Perancangan Sistem Pembersih Udara Menggunakan Metode Fuzzy Mamdani Untuk Kontrol Kipas berbasis IOT (Internet of Things)
Referensi:
Muhammad, Zaki. 2020. "Perancangan Sistem Pembersih Udara Menggunakan Metode Fuzzy Mamdani Untuk Kontrol Kipas berbasis IOT (Internet of Things)". Skripsi pada Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim. Diunduh melalui http://etheses.uin-malang.ac.id/23745/1/16650056.pdf pada 16 Desember 2022 pukul 10.49 WIB.
- Untuk memahami bagaimana aplikasi fuzzy
- Untuk memahami bagaimana sistem inferensi mamdani
- Memahami penerapan fuzzy pada elektro
2. ABSTRAK [Kembali]
Kualitas udara yang baik berpengaruh pada kesehatan manusia, karena tubuh manusia membutuhkan oksigen untuk peredaran darah. Salah satu cara untuk dapat menjaga kualitas udara adalah dengan menggunakan teknologi IOT dengan memonitoring kualitas udara secara lengsung. Alat yang dugunakan pada penelitian ini berupa Arduino Uno, NodeMCU, sensor asap, sensor PM 2.5, sensor suhu, dan Kipas. Metode Fuzzy Mamdani digunakan untuk output berupa kontrol kipas, yang mana kipas dapat berputar secara otomatis sesuai dengan inputan yang ada. Inputnya berupa asap, PM 2.5 dan suhu. Error yang didapatkan dari output sistem dibandingkan dengan hasil perhitungan matlab menghasilkan rata-rata error sebesar 5,8%.
3. PENDAHULUAN [Kembali]
Kualitas udara yang sehat memegang peran yang sangat penting demi keberlangsungan hidup manusia. Beberapa indikator yang dapat dilihat ketika udara tercemar adalah asap dan suspensi partikel kecil bernama PM 2.5. Asap merupakan jenis polusi udara yang dihasilkan dari campuran beberapa gas dan partikel yang bereaksi dengan sinar matahari. PM 2.5 berdasarkan dengan ukurannya yang kecil, yaitu sebesar 3.5 mikron (mikrometer), partikel ini sangat berbahaya karena ukurannya yang kecil tersebut tidak dapat tersaring pada bagian pernafasan atas manusia, langsung menempel pada gelembung paru.
Peneliti ingin membuat prototype sistem pembersih udara menggunakan metode fuzzy mamdani untuk kontrol kipas berbasis IOT. Alat ini berfungsi ketika sensor mendeteksi asap, partikel PM 2.5 , dan suhu pada ruangan kemudian alat ini akan menghidupkan kipas yang tersambung ke perangkat. Kipas ini berfungsi untuk membantu sirkulasi dara suatu ruangan sehingga asap dan PM 2.5 berkurang dan suhu tetap normal. Kecepatan kipas juga tergantung oleh banyaknya asap, PM 2.5, dan suhu. Fuzzy mamdani digunakan untuk mengolah input dari sensor asap, PM 2.5, dan suhu untuk menentukan kecepatan dari kipas.
4. STUDI PUSTAKA [Kembali]
Internet of Things (IOT) merupakan salah satu turunan dari internet. IOT merupakan pengembangan dan bentuk lain dari internet yang memiliki tujuan untuk mmemperlebar manfaat dan kegunaan dari koneksi internet yang tersambung secara terus menerus, berikut kemampuan untuk mengontrol, sharing data, dan lain sebagainya. Internet of things adalah jaringan benda-benda fisik atau "things" yang tertanam (embedded) dengan elektronik, perangkat lunak, sensor dan konektivitas untuk memungkinkannya untuk mencapai nilai yang lebih besar dan layanan dengan bertukar data produsen, operator dan atau perangkat lain yang terhubung. Perangkat ini mengumpulkan data yang berguna dengan bantuan berbagai teknologi yang ada dan kemuadian secara mandiri mengalirkan data antara perangkat lain.
Data dari WHO pada tahun 2018 menyebutkan bahwa secara global sebanyak 3,8 juta orang meninggal karena polusi udara rumah tangga, hampir semuanya terjadi di negara berpenghasilan rendah dan menengah. Efeknya menyebabkan ISPA (Infeksi Saluran Pernafasan Akut), kanker paru-paru, PPOK (Penyakit Paru Obstuktif Kronis), penyakit jantung iskemik, dan stroke. Asap mengandung gas dan partikel kimia yang berbahaya mengganggu pernafasan seperti sulfur dioksida (SO2), karbon monoksida (CO), formaldehide, akrelein, benzena, nitrogen oksida (NOx) dan ozon permukaan (O3). PM 2.5 mengandung sulfat, nitrat, senyawa organik, senyawa amonium, logam, dan bahan asam.
PERMEN Lingkungan Hidup tahun 1997 mengklasifikasi tingkat pencemaran udara yang disebut Indeks Standar Pencemaran Udara. Indeks Standar Pencemaran Udara adalah angka yang tidak mempunyai satuan yang menggambarkan kondisi kualitas udara ambien di lokasi dan waktu tertentu yang didasarkan kepada dampak terhadap kesehatan manusia, nilai estetika dan makhluk hidup lainnya. Parameter Indeks Standar Pencemaran Udara meliputi:
a. Partikulat PM 2.5
b. Karbon Monoksida (CO)
c. Sulfur Dioksida (SO2)
d. Nitrogen Dioksida (NO2)
e. Ozon (O3)
Arduino adalah sebuah platform elektronik open source (sumber terbuka) yang didasarkan pada perangkat lunak dan keras yang mudah digunakan. Papan arduino dapat diperintah dengan memberikan suatu set instruksii kepada mikrokontroler yang ada di dalam papan arduino. Sensor yang digunakan di sini adalah sensor Asap MQ-2, sensor PM 2.5 PMS5003, dan sensor suhu dan kelembapan DHT22.
- Sensor MQ-2
Sensor MQ-2 adalah sensor yang digunakan untuk mendeteksi konsentrasi gas yang mudah terbakar di udara serta asap dan output dibaca sebagai tegangan analog. Sensor MQ-2 dapat mendeteksi gas LPG, butana, propana, metana, alkohol, hidrogen dan asap (yang mudah terbakar).
Sensor MQ-2 adalah sensor yang digunakan untuk mendeteksi konsentrasi gas yang mudah terbakar di udara serta asap dan output dibaca sebagai tegangan analog. Sensor MQ-2 dapat mendeteksi gas LPG, butana, propana, metana, alkohol, hidrogen dan asap (yang mudah terbakar).
Nilai Ro adalah nilai resistansi di udara segar dan nilai Rs adalah nilai resistansi dalam konsentrasi gas. Pertama harus mengkalibrasi sensor dengan menemuka nilai Ro di udara segar dan kemudian menggunakan nilai itu untuk menemukan Rs dengan rumus:
Setelah mendapatkan nilai Rs dan Ro, dapat ditemukan rasio kemudian menggunakan grafik yang ditunjukkan di atas, kemudian dapat dihitung nilai PPM yang setara untuk gas tersebut.
- Sensor PMS5003
PMS5003 adalah sejenis sensor konsentrasi partikel digital dan universal, yang dapat digunakan untuk mendapatkan jumlah partikel tersuspensi di udara, yaitu konsentrasi partikel, dan mengeluarkannya dalam bentuk keluaran digital. Sensor ini dapat dimasukkan dalam instrumen variabel yang terkait dengan konsentrasi partikel tersuspensi di udara atau peralatan peningkatan kualitas lingkungan lainnya untuk memberikan data konsentrasi yang benar pada waktunya.
Prinsip hamburan laser digunakan untuk sensor tersebut menghasilkan hamburan dengan menggunakan laser untuk memancarkan partikel yang tertahan di udara, kemudian mengumpulkan hamburan cahaya dalam derajat tertentu, dan akhirnya mendapatkan kurva hamburan perubahan cahaya seiring dengan waktu. Pada akhirnya, diameter partikel ekuivalen dan jumlah partikel dengan diameter berbeda per satuan volume dapat dihitung oleh mikroprosessor berdasarkan teori MIE.
- Sensor DHT22
Sensor DHT22 sensor yang dapat mengukir suhu dan kelembapan udara disekitarnya. Keluarannya berupa sinyal digital dengan akurasi yang baik dengan galat 4% dan 18% masing-masing untuk suhu dan kelembapan.
- Fuzzy
Kata Fuzzy adalah kata sifat yang berarti kabur atau tidak
jelas. Fuzziness atau kekaburan atau ketidakjelasan selalu
ada dikehidupan manusia.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan
ruang input kedalam suatu ruang output. Seorang
profesor dari University of California di Berkeley bernama
Lotfi A. Zadeh
memperkenalkan konsep ini pada tahun 1965. Logika fuzzy menggunakan ungkapan bahasa untuk menggambarkan suatu
nilai variabel. Logika fuzzy bekerja menggunakan derajat keanggotaan dari
sebuah nilai yang kemudian digunakan untuk
menentukan hasil yang diinginkan berdasarkan faktor yang telah ditentukan. Sebelumnya telah dijelaskan bahwa logika fuzzy memetakan ruang input ke ruang output.
Antara input dan output terdapat
suatu kotak hitam yang harus memetakan input ke output yang
sesuai (Kusumadewi, 2004).
- Metode Fuzzy Mamdani
Metode Mamdani merupakan metode yang paling umum digunakan. Metode terkadang juga disebut dengan metode Max-Min. Pada metode mamdani terdapat 4 tahap untuk mendapatkan suatu output, yaitu:
1. Pembentukan himpunan fuzzy
Fuzzification merupakan langkah awal yang bertugas untuk mengambil nilai input berupa nilai crisp dan menentukan derajat dari input sehingga input dapat dikelompokkan pada himpunan fuzzy yang tepat. Fuzzification merupakan proses membuat bilangan crisp memiliki nilai fuzzy. Pada tahap pertama ini, nilai input yang berupa nilai crisp akan dikonversikan menjadi nilai fuzzy, sehingga dapat dikelompokkan pada himpunan fuzzy tertentu.
2. Aplikasi fungsi implikasi
Langkah kedua untuk mendapatkan output adalah mengambil nilai input yang telah melewati proses fuzzifikasi dan menerapkannya pada antecedents pada aturan-aturan fuzzy lalu diimplikasiksan. Fungsi implikasi yang digunakan adalah Min.
𝜇𝐴𝖴𝐵(𝑥) = 𝑚𝑖𝑛 (𝜇𝐴[𝑥], 𝜇𝐵[𝑥])
3. Komposisi aturan
Agregasi merupakan psroses pengg abungan nilai keluaran dari semua aturan. Pada tahap ini, digunakan metode Max, dimana solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan yang kemudian digunakan untuk memodifikasi daerah fuzzy.
𝜇𝑠𝑓[𝑥𝑖] ← 𝑚𝑎𝑥
4. Defuzzifikasi
Langkah terakhir merupakan proses defuzzifikasi, yaitu untuk mengkonversi nilai fuzzy hasil dari agregasi aturan ke dalam sebuah bilangan crisp. Metode yang paling umum digunakan untuk melakukan defuzzifikasi adalah menggunakan metode centroid.
5. METODOLOGI PENELITIAN [Kembali]
Sistem pembersih
udara ini menggunakan metode fuzzy mamdani untuk
mengontrol kipas dengan berdasarkan dari input sensor. Terdapat 3 sensor
sebagai inputan sistem ini, yaitu sensor asap, sensor partikel
PM 2,5, dan sensor suhu. Alat ini akan berfungsi
ketika sensor mendeteksi ketiga input yang disebutkan sebelumnya. Ketiga inputan ini akan
menentukan tingkat kecepatan dari putaran kipas.
Sebagai contoh, ketika sensor mendeteksi asap banyak, partikel PM 2,5 banyak,
dan suhu tinggi
maka kipas akan berputar sangat
cepat. Alat ini membantu sirkulasi udara di suatu ruangan agar
asap dan PM 2,5 yang terdeteksi cepat hilang
dan menjaga suhu tetap normal.
Blok diagram sistem
Flowchart proses fuzzy mamdani
3.3 Implementasi Metode Fuzzy Mamdani
3.3.1 Pembentukan Himpunan Fuzzy
Tahap awal dari prosedur metode Fuzzy Mamdani adalah pembentukan himpunan fuzzy atau istilah lainnya adalah fuzzifikasi. Fuzzifikasi adalah proses yang dilakukan dengan mentransformasikan input himpunan tegas (crisp) ke dalam himpunan fuzzy. Sebagai contoh, pada sistem ini terdapat inputan sebagai berikut:
1. Asap : 70 ppm
2. PM 2,5 : 65 µg/m3
3. Suhu : 33° C
1. Variabel Fuzzy Kepekatan Asap
Variabel kondisi asap didalam ruangan dibagi menjadi 3 bagian, dengan domain himpunan fuzzy: renggang (0-50 ppm), sedang (25-75 ppm), dan pekat (50-100 ppm). Pada variabel keanggotaan renggang menggunakan fungsi dengan bentuk bahu kiri dengan persamaan matematikanya seperti berikut.
Untuk variabel keanggotaan sedang menggunakan fungsi dengan bentuk segitiga dengan persamaan matematikanya seperti berikut.
Untuk variabel keanggotaan pekat menggunakan fungsi dengan bentuk bahu kanan dengan persamaan matematikanya seperti berikut.
Gambar 3.5 Derajat Keanggotaan Asap
Dengan input asap yang diketahui adalah sebesar 70 ppm, maka nilai keanggotaannya adalah:
2. Variabel Fuzzy Partikel PM2,5
Variabel kondisi partikel PM 2,5 didalam ruangan dibagi menjadi 3 bagian, dengan domain himpunan fuzzy: sedikit (0 – 50 µg/m3), sedang (25 – 75 µg/m3), dan banyak (50 – 100 µg/m3). Pada variabel keanggotaan sedikit menggunakan fungsi dengan bentuk bahu kiri dengan persamaan matematikanya seperti berikut.
Untuk variabel keanggotaan sedang menggunakan fungsi dengan bentuk segitiga dengan persamaan matematikanya seperti berikut.
Untuk variabel keanggotaan banyak menggunakan fungsi dengan bentuk bahu kanan dengan persamaan matematikanya seperti berikut.
Gambar 3.6 Derajat Keanggotaan PM2,5
Dengan input asap yang diketahui adalah sebesar 65 µg/m3, maka nilai keanggotaannya adalah:
3. Variabel Fuzzy Suhu
Variabel kondisi suhu ruangan dibagi menjadi 4 bagian yaitu: Dingin (0°C - 25°C), Sedang (15°C - 35°C), dan Panas (25°C - 45°C). Pada variabel keanggotaan dingin menggunakan fungsi dengan bentuk bahu kiri dengan persamaan matematikanya seperti berikut.
Untuk variabel keanggotaan sedang menggunakan fungsi dengan bentuk segitiga dengan persamaan matematikanya seperti berikut.
Untuk variabel keanggotaan panas menggunakan fungsi dengan bentuk bahu kanan dengan persamaan matematikanya seperti berikut.
Gambar 3.7 Derajat Keanggotaan Suhu
Dengan input suhu yang diketahui adalah sebesar 33°C, maka nilai keanggotaannya adalah:
4. Variabel Fuzzy Kecepatan Kipas
Pada kecepatan kipas derajat keanggotaannya dibagi menjadi 5 bagian. Untuk mengendalikan kecepatan kipas menjadi 5 bagian tersebut digunakan mosfet. Inputan mosfet berupa pwm (pulse-width modulation) yang dapat menerima inputan dari 0-1000. Pada variable fuzzy kecepatan kipas ini hanya akan digunakan nilai pwm dari rentang 500 – 1000, dikarenakan setelah dilakukan uji coba, nilai pwm 0-500 masih membuat kipas mati, maka untuk keefektifan hanya digunakan nilai pwm dari 500 – 1000. 5 bagian itu yaitu: mati (500 - 625), pelan (500 – 750), sedang (625 – 875), cepat (750 - 1000), dan sangat cepat (875 - 1000).
Gambar 3.8 Derajat Keanggotaan Output Kipas
6. HASIL & PEMBAHASAN [Kembali]
Rumus penghitungan error dari pengujian ini adalah sebagai berikut, misalkan pada pengujian aturan pertama asap 23ppm, PM 2,5 30µg/m3, dan suhu 15° C menghasilkan output mikrokontroler sebesar 579, dan penghitungan matlab sebesar 580, maka hasil penghitungan adalah sebagai berikut :
Rumus penghitungan rata-rata error dari pengujian ini, yaitu dengan cara menjumlah seluruh error dengan jumlah percobaan yang dilakukan. Penghitungan rata-rata errornya adalah seperti berikut.
Maka rata-rata error yang didapatkan dari pengujian ini adalah sebesar 5,8%, error yang diperoleh dapat dikatakan cukup rendah.
PERCOBAAN
Prosedur Percobaan
STEP 1 : Susun konsep sistem kontrol dengan logika fuzzy
STEP 2 : Setelah konsep sistem kontrol dibentuk, maka kita dapat membuat pemrogramannya. Ketiklah “fuzzy” pada command window untuk membuka jendela Fuzzy Inference System (FIS) editor, sehingga muncul tampilan seperti gambar di bawah ini:
STEP 3 : Pilih edit >> add variable >> input untuk menambah variable input
STEP 4 : Ubahlah nama input1 menjadi Thermocouple, input2 menjadi PH sensor dan output1 menjadi kecepatan motor
STEP 7: Pilih view >> surface, untuk melihat grafik 3D antara thermocouple, pH, dan keepatan motor
Gambar Hasil Percobaan
7. Kesimpulan [Kembali]
Pengujian selanjutnya dengan cara membandingkan output dari mikrokontroler dengan penghitungan matlab untuk mencari eror dari output sistem fuzzy. Pengujian ini menghasilkan rata-rata eror sebesar 5,8%, dapat dikatakan eror yang didapatkan cukup rendah. Pemilihan metode Fuzzy Mamdani ini dikarenakan menurut dokumentasi di website mathworks, metode ini merupakan metode yang intuitif, sangat cocok untuk inputan manusia, rule base yang lebih mudah diinterpretasikan, dan memiliki penerimaan yang luas.
8. Saran [Kembali]
Penelitian ini menggunakan parameter asap, yang sebenarnya kurang spesifik dan tidak memenuhi standar yang diterapkan di KLHK untuk menghitung indeks pencemaran udara. Peneliti memiliki saran untuk mengganti parameter ini dengan parameter yang digunakan KLHK untuk menghitung indeks pencemaran udara misalkan dengan mendeteksi gas CO, NO, Sulfur dan lain-lain.
9. Realisasi Saran [Kembali]
Pada member function ditambahkan masing-masing 7 pada input dan output. Dan setelah di cari persen error pada suatu percobaan, yang awalnya 0.2% menjadi 5%. Hal ini bisa disebabkan oleh banyaknya member function sehingga terjadi perbedaan perhitungan oleh alat dan percobaan matlab.
10. Daftar Pustaka [Kembali]
- Anonim. 2018. MQ-135 – Gas Sensor for Air Quality. https://components101.com/ sensors/ mq135-gas-sensor-for-air-quality.
- Budiharto, Widodo dan Suhartono, Derwin. 2014. Artificial Intelligence. Yogyakarta: Penerbit ANDI.
- Cholianawati, N. 2019. Partikulat Halus (Pm2, 5) Dan Dampaknya Terhadap Kesehatan Manusia (Fine Particulate (Pm2. 5) And It's Impact On Human Health). Berita Dirgantara, 20(1). Goronescu, F. 2011. Data Mining the Concept and Techniques. Romania: Springer.
- Hanwei Electronics. Technical Data MQ-2 Gas Sensor. www.mouser.com/ datasheet/2/321/605-00008-MQ-2-Datasheet-370464.pdf.
- Hardika, D., & Nurfiana, N. 2019. Sistem Monitoring Asap Rokok Menggunakan Smartphone Berbasis Internet Of Things (Iot). Explore: Jurnal Sistem Informasi Dan Telematika, 10(1). doi:10.36448/jsit.v10i1.1221
- Hasan, A. M. 2017. Partikel yang Membunuh dalam Senyap itu bernama PM 2,5. www.tirto.id/partikel-yang-membunuh-dalam-senyap-itu-bernama-pm-25-cnrb. Diunduh pada 4 Maret 2020.
- Hermawan, T. 2017. Mengenal Sensor MQ-2 Sebagai Sensor Pendeteksi Asap. http://trianhermawan.blogspot.com/2017/10/mengenal-sensor-mq-2-sebagai-sensor.html.
- Indahwati, E. dan Nurhayati. 2012. Rancang Bangun Alat Pengukur Konsentrasi Gas Karbon Monoksida (CO) Menggunakan Sensor Gas MQ-135 Berbasis Mikrokontroler Dengan Menggunakan Serial USART. Jurnal Teknik Elektro, 1(1).
- Kementerian Lingkunan Hidup Dan Kehutanan. 1997. Keputusan Menteri Negara Lingkungan Hidup Tentang Indeks Standar Pencemar Udara. Nomor : KEP- 45/MENLH/10/1997. Jakarta: Kementerian Lingkungan Hidup dan Kehutanan.
- Kusumadewi, S. dan Purnowo, H. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.
- Maharani, C., dkk. 2020. Edukasi Dampak Kesehatan Dan Upaya Perlindungan Diri Dari Bencana Kabut Asap. Jurnal Medic (Medical Dedication), 3(1), 22- 26.
- Noviana, A. P. 2018. Rancangan Sistem Pendeteksi Kebakaran Gedung dengan Menggunakan Metode Internet Of Things Berbasis NodeMCU. Skripsi. Tidak Diterbitkan. Fakultas Sains dan Teknologi. Universitas Islam Negeri Maulana Malik Ibrahim: Malang.
- Platower. 2016. PMS5003 series data manual. Datasheet. www.aqmd.gov/docs/default-source/aq-spec/resources-page/plantower-pms5003-manualv2-3.pdf. Diunduh pada 4 maret 2020.
- Purbo, O.W. 2015. Internet Of Things. www.lms.onnocenter.or.id/wiki/index.php/ Internet_ of_Things. Diunduh pada 16 September 2019.
- Purnomo, R. dkk, M. H. 2018. Implementasi Metode Fuzzy Sugeno Pada Embedded System Untuk Mendeteksi Kondisi Kebakaran Dalam Ruangan. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(4), 1431.
- Rahmadini, A. D., & Haryanto, B. 2020. Dampak Pajanan Particulate Matter 2, 5 (PM2, 5) Terhadap Gejala Penyakit Paru Obstruktif (PPOK) Kronis Eksaserbasi Akut pada Pekerja di Pelabuhan Tanjung Priok. 2018. Jurnal Nasional Kesehatan Lingkungan Global, 1(1).
- Sanusi, A. F. 2018. Rancangan Sistem Pemantauan Ketinggian Level Air Sungai Jarak Jauh Berbasis Internet Of Things Dengan NodeMCU. Skripsi. Tidak Diterbitkan. Fakultas Sains dan Teknologi. Universitas Islam Negeri Maulana Malik Ibrahim: Malang.
- Saptadi, A. 2014. Perbandingan Akurasi Pengukuran Suhu dan Kelembaban Antara Sensor DHT11 dan DHT22. JURNAL INFOTEL, 6(2), 49-56. doi:10.20895 /infotel.v6i2.16.
- Saputro, T. T. 2017. Belajar dan Mengenal NodeMCU: Pertemuan Pertama. embeddednesia.com/v1/tutorial-nodemcu-pertemuan-pertama. Diunduh pada 6 November 2019.
- Shiddieqy, M. H. A. 2000. Tafsir al-Qur'anul Majid an-Nuur: Surat 42-114 (Vol. 5). Semarang, Pustaka Rizki Putra.
- Shihab, Q. 2005. Tafsir Al-Mishbah Jilid 1. Jakarta: Lentera Hati.
- Shihab, Q. 2014. Islam dan Teknologi. https://quraishshihab.com/uncategorized/ islam-dan-teknologi/.
- Sugiono. 2017. Kontrol Jarak Jauh Sistem Irigasi Sawah Berbasis IOT. INTEGER: Journal of Information Technology, 2(2): 41-48.
- Sutojo, T. dkk. 2011. Kecerdasan Buatan. Yogyakarta: Penerbit ANDI.
- Utami, D. dkk. 2020. PM2, 5 and Hypertension. JUMP Health (Journal of Ultimate Public Health), 4(1), 277-282.
11. Video [Kembali]
Video Materi Fuzzy
Video Percobaan
Video Realisasi Saran
Tidak ada komentar:
Posting Komentar