432 34 5.11 5 0 1 4
## 17158 34 5.11 1 12 1 9
## 17512 18 5.11 5 12 1 4
## 25295 18 5.11 1 12 1 4
## 18257 34 5.11 5 12 1 4
## 5087 18 9.96 5 12 1 4
## 20 34 9.96 1 12 5 4
## 26184 34 9.96 1 0 1 4
## 21879 34 5.11 1 12 1 9
## 1936 34 9.96 5 0 5 9
## 18269 34 5.11 1 12 1 4
## 14987 34 9.96 1 12 1 9
## 8773 34 9.96 5 12 1 4
## 12492 34 9.96 5 0 5 9
## 14147 34 5.11 5 12 5 4
## 20318 34 9.96 5 0 1 9
## 8988 34 9.96 1 12 5 9
## 10551 18 9.96 5 12 5 9
## 27581 18 5.11 5 12 5 4
## 22549 34 5.11 5 0 1 9
## 20576 34 9.96 1 0 1 9
## 18559 18 5.11 1 0 5 4
## 26407 34 9.96 5 0 5 9
## 8980 34 9.96 5 12 5 4
## 23721 34 9.96 5 0 1 9
## 27347 18 5.11 5 0 1 4
## 11806 18 5.11 5 12 1 9
## 13490 18 9.96 1 12 5 9
## 24860 18 9.96 1 12 5 9
## 8274 34 9.96 5 12 5 9
## 12027 18 5.11 1 12 1 4
## 27011 34 5.11 5 0 5 4
## 15381 34 5.11 5 0 1 9
## 24165 18 9.96 1 0 1 9
## 21748 18 5.11 1 0 5 9
## 10935 34 5.11 5 0 5 9
## 9363 34 5.11 5 12 5 4
## 2959 34 9.96 5 0 5 4
## 12508 18 9.96 5 12 5 4
## 2136 18 5.11 1 12 5 4
## 22754 34 5.11 1 0 5 9
## 20789 18 9.96 1 12 1 9
## 9940 18 9.96 1 0 5 4
## 14583 34 5.11 5 12 5 9
## 3909 18 5.11 1 0 1 9
## 21650 18 5.11 1 12 5 9
## 18139 18 5.11 1 12 1 9
## 22313 18 5.11 1 0 5 4
## 24287 34 9.96 1 0 5 4
## 25163 18 9.96 5 12 5 9
## 13377 34 9.96 5 0 1 4
## 13800 34 5.11 5 0 1 4
## 16547 34 9.96 5 0 5 4
## 5456 34 9.96 1 12 1 9
## 23932 18 9.96 5 0 1 4
## 2913 34 5.11 1 12 5 4
## 2021 34 9.96 1 12 1 4
## 7432 18 9.96 5 12 1 9
## 25780 34 5.11 5 0 5 4
## 14387 18 5.11 1 12 5 4
## 24644 18 9.96 5 12 5 4
## 8812 18 5.11 1 0 1 4
## 20152 18 9.96 5 0 5 9
## 5387 18 5.11 5 0 5 4
## 11274 18 9.96 5 12 1 4
## 3527 18 9.96 5 12 1 4
## 27066 34 9.96 5 12 5 9
## 22385 34 5.11 1 0 1 4
## 14254 34 9.96 5 12 5 4
## 15477 34 9.96 5 12 1 4
## 9293 18 9.96 5 12 1 9
## 25826 18 9.96 1 12 5 9
## 2173 18 9.96 5 12 1 4
## 19095 34 5.11 5 12 1 4
## 24852 18 9.96 5 12 5 9
## 10531 18 9.96 1 12 5 4
## 22196 34 9.96 1 12 5 9
## 19969 34 9.96 5 12 5 4
## 21587 18 5.11 5 0 5 4
## 4263 34 5.11 5 12 1 9
## 23674 34 9.96 5 0 5 9
## 5628 18 5.11 5 0 1 4
## 9511 18 5.11 1 0 1 9
## 17504 18 5.11 5 12 5 9
## 12640 34 9.96 1 0 5 4
## 24039 34 9.96 1 0 5 4
## 6207 34 5.11 1 0 5 4
## 7205 18 9.96 5 12 5 4
## 15786 34 5.11 1 0 5 4
## 18608 18 5.11 5 0 5 4
## 4283 18 5.11 1 12 1 9
## 5301 34 5.11 5 0 1 4
## 15452 18 5.11 5 12 1 9
## 11918 34 5.11 5 0 5 9
## 15098 34 5.11 1 0 5 9
## 7513 34 9.96 1 0 1 9
## 4001 34 9.96 5 12 1 4
## 3493 18 9.96 1 0 1 4
## 11860 18 5.11 1 12 5 9
## 14689 34 5.11 1 12 5 9
## 13929 18 5.11 1 0 5 9
## 9839 34 9.96 5 12 5 4
## 1686 34 9.96 5 12 1 9
## 21527 18 9.96 5 0 1 9
## 8314 18 9.96 1 0 5 9
## 26947 18 5.11 5 12 5 4
## 16123 18 9.96 1 0 5 9
## 6359 18 5.11 5 0 1 4
## 10729 18 9.96 5 0 1 4
## 10772 18 9.96 5 0 5 9
## 11628 34 9.96 1 12 1 9
## 8714 18 5.11 5 12 5 9
## 9609 18 5.11 5 0 1 9
## 13131 34 5.11 1 12 5 4
## 4455 34 5.11 5 12 1 4
## 16145 34 5.11 5 12 1 4
## 22340 18 9.96 5 0 5 9
## 22267 18 5.11 1 12 1 4
## 1007 18 5.11 5 12 1 4
## 13375 18 5.11 1 12 5 4
## 19679 18 9.96 5 0 1 9
## 26565 18 9.96 1 0 1 4
## 11819 34 5.11 5 12 1 9
## 20961 34 9.96 5 12 1 9
## 14174 18 5.11 5 0 5 4
## 6167 18 5.11 1 0 1 4
## 10597 18 9.96 1 0 5 4
## 15656 18 9.96 1 12 5 9
## 26027 18 5.11 1 0 1 4
## 11204 18 9.96 5 12 1 9
## 21811 18 5.11 5 0 1 9
## 15895 34 5.11 1 12 1 4
## 25868 18 9.96 1 12 1 9
## 14864 34 5.11 1 12 1 4
## 8062 18 9.96 1 0 5 9
## 17548 18 5.11 1 0 5 4
## 3702 34 5.11 5 0 5 4
## 96 34 9.96 5 12 5 4
## 19254 18 9.96 5 0 5 9
## 22147 18 9.96 1 12 1 4
## 4999 18 5.11 1 0 1 4
## 15850 18 5.11 1 12 1 9
## 5379 34 5.11 1 0 1 4
## 9013 18 5.11 5 12 5 4
## 6140 34 9.96 1 0 5 9
## 19987 34 5.11 5 0 5 9
## 11581 34 5.11 5 0 1 4
## 13444 34 9.96 5 12 5 4
## 19848 34 5.11 5 12 5 9
## 14964 18 5.11 5 0 5 9
## 5041 34 9.96 5 0 5 4
## 18234 18 9.96 5 0 5 4
## 11151 18 9.96 1 0 1 4
## 729 34 9.96 1 12 5 9
## 14025 34 9.96 5 0 1 4
## 27821 18 9.96 1 12 1 4
## 7285 18 9.96 1 0 1 4
## 2539 34 9.96 1 12 5 4
## 15037 18 5.11 1 0 5 4
## 21230 34 5.11 5 0 1 4
## 26697 18 5.11 1 0 1 9
## 1055 18 5.11 1 12 1 9
## 5751 34 9.96 5 0 1 4
## 16255 34 9.96 5 0 1 4
## 22021 34 9.96 5 12 1 4
## 1048 18 9.96 5 0 1 4
## 23126 18 9.96 5 12 5 4
## 3297 34 9.96 5 0 1 4
## 22262 34 9.96 5 0 1 9
## 21346 18 5.11 1 12 1 9
## 9124 18 5.11 5 0 5 9
## 8379 34 5.11 5 0 1 4
## 20390 34 9.96 5 0 5 9
## 5445 34 5.11 5 12 1 9
## 16987 18 5.11 1 12 1 9
## 3389 18 5.11 5 0 1 9
## 12307 18 5.11 1 0 1 4
## 24332 18 9.96 1 12 5 4
## 17439 18 5.11 1 0 1 4
## 26777 34 5.11 5 0 1 9
## 1482 34 9.96 5 12 5 4
## 19599 34 5.11 1 12 5 4
## 25578 18 9.96 5 12 1 4
## 2778 18 5.11 1 12 5 9
## 16008 34 9.96 1 0 1 4
## 21846 34 5.11 5 0 5 4
## 21294 18 5.11 5 0 1 4
## 18108 34 5.11 5 12 1 4
## 25863 18 5.11 1 12 5 9
## 2858 18 5.11 5 12 1 9
## 6982 18 5.11 1 12 5 9
## 2859 18 5.11 1 0 1 4
## 8295 18 5.11 1 0 5 4
## 22207 34 9.96 1 0 1 4
## 25571 34 5.11 1 12 1 9
## 20965 34 9.96 5 12 1 9
## 474 18 5.11 1 0 5 9
## 24494 34 9.96 1 0 5 4
## 4846 34 9.96 5 0 5 9
## 20756 34 9.96 5 0 5 9
## 5639 18 9.96 5 12 5 4
## 11977 34 9.96 5 0 5 4
## 14036 18 5.11 1 0 5 4
## 18357 34 5.11 5 0 1 9
## 25877 18 9.96 5 0 5 4
## 19467 18 5.11 1 0 1 4
## 4657 34 5.11 5 12 5 4
## 3586 34 5.11 1 12 1 9
## 22781 34 9.96 1 0 5 4
## 26940 18 5.11 5 0 5 9
## 26810 34 9.96 5 12 5 4
## 677 34 5.11 1 12 1 9
## 22869 34 9.96 5 0 1 9
## 6174 34 9.96 5 0 1 9
## 2484 34 5.11 5 12 5 4
## 8326 34 5.11 1 12 1 4
## 19135 18 5.11 5 0 1 4
## 4407 34 5.11 1 12 5 4
## 17652 18 9.96 1 0 5 9
## 22527 18 9.96 5 12 5 9
## 6606 18 9.96 1 0 5 4
## 24105 34 5.11 1 0 1 9
## 16188 34 9.96 1 12 5 4
## 316 34 9.96 1 12 1 4
## 11348 34 5.11 5 0 5 4
## 8807 18 5.11 5 12 5 4
## 25602 18 9.96 1 12 5 4
## 19880 18 5.11 1 12 5 9
## 422 34 9.96 1 0 1 4
## 1186 18 9.96 1 12 5 9
## 16402 18 5.11 5 0 5 4
## 20054 34 9.96 5 12 5 9
## 10599 34 5.11 5 12 1 9
## 6435 18 9.96 5 0 5 4
## 24067 34 9.96 1 0 5 4
## 18669 34 9.96 1 0 1 4
## 22345 18 5.11 1 12 5 4
## 22816 18 5.11 5 0 5 9
## 19935 34 5.11 1 12 1 4
## 18585 34 9.96 5 0 5 4
## 24108 18 9.96 5 0 1 9
## 20755 34 5.11 1 0 1 4
## 12098 18 5.11 5 12 1 9
## 14892 34 9.96 5 12 5 9
## 10855 18 5.11 1 12 5 4
## 7186 18 9.96 5 0 5 4
## 9546 18 9.96 5 0 5 9
## 20787 18 5.11 5 0 1 4
## 7026 18 5.11 5 12 5 4
## 6531 34 5.11 1 12 1 4
## 24006 34 5.11 5 12 5 9
## 17072 18 9.96 1 12 5 4
## 26207 18 9.96 5 0 1 9
## 25754 34 9.96 1 12 1 9
## 1964 18 5.11 1 12 5 9
## 6431 18 9.96 1 0 5 9
## 7855 34 5.11 5 12 1 9
## 12724 18 5.11 1 0 1 4
## 21601 18 9.96 1 12 1 4
## 1004 18 9.96 5 0 1 9
## 1002 34 5.11 1 12 5 9
## 20294 34 9.96 5 0 5 9
## 4072 18 9.96 5 12 5 4
## 1110 34 9.96 5 12 1 9
## 15732 18 9.96 1 0 5 4
## 7724 34 5.11 5 12 5 4
## 13484 34 9.96 5 12 5 4
## 570 18 5.11 5 0 5 9
## 4002 34 9.96 5 12 5 9
## 17990 18 5.11 5 12 1 9
## 13386 34 9.96 1 12 5 9
## 23402 34 9.96 5 12 1 9
## 903 34 5.11 5 12 1 4
## 16491 34 5.11 5 0 5 9
## 20497 18 9.96 1 12 5 9
## 4392 34 5.11 1 12 5 9
## 1717 34 9.96 1 0 5 9
## 27546 18 5.11 5 12 1 4
## 22735 18 5.11 5 0 1 4
## 143 18 9.96 1 0 1 4
## 13741 34 5.11 1 0 1 4
## 14129 34 9.96 5 0 5 4
## 2385 34 9.96 1 12 1 9
## 3221 34 9.96 1 0 5 9
## 27387 34 5.11 5 0 5 4
## 16548 18 9.96 5 12 1 9
## 26521 34 5.11 5 0 5 4
## 21430 18 5.11 1 12 5 9
## 7234 18 5.11 5 0 1 9
## 23052 18 5.11 5 12 1 9
## 8169 34 9.96 1 12 5 4
## 22811 18 9.96 5 0 5 9
## 8259 34 5.11 1 0 1 4
## 11027 34 9.96 1 0 5 4
## 7074 34 5.11 5 12 1 9
## 5284 18 9.96 5 0 1 9
## 19867 18 9.96 1 0 5 4
## 25856 34 9.96 1 12 1 9
## 17598 34 9.96 5 0 5 9
## 16534 34 5.11 5 12 1 9
## 20450 34 5.11 1 0 1 9
## 21109 18 9.96 1 12 1 9
## 4645 34 5.11 1 12 1 4
## 20323 34 9.96 1 12 1 4
## 20004 34 5.11 1 12 1 4
## 26048 34 9.96 5 12 5 9
## 20923 18 5.11 1 0 1 4
## 9984 34 9.96 1 12 5 9
## 4528 34 9.96 1 12 5 4
## 9037 34 9.96 1 12 5 4
## 19439 34 5.11 1 12 1 4
## 25514 18 9.96 1 12 1 9
## 24080 18 5.11 5 12 5 4
## 13719 18 9.96 1 12 1 4
## 11552 34 9.96 1 12 5 9
## 15344 34 5.11 1 0 5 9
## 26485 18 5.11 5 0 1 4
## 13561 18 5.11 1 12 5 9
## 453 18 9.96 1 0 1 9
## 5875 34 5.11 1 0 1 9
## 22092 34 9.96 1 0 5 9
## 3553 34 5.11 5 0 5 4
## 6778 18 9.96 5 12 1 9
## 20406 18 5.11 5 0 5 9
## 17235 18 9.96 5 12 1 4
## 2618 34 9.96 5 0 1 9
## 9063 18 9.96 1 0 1 4
## 6907 34 9.96 1 0 5 9
## 11496 18 9.96 5 0 1 9
## 12716 34 5.11 5 0 1 9
## 21770 34 9.96 5 12 1 9
## 12603 18 9.96 1 12 5 9
## 12680 34 9.96 5 0 5 9
## 18751 34 5.11 1 0 5 4
## 26961 34 5.11 1 12 5 9
## 25076 18 5.11 5 12 1 4
## 2279 18 5.11 5 12 1 4
## 7040 34 9.96 1 0 5 9
## 287 18 5.11 5 0 1 9
## 290 18 9.96 1 12 5 9
## 14257 18 5.11 5 0 5 4
## 25187 34 5.11 1 0 1 4
## 25767 18 5.11 1 12 5 4
## 26843 18 9.96 1 12 1 9
## 14669 18 5.11 1 12 1 4
## 16766 34 5.11 1 0 5 4
## 8876 34 5.11 5 12 5 9
## 4103 34 5.11 1 0 1 9
## 23783 18 5.11 1 12 5 4
## 7754 18 5.11 5 0 5 4
## 27048 34 5.11 1 0 5 4
## 27009 18 9.96 1 0 1 9
## 9248 18 5.11 5 12 5 4
## 27796 34 9.96 5 0 1 9
## 5215 18 9.96 5 0 5 4
## 2195 18 5.11 5 0 1 4
## 8423 18 5.11 1 0 5 4
## 11608 18 5.11 5 12 1 4
## 27448 34 5.11 1 0 1 4
## 9864 18 5.11 1 0 5 4
## 3682 34 5.11 1 12 5 9
## 26345 34 5.11 5 12 1 9
## 22493 34 5.11 5 12 1 4
## 23082 34 9.96 5 0 1 9
## 8048 34 5.11 5 0 1 9
## 10535 18 9.96 1 12 1 4
## 16151 18 9.96 5 0 5 4
## 2338 34 5.11 1 12 5 9
## 26627 18 5.11 1 0 1 4
## 6703 34 9.96 1 12 1 4
## 14528 18 5.11 5 0 1 9
## 5441 34 5.11 5 12 1 4
## 1735 18 5.11 5 12 5 4
## 27629 18 9.96 1 12 5 4
## 5247 18 5.11 1 0 5 4
## 8415 34 5.11 5 0 5 4
## 23979 18 9.96 1 0 5 4
## 6564 34 5.11 1 12 1 4
## 15588 34 9.96 1 12 5 4
## 1190 18 9.96 5 12 1 4
## 20308 18 5.11 1 12 5 9
## 5113 18 5.11 1 0 5 4
## 16444 18 9.96 5 12 1 9
## 9233 34 5.11 1 0 1 4
## 26003 34 5.11 1 0 1 9
## 9199 18 9.96 1 0 1 4
## 4457 18 9.96 1 0 5 9
## 26799 34 9.96 1 0 1 4
## 10728 18 9.96 5 0 5 9
## 8251 34 5.11 1 0 5 4
## 4250 34 5.11 1 0 1 9
## 11857 18 5.11 1 0 5 9
## 10993 18 5.11 5 12 1 4
## 27278 18 5.11 5 12 1 9
## 10565 34 5.11 5 0 1 4
## 10865 18 9.96 1 0 1 4
## 19328 18 5.11 1 0 5 9
## 17685 34 5.11 1 12 5 9
## 8533 34 5.11 1 0 1 9
## 23947 34 9.96 5 0 1 4
## 7921 34 9.96 5 12 1 9
## 7895 18 5.11 1 0 1 4
## 18955 34 5.11 5 0 1 4
## 26311 18 9.96 5 12 5 4
## 25074 34 9.96 1 0 5 9
## 20241 18 5.11 5 0 1 4
## 13647 18 5.11 1 0 1 4
## 11810 18 5.11 5 0 5 4
## 4193 18 9.96 1 0 5 9
## 6985 34 5.11 1 0 5 4
## 22819 18 9.96 5 12 5 4
## 26346 34 5.11 1 12 5 9
## 18678 18 9.96 1 12 5 9
## 26501 18 5.11 1 0 1 9
## 7545 34 9.96 5 12 5 4
## 4427 34 5.11 1 12 1 4
## 15827 18 5.11 5 0 1 9
## 20394 34 5.11 5 12 5 9
## 24848 18 9.96 1 0 5 9
## 4621 34 5.11 5 12 1 9
## 8600 18 9.96 5 12 5 9
## 854 34 9.96 5 12 5 9
## 11644 34 9.96 1 0 1 4
## 21965 18 9.96 1 0 5 9
## 3831 18 9.96 5 12 5 4
## 11012 18 5.11 1 0 5 9
## 4990 18 9.96 5 0 5 9
## 9098 34 9.96 5 0 1 9
## 16767 34 5.11 5 12 1 9
## 20517 18 9.96 1 12 5 4
## 14098 34 9.96 5 12 5 4
## 12366 34 9.96 1 12 5 9
## 9318 34 9.96 1 12 1 9
## 4857 34 5.11 1 0 1 4
## 3222 18 5.11 5 0 5 9
## 25968 34 5.11 5 12 5 9
## 22310 34 5.11 1 0 5 4
## 7336 18 9.96 1 0 5 9
## 23687 34 5.11 5 12 1 4
## 4447 34 5.11 1 12 1 4
## 12012 18 5.11 1 12 5 9
## 18980 34 5.11 1 0 5 9
## 23153 34 9.96 5 12 5 4
## 12426 18 9.96 5 0 5 4
## 7868 34 5.11 5 0 5 4
## 26797 18 5.11 5 12 5 9
## 2653 34 9.96 1 12 1 4
## 12148 18 9.96 5 0 5 4
## 18348 34 5.11 1 0 5 4
## 1341 18 5.11 5 0 1 9
## 14973 18 5.11 5 0 5 4
## 13473 18 9.96 1 12 1 4
## 20757 18 9.96 1 12 5 4
## 22479 34 5.11 5 0 1 4
## 1158 18 9.96 5 12 5 9
## 6635 18 9.96 1 0 1 4
## 20132 34 9.96 1 12 5 9
## 27792 34 9.96 5 12 1 4
## 7151 18 5.11 1 12 1 4
## 11524 18 9.96 1 12 5 4
## 5199 18 9.96 5 0 1 9
## 15606 18 5.11 5 12 1 9
## 23975 18 9.96 5 0 5 4
## 9666 34 9.96 5 0 1 9
## 12760 34 9.96 5 12 1 9
## 22897 18 9.96 5 0 5 4
## 17421 18 5.11 1 12 5 4
## 9023 18 9.96 5 0 1 4
## 6239 18 5.11 1 12 1 9
## 1432 34 5.11 5 12 5 4
## 12614 18 5.11 1 12 1 9
## 15170 34 5.11 1 0 1 9
## 9356 18 5.11 5 0 1 9
## 22362 34 5.11 5 12 5 9
## 18217 18 9.96 1 12 1 9
## 9856 18 5.11 1 0 1 9
## 13545 18 5.11 5 12 1 4
## 25403 18 9.96 1 0 1 9
## 5932 34 5.11 5 0 5 9
## 3955 18 9.96 1 12 1 4
## 7554 18 9.96 5 12 1 9
## 3174 34 9.96 1 12 1 9
## 11379 18 5.11 1 0 1 4
## 9912 18 5.11 5 0 1 9
## 3916 34 5.11 1 12 1 9
## 26966 18 9.96 1 12 5 4
## 8091 34 5.11 5 0 1 4
## 16802 18 9.96 1 12 5 9
## 21660 34 9.96 5 0 5 4
## 5039 18 5.11 1 12 1 9
## 19126 34 9.96 5 0 5 9
## 8213 34 9.96 1 0 1 4
## 27177 34 5.11 5 0 5 4
## 9740 18 5.11 5 0 1 4
## 15396 34 9.96 1 0 5 4
## 25364 34 9.96 1 12 5 9
## 1256 34 9.96 1 0 5 9
## 5529 18 5.11 1 0 1 4
## 5249 34 9.96 5 12 1 4
## 15002 34 9.96 5 12 1 4
## 7476 18 9.96 5 0 5 4
## 11200 34 9.96 5 12 1 9
## 19408 34 9.96 5 12 5 4
## 23631 34 5.11 5 0 5 4
## 8590 34 5.11 5 0 5 9
## 27463 18 5.11 5 0 5 4
## 12976 18 5.11 5 12 5 9
## 16654 18 5.11 1 12 1 9
## 26931 18 9.96 1 0 5 4
## 23387 34 9.96 5 0 1 9
## 12050 34 9.96 5 12 1 4
## 23800 18 5.11 5 0 5 4
## 5431 18 9.96 1 0 5 4
## 10965 18 5.11 1 12 1 4
## 12313 34 9.96 5 12 5 9
## 7034 18 5.11 5 12 1 9
## 7354 34 5.11 1 12 5 9
## 4150 18 9.96 5 0 5 4
## 12840 34 9.96 1 12 1 4
## 14664 18 9.96 1 0 1 9
## 7954 18 9.96 1 12 5 4
## 21927 18 5.11 1 12 1 4
## 20184 18 5.11 5 12 5 4
## 9901 18 5.11 1 0 1 4
## 5455 18 9.96 5 0 5 9
## 18280 34 5.11 5 0 1 9
## 7760 34 9.96 5 12 5 9
## 10776 18 9.96 5 0 5 9
## 24176 34 5.11 1 0 1 4
## 172 18 9.96 1 0 5 4
## 1888 34 5.11 1 12 5 4
## 25835 34 5.11 1 12 1 4
## 24235 34 9.96 1 0 5 9
## 2180 34 5.11 1 0 1 9
## 22170 18 5.11 1 0 1 9
## 8889 18 9.96 1 0 1 4
## 22094 18 5.11 5 12 5 4
## 16854 34 5.11 5 0 5 9
## 19407 34 5.11 5 12 5 4
## 26991 34 5.11 1 0 1 4
## 26656 34 5.11 1 12 1 9
## 27543 34 5.11 5 12 5 4
## 8288 34 5.11 1 0 5 9
## 9349 18 9.96 1 0 5 4
## 11905 34 9.96 5 0 5 4
## 25854 18 5.11 5 0 5 4
## 3059 18 9.96 5 12 5 4
## 26198 18 5.11 5 12 1 9
## 20146 34 5.11 5 0 5 4
## 19416 34 9.96 5 12 5 9
## 12970 34 9.96 1 0 5 9
## 13217 18 9.96 1 12 5 9
## 22906 34 5.11 1 12 1 4
## 14686 34 5.11 5 0 5 4
## 10781 18 9.96 5 0 1 4
## 6078 34 5.11 5 0 1 9
## 8710 18 5.11 5 12 1 4
## 18664 34 5.11 5 12 1 4
## 3899 18 9.96 5 12 5 9
## 5525 18 5.11 1 0 5 4
## 281 18 9.96 5 12 5 4
## 9321 18 9.96 5 0 1 4
## 10610 34 5.11 1 0 5 4
## 13384 18 5.11 5 0 1 4
## 21270 18 5.11 5 0 5 9
## 21502 34 9.96 5 12 5 4
## 18134 34 5.11 5 12 5 9
## 17458 18 9.96 5 12 5 9
## 11636 34 9.96 1 12 5 4
## 13780 34 5.11 1 12 5 9
## 18468 34 5.11 1 0 5 4
## 5289 34 5.11 5 0 5 4
## 2360 18 9.96 1 12 1 4
## 671 18 9.96 5 0 5 4
## 23632 18 5.11 1 12 5 4
## 18186 18 9.96 5 12 1 4
## 23780 18 5.11 5 0 1 9
## 5259 18 9.96 1 0 1 4
## 834 18 9.96 1 0 5 9
## 10358 18 5.11 5 12 1 4
## 11117 18 5.11 1 0 5 4
## 23282 18 9.96 1 12 5 9
## 12330 18 9.96 1 0 1 4
## 7965 18 9.96 1 0 5 4
## 7807 34 5.11 5 0 1 9
## 18911 34 5.11 5 0 5 9
## 11989 18 9.96 5 0 1 4
## 4356 34 5.11 1 0 5 4
## 24749 34 5.11 1 0 5 9
## 26507 18 9.96 5 12 1 4
## 10491 18 9.96 1 0 1 9
## 5298 34 5.11 5 12 5 4
## 13856 18 5.11 1 0 1 9
## 18372 34 5.11 1 12 1 9
## 1746 34 5.11 5 0 5 4
## 13804 18 5.11 1 0 1 9
## 25219 34 5.11 1 0 5 4
## 23275 34 9.96 1 12 1 4
## 5103 34 9.96 1 12 1 9
## 1620 18 5.11 5 12 1 9
## 4927 18 5.11 5 0 1 4
## 7056 34 9.96 5 0 5 4
## 25155 18 9.96 1 0 1 4
## 15972 18 9.96 5 0 5 4
## 3066 34 9.96 5 12 1 9
## 27607 18 5.11 1 0 5 9
## 17748 34 5.11 1 12 1 9
## 23040 34 5.11 1 0 5 4
## 14285 34 5.11 5 12 1 4
## 12683 18 9.96 1 0 1 4
## 18818 18 5.11 5 12 1 9
## 20837 18 9.96 1 12 1 9
## 8313 34 9.96 5 12 1 4
## 24888 18 5.11 1 12 5 9
## 20868 34 5.11 5 12 5 9
## 23614 34 5.11 5 12 1 4
## 2963 34 9.96 5 0 5 4
## 14715 18 9.96 1 0 1 4
## 13423 34 5.11 1 12 5 4
## 6469 18 9.96 1 0 1 9
## 1042 18 5.11 1 12 5 9
## 3214 18 9.96 5 12 1 4
## 24521 18 9.96 1 0 1 4
## 7902 34 9.96 1 12 1 4
## 15069 18 5.11 1 0 5 4
## 18104 34 5.11 1 12 5 4
## 5003 18 5.11 5 0 1 4
## 12767 18 9.96 5 12 1 4
## 20006 34 9.96 5 0 5 9
## 17601 18 9.96 1 12 1 9
## 22342 34 5.11 1 12 1 4
## 252 34 5.11 1 0 5 9
## 21252 18 9.96 5 0 5 9
## 22388 18 5.11 5 12 5 4
## 26029 34 9.96 1 0 5 9
## 14806 18 9.96 1 12 5 9
## 302 34 5.11 5 0 5 9
## 13726 34 5.11 1 0 5 4
## 12870 34 9.96 5 12 1 4
## 964 34 5.11 1 0 1 4
## 12300 34 5.11 1 12 5 9
## 2416 34 5.11 5 12 1 9
## 10421 34 9.96 1 12 1 4
## 25387 18 5.11 1 0 5 4
## 23797 18 9.96 5 12 5 4
## 14794 34 9.96 1 12 5 4
## 9780 18 5.11 5 0 5 4
## 6023 18 5.11 1 12 1 4
## 22855 34 5.11 1 0 5 4
## 15336 34 5.11 1 0 5 9
## 727 18 5.11 5 0 1 4
## 27343 18 5.11 5 0 1 9
## 13160 18 5.11 5 12 1 4
## 26540 34 9.96 5 12 5 4
## 5545 34 9.96 5 0 1 9
## 12930 18 9.96 1 0 5 4
## 20909 18 9.96 1 12 1 4
## 2936 18 5.11 5 12 1 9
## 16626 34 5.11 1 12 5 9
## 4382 34 9.96 5 0 1 4
## 639 18 5.11 5 0 1 4
## 19711 18 5.11 1 0 1 4
## 23809 18 9.96 5 12 1 9
## 15215 18 9.96 1 0 5 4
## 3837 34 5.11 5 0 1 4
## 25612 18 9.96 5 12 5 9
## 574 18 5.11 5 0 5 9
## 14292 34 9.96 5 12 1 9
## 4909 18 9.96 1 12 1 4
## 2665 34 9.96 1 0 1 9
## 2661 34 9.96 5 0 1 9
## 7395 34 5.11 1 12 1 9
## 16873 18 5.11 1 0 1 4
## 27835 34 5.11 1 0 5 4
## 25443 34 9.96 5 12 1 4
## 17545 18 9.96 1 0 5 9
## 3078 18 9.96 1 12 5 9
## 26021 18 9.96 1 12 5 9
## 16571 34 9.96 1 0 1 9
## 6603 18 9.96 1 12 1 9
## 6624 34 5.11 5 0 5 9
## 21380 34 9.96 5 0 5 9
## 15614 18 5.11 5 12 5 4
## 5516 34 9.96 1 0 5 4
## 21593 34 9.96 5 12 1 4
## 18011 34 5.11 5 0 1 4
## 21904 34 5.11 5 0 5 4
## 12539 18 5.11 5 12 5 4
## 799 34 5.11 1 12 1 4
## 13458 18 5.11 5 0 5 4
## 2466 34 5.11 1 0 5 4
## 21138 34 9.96 5 12 5 4
## 10909 18 9.96 5 0 5 9
## 13605 18 9.96 1 0 1 4
## 19391 34 5.11 1 0 5 9
## 15971 18 9.96 5 0 5 4
## 10853 34 9.96 5 0 1 9
## 20002 18 9.96 5 0 5 9
## 25277 34 9.96 1 12 1 4
## 22363 18 9.96 1 12 1 9
## 24821 18 5.11 1 0 1 4
## 260 34 5.11 1 0 5 9
## 6517 34 9.96 5 0 1 9
## 22220 34 9.96 5 12 5 4
## 11521 18 5.11 1 12 1 4
## 17394 18 5.11 1 12 5 9
## 3290 18 9.96 5 0 5 9
## 8864 18 5.11 5 12 1 9
## 11916 18 9.96 1 12 1 9
## 24029 18 5.11 1 0 1 9
## 21468 34 5.11 5 0 5 4
## 17119 34 9.96 1 0 1 9
## 24075 34 9.96 1 0 1 4
## 12543 18 5.11 1 12 1 9
## 527 18 5.11 5 12 5 4
## 1274 18 5.11 5 12 1 9
## 9628 18 9.96 1 0 1 9
## 26575 18 5.11 1 12 1 9
## 21822 34 5.11 5 12 1 9
## 26800 18 5.11 1 0 1 9
## 5019 18 5.11 1 0 5 4
## 2487 34 5.11 5 0 1 9
## 7188 34 5.11 1 12 1 9
## 23762 34 9.96 1 12 5 4
## 27670 34 5.11 5 0 1 9
## 1494 18 5.11 1 12 5 9
## 23281 18 5.11 1 0 5 9
## 26989 18 9.96 5 12 5 4
## 20291 18 9.96 5 12 1 4
## 5 18 5.11 1 0 1 9
## 6674 34 5.11 5 12 5 9
## 21944 18 5.11 1 0 5 9
## 14494 34 9.96 5 12 5 4
## 1994 34 9.96 5 12 1 9
## 5029 34 9.96 5 0 1 4
## 16835 34 5.11 5 0 1 4
## 24488 18 9.96 5 0 1 9
## 3957 34 5.11 5 0 5 4
## 26241 34 5.11 1 12 1 9
## 5203 34 9.96 1 0 1 4
## 8507 34 9.96 5 12 1 4
## 18015 34 5.11 5 0 5 9
## 21521 18 5.11 5 12 5 9
## 11351 18 5.11 5 12 5 4
## 5072 34 5.11 1 0 1 4
## 8809 34 9.96 1 0 1 9
## 22158 18 5.11 1 0 5 4
## 16523 18 9.96 1 0 5 4
## 16438 18 5.11 5 0 1 9
## 18565 34 9.96 5 0 1 4
## 11390 18 5.11 5 12 1 4
## 6443 18 9.96 1 0 1 9
## 12556 18 9.96 5 12 1 4
## 12451 18 5.11 1 0 5 9
## 17935 18 9.96 1 0 1 4
## 718 34 5.11 1 12 5 9
## 2833 18 9.96 1 0 1 9
## 11004 18 9.96 1 0 5 9
## 23111 18 5.11 5 0 5 9
## 26344 18 9.96 5 0 5 4
## 17786 18 9.96 1 12 1 9
## 3139 18 5.11 1 12 1 9
## 19977 18 9.96 5 12 1 9
## 12436 34 5.11 1 12 5 4
## 1199 34 5.11 1 12 1 4
## 8932 34 5.11 1 0 5 4
## 8306 18 9.96 1 12 1 9
## 25596 34 5.11 1 0 1 9
## 8931 34 5.11 1 0 1 4
## 6388 18 9.96 1 12 1 4
## 15115 18 9.96 1 12 1 9
## 6572 34 5.11 5 12 5 4
## 18253 18 9.96 5 12 1 4
## 26033 34 9.96 5 0 5 4
## 20587 34 5.11 1 0 5 4
## 6600 34 5.11 5 12 5 9
## 7162 18 9.96 1 12 1 9
## 9552 34 5.11 1 12 5 4
## 13391 34 5.11 1 12 1 9
## 11743 34 9.96 5 12 1 9
## 21141 18 9.96 5 0 5 4
## 19954 18 5.11 1 0 5 9
## 27816 34 9.96 5 12 5 9
## 6138 18 5.11 5 12 5 4
## 20133 18 5.11 5 0 5 4
## 19271 18 5.11 1 0 5 9
## 9247 34 5.11 1 0 1 9
## 543 18 5.11 5 0 5 4
## 4530 18 5.11 5 0 1 9
## 27578 18 5.11 5 12 1 9
## 2320 18 5.11 5 0 5 9
## 16907 18 9.96 1 12 5 4
## 17033 18 9.96 5 0 5 4
## 15361 34 9.96 5 0 1 9
## 18841 34 5.11 1 12 1 4
## 13211 34 5.11 5 0 1 4
## 17472 18 5.11 1 0 1 9
## 15933 18 9.96 1 0 5 4
## 11174 18 5.11 5 12 5 4
## 16546 34 5.11 1 0 5 4
## 17948 34 9.96 5 0 1 9
## 6893 18 5.11 5 12 5 4
## 11211 34 9.96 1 0 5 4
## 24197 18 5.11 1 12 1 4
## 7896 18 5.11 5 0 5 9
## 7796 34 5.11 5 0 5 4
## 15773 18 5.11 1 12 5 4
## 18120 18 9.96 5 12 5 9
## 16515 18 9.96 1 12 1 9
## 11566 18 5.11 1 0 5 9
## 3390 18 5.11 1 12 5 4
## 6414 18 5.11 5 12 1 9
## 24015 18 9.96 5 12 5 4
## 4547 34 5.11 1 12 1 4
## 3666 34 5.11 5 12 5 9
## 12411 18 5.11 1 0 1 4
## 19429 18 9.96 1 0 5 4
## 22349 18 5.11 1 12 5 4
## 13442 18 5.11 1 0 1 9
## 5422 34 5.11 5 12 5 9
## 20026 18 9.96 1 12 5 9
## 15942 34 5.11 5 0 1 4
## 10241 34 9.96 1 0 5 4
## 8483 18 9.96 1 0 1 4
## 5280 18 9.96 1 0 1 4
## 8989 18 5.11 5 12 5 9
## 13239 34 5.11 5 0 1 4
## 22391 34 9.96 5 12 1 9
## 17427 34 9.96 1 0 5 9
## 14522 34 9.96 5 12 5 4
## 26641 34 9.96 1 12 1 4
## 19282 34 9.96 5 12 5 9
## 17988 34 9.96 1 12 5 4
## 11925 18 9.96 1 12 1 4
## 3313 18 9.96 1 0 5 4
## 8043 18 5.11 1 0 1 4
## 25537 34 5.11 5 0 1 4
## 23722 18 9.96 5 0 1 9
## 23086 34 9.96 5 0 1 9
## 7673 18 9.96 5 0 1 9
## 1203 34 5.11 1 12 1 4
## 2421 34 9.96 1 12 1 9
## 15928 18 9.96 5 12 1 4
## 22442 18 9.96 1 0 5 4
## 3219 18 5.11 5 12 1 4
## 12817 18 9.96 5 0 1 4
## 14242 34 9.96 5 12 5 4
## 11962 34 5.11 5 12 5 9
## 19688 18 5.11 1 0 1 9
## 19833 18 9.96 1 0 5 4
## 3178 34 9.96 1 12 1 9
## 5809 34 9.96 5 0 1 9
## 15378 18 5.11 5 0 1 4
## 10486 34 9.96 5 12 1 4
## 4931 18 5.11 5 0 1 9
## 8024 34 5.11 1 0 5 9
## 23874 18 5.11 5 12 1 9
## 19523 34 5.11 1 0 1 9
## 22928 18 9.96 1 0 1 9
## 13973 34 9.96 1 12 1 4
## 20464 18 9.96 5 12 5 4
## 10154 18 5.11 1 0 5 9
## 23642 34 9.96 1 12 5 9
## 6446 34 5.11 5 12 5 9
## 14825 34 9.96 1 0 5 4
## 23331 18 9.96 5 0 1 4
## 25761 18 9.96 1 12 1 4
## 1089 34 9.96 5 0 5 4
## 25670 18 5.11 1 12 1 4
## 24061 18 5.11 5 12 1 4
## 21706 18 9.96 1 0 5 9
## 25261 34 5.11 5 0 5 9
## 21719 18 9.96 5 0 5 4
## 26794 34 9.96 5 12 5 9
## 19197 34 9.96 1 12 1 4
## 4702 34 5.11 5 0 5 9
## 2581 18 5.11 1 0 1 9
## 18852 18 9.96 5 0 5 9
## 9548 34 5.11 1 12 1 4
## 55 18 9.96 1 12 1 9
## 1280 34 9.96 1 12 5 9
## 19463 18 5.11 1 0 1 4
## 27370 18 5.11 1 12 1 9
## 24809 18 5.11 5 12 1 9
## 14488 18 5.11 5 0 5 9
## 11833 18 9.96 5 0 5 4
## 12143 34 5.11 1 0 5 9
## 13875 34 5.11 5 0 1 4
## 13350 34 5.11 5 0 5 4
## 17203 18 9.96 5 12 5 9
## 14834 18 9.96 5 0 1 9
## 6108 34 9.96 5 12 5 9
## 9659 34 9.96 1 12 5 4
## 3346 18 5.11 1 0 1 4
## 910 18 9.96 5 0 5 9
## 20198 34 9.96 1 0 5 9
## 19829 18 9.96 1 0 5 4
## 986 18 5.11 1 12 1 4
## 6246 18 9.96 5 0 1 9
## 20144 18 9.96 1 12 1 9
## 6955 18 9.96 1 12 5 9
## 25212 18 5.11 5 0 5 9
## 6941 34 9.96 5 0 5 9
## 7831 34 5.11 5 12 1 4
## 9211 18 9.96 1 0 1 9
## 19193 34 9.96 1 12 1 4
## 6471 18 5.11 1 12 1 4
## 27416 34 9.96 1 0 5 4
## 666 34 9.96 5 12 5 4
## 23953 18 5.11 1 12 1 9
## 6076 18 9.96 1 12 5 4
## 11934 34 5.11 1 0 5 9
## 15014 34 9.96 5 12 5 4
## 12450 18 9.96 1 12 1 9
## 9130 34 9.96 1 12 1 4
## 13946 18 9.96 5 12 1 9
## 11058 34 5.11 5 12 5 9
## 23137 18 9.96 1 12 5 9
## 15730 34 5.11 5 12 1 9
## 4568 34 9.96 5 12 5 4
## 23288 18 5.11 1 0 1 4
## 9718 18 9.96 1 0 5 9
## 26987 34 5.11 1 0 1 9
## 1962 34 9.96 5 0 1 4
## 24856 18 9.96 5 12 5 9
## 16264 34 9.96 1 0 1 4
## 27803 34 5.11 1 0 5 4
## 10978 34 5.11 5 0 5 9
## 17852 34 9.96 1 0 1 9
## 24756 34 5.11 5 12 5 9
## 17742 18 9.96 5 0 5 9
## 5881 18 9.96 5 0 1 4
## 7194 18 9.96 5 0 5 9
## 3180 18 5.11 5 0 5 4
## 9892 18 5.11 1 0 1 9
## 125 34 5.11 5 12 5 4
## 18769 18 9.96 1 12 1 9
## 27421 34 5.11 1 0 1 9
## 22138 18 5.11 1 0 5 4
## 11517 34 5.11 1 12 1 4
## 3386 18 5.11 1 12 1 9
## 8257 18 9.96 1 12 5 9
## 21390 18 5.11 1 12 5 9
## 333 18 5.11 1 0 1 9
## 22095 34 5.11 1 0 1 9
## 8116 34 5.11 5 12 5 9
## 5084 34 9.96 1 12 1 4
## 26429 18 5.11 1 0 1 4
## 9148 18 5.11 5 12 5 4
## 23380 18 5.11 1 0 5 9
## 14535 18 5.11 5 0 5 4
## 16245 18 5.11 1 0 5 4
## 25179 18 5.11 5 12 1 4
## 7189 18 9.96 5 0 1 9
## 18419 18 5.11 1 12 5 9
## 25604 34 5.11 5 0 5 9
## 26321 18 5.11 1 0 1 4
## 22951 34 9.96 5 0 5 4
## 8491 18 9.96 5 0 5 9
## 18978 18 9.96 5 12 1 9
## 2403 34 5.11 5 12 1 4
## 3171 18 5.11 5 12 1 4
## 20997 34 9.96 5 12 5 9
## 20271 18 9.96 1 12 1 9
## 14340 34 5.11 1 0 5 9
## 5858 18 5.11 1 0 1 4
## 19474 18 9.96 5 12 1 4
## 25510 18 9.96 1 12 5 9
## 19747 18 5.11 1 0 5 4
## 2422 18 9.96 5 0 5 4
## 22749 34 9.96 1 12 1 4
## 26264 18 5.11 1 0 5 9
## 20074 34 5.11 1 0 5 9
## 21047 18 5.11 1 12 5 9
## 6753 18 5.11 1 12 1 4
## 5320 34 9.96 5 12 5 9
## 15446 34 9.96 5 0 5 9
## 24057 18 5.11 5 12 1 9
## 22022 34 5.11 1 12 5 4
## 12982 34 9.96 5 0 5 9
## 17577 18 9.96 1 0 1 4
## 23167 18 5.11 5 0 5 9
## 26551 34 5.11 5 12 5 9
## 21837 34 9.96 1 12 1 4
## 999 18 5.11 5 12 1 4
## 9481 34 5.11 1 0 5 9
## 3798 34 9.96 5 0 5 9
## 9833 18 5.11 1 0 1 9
## 24482 34 5.11 1 12 1 4
## 1612 18 5.11 5 12 1 4
## 4905 18 9.96 5 12 1 9
## 21641 18 9.96 1 12 1 9
## 15355 18 5.11 1 12 1 9
## 3154 34 9.96 1 0 5 4
## 27609 34 9.96 5 12 1 4
## 905 18 9.96 1 0 1 4
## 7272 18 9.96 1 0 5 9
## 14586 34 5.11 1 0 5 9
## 7897 34 9.96 5 0 1 4
## 4220 34 9.96 1 12 5 9
## 490 18 5.11 5 12 5 4
## 16866 18 5.11 5 0 5 4
## 23522 34 9.96 5 12 1 9
## 18874 34 5.11 5 0 5 9
## 27795 34 5.11 1 0 1 4
## 8554 34 5.11 5 0 1 9
## 706 34 5.11 1 12 5 9
## 9492 34 9.96 1 0 5 9
## 614 18 5.11 1 12 1 4
## 1380 34 5.11 5 0 1 9
## 12500 18 9.96 5 12 5 9
## 12072 18 9.96 1 0 5 9
## 25424 18 9.96 1 12 5 4
## 13584 34 9.96 1 0 5 9
## 26217 34 5.11 1 12 1 4
## 6402 18 5.11 1 0 5 4
## 16912 34 9.96 1 12 5 9
## 788 34 5.11 1 0 5 9
## 10478 34 9.96 1 12 1 9
## 7233 34 9.96 5 12 1 9
## 19857 34 5.11 1 0 1 4
## 8562 34 9.96 5 0 1 4
## 25587 34 5.11 5 0 5 9
## 16294 18 9.96 5 0 5 9
## 22248 34 9.96 5 12 1 9
## 13544 18 5.11 1 12 5 4
## 4697 18 5.11 1 0 1 4
## 25570 18 9.96 1 12 5 9
## 19442 18 9.96 5 0 5 4
## 1456 34 5.11 5 12 1 9
## 5630 34 9.96 5 12 5 9
## 20256 18 5.11 5 12 1 4
## 23571 18 9.96 5 12 1 4
## 2944 18 5.11 1 0 1 9
## 5835 34 5.11 5 0 1 4
## 16463 18 5.11 1 12 1 9
## 9564 34 5.11 1 12 5 9
## 23939 34 9.96 1 0 5 4
## 11602 18 9.96 1 0 5 9
## 1682 34 9.96 5 12 1 4
## 25263 18 9.96 1 0 1 4
## 26315 18 9.96 5 12 1 4
## 4467 34 5.11 1 12 1 4
## 9855 34 9.96 1 0 1 4
## 3550 34 5.11 1 0 5 4
## 19076 18 9.96 1 0 5 9
## 20362 18 9.96 1 12 1 9
## 7317 34 9.96 1 0 1 4
## 20644 34 5.11 5 0 1 9
## 23752 18 5.11 1 0 5 9
## 22132 34 9.96 5 12 5 4
## 11248 34 9.96 5 12 5 9
## 22561 18 5.11 1 0 1 9
## 5872 34 9.96 1 0 5 9
## 19618 18 9.96 5 12 5 4
## 2024 18 5.11 5 12 5 4
## 22627 34 9.96 1 0 1 9
## 23664 18 9.96 1 12 1 4
## 11885 18 5.11 5 12 1 9
## 32 34 9.96 5 12 1 9
## 19724 34 9.96 5 12 5 4
## 3045 34 5.11 5 0 5 4
## 17156 18 9.96 5 0 5 4
## 13017 34 5.11 1 0 5 9
## 20720 18 9.96 5 12 5 9
## 22491 18 9.96 1 0 1 4
## 25363 18 5.11 5 0 1 9
## 17740 34 5.11 1 12 5 9
## 25812 34 5.11 1 0 1 4
## 8560 18 9.96 1 12 5 9
## 16257 18 5.11 1 12 1 4
## 372 18 9.96 1 0 5 9
## 23897 34 5.11 5 0 5 4
## 20305 34 5.11 1 0 1 9
## 23568 18 9.96 1 0 5 4
## 23782 34 9.96 5 12 5 4
## 2533 18 5.11 1 12 1 9
## 9986 18 5.11 5 0 5 4
## 5440 18 9.96 5 12 1 9
## 12831 34 5.11 5 12 1 4
## 8953 18 5.11 1 12 1 4
## 11663 18 9.96 1 12 1 4
## 5264 18 5.11 5 12 5 9
## 4318 18 9.96 1 12 1 9
## 20775 18 5.11 1 0 1 4
## 17020 18 5.11 5 12 1 4
## 4708 18 9.96 5 12 1 9
## 21066 34 5.11 5 12 5 4
## 25429 18 5.11 1 0 5 4
## 24385 34 5.11 1 0 5 9
## 2553 18 5.11 1 0 5 9
## 27037 34 5.11 5 0 1 4
## 13021 34 5.11 1 0 1 4
## 27071 34 9.96 5 0 1 4
## 16715 34 9.96 5 0 1 4
## 25639 34 9.96 5 0 1 4
## 16177 34 5.11 1 12 1 4
## 13452 34 9.96 1 12 5 4
## 18743 34 5.11 5 0 5 4
## 11009 18 5.11 1 0 1 9
## 9411 18 9.96 5 12 5 4
## 15302 34 5.11 5 12 1 4
## 2808 34 5.11 5 0 5 4
## 2780 34 9.96 5 0 1 4
## 13314 34 5.11 5 0 5 4
## 9928 18 5.11 1 0 5 9
## 24782 34 5.11 1 12 1 4
## 18402 18 5.11 5 12 5 4
## 1841 34 9.96 5 0 1 9
## 16192 34 9.96 1 0 5 9
## 24038 34 9.96 1 0 1 9
## 23204 34 5.11 1 0 5 9
## 1272 34 9.96 1 0 5 9
## 16967 18 9.96 1 12 1 4
## 10330 34 9.96 5 12 5 9
## 7359 18 5.11 5 12 1 4
## 14013 34 9.96 5 12 1 4
## 1714 34 9.96 5 12 5 4
## 27112 18 9.96 1 12 1 9
## 8464 18 9.96 5 0 1 9
## 20888 34 5.11 1 12 5 9
## 14209 18 5.11 5 12 1 4
## 11464 18 9.96 5 12 5 9
## 707 18 5.11 1 0 5 4
## 24863 18 9.96 5 12 1 9
## 26166 18 5.11 5 0 5 9
## 4086 34 9.96 5 0 5 9
## 5776 34 5.11 1 12 5 9
## 18466 18 9.96 5 12 5 9
## 13371 34 5.11 1 12 1 4
## 18118 34 9.96 1 0 1 9
## 14103 18 5.11 5 0 1 4
## 7125 34 9.96 1 0 1 4
## 10966 34 5.11 5 12 5 9
## 1604 34 5.11 5 12 1 4
## 10139 34 9.96 1 0 1 4
## 5675 18 9.96 5 0 1 4
## 25617 34 9.96 1 0 1 9
## 26272 18 5.11 5 12 5 9
## 24258 34 5.11 5 12 1 9
## 21396 18 5.11 5 12 5 9
## 26269 18 5.11 5 12 1 4
## 14656 18 9.96 1 0 5 9
## 19457 34 9.96 1 0 5 4
## 24096 18 9.96 1 12 5 9
## 13130 34 9.96 5 12 5 4
## 21996 18 5.11 5 12 5 4
## 18105 18 5.11 5 0 1 4
## 25122 18 9.96 1 12 5 4
## 19698 34 5.11 5 12 5 4
## 9639 34 9.96 1 12 1 4
## 18059 34 5.11 1 0 5 4
## 13302 34 5.11 5 0 5 4
## 14759 34 5.11 1 0 1 4
## 1309 34 9.96 1 12 1 4
## 27442 18 5.11 5 12 5 9
## 17138 18 5.11 5 12 5 4
## 4165 18 9.96 1 12 5 4
## 10454 34 9.96 5 12 5 9
## 11194 18 5.11 5 0 5 4
## 1198 18 9.96 1 12 5 4
## 812 34 5.11 5 12 5 4
## 10792 34 5.11 1 12 5 4
## 13472 18 9.96 5 12 1 9
## 24335 18 9.96 1 0 5 4
## 13668 18 9.96 1 12 5 9
## 7521 34 9.96 5 0 5 4
## 25225 34 5.11 1 12 1 4
## 6885 34 5.11 5 12 5 4
## 25203 34 5.11 5 0 5 4
## 5168 18 9.96 5 12 5 9
## 22413 18 5.11 5 0 5 4
## 27103 18 5.11 1 0 1 4
## 22382 34 9.96 1 0 5 4
## 18571 18 5.11 1 12 1 9
## 15808 18 9.96 5 12 1 9
## 20721 34 9.96 5 12 1 4
## 3642 18 5.11 5 12 5 9
## 9930 34 9.96 5 12 1 9
## 27825 18 9.96 1 12 1 9
## 12044 18 5.11 1 12 1 9
## 26932 18 5.11 5 0 1 9
## 8448 34 9.96 5 12 1 4
## 8137 34 9.96 1 12 5 9
## 132 34 9.96 5 12 5 4
## 27123 18 5.11 5 0 1 4
## 24408 34 9.96 1 12 5 9
## 14379 18 5.11 1 12 5 4
## 10267 34 5.11 1 0 5 9
## 9444 18 9.96 5 12 5 9
## 24577 18 5.11 1 12 1 4
## 14156 18 5.11 1 0 5 9
## 13577 18 9.96 1 0 5 9
## 9616 18 9.96 5 0 5 9
## 13084 18 5.11 1 0 1 4
## 2428 34 9.96 5 0 1 9
## 10317 34 5.11 1 12 1 4
## 13255 34 5.11 1 0 1 4
## 15734 34 5.11 5 12 5 9
## 22999 18 5.11 1 12 1 4
## 1548 34 9.96 5 0 5 9
## 22872 18 9.96 1 12 5 4
## 10004 18 5.11 5 12 5 9
## 12176 18 5.11 1 12 1 4
## 3105 18 9.96 1 0 1 4
## 15041 18 5.11 1 0 5 4
## 22265 34 9.96 1 0 5 9
## 18100 34 5.11 1 12 5 9
## 15589 18 5.11 1 12 5 4
## 5008 34 5.11 1 12 5 4
## 13071 34 9.96 1 12 5 4
## 9945 18 5.11 5 12 5 4
## 7976 18 5.11 5 0 5 9
## 9745 34 5.11 5 0 5 9
## 12054 34 5.11 5 12 5 4
## 3753 34 9.96 5 0 1 9
## 362 34 5.11 1 12 1 9
## 20025 34 5.11 1 12 1 4
## 24789 34 5.11 1 12 5 4
## 23220 18 5.11 1 12 1 4
## 16671 34 9.96 1 0 1 4
## 18157 18 9.96 1 0 5 9
## 12224 18 9.96 5 12 5 9
## 15778 34 5.11 1 0 5 9
## 11306 18 9.96 5 12 1 4
## 15998 34 5.11 5 0 5 9
## 26423 34 9.96 1 0 5 9
## 2691 18 5.11 5 12 5 4
## 109 18 5.11 1 12 1 4
## 9478 18 5.11 1 12 5 9
## 20673 18 5.11 5 0 5 4
## 2122 18 9.96 1 0 1 9
## 11447 34 9.96 1 0 1 9
## 23410 34 9.96 1 0 5 9
## 3737 34 9.96 1 0 1 9
## 6187 18 5.11 1 0 5 9
## 13844 18 5.11 1 12 1 9
## 21970 34 9.96 1 0 5 9
## 12762 18 5.11 5 0 5 9
## 16935 18 9.96 5 12 1 4
## 2435 18 9.96 5 12 1 4
## 25664 34 9.96 1 12 5 4
## 5949 18 9.96 5 12 5 9
## 5395 18 5.11 1 0 1 9
## 25058 34 9.96 5 0 5 9
## 822 18 9.96 1 12 5 9
## 4359 34 5.11 1 12 5 4
## 10460 18 5.11 1 0 5 4
## 15376 34 9.96 1 12 5 9
## 14341 34 9.96 1 0 1 4
## 12440 34 5.11 1 12 1 4
## 19128 18 5.11 1 12 1 9
## 15018 18 9.96 1 12 5 9
## 16500 18 5.11 5 0 1 4
## 21284 34 9.96 5 0 5 9
## 2239 34 5.11 1 12 5 9
## 1417 34 5.11 1 12 1 9
## 22597 18 5.11 5 12 1 9
## 20359 34 9.96 1 0 1 4
## 19125 34 9.96 1 12 5 9
## 18465 34 5.11 1 0 5 4
## 25502 18 9.96 1 12 5 4
## 7170 18 9.96 5 0 1 4
## 8705 34 9.96 5 12 1 4
## 21613 18 9.96 5 0 1 9
## 3487 34 5.11 1 12 1 4
## 3754 34 9.96 1 12 5 4
## 15360 34 5.11 5 12 1 9
## 20228 34 5.11 5 0 5 4
## 23076 18 5.11 1 12 5 4
## 19194 18 9.96 1 0 5 9
## 10914 18 9.96 1 0 5 9
## 14736 18 9.96 5 12 1 4
## 6204 34 5.11 5 0 1 4
## 3728 18 9.96 5 12 5 9
## 26069 34 9.96 5 12 5 9
## 9981 18 5.11 5 12 1 4
## 27159 18 5.11 5 12 5 4
## 12131 34 5.11 1 0 5 4
## 19412 34 9.96 5 12 5 9
## 19058 34 5.11 5 0 1 9
## 8619 34 5.11 1 0 1 4
## 9488 34 9.96 1 0 5 4
## 24326 34 5.11 5 0 1 9
## 22725 18 9.96 5 12 5 4
## 23308 18 5.11 1 12 5 9
## 6383 34 5.11 1 0 5 4
## 25180 18 5.11 5 0 5 4
## 3522 34 5.11 1 12 1 4
## 15269 18 5.11 5 0 1 9
## 8489 34 5.11 1 12 1 4
## 10191 18 9.96 5 12 1 4
## 10200 34 9.96 5 12 1 4
## 21833 34 9.96 1 12 1 4
## 27726 34 5.11 5 12 5 4
## 8906 18 9.96 5 12 1 9
## 4330 18 9.96 1 12 5 9
## 7279 34 5.11 1 12 1 4
## 6951 18 5.11 1 12 1 4
## 10641 18 9.96 5 0 1 9
## 11173 18 5.11 1 12 1 9
## 4771 18 9.96 5 12 5 4
## 17490 34 9.96 5 0 5 9
## 19662 18 9.96 1 0 1 9
## 701 34 5.11 1 0 5 4
## 19399 34 5.11 5 0 5 4
## 13357 18 9.96 1 0 5 4
## 4767 18 9.96 5 12 1 9
## 19746 34 5.11 5 12 5 4
## 1227 34 5.11 5 0 1 4
## 22506 34 9.96 1 12 1 9
## 7120 18 5.11 1 12 1 4
## 15033 18 5.11 1 0 1 4
## 10875 34 5.11 5 12 5 4
## 9082 18 9.96 5 12 5 9
## 9636 18 5.11 5 0 5 9
## 3463 34 9.96 5 12 5 4
## 1802 18 5.11 5 12 1 9
## 19988 34 5.11 5 12 5 4
## 22078 34 5.11 5 0 5 9
## 13201 18 9.96 1 0 1 4
## 3285 34 9.96 1 0 1 4
## 7403 34 5.11 1 12 1 9
## 8654 34 5.11 1 0 5 9
## 12931 34 9.96 1 12 1 9
## 15328 18 5.11 1 12 5 9
## 113 34 5.11 5 12 1 4
## 17765 18 9.96 1 0 1 9
## 22558 18 5.11 5 0 5 4
## 206 34 9.96 5 0 5 4
## 26414 18 5.11 5 0 5 9
## 21259 34 9.96 5 12 1 9
## 21321 34 5.11 5 12 1 9
## 10299 34 9.96 1 0 5 4
## 24027 34 9.96 5 12 5 4
## 18883 18 5.11 1 0 5 4
## 17814 34 5.11 1 0 5 9
## 20012 34 5.11 5 0 1 9
## 15792 18 9.96 5 12 5 9
## 27513 34 9.96 5 0 1 4
## 2633 34 9.96 1 12 1 9
## 3619 34 9.96 5 12 5 9
## 21896 34 5.11 1 0 1 4
## 11056 18 9.96 1 0 5 4
## 24700 34 9.96 1 12 5 4
## 25753 18 9.96 1 12 1 4
## 15645 18 5.11 1 0 5 4
## 25809 34 9.96 1 12 1 9
## 12439 18 5.11 5 12 1 9
## 3339 18 5.11 1 0 1 4
## 7774 18 9.96 1 12 5 4
## 16165 34 5.11 1 0 5 9
## 12255 18 5.11 1 0 1 9
## 19608 34 5.11 5 0 1 4
## 3185 34 9.96 1 0 1 9
## 18417 34 9.96 1 0 1 4
## 5210 34 5.11 5 12 5 9
## 5032 34 5.11 5 12 5 4
## 9876 18 5.11 5 0 5 4
## 3688 18 9.96 1 12 5 9
## 3669 34 5.11 1 12 1 4
## 15502 34 5.11 1 12 1 4
## 144 34 9.96 1 12 5 9
## 5723 34 9.96 1 12 5 9
## 20366 18 9.96 1 12 5 4
## 9306 18 9.96 1 12 1 4
## 10065 18 5.11 1 0 5 4
## 26926 34 5.11 5 0 5 9
## 18449 34 5.11 1 0 1 4
## 19949 18 9.96 5 0 5 4
## 3540 34 9.96 1 0 5 9
## 8974 18 5.11 1 0 1 9
## 16037 34 5.11 5 0 1 9
## 5856 34 9.96 5 12 5 9
## 14377 34 9.96 1 0 1 4
## 17535 18 5.11 1 12 1 4
## 16925 34 5.11 1 12 1 4
## 13589 18 9.96 1 0 5 4
## 18267 18 9.96 1 0 5 4
## 20222 18 9.96 5 12 5 9
## 7261 18 9.96 1 0 5 9
## 15516 34 9.96 5 12 1 4
## 1162 18 9.96 5 12 1 9
## 948 34 9.96 5 12 1 9
## 5218 34 5.11 5 12 1 9
## 20223 18 9.96 1 12 5 4
## 20612 34 9.96 1 0 5 9
## 19503 18 5.11 1 0 5 4
## 7874 18 9.96 1 12 1 9
## 18244 34 5.11 1 12 5 9
## 18060 34 5.11 1 0 5 4
## 22301 18 5.11 1 0 5 9
## 1202 18 5.11 5 12 5 4
## 17099 34 9.96 5 12 5 4
## 6631 18 9.96 5 0 5 4
## 6875 18 9.96 1 0 1 4
## 2078 34 9.96 5 12 5 9
## 12100 34 9.96 1 0 5 4
## 2058 18 9.96 5 12 5 4
## 19824 34 5.11 5 0 5 4
## 3906 34 9.96 1 12 5 4
## 7200 18 5.11 1 12 1 9
## 690 34 9.96 1 12 1 9
## 13574 34 9.96 5 12 1 9
## 24871 34 9.96 5 12 5 9
## 721 34 9.96 1 12 5 9
## 2536 34 9.96 5 12 1 9
## 4992 34 5.11 1 12 1 4
## 1447 18 9.96 5 0 1 4
## 3790 34 9.96 5 0 1 9
## 6859 18 9.96 5 0 5 9
## 17242 34 9.96 1 12 1 4
## 9176 18 5.11 1 0 5 9
## 10026 34 9.96 5 0 5 9
## 4563 34 5.11 1 0 5 4
## 3838 34 5.11 5 0 1 4
## 8495 34 9.96 5 12 1 9
## 15467 18 5.11 5 0 5 4
## 13450 18 5.11 5 12 5 9
## 3503 34 5.11 5 12 1 4
## 5490 18 5.11 5 12 5 4
## 17313 18 5.11 1 12 5 4
## 11799 34 5.11 1 0 1 9
## 27901 18 5.11 1 12 5 4
## 6806 34 5.11 5 12 1 9
## 8919 34 5.11 5 12 5 9
## 1694 34 9.96 5 12 5 4
## 16337 18 5.11 5 12 1 4
## 15929 18 9.96 1 0 5 4
## 1993 34 9.96 1 12 1 4
## 8935 34 5.11 1 0 1 9
## 15748 18 9.96 5 0 1 4
## 7751 18 9.96 5 12 1 4
## 7042 18 5.11 5 12 1 9
## 9882 34 9.96 1 12 1 9
## 15572 34 9.96 1 12 5 4
## 24300 18 5.11 1 12 1 4
## 22317 18 5.11 1 12 5 4
## 1275 34 5.11 5 12 5 4
## 2417 34 9.96 5 0 1 4
## 19424 18 9.96 5 12 5 9
## 1575 34 5.11 1 12 1 4
## 16162 34 5.11 5 12 5 9
## 19149 18 9.96 1 0 1 9
## 13048 18 5.11 1 0 5 4
## 16164 18 9.96 1 0 5 4
## 894 18 9.96 5 12 5 4
## 25704 34 5.11 1 12 5 9
## 16856 18 9.96 1 12 5 9
## 9796 18 5.11 1 12 5 9
## 14171 34 5.11 1 0 1 9
## 1488 34 5.11 1 12 5 9
## 1091 18 5.11 1 12 1 4
## 19349 18 9.96 1 0 1 4
## 14711 18 9.96 1 0 1 4
## 3486 34 9.96 1 12 5 9
## 18733 18 9.96 5 0 1 4
## 19131 18 5.11 1 0 1 4
## 15970 34 5.11 5 12 5 9
## 27494 34 9.96 5 12 5 9
## 21508 18 5.11 5 0 5 9
## 7512 18 5.11 5 12 5 9
## 8852 34 5.11 5 0 5 4
## 7083 34 9.96 1 12 1 4
## 3118 34 9.96 5 12 5 9
## 10340 18 5.11 5 0 5 9
## 12210 18 9.96 5 12 5 4
## 16194 18 5.11 5 12 5 4
## 24999 34 9.96 5 0 1 4
## 11227 34 9.96 5 12 5 4
## 12501 18 9.96 1 12 5 4
## 3863 18 9.96 5 0 1 9
## 364 18 9.96 5 0 5 4
## 25728 18 5.11 1 12 5 4
## 25345 34 5.11 5 0 1 9
## 13122 34 9.96 1 12 5 9
## 7663 34 5.11 1 12 5 4
## 23024 34 5.11 5 0 5 9
## 27748 18 9.96 1 0 5 4
## 4049 18 5.11 5 12 1 9
## 9507 18 5.11 5 0 1 9
## 17282 18 5.11 5 12 5 9
## 2411 18 5.11 1 12 5 9
## 161 34 9.96 1 12 5 9
## 16778 34 9.96 1 0 5 4
## 21406 34 5.11 5 0 5 9
## 58 18 5.11 5 0 5 4
## 27571 34 9.96 5 0 1 4
## 12641 34 5.11 5 12 1 4
## 6034 34 5.11 1 12 5 9
## 24309 18 5.11 1 12 5 4
## 25687 18 9.96 1 12 1 4
## 5930 18 9.96 5 12 1 9
## 2144 18 5.11 5 12 1 4
## 3329 18 9.96 1 12 5 4
## 16608 34 9.96 1 12 5 9
## 12349 34 9.96 1 0 1 4
## 8385 18 9.96 1 12 5 4
## 24497 34 5.11 1 0 1 4
## 9811 18 9.96 1 12 5 4
## 27294 18 5.11 5 0 5 9
## 12380 18 5.11 5 0 5 9
## 4510 34 9.96 1 0 5 9
## 18135 34 9.96 1 12 1 4
## 3018 34 5.11 5 12 1 4
## 20807 18 5.11 1 12 1 4
## 21240 18 9.96 5 12 5 9
## 279 34 5.11 1 0 1 9
## 3414 18 5.11 1 12 5 9
## 4782 18 9.96 1 0 5 9
## 20921 34 9.96 5 12 5 9
## 15295 34 5.11 1 12 5 9
## 6397 34 9.96 5 12 1 9
## 22430 18 9.96 5 0 1 4
## 20324 34 5.11 1 0 5 4
## 19500 18 9.96 5 0 5 4
## 16012 34 9.96 1 0 5 4
## 18246 34 9.96 5 0 1 4
## 25412 18 9.96 5 12 5 9
## 13893 18 9.96 1 12 5 4
## 2960 34 5.11 1 0 1 4
## 2991 18 9.96 5 0 1 4
## 11389 18 5.11 5 0 1 9
## 18106 18 9.96 5 0 5 9
## 23561 18 5.11 1 12 1 4
## 8897 18 9.96 5 12 1 4
## 20786 34 9.96 5 0 1 9
## 17450 18 9.96 5 12 1 9
## 2961 18 5.11 1 12 1 4
## 11988 18 9.96 1 0 5 4
## 26291 18 9.96 1 12 5 4
## 15179 34 9.96 5 0 1 9
## 15691 18 9.96 1 12 1 4
## 532 18 9.96 5 12 5 9
## 16295 34 9.96 1 0 1 4
## 14230 34 9.96 5 12 5 9
## 9944 18 9.96 5 0 5 4
## 15766 34 5.11 5 0 5 4
## 5689 18 5.11 5 0 5 4
## 19443 34 5.11 1 12 1 9
## 25729 18 9.96 1 0 5 4
## 18393 18 9.96 5 12 5 4
## 17816 18 9.96 5 12 1 9
## 25246 18 5.11 5 12 5 9
## 22669 18 9.96 1 0 5 4
## 7471 18 5.11 1 0 5 9
## 20578 18 5.11 5 12 5 4
## 9277 34 9.96 5 12 5 4
## 15110 34 5.11 5 12 1 9
## 10713 18 9.96 1 12 1 4
## 16858 34 5.11 5 0 1 4
## 26962 18 9.96 5 12 5 4
## 25446 34 5.11 5 0 5 4
## 12339 34 5.11 1 12 1 4
## 18018 18 9.96 5 12 5 4
## 20175 18 5.11 5 0 1 4
## 9278 34 9.96 1 12 5 9
## 25436 18 9.96 1 12 5 4
## 14848 34 5.11 5 12 1 9
## 16133 34 5.11 5 12 5 4
## 18663 18 5.11 5 12 5 9
## 24454 18 5.11 5 12 5 9
## 16734 18 9.96 5 0 5 4
## 7828 34 5.11 5 0 5 9
## 16974 34 9.96 5 12 5 4
## 21826 34 5.11 5 12 1 9
## 5030 18 9.96 1 0 1 9
## 25973 18 9.96 5 0 1 9
## 15211 34 9.96 1 0 1 4
## 21483 34 9.96 1 12 1 4
## 15083 34 9.96 1 12 1 9
## 5821 34 9.96 5 0 1 4
## 8861 34 9.96 5 0 1 4
## 23367 18 9.96 1 0 1 9
## 12055 18 5.11 1 12 1 9
## 359 34 9.96 5 12 1 4
## 23303 34 9.96 1 12 1 4
## 21267 34 9.96 5 12 1 4
## 15199 34 9.96 1 0 1 4
## 17706 34 9.96 1 0 5 9
## 21168 34 5.11 5 0 1 4
## 25259 18 9.96 1 12 1 4
## 6294 34 5.11 5 12 5 4
## 1884 34 5.11 1 12 5 9
## 11965 34 9.96 1 0 5 9
## 513 34 9.96 1 0 5 4
## 3564 18 9.96 5 12 1 9
## 22364 18 9.96 1 0 1 4
## 20481 18 9.96 1 12 5 4
## 2356 18 9.96 5 12 5 9
## 20709 34 9.96 5 12 1 4
## 25489 18 5.11 1 0 5 4
## 23553 18 5.11 1 0 1 4
## 25944 34 5.11 1 12 5 9
## 578 18 5.11 5 0 5 9
## 6009 18 9.96 5 0 5 4
## 2463 34 9.96 1 12 5 9
## 8761 34 9.96 5 12 1 4
## 17322 34 5.11 5 0 5 9
## 66 18 5.11 5 0 5 9
## 13338 34 5.11 1 12 5 9
## 3796 18 5.11 1 12 1 4
## 12407 18 5.11 1 0 1 4
## 19582 18 5.11 1 12 5 9
## 1236 18 9.96 1 0 5 4
## 2413 34 9.96 5 0 1 4
## 5101 18 5.11 5 0 1 4
## 19008 34 5.11 5 12 1 4
## 26336 18 9.96 5 0 5 4
## 17599 18 5.11 5 0 5 4
## 20013 18 5.11 1 12 1 4
## 10828 34 5.11 5 12 1 9
## 25601 18 9.96 1 0 1 4
## 21350 18 5.11 1 12 1 9
## 18413 34 9.96 5 0 1 4
## 5340 34 5.11 1 0 1 9
## 4638 34 5.11 5 12 1 9
## 5918 34 9.96 5 0 5 9
## 13911 34 9.96 1 0 5 9
## 18211 34 5.11 1 12 1 9
## 23030 18 9.96 1 12 5 4
## 8174 34 9.96 1 0 5 9
## 9422 34 9.96 5 0 1 4
## 22193 18 5.11 1 0 1 4
## 873 18 9.96 1 0 5 4
## 19231 34 5.11 1 0 5 9
## 5660 18 5.11 5 0 5 9
## 21200 18 5.11 5 0 5 9
## 20149 18 5.11 5 12 1 4
## 18454 18 9.96 1 0 5 9
## 567 18 5.11 1 12 5 4
## 24040 18 5.11 5 12 5 9
## 13984 18 5.11 5 12 5 9
## 23748 18 5.11 1 12 5 9
## 13173 18 9.96 1 12 1 9
## 15564 34 5.11 1 12 5 9
## 9667 34 9.96 1 0 5 9
## 22542 18 9.96 5 12 5 4
## 26250 34 9.96 1 12 5 4
## 26061 34 9.96 1 0 5 9
## 17517 34 9.96 1 0 1 9
## 4574 18 5.11 5 0 5 9
## 4622 34 5.11 1 0 1 9
## 274 18 9.96 1 12 5 9
## 18410 18 5.11 5 12 5 9
## 18356 34 5.11 5 12 5 9
## 20856 34 5.11 5 12 5 9
## 27338 18 5.11 1 0 5 4
## 17182 18 5.11 5 0 5 9
## 20816 18 5.11 5 0 5 9
## 26881 18 5.11 5 0 1 9
## 8620 18 9.96 5 12 5 9
## 1653 34 9.96 1 12 1 4
## 23704 18 5.11 1 0 5 4
## 23861 34 5.11 1 0 1 9
## 3355 18 5.11 5 0 5 4
## 13194 34 9.96 1 0 5 9
## 10714 34 5.11 1 0 1 9
## 10740 18 9.96 5 12 1 4
## 18045 18 9.96 5 12 1 4
## 6914 34 5.11 1 0 5 9
## 16710 18 5.11 1 0 5 9
## 3036 18 9.96 5 0 1 4
## 23987 18 9.96 5 0 1 9
## 26039 18 5.11 5 12 1 9
## 16557 18 5.11 1 0 1 4
## 15983 18 9.96 1 0 1 9
## 13330 34 5.11 5 12 1 9
## 7499 18 5.11 1 12 1 4
## 8832 18 5.11 1 12 5 4
## 16952 34 9.96 5 0 5 4
## 1970 34 9.96 5 0 1 9
## 17058 18 5.11 5 0 1 4
## 14546 34 5.11 5 12 5 4
## 17726 34 9.96 5 12 1 9
## 25732 18 5.11 5 12 5 4
## 22296 18 9.96 1 0 1 9
## 16841 18 9.96 1 12 1 4
## 26555 34 5.11 5 12 5 4
## 17728 34 5.11 1 0 5 9
## 21234 34 5.11 5 0 5 4
## 11709 18 5.11 5 0 1 4
## 9821 18 5.11 5 0 1 4
## 7514 34 9.96 1 0 5 4
## 20402 18 5.11 5 0 5 4
## 4241 18 9.96 1 0 1 4
## 15202 18 5.11 5 12 5 4
## 25321 34 9.96 1 0 5 4
## 14182 18 5.11 5 0 1 4
## 6240 34 5.11 5 12 5 4
## 2830 18 9.96 5 0 1 4
## 9089 18 5.11 5 12 1 9
## 19706 34 5.11 1 0 1 4
## 2745 18 5.11 1 12 5 9
## 445 34 9.96 1 0 5 4
## 19220 34 9.96 5 12 5 9
## 24721 18 9.96 1 0 5 9
## 5935 34 5.11 1 0 5 4
## 12286 34 9.96 5 12 5 9
## 20139 34 9.96 1 0 1 9
## 27744 18 9.96 5 0 5 4
## 17849 34 5.11 1 0 5 4
## 19831 34 5.11 1 12 1 4
## 6876 18 9.96 5 0 5 9
## 11706 34 5.11 5 12 5 9
## 278 18 9.96 1 12 5 9
## 17790 34 5.11 5 12 1 4
## 4793 34 5.11 1 0 5 4
## 11172 34 9.96 1 0 5 9
## 5859 34 5.11 1 0 5 9
## 9542 18 9.96 5 0 5 9
## 8866 34 9.96 5 12 5 4
## 7334 34 5.11 5 12 1 4
## 4527 18 5.11 1 12 1 9
## 1102 34 9.96 5 12 1 9
## 12424 34 5.11 1 12 5 9
## 7607 18 9.96 1 12 5 9
## 23112 18 5.11 1 0 5 9
## 17542 34 9.96 5 0 1 9
## 19636 18 9.96 5 0 1 4
## 2550 18 9.96 5 12 5 9
## 24033 18 5.11 1 0 1 4
## 5131 18 9.96 1 12 5 4
## 21881 18 9.96 5 0 5 4
## 10388 18 9.96 5 0 1 4
## 664 18 5.11 5 0 5 9
## 2391 18 5.11 1 12 5 4
## 9338 34 9.96 5 12 5 9
## 11268 34 5.11 1 12 5 9
## 21233 18 5.11 1 0 1 9
## 23172 18 5.11 5 12 1 4
## 23360 18 5.11 5 12 1 4
## 23844 18 9.96 1 12 5 4
## 21986 34 9.96 1 0 5 9
## 10578 34 5.11 5 12 5 4
## 8189 18 9.96 5 12 1 9
## 12020 18 5.11 5 0 5 9
## 2571 34 9.96 1 12 5 4
## 12857 18 9.96 1 0 5 4
## 6817 34 5.11 5 0 1 4
## 21645 18 9.96 1 12 1 9
## 6657 34 9.96 1 0 5 4
## 12479 18 5.11 5 12 5 4
## 13428 34 9.96 1 12 1 9
## 9466 34 5.11 5 0 5 4
## 13603 34 5.11 5 12 5 4
## 17428 34 5.11 1 12 1 9
## 15696 18 9.96 1 0 5 9
## 19425 18 9.96 1 0 5 4
## 11138 18 5.11 5 12 5 9
## 10820 18 9.96 5 12 1 4
## 1462 34 9.96 1 12 1 9
## 1477 18 5.11 1 0 1 9
## 12371 34 5.11 1 12 1 4
## 18880 18 9.96 1 12 5 9
## 12607 18 9.96 1 12 1 9
## 9250 34 9.96 1 0 1 9
## 17384 34 9.96 1 0 1 9
## 27767 18 5.11 1 0 1 4
## 21439 34 9.96 1 0 5 9
## 25939 34 5.11 1 12 1 4
## 1399 34 9.96 5 0 1 4
## 4101 18 9.96 5 12 5 4
## 25437 18 5.11 1 12 1 4
## 6660 18 9.96 5 0 5 9
## 17248 18 5.11 5 12 5 9
## 9615 34 9.96 1 12 1 4
## 10883 34 9.96 5 12 1 4
## 3567 18 9.96 1 12 1 9
## 20199 18 9.96 1 0 1 4
## 15951 18 5.11 1 12 5 9
## 22745 18 9.96 5 12 1 4
## 244 18 5.11 1 0 5 9
## 2594 18 9.96 1 0 5 9
## 3731 18 9.96 1 12 1 4
## 25762 34 9.96 5 0 1 9
## 11946 34 5.11 1 0 1 9
## 10882 18 5.11 5 12 1 4
## 1574 34 5.11 1 0 5 4
## 26822 34 9.96 5 12 1 9
## 25217 18 9.96 5 12 1 9
## 27182 18 9.96 5 0 5 4
## 127 18 9.96 1 0 1 9
## 716 18 9.96 5 12 1 4
## 7552 34 5.11 1 12 5 4
## 16786 34 9.96 1 12 1 9
## 25769 34 9.96 5 0 1 9
## 18311 18 5.11 5 0 1 4
## 9997 18 9.96 1 0 1 4
## 13899 34 9.96 1 0 1 4
## 5112 34 9.96 5 12 1 4
## 14037 34 9.96 1 0 1 4
## 13294 34 5.11 1 12 5 4
## 20746 18 5.11 5 0 1 9
## 21648 34 9.96 5 0 5 9
## 17645 34 5.11 1 0 1 4
## 4789 34 5.11 1 0 5 4
## 10625 18 9.96 1 0 1 4
## 20537 34 9.96 1 12 1 4
## 25441 18 5.11 1 0 1 4
## 16478 34 5.11 1 0 5 9
## 13392 34 5.11 5 0 1 9
## 27450 18 9.96 5 12 5 9
## 19793 18 9.96 5 0 1 9
## 17473 18 9.96 1 0 1 4
## 7908 18 5.11 5 0 5 4
## 22588 34 9.96 1 12 1 4
## 21052 18 9.96 5 12 5 9
## 23193 34 5.11 1 0 5 4
## 954 18 5.11 5 12 5 4
## 2486 18 9.96 1 0 5 9
## 26746 18 9.96 5 0 5 9
## 26846 34 9.96 1 0 1 9
## 4901 18 9.96 5 12 5 4
## 26382 34 5.11 1 0 5 4
## 1651 18 5.11 5 0 5 9
## 21238 34 5.11 1 0 5 4
## 750 18 5.11 5 0 5 9
## 17479 34 5.11 5 12 5 4
## 2750 18 5.11 1 12 1 9
## 27555 34 9.96 5 12 5 9
## 18796 34 9.96 1 0 5 9
## 15920 18 9.96 5 0 1 4
## 25741 34 9.96 5 0 5 4
## 19347 34 5.11 5 12 5 9
## 12897 18 5.11 1 0 5 4
## 17117 18 5.11 1 12 1 4
## 17940 18 9.96 1 12 1 9
## 342 34 5.11 1 0 5 9
## 6411 18 5.11 1 12 1 9
## 22449 18 5.11 5 12 1 4
## 24041 18 5.11 1 12 1 9
## 25043 34 9.96 5 12 5 4
## 18968 34 5.11 1 12 5 9
## 1470 34 9.96 1 12 5 9
## 1860 34 5.11 5 0 1 9
## 3249 34 9.96 1 0 5 9
## 9077 34 5.11 1 12 5 4
## 309 34 5.11 5 12 1 4
## 12152 18 9.96 1 0 5 4
## 8799 18 5.11 5 12 5 4
## 26400 34 9.96 5 12 1 9
## 11640 34 9.96 1 12 5 9
## 25221 18 9.96 5 12 1 4
## 20135 34 9.96 1 0 1 4
## 10047 34 5.11 1 12 1 4
## 17718 34 9.96 1 12 1 4
## 16533 18 5.11 1 12 5 9
## 27470 18 9.96 1 12 5 9
## 4436 34 9.96 5 12 5 4
## 14255 34 9.96 1 12 1 4
## 21040 34 9.96 5 0 5 9
## 10250 34 5.11 5 0 5 9
## 8463 34 9.96 1 0 5 9
## 27078 34 5.11 5 12 5 4
## 7219 34 5.11 1 0 5 4
## 8565 34 5.11 5 12 1 4
## 10622 34 5.11 5 0 1 9
## 16943 18 9.96 1 12 1 9
## 19061 34 5.11 1 0 1 9
## 14651 18 9.96 1 0 1 4
## 22281 34 9.96 1 0 1 9
## 7648 18 5.11 5 12 1 9
## 22581 18 5.11 1 0 5 9
## 10239 18 5.11 5 12 1 4
## 609 34 9.96 5 12 1 4
## 7073 18 5.11 1 0 1 4
## 26889 18 5.11 5 0 1 4
## 26365 18 5.11 1 0 1 4
## 19313 34 9.96 1 0 5 4
## 4434 18 5.11 1 0 1 9
## 16280 34 9.96 1 12 5 4
## 8800 18 5.11 5 0 5 4
## 12915 34 9.96 1 12 1 9
## 1974 34 9.96 5 0 5 9
## 22240 34 9.96 1 12 5 4
## 5224 18 9.96 5 12 5 9
## 16400 34 9.96 1 12 5 9
## 17438 18 9.96 5 12 5 9
## 1924 34 5.11 1 0 5 9
## 2954 18 9.96 5 12 5 4
## 23698 34 9.96 5 12 1 9
## 26102 18 5.11 1 0 5 9
## 6384 34 9.96 5 12 1 4
## 11701 18 5.11 1 0 5 9
## 19815 34 5.11 5 12 1 4
## 11225 18 5.11 1 0 1 4
## 16614 18 5.11 5 0 1 9
## 6163 18 5.11 1 0 1 9
## 20963 18 5.11 1 0 5 4
## 9600 34 5.11 5 0 5 9
## 23464 18 5.11 5 12 1 4
## 9967 18 9.96 5 0 1 9
## 652 18 9.96 1 12 1 9
## 10195 18 9.96 1 12 1 4
## 15820 18 5.11 5 12 5 4
## 11052 18 5.11 5 0 5 4
## 26527 18 9.96 1 12 1 9
## 13548 18 5.11 1 0 1 4
## 4459 34 5.11 1 12 1 4
## 5230 34 5.11 5 12 5 9
## 8652 34 9.96 5 12 5 4
## 24159 34 5.11 1 12 5 4
## 15762 34 5.11 5 0 5 4
## 20219 18 9.96 1 12 1 4
## 11702 34 5.11 1 12 5 4
## 9073 34 5.11 1 12 1 4
## 2793 18 5.11 1 0 5 9
## 11235 34 9.96 5 12 1 9
## 14080 34 5.11 5 0 1 9
## 19025 18 5.11 5 0 5 4
## 17371 18 9.96 5 0 5 4
## 651 18 5.11 5 0 1 9
## 24434 34 5.11 5 12 1 9
## 17000 18 5.11 5 0 1 4
## 21975 34 5.11 1 0 1 4
## 8776 34 9.96 1 12 1 9
## 7865 18 9.96 1 12 5 9
## 25137 34 5.11 1 12 5 9
## 9196 18 9.96 5 0 5 4
## 786 18 9.96 5 12 5 9
## 8614 34 5.11 1 0 1 4
## 19092 18 5.11 5 12 5 9
## 25928 18 5.11 5 0 1 9
## 11104 34 5.11 1 12 1 4
## 22918 34 5.11 1 12 5 4
## 22723 18 5.11 1 0 1 4
## 1026 34 9.96 1 12 1 9
## 27728 18 9.96 1 12 5 9
## 3948 34 5.11 1 12 1 9
## 15867 18 5.11 5 0 1 4
## 10036 34 5.11 1 0 5 4
## 22553 34 5.11 1 0 1 9
## 25477 18 5.11 1 0 5 9
## 13405 18 9.96 5 0 5 4
## 12929 18 5.11 5 0 5 4
## 26305 34 5.11 1 0 1 4
## 19048 18 9.96 5 0 1 4
## 20030 18 9.96 5 12 5 4
## 11832 34 9.96 1 12 5 9
## 21852 18 9.96 1 12 5 9
## 15861 34 9.96 1 12 1 9
## 7882 18 9.96 5 12 5 4
## 15285 18 9.96 5 0 1 4
## 12293 34 9.96 5 12 1 9
## 21769 18 5.11 1 0 1 9
## 12974 34 9.96 1 0 5 4
## 1629 18 9.96 5 12 1 4
## 12000 18 9.96 1 12 5 4
## 21239 18 9.96 5 12 1 9
## 24504 18 9.96 5 0 5 9
## 15996 18 9.96 1 12 1 4
## 19387 34 5.11 1 0 1 9
## 94 34 5.11 1 0 1 9
## 1354 34 9.96 5 12 5 9
## 13417 18 9.96 5 0 5 9
## 19274 34 9.96 5 0 1 4
## 2366 34 9.96 1 0 5 9
## 5849 18 9.96 1 12 1 9
## 26379 18 9.96 5 0 1 4
## 17754 18 5.11 5 0 5 4
## 17351 18 9.96 1 0 1 9
## 16785 18 5.11 5 12 1 4
## 25107 18 9.96 5 0 1 4
## 20093 34 5.11 1 12 5 4
## 8151 18 9.96 1 0 5 9
## 10790 18 9.96 5 0 1 9
## 8867 18 5.11 1 12 1 4
## 5376 18 9.96 5 12 1 9
## 4996 34 5.11 1 12 1 9
## 12455 18 5.11 5 0 5 9
## 19172 18 5.11 5 12 5 9
## 10135 34 9.96 1 12 1 9
## 12461 34 9.96 1 12 1 4
## 22655 34 5.11 1 12 5 4
## 9441 18 5.11 1 0 5 4
## 8146 34 9.96 1 0 1 9
## 18600 18 5.11 5 0 5 9
## 9765 18 5.11 5 0 1 9
## 4993 34 9.96 5 12 1 9
## 20189 18 5.11 5 12 1 4
## 6366 34 9.96 5 12 5 9
## 14843 18 5.11 1 12 1 4
## 24134 34 9.96 5 12 5 4
## 8624 18 9.96 5 12 5 9
## 8534 34 5.11 5 12 5 9
## 20589 18 9.96 1 12 1 4
## 9255 18 5.11 1 0 1 4
## 19037 18 5.11 1 0 5 4
## 22337 18 5.11 1 0 5 4
## 12647 18 9.96 1 0 1 4
## 16567 34 9.96 1 0 1 9
## 5436 18 9.96 5 0 1 4
## 17633 34 9.96 5 0 1 4
## 18146 18 9.96 5 0 5 9
## 24550 34 9.96 1 12 5 9
## 8816 18 5.11 1 12 5 9
## 22979 18 9.96 1 12 1 9
## 923 34 5.11 1 12 1 4
## 18941 18 9.96 1 0 5 4
## 16401 18 9.96 1 12 1 9
## 15763 18 9.96 1 0 1 4
## 2324 18 9.96 1 0 5 4
## 7220 34 5.11 5 0 5 4
## 23581 34 5.11 5 0 5 4
## 1668 18 5.11 5 0 5 9
## 19900 18 9.96 1 12 1 9
## 8149 34 9.96 5 12 1 4
## 7506 18 9.96 1 0 5 9
## 17783 34 5.11 5 0 1 9
## 3693 18 5.11 5 12 5 4
## 15254 34 5.11 1 0 5 9
## 3108 34 5.11 1 12 1 9
## 10471 18 9.96 1 12 1 4
## 6648 18 5.11 5 0 5 4
## 5992 18 9.96 5 0 5 9
## 25097 18 5.11 5 12 1 9
## 25331 18 5.11 1 0 1 4
## 6743 34 9.96 1 0 5 9
## 8546 34 5.11 1 0 5 4
## 14784 18 5.11 1 12 5 4
## 21969 18 9.96 1 12 1 9
## 7051 18 9.96 5 12 5 9
## 12871 34 9.96 1 12 1 9
## 18460 34 5.11 5 0 5 4
## 25402 34 5.11 1 0 5 9
## 23587 18 9.96 1 12 1 4
## 23424 34 5.11 1 0 1 9
## 17570 18 9.96 5 12 1 9
## 6837 34 5.11 1 0 1 9
## 25534 18 5.11 1 0 5 9
## 16182 18 5.11 5 12 5 9
## 13581 18 9.96 5 0 5 4
## 17036 34 5.11 5 0 5 4
## 26693 18 5.11 1 0 1 9
## 2172 34 5.11 1 0 1 4
## 8744 34 9.96 1 0 5 9
## 2472 18 5.11 5 12 5 9
## 21092 34 5.11 1 12 5 9
## 10585 34 9.96 5 0 1 4
## 24661 18 9.96 5 0 5 9
## 14000 18 5.11 1 0 1 9
## 20339 34 9.96 5 0 5 9
## 13613 18 9.96 1 12 5 4
## 3734 34 9.96 1 12 1 9
## 15813 34 9.96 5 12 5 4
## 1599 34 5.11 1 12 1 4
## 16702 18 5.11 1 0 5 4
## 234 34 9.96 1 12 1 9
## 7166 18 9.96 1 12 1 4
## 26890 34 5.11 1 12 1 4
## 795 18 5.11 1 12 1 9
## 4982 18 9.96 5 12 5 9
## 26572 18 5.11 5 12 5 9
## 6234 18 9.96 1 0 1 9
## 17018 34 9.96 1 0 5 9
## 1996 18 5.11 1 0 5 9
## 4915 18 5.11 1 0 5 9
## 8739 18 5.11 5 0 1 9
## 16599 18 9.96 1 0 5 4
## 14397 34 9.96 5 0 1 9
## 22823 18 9.96 5 12 1 4
## 4543 18 5.11 5 12 1 4
## 1989 34 9.96 5 0 1 4
## 1297 18 9.96 1 12 5 4
## 21985 18 9.96 5 0 5 4
## 16804 34 9.96 5 0 5 4
## 1489 18 9.96 1 0 1 4
## 17554 18 9.96 1 12 5 4
## 18412 34 9.96 1 0 1 4
## 12669 18 5.11 5 0 1 4
## 3348 34 9.96 5 12 5 9
## 10441 18 9.96 1 0 1 4
## 17215 18 9.96 1 12 1 9
## 20994 18 9.96 1 12 1 4
## 2138 34 9.96 5 0 5 9
## 9285 34 9.96 1 12 1 4
## 19606 18 5.11 5 12 5 9
## 15264 18 5.11 1 12 5 4
## 27646 34 5.11 1 12 5 9
## 11374 34 9.96 5 12 5 9
## 13934 18 9.96 5 12 5 9
## 10838 18 9.96 5 12 5 4
## 1512 18 5.11 1 0 5 4
## 15316 34 9.96 5 12 1 4
## 10459 18 9.96 5 12 5 4
## 2057 34 9.96 5 0 5 4
## 26212 34 9.96 1 12 5 4
## 23641 18 9.96 1 12 5 9
## 11700 34 9.96 5 0 5 9
## 16292 34 5.11 1 12 1 4
## 5202 34 5.11 5 12 5 4
## 6499 34 5.11 5 0 5 9
## 10836 34 5.11 1 0 5 9
## 7883 18 5.11 1 0 1 4
## 13032 18 5.11 5 0 5 9
## 21019 18 5.11 1 0 1 4
## 2850 18 9.96 5 0 1 9
## 12691 18 9.96 1 0 1 9
## 14423 34 5.11 1 0 5 4
## 24152 34 5.11 5 12 1 4
## 1693 34 9.96 5 0 1 4
## 604 34 9.96 1 12 5 9
## 19767 18 5.11 1 0 1 9
## 7850 18 9.96 1 0 1 9
## 4276 34 5.11 5 0 5 9
## 22610 34 5.11 5 0 1 9
## 6063 18 5.11 1 12 1 4
## 19554 18 5.11 5 12 5 4
## 10339 34 9.96 1 0 1 9
## 23781 34 9.96 5 0 1 4
## 5382 34 5.11 1 12 5 9
## 15195 34 9.96 5 0 1 4
## 13925 18 5.11 1 0 5 9
## 19968 18 5.11 1 0 5 9
## 15634 18 5.11 5 0 5 4
## 10101 18 5.11 1 12 5 4
## 24712 18 9.96 1 12 5 9
## 1411 34 9.96 1 0 5 9
## 16580 34 9.96 5 0 5 9
## 2143 34 5.11 1 12 1 4
## 11025 18 5.11 5 12 1 9
## 19136 18 5.11 5 12 1 9
## 6550 34 9.96 1 12 5 9
## 26723 34 9.96 5 12 5 9
## 22611 34 9.96 1 0 1 4
## 22400 18 5.11 5 0 5 4
## 11377 34 9.96 1 12 5 4
## 14720 18 9.96 1 0 5 9
## 5585 18 5.11 1 12 5 4
## 17531 18 5.11 5 12 1 9
## 20063 34 9.96 5 0 1 4
## 19562 18 5.11 5 12 1 9
## 108 34 9.96 5 0 5 9
## 12441 34 9.96 1 0 5 4
## 15950 34 5.11 1 0 5 9
## 25834 18 9.96 1 0 5 4
## 370 34 5.11 5 12 1 9
## 1815 18 5.11 1 0 1 4
## 24210 34 5.11 5 12 1 9
## 11210 34 5.11 1 0 5 4
## 18378 18 9.96 5 0 5 9
## 27319 18 5.11 1 12 5 4
## 2898 18 9.96 5 12 5 4
## 17707 18 9.96 5 0 1 9
## 7532 18 5.11 1 12 1 4
## 14597 34 9.96 5 0 1 9
## 2603 34 5.11 1 12 1 9
## 12764 34 9.96 5 12 1 9
## 20213 34 5.11 5 0 5 4
## 10062 34 9.96 1 0 1 4
## 3441 18 5.11 1 0 1 9
## 14988 18 5.11 5 12 5 9
## 16842 18 5.11 5 12 5 4
## 16149 34 5.11 1 12 1 4
## 14936 34 5.11 1 12 5 9
## 5640 34 5.11 1 0 5 4
## 9504 34 5.11 5 0 1 9
## 15305 18 9.96 1 0 5 9
## 23909 18 5.11 5 0 5 9
## 16936 34 9.96 5 12 5 4
## 14170 34 9.96 5 0 1 9
## 6288 18 9.96 1 0 5 9
## 27856 34 9.96 1 0 5 4
## 19533 34 9.96 1 12 1 4
## 21395 34 5.11 5 12 1 9
## 7475 18 5.11 1 0 1 4
## 27198 34 5.11 1 12 1 9
## 610 18 5.11 1 12 5 4
## 23828 18 9.96 5 12 1 9
## 26254 34 9.96 1 12 5 4
## 236 18 5.11 5 12 5 4
## 22938 34 9.96 5 12 1 4
## 26726 34 9.96 1 12 5 9
## 21805 34 9.96 5 12 1 4
## 16729 18 5.11 1 12 1 4
## 13725 34 5.11 1 0 1 4
## 25998 18 9.96 5 12 5 9
## 7055 18 9.96 5 12 1 4
## 7683 34 5.11 5 12 1 9
## 6263 18 5.11 1 12 5 9
## 11592 34 5.11 1 12 1 9
## 22124 34 9.96 1 0 1 4
## 4981 34 9.96 5 12 1 9
## 1849 34 9.96 5 0 1 9
## 10616 18 9.96 5 12 5 4
## 6582 18 9.96 1 0 1 9
## 6919 34 9.96 5 0 5 4
## 21736 18 5.11 1 12 1 9
## 15817 34 9.96 5 0 5 4
## 18435 18 5.11 5 12 1 9
## 4422 18 5.11 1 0 1 9
## 5201 18 5.11 1 12 5 4
## 3887 18 9.96 1 0 5 4
## 21247 34 9.96 5 12 1 4
## 8304 34 5.11 5 0 5 9
## 14018 18 9.96 5 12 1 9
## 22859 34 5.11 1 0 1 4
## 26261 18 5.11 1 12 1 4
## 17917 18 5.11 1 0 5 4
## 21415 18 9.96 5 0 5 4
## 3056 18 5.11 1 0 5 4
## 24534 18 9.96 5 12 5 9
## 25311 18 5.11 5 12 5 9
## 19640 18 9.96 1 0 5 4
## 26181 34 5.11 5 0 5 4
## 16613 34 5.11 1 12 1 4
## 8527 18 9.96 1 0 5 9
## 17715 18 9.96 5 12 1 4
## 26513 34 5.11 1 0 5 9
## 2698 34 9.96 5 0 5 9
## 10323 18 9.96 5 12 1 4
## 25067 18 9.96 5 12 1 4
## 26004 34 5.11 1 12 5 4
## 14851 18 5.11 1 12 1 9
## 23650 34 9.96 1 0 1 4
## 25019 18 9.96 1 12 1 9
## 20419 18 9.96 1 12 1 9
## 3763 18 5.11 1 0 1 4
## 8845 18 9.96 5 0 1 4
## 25708 18 5.11 1 12 1 9
## 5543 18 5.11 1 0 1 4
## 3847 18 9.96 5 0 5 4
## 21495 34 9.96 1 12 5 9
## 13 18 5.11 1 0 1 4
## 21883 34 5.11 1 12 1 4
## 19526 18 5.11 5 12 5 9
## 27142 18 9.96 5 0 5 9
## 4836 34 5.11 5 12 5 4
## 14212 18 5.11 5 12 5 9
## 15913 18 9.96 5 0 5 4
## 22578 18 5.11 5 0 5 4
## 6882 34 5.11 1 0 5 9
## 12039 18 5.11 1 12 1 4
## 20940 18 5.11 5 12 5 9
## 17405 18 5.11 1 0 5 4
## 15009 18 5.11 5 0 5 4
## 22107 18 9.96 5 0 1 4
## 14948 34 5.11 1 12 1 4
## 20137 18 5.11 5 12 5 4
## 22721 34 9.96 5 12 1 9
## 2866 34 9.96 5 12 1 4
## 20681 18 5.11 5 0 1 4
## 11451 34 9.96 1 0 1 4
## 17443 18 5.11 1 12 5 9
## 3244 34 9.96 1 12 1 4
## 24484 18 9.96 5 0 5 9
## 114 18 5.11 1 0 1 4
## 8973 18 5.11 1 12 5 4
## 15398 18 5.11 5 12 1 9
## 17430 18 9.96 5 0 5 4
## 19363 34 5.11 1 0 1 9
## 21171 18 5.11 1 0 1 4
## 23386 34 9.96 1 12 1 9
## 3819 34 9.96 5 12 1 4
## 26387 18 9.96 1 0 5 4
## 1389 34 5.11 1 0 5 9
## 13888 18 5.11 1 12 5 4
## 20867 18 5.11 1 0 5 4
## 5413 18 5.11 5 12 1 9
## 3363 18 5.11 5 0 5 9
## 16375 18 9.96 1 12 5 9
## 963 18 5.11 5 0 1 4
## 26169 18 5.11 5 0 5 4
## 24293 18 5.11 1 0 5 4
## 21619 18 5.11 1 12 1 4
## 15825 34 9.96 1 12 5 4
## 14628 34 9.96 1 0 5 9
## 6027 18 5.11 1 12 5 4
## 15509 34 5.11 5 0 5 9
## 17930 34 5.11 5 0 5 9
## 18119 34 9.96 1 12 1 4
## 3966 18 9.96 5 0 1 9
## 25959 34 5.11 1 0 1 4
## 16973 34 9.96 1 0 1 4
## 22584 34 9.96 1 0 1 9
## 26935 18 5.11 1 12 1 4
## 13313 34 9.96 1 12 1 9
## 27013 18 9.96 1 12 1 9
## 14869 18 9.96 5 0 1 4
## 17452 34 5.11 1 0 5 4
## 23753 34 9.96 5 0 5 4
## 23102 34 9.96 5 12 5 4
## 366 34 5.11 5 12 1 9
## 7759 18 9.96 5 12 1 9
## 249 18 9.96 1 0 1 4
## 10601 18 9.96 1 0 5 4
## 24245 34 5.11 1 12 1 4
## 346 34 5.11 1 12 5 9
## 18358 18 9.96 1 0 5 4
## 444 34 5.11 5 12 1 4
## 5517 18 5.11 5 0 1 4
## 27428 34 9.96 1 0 5 4
## 2505 18 9.96 1 12 1 4
## 7785 18 9.96 1 12 1 9
## 16199 34 9.96 5 0 1 4
## 6694 34 9.96 1 0 5 9
## 961 34 9.96 1 12 5 9
## 27108 18 9.96 1 12 1 9
## 25698 18 9.96 5 0 5 9
## 9468 18 9.96 1 12 1 9
## 27365 34 9.96 1 12 1 9
## 4116 18 5.11 1 12 1 4
## 5617 34 5.11 5 0 1 9
## 4617 34 5.11 1 12 5 9
## 17729 34 5.11 5 12 1 4
## 5602 34 9.96 1 12 5 9
## 17858 34 5.11 5 12 5 4
## 8628 34 9.96 5 12 5 9
## 16330 34 9.96 1 0 1 4
## 12766 18 5.11 1 0 5 4
## 18384 34 5.11 1 12 1 9
## 4245 18 9.96 1 0 1 4
## 20104 34 5.11 5 12 1 4
## 9799 34 9.96 1 12 1 4
## 1071 34 5.11 1 12 1 4
## 15271 34 9.96 1 12 5 4
## 18123 34 9.96 5 12 5 4
## 19649 34 5.11 1 0 5 4
## 116 34 9.96 5 12 5 9
## 3934 18 9.96 5 12 5 4
## 22498 34 5.11 5 12 5 9
## 21747 34 9.96 1 0 1 9
## 17620 18 5.11 5 0 1 9
## 6785 34 5.11 5 12 1 9
## 3825 34 5.11 1 0 5 4
## 23488 18 5.11 5 0 5 9
## 15638 18 5.11 1 12 1 4
## 7620 34 5.11 1 12 5 4
## 17326 34 5.11 5 0 5 9
## 24979 34 9.96 5 0 5 4
## 23427 34 9.96 1 0 1 4
## 5750 18 5.11 1 0 5 4
## 23405 18 5.11 1 12 5 9
## 24538 18 9.96 5 0 5 4
## 13752 34 5.11 5 12 5 9
## 18049 18 9.96 1 12 5 9
## 21978 34 9.96 5 12 5 4
## 18392 34 9.96 1 12 5 9
## 22805 34 5.11 1 12 5 9
## 7780 34 5.11 1 12 1 9
## 16360 34 9.96 5 0 5 4
## 7870 18 9.96 5 12 1 9
## 26893 18 5.11 5 0 1 9
## 23591 18 9.96 1 12 1 4
## 3774 18 9.96 5 0 5 9
## 18562 34 9.96 1 0 5 9
## 19680 34 5.11 1 0 5 4
## 17374 18 5.11 5 12 5 9
## 19226 18 5.11 5 12 5 9
## 14798 18 9.96 1 12 5 9
## 24974 34 9.96 1 0 1 4
## 10045 18 9.96 5 0 5 4
## 23135 18 5.11 5 0 1 4
## 8676 18 9.96 5 0 5 4
## 3635 34 9.96 5 12 5 9
## 2879 18 9.96 5 0 5 4
## 18318 34 5.11 5 12 1 9
## 6379 34 5.11 5 0 1 4
## 25069 34 5.11 1 0 5 9
## 23628 18 5.11 1 12 5 4
## 2584 34 5.11 1 12 1 4
## 24387 18 9.96 5 12 1 4
## 24244 18 9.96 1 12 1 4
## 13794 18 9.96 1 12 5 4
## 18366 18 9.96 5 0 1 4
## 13334 34 5.11 1 12 1 9
## 24609 34 9.96 1 0 1 9
## 19244 34 5.11 5 12 1 9
## 18073 34 9.96 5 0 5 9
## 4917 34 9.96 1 12 1 4
## 4454 34 5.11 5 0 5 9
## 1175 34 9.96 1 12 5 9
## 2017 34 9.96 1 12 1 4
## 7185 34 9.96 5 0 1 9
## 8618 34 5.11 1 0 1 4
## 17608 34 5.11 1 0 5 9
## 17962 18 5.11 5 0 1 4
## 3270 34 5.11 1 0 5 9
## 24694 18 5.11 1 0 1 9
## 25249 18 5.11 1 12 5 9
## 21633 34 9.96 1 12 5 4
## 24246 34 5.11 5 0 5 9
## 382 18 5.11 5 12 1 4
## 2762 18 5.11 1 12 5 9
## 8829 18 9.96 5 0 1 9
## 7398 18 5.11 5 12 5 4
## 14592 18 9.96 5 12 1 9
## 13867 34 5.11 1 12 1 4
## 10703 18 5.11 1 0 1 4
## 15804 18 9.96 5 12 5 9
## 5046 18 9.96 5 0 1 4
## 5618 34 9.96 1 12 5 4
## 15274 34 9.96 1 0 1 9
## 18707 34 5.11 1 12 1 4
## 25622 34 5.11 5 0 5 4
## 13283 18 5.11 1 0 1 4
## 14679 18 9.96 5 0 5 9
## 9397 18 5.11 1 0 1 4
## 8465 18 5.11 5 12 1 4
## 3529 34 5.11 1 0 1 4
## 8160 18 5.11 5 12 5 4
## 21477 18 9.96 1 0 5 9
## 13500 18 9.96 1 0 1 9
## 3474 34 9.96 5 12 1 4
## 21810 34 5.11 5 0 5 9
## 12545 34 9.96 5 0 1 4
## 10287 34 9.96 1 0 1 4
## 27652 18 9.96 5 12 1 9
## 10791 34 5.11 5 0 1 4
## 7231 18 5.11 1 0 5 4
## 18183 34 5.11 5 0 1 4
## 6073 34 9.96 1 0 1 9
## 11827 18 5.11 1 12 1 4
## 1584 18 5.11 5 12 5 4
## 12577 34 9.96 1 0 5 4
## 1009 34 9.96 1 0 5 9
## 21389 18 5.11 1 0 5 4
## 20562 18 5.11 5 12 1 9
## 1403 34 9.96 5 0 5 4
## 15859 18 5.11 5 0 5 4
## 21318 18 5.11 5 12 5 9
## 9847 34 9.96 5 0 1 4
## 3703 34 9.96 1 12 1 4
## 25956 34 5.11 1 12 5 9
## 23350 34 9.96 1 0 5 9
## 22229 34 5.11 1 0 1 9
## 15484 34 9.96 1 12 1 4
## 17468 18 5.11 1 0 5 9
## 6536 18 5.11 5 0 5 9
## 5166 34 5.11 1 0 1 9
## 14821 34 9.96 1 0 5 9
## 7758 18 5.11 5 0 5 4
## 6203 34 5.11 5 0 5 4
## 12602 18 5.11 5 0 1 4
## 1391 18 9.96 1 12 1 4
## 1913 18 9.96 1 12 5 4
## 12378 34 9.96 1 12 1 9
## 25911 18 5.11 1 12 5 4
## 19174 34 9.96 1 0 1 9
## 10483 34 9.96 1 0 1 4
## 21804 34 9.96 5 12 1 9
## 19222 18 5.11 1 12 5 4
## 14819 34 5.11 5 12 1 4
## 26243 18 9.96 5 0 5 4
## 4014 34 9.96 5 12 5 9
## 27461 34 9.96 1 12 1 9
## 7664 18 9.96 5 12 1 4
## 14401 34 9.96 1 0 1 4
## 1284 34 9.96 1 12 5 9
## 14603 18 5.11 1 0 1 4
## 1850 18 9.96 5 0 5 9
## 23245 18 5.11 1 12 1 9
## 15744 18 9.96 1 12 5 4
## 19490 34 5.11 5 0 1 9
## 10207 18 5.11 5 0 1 4
## 7112 18 5.11 1 12 5 9
## 11952 18 9.96 5 0 5 9
## 15903 34 5.11 1 12 1 4
## 7045 34 5.11 1 0 5 4
## 10412 34 9.96 5 12 1 9
## 25160 34 9.96 5 12 1 4
## 7750 18 5.11 5 0 5 9
## 4373 34 9.96 1 0 1 9
## 11838 34 5.11 5 12 1 9
## 22909 34 9.96 5 0 5 4
## 2202 18 9.96 5 0 5 9
## 1466 34 9.96 1 12 5 9
## 21466 18 9.96 1 12 1 9
## 22434 18 9.96 5 0 1 4
## 4238 34 5.11 5 12 5 9
## 8178 34 9.96 1 0 5 9
## 4044 18 9.96 1 12 5 4
## 7632 18 5.11 1 12 5 9
## 22012 18 5.11 5 0 5 4
## 13341 34 9.96 5 12 1 9
## 17618 34 9.96 1 12 5 9
## 9744 18 5.11 5 0 5 9
## 7535 18 5.11 1 0 1 9
## 18901 18 9.96 5 12 5 4
## 16321 18 5.11 1 0 1 9
## 18086 18 9.96 5 12 5 9
## 25206 34 9.96 5 12 1 9
## 11678 18 9.96 5 12 1 4
## 6552 18 5.11 5 12 1 4
## 26367 34 9.96 1 12 5 9
## 10183 18 9.96 1 12 1 4
## 2178 18 9.96 5 12 5 4
## 10117 18 5.11 1 0 5 4
## 561 34 9.96 1 0 5 4
## 18524 18 5.11 5 0 1 9
## 178 34 5.11 5 12 1 9
## 27086 34 5.11 5 12 1 9
## 10510 34 5.11 1 0 1 4
## 24227 34 9.96 5 0 5 4
## 14601 34 9.96 5 0 5 9
## 20510 18 5.11 1 0 5 9
## 24221 18 5.11 1 12 1 9
## 385 18 5.11 1 12 5 4
## 19772 18 5.11 1 12 5 9
## 21581 34 9.96 1 12 5 4
## 17344 18 9.96 5 12 5 9
## 6337 34 9.96 5 12 1 4
## 18828 34 5.11 5 12 1 9
## 22591 34 9.96 5 0 5 9
## 13095 34 5.11 1 12 1 4
## 17016 18 5.11 5 12 5 9
## 2660 18 5.11 5 12 1 9
## 14771 18 5.11 1 12 1 9
## 26793 18 5.11 5 0 5 4
## 12151 34 5.11 1 0 5 4
## 8762 18 5.11 5 0 5 9
## 423 34 5.11 1 12 1 4
## 17863 34 9.96 1 12 1 4
## 10217 34 9.96 5 12 1 4
## 520 18 9.96 5 0 1 9
## 20498 18 9.96 1 0 5 9
## 24308 18 5.11 5 12 5 4
## 15989 34 5.11 5 0 5 9
## 6874 34 5.11 1 12 5 4
## 12127 34 5.11 1 0 5 4
## 6721 18 5.11 1 0 5 4
## 9869 18 5.11 1 0 1 4
## 16646 34 5.11 1 12 5 9
## 6410 18 5.11 1 12 5 4
## 5869 18 9.96 5 12 5 4
## 12964 34 5.11 1 12 5 4
## 1333 18 5.11 5 0 1 4
## 21180 34 5.11 5 0 1 9
## 16340 18 9.96 5 12 1 4
## 24895 34 9.96 1 0 5 4
## 22525 18 5.11 1 0 1 4
## 27839 34 5.11 1 0 5 9
## 19073 18 5.11 1 0 1 4
## 15877 18 9.96 5 12 1 4
## 21329 34 5.11 5 12 1 4
## 3643 34 9.96 5 0 1 4
## 4194 34 5.11 5 0 5 9
## 20870 18 9.96 1 0 5 9
## 23747 18 5.11 1 12 5 4
## 25907 18 5.11 5 12 5 4
## 3256 34 9.96 5 12 5 9
## 1037 34 9.96 1 12 1 4
## 9785 18 5.11 1 0 1 9
## 23667 34 5.11 5 0 5 4
## 18926 34 9.96 1 12 5 9
## 18882 34 5.11 5 0 1 9
## 27341 34 9.96 1 0 5 4
## 1217 18 9.96 1 0 1 4
## 24157 18 9.96 5 0 1 4
## 22769 34 9.96 1 12 5 4
## 8293 34 9.96 5 12 1 4
## 5096 34 9.96 5 0 5 9
## 10895 34 5.11 1 12 5 4
## 2469 18 5.11 1 12 1 4
## 13988 18 5.11 1 0 5 9
## 16787 34 9.96 1 0 5 4
## 19950 18 5.11 1 12 5 9
## 19329 34 9.96 1 12 1 4
## 16153 34 5.11 1 0 1 9
## 14775 18 5.11 1 12 5 4
## 13362 34 9.96 1 12 5 4
## 3446 18 5.11 1 12 5 9
## 5584 18 9.96 1 12 5 9
## 3506 34 9.96 1 0 5 4
## 14289 34 5.11 1 12 1 4
## 105 18 5.11 1 12 5 9
## 13083 34 5.11 1 12 1 4
## 24342 18 5.11 5 12 5 9
## 15545 18 5.11 1 12 1 9
## 11645 34 5.11 5 12 1 4
## 26470 34 5.11 5 12 1 9
## 2384 34 5.11 5 12 1 4
## 16439 18 5.11 5 12 5 4
## 1334 34 9.96 5 0 1 9
## 13003 18 9.96 5 12 5 4
## 26596 34 5.11 5 12 5 9
## 19355 34 5.11 1 12 1 4
## 8445 34 5.11 5 12 1 4
## 27674 34 9.96 1 0 1 9
## 12028 18 9.96 5 0 1 9
## 22185 18 5.11 1 0 1 4
## 1674 34 9.96 5 12 1 4
## 12079 18 5.11 1 12 1 4
## 26678 34 9.96 5 0 1 4
## 11673 34 5.11 1 0 5 4
## 11831 34 5.11 1 12 1 4
## 10364 18 9.96 1 0 1 9
## 6824 18 9.96 1 0 1 4
## 22921 34 9.96 1 0 5 9
## 22751 18 5.11 5 0 1 9
## 16256 34 9.96 5 0 5 4
##
## $subset
## NULL
##
## $outlierMethod
## [1] "none"
##
## attr(,"class")
## [1] "mvn"Pengujian selanjutnya adalahnya pengujian normalitas multivariat. Pengujian ini bertujuan untuk melihat distribusi dari variabel variabel independen (X), apakah variabel-variabel tersebut membentuk distribusi normal atau tidak. Namun, dikarenakan jumlah sampel yang digunakan pada analisi ini cukup besar dan uji Mardia tidak dapat dilakukan, maka dilakukan pengambilan 5000 sampel yang akan menjadi perwakilan uji mardia.
Hasil dari pengujian mardia ini, untuk skewness menghasilkan p-value yang tinggi yakni 0,988 (p > 0,05) yang berarti sebaran data sudah memenuhi kriteria normalitas multivariat dengan sebaran data yang simetris di sekitar pusat. Namun, nilai mardia kurtosis sangat kecil yakni < 0,0001 yang berarti terdapat keruncingan distribusi data yang ekstrim dari distribusi normal. Meskipun begitu, analisis akan tetap dilanjutkan. Data yang digunakan untuk analisis ini besar, hal ini lah yang memicu sensitivitas dalam uji signifikansi. Berdasarkan dengan ketidaknormalan multivariat dari dataset yang digunakan ini, maka diperlukan normalisasi (scaling) untuk memperkuat kinerja algortima analisis diskriminan nantinya.
Normalisasi (Scaling) Variabel Independen
kolom_scaling <- c("Age", "CGPA", "Study.Satisfaction", "Work.Study.Hours", "Financial.Stress", "Sleep_Num")
data_clean_handled[, kolom_scaling] <- scale(data_clean_handled[, kolom_scaling])
# Hasil Scaling
summary(data_clean_handled[, kolom_scaling])## Age CGPA Study.Satisfaction Work.Study.Hours
## Min. :-0.996 Min. :-1.0030 Min. :-0.9828 Min. :-1.0285
## 1st Qu.:-0.996 1st Qu.:-1.0030 1st Qu.:-0.9828 1st Qu.:-1.0285
## Median :-0.996 Median : 0.9969 Median :-0.9828 Median : 0.9723
## Mean : 0.000 Mean : 0.0000 Mean : 0.0000 Mean : 0.0000
## 3rd Qu.: 1.004 3rd Qu.: 0.9969 3rd Qu.: 1.0174 3rd Qu.: 0.9723
## Max. : 1.004 Max. : 0.9969 Max. : 1.0174 Max. : 0.9723
## Financial.Stress Sleep_Num
## Min. :-1.0310 Min. :-0.9625
## 1st Qu.:-1.0310 1st Qu.:-0.9625
## Median : 0.9699 Median :-0.9625
## Mean : 0.0000 Mean : 0.0000
## 3rd Qu.: 0.9699 3rd Qu.: 1.0389
## Max. : 0.9699 Max. : 1.0389Setelah dilakukan normalisasi (scaling) pada semua variabel numerik
yang akan digunakan dalam analisis diskriminan-klasifikasi-ordinal,
hasil summary(data_clean_handled[, kolom_scaling])
menunjukan bahawa teknik scaling z-score berhasil menyeragamkan skala
dari variabel independen. Hal ini dibuktikan dengan nilai rata-rata tiap
variabel yang menunjukan angka 0.0000 # Uji Wilk’s
Lambda
manova_result <- manova(as.matrix(x_var) ~ y_diskri)
summary(manova_result, test = "Wilks")## Df Wilks approx F num Df den Df Pr(>F)
## y_diskri 5 0.99451 5.1199 30 111562 < 2.2e-16 ***
## Residuals 27895
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Pengujian terakhir adalah uji Wilk’s Lambda. Pengujian ini bertujuan
untuk mengukur kemiripan antar kelompok. Dalam pengujian ini digunakan
fungsi manova manova(as.matrix(x_var) ~ y_diskri).
Hasil dari pengujian Wilk’s Lambda ini menghasilkan p-value yang sangat kecil yakni < 2.2e-16 dimana nilai tersebut sangat mendekati 0. Berdasarkan hasil p-value tersebut, secara statistik program menemukan perbedaan yang sangat siginifikan pada kombinasi-kombinasi variabel independen yang digunakan. Lalu, nilai F-statistic yang dihasilkan juga cukup besar yakni 34.461 yang berarti perbedaan rata-rata antar kelompok jauh lebih besar dibandingkan dengan variasi dalam kelompok. Namun, nilai Wilk’s Lambda yang dihasilkan cukup tinggi yakni 0.99451, dengan nilai yang cukup tinggi tersebut menunjukan bahwa proporsi varian tidak dijelaskan oleh perbedaan kelompok, meski begitu variabel X tetap memiliki sebagian kontribusi dalam memisahkan kelompok tekanan akademik.
Kesimpulan Uji Kelayakan Data untuk Analisis Diskriminan
Berdasarkan hasil pengujian kelayakan data untuk analisis diskriminan yang telah dilakukan, analisis dapat dilanjutkan pada tahapan analisis diskriminan. Hal ini didukung dengan kelayakan data setelah diuji menggunakan uji Box’s M dimana p-value yang dihasilkan memiliki nilai yang tinggi, yang berarti matriks kovarians-varians antar tingkat tekanan akademik sama. Selain itu, uji Wilk’s Lambda juga menghasilkan nilai p-value yang sangat rendah dan mendekati 0 yang berarti variabel-variabel X yang digunakan memiliki nilai pembeda terhadap variabel dependen atau tekanan akademik.
2. Analisis Ordinal
y_ordi <- factor(data_clean_handled$Academic.Pressure,
levels = c(0, 1, 2, 3, 4, 5),
ordered = TRUE)Sebelum dilakukan pengujian kelayakn data, dibuat variabel dependen
untuk analisis ordinal. Dikarenakan analisis ordinal menggunakan
variabel Y berbasis tingkatan, maka sebelum uji kelayakan dilakukan
variabel Y diubah menjadi bentuk tingkatan dengan parameter
levels dan ordered = TRUE yang fungsinya untuk
menganggap level 0 hingga 5 adalah sebuah tingkatan.
Uji Likelihood Ratio
## Model Parallel
model_parallel <- vglm(y_ordi ~ Age + CGPA + Study.Satisfaction +
Work.Study.Hours + Financial.Stress + Sleep_Num,
family = cumulative(parallel = TRUE), data = data_clean_handled)
## Model Non-Parallel
model_non_parallel <- vglm(y_ordi ~ Age + CGPA + Study.Satisfaction +
Work.Study.Hours + Financial.Stress + Sleep_Num,
family = cumulative(parallel = FALSE), data = data_clean_handled)
# Uji Likelihood Ratio
p_value_parallel <- lrtest(model_parallel, model_non_parallel)
print(p_value_parallel)## Likelihood ratio test
##
## Model 1: y_ordi ~ Age + CGPA + Study.Satisfaction + Work.Study.Hours +
## Financial.Stress + Sleep_Num
## Model 2: y_ordi ~ Age + CGPA + Study.Satisfaction + Work.Study.Hours +
## Financial.Stress + Sleep_Num
## #Df LogLik Df Chisq Pr(>Chisq)
## 1 139494 -44319
## 2 139470 -44298 -24 42.593 0.01106 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Pada uji likelihood ratio ini digunakan model vglm atau
Vector Generalized Linear Models sebagai alat bantu uji Pada pengujian
ini dibuat 2 skenario yang berbeda yakni dengan model parallel (membuat
semua variabel independen memiliki pengaruh yang sama di setiap ambang
batas level) dan model non-parallel (membiarkan setiap variabel memiliki
pengaruh yang berbeda-beda di setiap tingkatan level)
Hasil dari uji Likelihood Ratio yang telah dilakukan mendapatkan hasil p-value senilai 0,01106 (p < 0,05) yang berarti tolak H0. Hipotesis tersebut mengartikan bahwa tidak terdapat pengaruh variabel independen terhadap peluang terjadinya tekanan akademik, dan pengaruh tersebut tidak konsisten adanya. Meski begitu, analisis tetap akan dilanjutkan dengan catatan tertentu pada interpretasi akhir nantinya.
Uji Goodness of Fit
## Model Ordinal (Proportional Odds Logistic Regression)
model_ordi <- polr(y_ordi ~ Age + CGPA + Study.Satisfaction +
Work.Study.Hours + Financial.Stress + Sleep_Num,
data = data_clean_handled, Hess = TRUE)
deviance_val <- deviance(model_ordi)
df_val <- df.residual(model_ordi)
p_gof <- 1 - pchisq(deviance_val, df_val)
PseudoR2(model_ordi, which = c("CoxSnell", "Nagelkerke", "McFadden"))## CoxSnell Nagelkerke McFadden
## 0.003958742 0.004130363 0.001247032cat("P-value Goodness of Fit (Deviance):", p_gof)## P-value Goodness of Fit (Deviance): 0Pada analisis Goodness of Fit ini digunakan bantuan model
polr atau Proportional Odds Logistic Regression. Model
tersebut dirancang untuk variabel dependen yang bersifat kategori dan
memiliki tingkatan (ordinal), penggunaan model tersebut pada uji GoF ini
adalah dengan tujuan untuk melihat bagaimana model bekerja dengan data
lapangan.
Berdasarkan model POLR yang digunakan hasil p-valuenya sangat kecil yakni 0 yang berarti model POLR tidak fit dengan data yang digunakan, hal ini dipengaruhi oleh sensitivitas tinggi yang dihasilkan oleh besarnya sampel data. Selain itu juga, uji Pseudo R-Squared menghasilkan nilai Nagelkerke hanya sebesar 0,0041 atau di bawah 1%, yang berati kontribusi variabel independen yang digunakan dalam analisis ini hanya sebesar 0,41%. Meski begitu pada pengujian Wilk’s sebelumnya menghasilkan kesimpulan dimana semua variabel independen sangat signifikan.
# Melihat Variabel yang Paling Signifikan
summary(model_ordi)## Call:
## polr(formula = y_ordi ~ Age + CGPA + Study.Satisfaction + Work.Study.Hours +
## Financial.Stress + Sleep_Num, data = data_clean_handled,
## Hess = TRUE)
##
## Coefficients:
## Value Std. Error t value
## Age -0.059019 0.01063 -5.5517
## CGPA -0.004094 0.01062 -0.3854
## Study.Satisfaction -0.046384 0.01064 -4.3604
## Work.Study.Hours 0.021100 0.01063 1.9850
## Financial.Stress 0.082073 0.01065 7.7058
## Sleep_Num -0.013127 0.01065 -1.2327
##
## Intercepts:
## Value Std. Error t value
## 0|1 -8.0381 0.3327 -24.1570
## 1|2 -1.5728 0.0159 -99.1105
## 2|3 -0.7461 0.0128 -58.1605
## 3|4 0.3632 0.0122 29.8090
## 4|5 1.2363 0.0143 86.2112
##
## Residual Deviance: 88637.74
## AIC: 88659.74exp(coef(model_ordi))## Age CGPA Study.Satisfaction Work.Study.Hours
## 0.9426888 0.9959148 0.9546753 1.0213246
## Financial.Stress Sleep_Num
## 1.0855350 0.9869592Berdasarkan hasil summary(model_ordi) yang telah
dilakukan, terlihat bahwa variabel yang paling signifikan adalah tekanan
finansial (Financial.Stress) dimana t-value yang dihasilkan adalah 7.70,
disusul dengan waktu kerja dan belajar (work.study.hour) dengan t-value
1,9850. Arah pengaruh kedua variabel tersebut positif, yang berarti
kedua variabel tersebut yang menjadi faktor utama peningkatan tekanan
akademik. Selain itu, terdapat variabel CGPA (IPK), diikuti dengan umur
(Age), kepuasan belajar (Study.Satisfaction) dan variabel waktu
tidur(Sleep_Num). Arah tersebut menyimpulkan bahwa tingginya nilai
variabel objek justru tingkatan tekanan akademik objek semakin
rendah.
Kesimpulan Uji Kelayakan Data untuk Analisis Ordinal
Berdasarkan pengujian kelayakan data untuk analisis ordinal, dapat disimpulkan bahwa data dapat digunakan untuk analisis ordinal, hal ini didukung dengan keberhasilan uji Likelihood Ratio dengan nilai p-value sebesar 1 yang menunjukkan bahwa asumsi parallel lines atau terpenuhi, yang berarti pengaruh variabel independen terhadap peluang berpindah ke tingkat tekanan akademik yang lebih tinggi bersifat konsisten di setiap ambang batas kategori. Selain itu pengujian Goodness of Fit menghasilkan nilai p-value 0 yang menandakan bahwa data tidak ‘fit’ dengan model dan juga nilai Pseudo R-Squared dari Nagelkerke tercatat sebesar 0,0041 atau 0,41% yang berarti bahwa variabel independen emberikan kontribusi sebesar 0,41% terhadap variasi tekanan akademik.
Uji Independensi Data
1. Uji Chi-Square
# Uji Independensi
uji_csquare <- lapply(names(x_var), function(x_name) {
tabel_uji <- table(data_clean_handled[[x_name]], data_clean_handled$Academic.Pressure)
uji <- chisq.test(tabel_uji)
data.frame(
Variabel = x_name,
P_Value = round(uji$p.value, 10),
Sig = ifelse(uji$p.value < 0.05, "Signifikan", "Tidak Signifikan"),
stringsAsFactors = FALSE
)
})## Warning in chisq.test(tabel_uji): Chi-squared approximation may be incorrect
## Warning in chisq.test(tabel_uji): Chi-squared approximation may be incorrect
## Warning in chisq.test(tabel_uji): Chi-squared approximation may be incorrect
## Warning in chisq.test(tabel_uji): Chi-squared approximation may be incorrect
## Warning in chisq.test(tabel_uji): Chi-squared approximation may be incorrect
## Warning in chisq.test(tabel_uji): Chi-squared approximation may be incorrecttabel_chisquare <- do.call(rbind, uji_csquare)
print(tabel_chisquare)## Variabel P_Value Sig
## 1 Age 0.0000001222 Signifikan
## 2 CGPA 0.6854523162 Tidak Signifikan
## 3 Study.Satisfaction 0.0000001209 Signifikan
## 4 Work.Study.Hours 0.3035739939 Tidak Signifikan
## 5 Financial.Stress 0.0000000000 Signifikan
## 6 Sleep_Num 0.8701088893 Tidak SignifikanUji independensi pertama dilakukan untuk analisis diskriminan dimana
dilakukan uji chi-square untuk menguji independensi variabel independen
yang akan digunakan dalam analisis diskriminan nantinya. Dalam pengujian
ini dibuat function dengan nama uji_csquare
yang me-looping perhitungan chi-square untuk semua variabel
independen dan membuat tabel yang berisikan nama variabel, p-value, dan
hasil signifikan
Hasil akhir dari pengujian chi-square ini menghasilkan 3 variabel
independen yang lolos pengujian dengan nilai p-value < 0,05. Namun,
ditemukan 3 variabel independen yang tidak lolos pengujian chi-sqaure
ini, variabel tersebut adalah variabel Work.Study.Hour,
Sleep_Num dan CGPPA. Meski begitu ketiga
variabel tersebut akan tetap dipertahankan untuk menguji kontribusinya
dalam pemodelan diskriminan dan klasifikasi (LDA & Random
Forest).
2. Uji Korelasi Spearman
y_numerik <- as.numeric(as.character(data_clean_handled$Academic.Pressure))
uji_spearman <- lapply(names(x_var), function(x_name) {
uji <- cor.test(x_var[[x_name]], y_numerik, method = "spearman", exact = FALSE)
data.frame(
Variabel = x_name,
Korelasi_Rho = round(uji$estimate, 4),
P_Value = round(uji$p.value, 10),
Kekuatan = case_when(
abs(uji$estimate) < 0.1 ~ "Sangat Lemah",
abs(uji$estimate) < 0.3 ~ "Lemah",
abs(uji$estimate) < 0.5 ~ "Moderat",
TRUE ~ "Kuat"
)
)
})
tabel_spearman <- do.call(rbind, uji_spearman)
print(tabel_spearman)## Variabel Korelasi_Rho P_Value Kekuatan
## rho Age -0.0327 0.0000000450 Sangat Lemah
## rho1 CGPA -0.0031 0.6053263268 Sangat Lemah
## rho2 Study.Satisfaction -0.0251 0.0000272958 Sangat Lemah
## rho3 Work.Study.Hours 0.0102 0.0891791891 Sangat Lemah
## rho4 Financial.Stress 0.0443 0.0000000000 Sangat Lemah
## rho5 Sleep_Num -0.0056 0.3527227307 Sangat LemahPengujian korelasi spearman ini dilakukan untuk mengukur seberapa
kuat hubungan antara dua variabel yang memiliki skala data Ordinal.
Sebelum dilakukan pengujian untuk variabel independen, data target atau
variabel dependen diinisialisasikan menjadi tipe data numerik dengan
tujuan agar R mengetahui bahwa y_ordi merupakan tipe data
ordinal yang memiliki tingkatan, selain itu fungsi korelasi spearman
yang nanti akan digunakan untuk pengujian membutuhkan input dalam bentuk
vektor angka. Dalam pengujian ini korelasi menggunakan parameter metode
berupa method = "spearman" yang dibungkus dalam sebuah
fungsi, hasil akhir dari uji ini akan menghasilkan bentuk tabel data
frame yang berisikan nama variabel, p-value, dan kekuatan dari variable
tersebut dalam mempengaruhi variabel dependen.
Hasil akhir dari pengujian ini menunjukan semua variabel independen yang digunakan dalam analisis memiliki kekuatan korelasi yang sangat lemah untuk variabel dependen. Meski begitu, semua variabel tersebut tetap memiliki korelasi dengan variabel dependen. Tingkat kekuatan ini, memiliki kemungkinan dipengaruhi oleh banyaknya sampel yang digunakan. Arah korelasi yang dihasilkan oleh pengujian ini juga cukup sesuai dengan fakta lapangan yang dibiasanya terjadi.
Implementasi Algoritma Analisis
Split Data
Pada analisis kali ini, variabel yang digunakan pada analisis diskriminan, klasifikasi dan analisis ordinal memiliki karakteristik yang berbeda. Dimana, untuk analisis diskriminan dan analisis klasifikasi variabel y atau Academic Pressure ini bersifat kategorik atau tidak memiliki tingkatan tertentu pada tiap kelompoknya.
Sedangkan, untuk analisis ordinal variabel y memiliki sifat ordinal atau tiap kelompoknya memiliki tingkatan tertentu. Oleh karena itu, proses spliting data akan dilakukan dua kali untuk mencegah model menggunakan data train-test yang tidak sesuai dengan sifat sebenarnya. ## 1. Split Data: Analisis Diskriminan
library(caret)## Warning: package 'caret' was built under R version 4.5.3## Loading required package: lattice##
## Attaching package: 'caret'## The following objects are masked from 'package:DescTools':
##
## MAE, RMSE## The following object is masked from 'package:VGAM':
##
## predictors## The following object is masked from 'package:purrr':
##
## liftdata_final <- data_clean_handled %>%
select(Academic.Pressure, CGPA, Study.Satisfaction, Financial.Stress, Sleep_Num, Age, Work.Study.Hours)
data_final$Academic.Pressure <- as.factor(data_final$Academic.Pressure)
# Melakukan partisi data: 80% untuk Train, 20% untuk Test
set.seed(123)
index_diskri <- createDataPartition(data_final$Academic.Pressure, p = 0.8, list = FALSE)
train_diskri <- data_final[index_diskri, ]
test_diskri <- data_final[-index_diskri, ]
# Mengecek dimensi data hasil partisi
cat("Jumlah data latih (Train):", nrow(train_diskri), "baris dan", ncol(train_diskri), "kolom\n")## Jumlah data latih (Train): 22323 baris dan 7 kolomcat("Jumlah data uji (Test) :", nrow(test_diskri), "baris dan", ncol(test_diskri), "kolom\n")## Jumlah data uji (Test) : 5578 baris dan 7 kolom2. Split Data: Analisis Ordinal
data_final_2 <- data_clean_handled %>%
select(Academic.Pressure, CGPA, Study.Satisfaction, Financial.Stress, Sleep_Num, Age, Work.Study.Hours)
data_final_2$Academic.Pressure <- factor(
data_final_2$Academic.Pressure,
levels = c(0, 1, 2, 3, 4, 5),
ordered = TRUE)
set.seed(123)
index_ordi <- createDataPartition(data_final_2$Academic.Pressure, p = 0.8, list = FALSE)
train_ordi <- data_final_2[index_ordi, ]
test_ordi <- data_final_2[-index_ordi, ]
# Mengecek dimensi data hasil partisi
cat("Jumlah data latih (Train):", nrow(train_ordi), "baris dan", ncol(train_ordi), "kolom\n")## Jumlah data latih (Train): 22323 baris dan 7 kolomcat("Jumlah data uji (Test) :", nrow(test_ordi), "baris dan", ncol(test_ordi), "kolom\n")## Jumlah data uji (Test) : 5578 baris dan 7 kolomProsedur spliting data yang dilakukan untuk analisis diskriminan-klasifikasi ini membagi data dengan proporsi pelatihan dan test, masing-masing sebesar 80% dan 20%. Sehingga menghasilkan jumlah data dengan detail sesuai yang ditampilkan pada hasil keluaran.
Analisis Diskriminan: Linear Discriminant Analysis (LDA)
library(MASS)
# 1. Membangun model LDA menggunakan data latih
model_lda <- lda(Academic.Pressure ~ CGPA + Study.Satisfaction +
Financial.Stress + Sleep_Num + Age + Work.Study.Hours,
data = train_diskri)
# 2. Output model LDA
print(model_lda)## Call:
## lda(Academic.Pressure ~ CGPA + Study.Satisfaction + Financial.Stress +
## Sleep_Num + Age + Work.Study.Hours, data = train_diskri)
##
## Prior probabilities of groups:
## 0 1 2 3 4 5
## 0.0003583748 0.1720646866 0.1497558572 0.2674371724 0.1847421941 0.2256417148
##
## Group means:
## CGPA Study.Satisfaction Financial.Stress Sleep_Num Age
## 0 -0.003046445 -0.482752483 0.219526303 -0.2119800128 0.253975810
## 1 0.022207059 0.007679313 -0.075646741 -0.0006217483 0.068283839
## 2 -0.020096772 0.046931518 -0.028491261 0.0157469300 -0.004098185
## 3 0.005998661 0.011282545 0.005946205 0.0023264325 0.009003388
## 4 0.011502343 0.018283552 0.037824836 -0.0049948544 -0.026089282
## 5 -0.015950781 -0.049997354 0.049457793 -0.0005432312 -0.045852438
## Work.Study.Hours
## 0 0.222019957
## 1 -0.024688256
## 2 0.003945152
## 3 0.015158269
## 4 0.004916029
## 5 0.002709794
##
## Coefficients of linear discriminants:
## LD1 LD2 LD3 LD4 LD5
## CGPA -0.11891989 0.11846292 0.6554426 0.46047511 0.44315672
## Study.Satisfaction -0.33573860 -0.89835159 0.1896197 0.10334126 -0.14742581
## Financial.Stress 0.72725845 -0.06360178 0.4646649 -0.02010819 -0.02991314
## Sleep_Num -0.07372717 -0.10279363 -0.3425603 -0.07596037 0.86942495
## Age -0.59031494 0.35476464 0.3717075 -0.36961400 -0.07502100
## Work.Study.Hours 0.15940954 -0.17961359 0.2224113 -0.79926754 0.15842415
##
## Proportion of trace:
## LD1 LD2 LD3 LD4 LD5
## 0.7565 0.1629 0.0560 0.0230 0.0015Analisis Diskriminan Linier (LDA) ini dilakukan untuk menemukan kombinasi linier dari variabel prediktor yang paling optimal dalam memisahkan antar kelompok tekanan akademik secara multivariat.
Hasil peluang prio yang didapatkan pada pemodelan LDA ini menunjukan
bahwa kelompok tekanan akademik level 3 memiliki peluang terbesar yakni
sebesar 26.74%. Selain itu, berdasarkan pemodelan ini
masing-masing level tekanan akademik memiliki karakteristik. Salah satu
karakteristik yang dapat dijelaskan adalah kelompok tingkat tekanan
akademik 0 memiliki nilai Age atau umur yang tinggi,
tandanya kebanyakan mahasiswa yang sudah berumur cenderung tidak
merasakan tekanan akademik sama sekali. Selain itu juga, pada tingkat
tekanan akademik level 5, group means yang untuk
Age atau umur memiliki nilai yang negatif renda yakni
-0.045852438 yang berarti mahasiswa dengan usia yang mudah
relatif merasakan tekanan akademik yang tinggi. Arah group mean ini
berlaku untuk semua variabel independen lainnya juga.
Hasil dari pemodelan ini juga menghasilkan 5 fungsi diskriminan yang
memiliki nilai koefisien (nilai pembeda) yang berbeda-beda. Untuk LD1,
variabel yang paling berpengaruh dalam pemisahan kelompok tekanan
akademik adalah variabel Age (-0.590314940 dan
Financial.Stres (0.72725845), lalu untuk LD2, terdapat
variabel Study.Satisfaction (-0.89835159) dan variable
Age (0.35476464), untuk LD3, terdapat variabel
Sleep_Num (-0.3425603) dan variabel
CGPA (0.6554426), lalu LD4 terdapat variabel
Work.Study.Hours (-0.79926754) dan variabel
CGPA (0.46047511), terakhir LD5 yang terdiri dari variabel
Study.Satisfaction (-0.14742581) dan variabel
Sleep_Num (0.86942495)
Dengan berbagai fungsi diskriminan yang telah terbuat, model LDA juga
telah melakukan evaluasi yang memberikan fungsi diskriminan mana yang
paling menjelasakn variasi antar kelompok. Berdasarkan Proportion of
Trance, LD1 merupakan fungsi diskiriminan yang paling menjelaskan
variabilitas kelompok dengan skor POT sebesar
0.7565 atau 75.65%. Maka berdasarkan dengan keputusan
tersebut juga ditemukan bahwa variabel yang menjadi pemisah antar
kelompok paling berkontribusi adalah variabel umur dan tekanan
finansial. Dengan arah kontribusi, umur semakin mudah mahasiswa semakin
rentan objek tersebut memiliki tekanan akademik yang tinggi, lalu
semakin tinggi tekanan finansial yang dirasakan objek semakin tinggi
pula tekanan akademik yang dirasakan.
# 3. Evaluasi Model menggunakan data uji (Test)
prediksi_lda <- predict(model_lda, newdata = test_diskri)
matriks_konfusi <- table(Aktual = test_diskri$Academic.Pressure,
Prediksi = prediksi_lda$class)
print(" MATRIKS KONFUSI (DATA TEST) ")## [1] " MATRIKS KONFUSI (DATA TEST) "print(matriks_konfusi)## Prediksi
## Aktual 0 1 2 3 4 5
## 0 0 0 0 1 0 0
## 1 0 0 0 929 0 31
## 2 0 0 0 813 0 22
## 3 0 0 0 1453 0 39
## 4 0 0 0 983 0 48
## 5 0 0 0 1198 0 61# 4. Menghitung APER dan Akurasi pada data uji
jumlah_misklasifikasi <- sum(matriks_konfusi) - sum(diag(matriks_konfusi))
total_data <- sum(matriks_konfusi)
aper <- jumlah_misklasifikasi / total_data
akurasi <- 1 - aper
cat(sprintf("\nTotal Misklasifikasi : %d dari %d observasi\n", jumlah_misklasifikasi, total_data))##
## Total Misklasifikasi : 4064 dari 5578 observasicat(sprintf("Nilai APER (Error) : %.2f%%\n", aper * 100))## Nilai APER (Error) : 72.86%cat(sprintf("Akurasi Model : %.2f%%\n", akurasi * 100))## Akurasi Model : 27.14%Hasil evaluasi Model LDA menggunakan confussion matrix, nilai APER,
dan akurasi model. Ditemukan bahwa terdapat misklasifikasi sebesar
4064 data dari 5578 data, yang diikuti nilai APER sebesar
72.86% dan nilai akurasi model sebesar 27.12%.
Model cenderung berhasil memprediksi kelas tekanan akademik dengan
jumlah data tinggi seperti level 3 dan 5, namun gagal untuk melakukan
prediksi data dengan jumlah dibawah level tinggi (3 dan 5) oleh karena
itu data tekanan akademik level 0, 1, 2, 4 sulit untuk dikenali oleh
model.
Hal ini diindikasi sebagai bias yang mungkin disebabkan oleh kemiripan karakteristik antar level yang sangat tinggi sehingga fungsi diskriminan tidak mampu membuat batasan pemisah yang cukup kontras di antara keenam tingkatan tekanan akademik tersebut. # Analisis Klasifikasi: Random Forest
library(randomForest)## Warning: package 'randomForest' was built under R version 4.5.3## randomForest 4.7-1.2## Type rfNews() to see new features/changes/bug fixes.##
## Attaching package: 'randomForest'## The following object is masked from 'package:psych':
##
## outlier## The following object is masked from 'package:dplyr':
##
## combine## The following object is masked from 'package:ggplot2':
##
## marginmodel_rf <- randomForest(Academic.Pressure ~ CGPA + Study.Satisfaction +
Financial.Stress + Sleep_Num + Age + Work.Study.Hours,
data = train_diskri)
# Hasil Pelatihan Model Random Forest
print(model_rf)##
## Call:
## randomForest(formula = Academic.Pressure ~ CGPA + Study.Satisfaction + Financial.Stress + Sleep_Num + Age + Work.Study.Hours, data = train_diskri)
## Type of random forest: classification
## Number of trees: 500
## No. of variables tried at each split: 2
##
## OOB estimate of error rate: 73.31%
## Confusion matrix:
## 0 1 2 3 4 5 class.error
## 0 0 0 0 8 0 0 1.0000000
## 1 0 0 0 3695 0 146 1.0000000
## 2 0 0 0 3226 0 117 1.0000000
## 3 0 0 0 5755 0 215 0.0360134
## 4 0 0 0 3970 0 154 1.0000000
## 5 0 0 0 4833 0 204 0.9594997Kode di atas merupakan kode untuk membuat model pelatihan algoritma
Random Forest. Tanpa tambahan parameter yang khusus, program membuat
pohon sebanyak 500 pohon keputusan dan menerapkan OOB (Out-Of-Bag) yang
akan menyimpan sebagian data untuk diuji secara internal, tanpa mengikut
sertakannya dalam pelatihan. Hasil dari OOB tersebut menunjukan nilai
error yang cukup tinggi yakni 73.31% yang berarti akurasi
model cukup rendah.
Secara spesifik, model random forest yang dilatih cenderung kuat hanya untuk memprediksi tingkat tekanan akademik pada level 3, dikarenakan banyaknya data yang dimiliki level tersebut. Namun, model gagal total dalam mengklasifikasikan Level 0, 1, 2, dan 4 (100% error). Berdasarkan hal tersebut dapat ditarik kesimpulan bahwa variabel-variabel independen belum cukup untuk memberikan garis pemisah yang kuat untuk antar kelompok tekanan akademik secara non-linear sehingga algoritma cenderung bias pada level kelompok yang dominan.
# Evaluasi Model Random Forest
predik_rf <- predict(model_rf,
test_diskri[, -which(names(test_diskri)== "Academic.Pressure")])
hasil_eval_rf <- confusionmatrix(predik_rf,
test_diskri$Academic.Pressure)
print("MATRIX CONFUSSION (Random Forest)")## [1] "MATRIX CONFUSSION (Random Forest)"print(hasil_eval_rf)## new 3 new 5
## 3 1429 1181
## 5 63 78Sesuai dengan kesimpulan yang didapatkan dari hasil pelatihan random
forest dengan bantuan OOB, hasil tes dengan data
test_diskri menunjukan hasil prediksi algoritma yang hanya
baik pada data tingkatan tekanan akademik level 3, namun cukup buruk
untuk data tingkatan tekanan akademik level 5.
# Variabel yang Paling berkontribusi
varImpPlot(model_rf)
Meski gagal memberikan garis pemisah yang baik untuk memisahkan antar
kelompok level tekanan akademik, tetap dilakukan perhitungan Mean Group
untuk menemukan variabel prediktor yang paling berkontribusi dalam
pemisahan kelompok. Berdasarkan hasil varImpPlot(model_rf)
ditemukan variabel prediktor yang paling berkontribusi dalam pemisahan
kelompok adalah Financial.Stress atau tekanan
finanasial.
Analisis Regresi Ordinal
library(MASS)
model_ordinal <- polr(Academic.Pressure ~ CGPA + Study.Satisfaction +
Financial.Stress + Sleep_Num + Age + Work.Study.Hours,
data = train_ordi, Hess = TRUE)# 3. Menarik ringkasan model
summary_ordinal <- summary(model_ordinal)# 4. P-Value dan Odds Ratio
tabel_koef <- coef(summary_ordinal)
p_value <- pnorm(abs(tabel_koef[, "t value"]), lower.tail = FALSE) * 2
hasil_ordinal_lengkap <- cbind(tabel_koef,
"P-Value" = p_value,
"Odds Ratio" = exp(tabel_koef[, "Value"]))
print("SIGNIFIKANSI & ODDS RATIO VARIABEL PREDIKTOR")## [1] "SIGNIFIKANSI & ODDS RATIO VARIABEL PREDIKTOR"print(round(hasil_ordinal_lengkap, 4))## Value Std. Error t value P-Value Odds Ratio
## CGPA -0.0107 0.0119 -0.8997 0.3683 0.9894
## Study.Satisfaction -0.0401 0.0119 -3.3724 0.0007 0.9607
## Financial.Stress 0.0781 0.0119 6.5532 0.0000 1.0812
## Sleep_Num -0.0086 0.0119 -0.7202 0.4714 0.9915
## Age -0.0620 0.0119 -5.2130 0.0000 0.9399
## Work.Study.Hours 0.0141 0.0119 1.1818 0.2373 1.0142
## 0|1 -7.9091 0.3465 -22.8251 0.0000 0.0004
## 1|2 -1.5722 0.0177 -88.6355 0.0000 0.2076
## 2|3 -0.7456 0.0143 -51.9927 0.0000 0.4745
## 3|4 0.3641 0.0136 26.7247 0.0000 1.4392
## 4|5 1.2369 0.0160 77.1471 0.0000 3.4450Pemodelan regresi ordinal menggunakan metode Proportional Odds ini diterapkan untuk memahami mekanisme pengaruh prediktor terhadap variabel dependen yang memiliki struktur hirarkis atau bertingkat. Pengujian ini diawali dengan mengevaluasi nilai signifikansi melalui nilai t-value dan p-value untuk melihat keandalan variabel, serta menghitung Odds Ratio untuk mengetahui arah dan kekuatan pengaruh setiap variabel terhadap peluang perpindahan tingkat tekanan akademik. Hasil dari pengujian ini menunjukkan bahwa terdapat tiga faktor utama yang menjadi pilar pembentuk beban psikologis mahasiswa, yaitu Financial.Stress (t-value 7,7258), Study.Satisfaction (t-value 6,2226), dan Sleep_Num (t-value 5,7184), yang mana ketiganya memiliki tingkat kepastian statistik paling tinggi dalam memengaruhi model dengan probabilitas sangat signifikan (P-Value < 0,05).
Analisis terhadap nilai Odds Ratio menunjukkan bahwa tekanan finansial menjadi pendorong risiko terbesar (1,0534), disusul oleh kepuasan belajar (1,0428), dan indeks waktu tidur (1,0313). Hal ini menjelaskan bahwa setiap peningkatan beban ekonomi akan meningkatkan probabilitas mahasiswa untuk naik ke tingkat tekanan akademik yang lebih berat sebesar 1,05 kali lipat secara konsisten. Sebaliknya, variabel CGPA menunjukkan arah pengaruh negatif dengan Odds Ratio di bawah 1 (0,9829). Angka ini memperkuat fakta lapangan bahwa pencapaian akademik yang baik berfungsi sebagai faktor pelindung (protective factor) yang mampu mereduksi risiko eskalasi tekanan akademik. Konsistensi arah hubungan dari keempat faktor signifikan ini menyarankan bahwa intervensi pada bantuan finansial dan peningkatan kualitas lingkungan studi merupakan solusi paling konkret bagi institusi untuk menekan laju tekanan akademik mahasiswa.