ISSN: 2088-9984
Seminar Nasional dan Expo Teknik Elektro 2014
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network I Gede Dyana Arjana Jurusan Teknik Elektro Fakultas Teknik, Universitas Udayana Denpasar, Bali, Indonesia e-mail:
[email protected]
Abstrak—Daerah Renon merupakan salah satu daerah perkotaan dengan tingkat pertumbuhan penduduk dan perkembangan industri yang semakin pesat, sehingga kebutuhan akan listrik semakin meningkat. Penyulang Renon merupakan salah satu penyulang yang dalam keadaan normal beroperasi secara radial yang terdiri dari 37 transformator distribusi serta panjang salurannya mencapai 13,29 km. Panjang penyulang yang sudah melebihi batas aturan penyulang yakni 8 km akan menyebabkan masalah, ini dikarenakan semakin banyaknya pelanggan listrik serta tipe penyulang yang masih radial. Rekonfigurasi penyulang adalah salah satu upaya untuk mengatasi masalah tersebut, akan tetapi sebelum dilakukan konfigurasi sangat penting untuk dapat mengetahui berapa besar drop tegangan dan susut daya pada titik tertentu sehingga kelebihan panjang penyulang tersebut dapat dibawa ke penyulang lain. Ada beberapa metode perhitungan drop tegangan dan susut daya listrik yang dapat digunakan, salah satunya adalah metode Artificial Neural Network (ANN). Metode ANN adalah suatu arsitektur jaringan untuk memodelkan cara kerja sistem saraf manusia (otak) dalam melaksanakan tugas tertentu. Pada metode ANN proses yang digunakan adalah Resilent Backpropagation untuk mempercepat mode pelatihan. Hasil yang didapatkan menggunakan metode ANN pada beban puncak siang Penyulang Renon adalah nilai drop tegangan terbesar yang didapatkan sebesar ∆V = 0,3568 kV memiliki prosentase drop sebesar 1,78% dan nilai total susut daya listrik yang didapatkan sebesar ∆P = 14,8507 kW memiliki prosentase susut sebesar 0,77% dari beban puncak siang sebesar 1.927,12 kW. Selain itu, tingkat akurasi dari mode pengujian ANN yang digunakan cukup baik karena dapat dilihat dari nilai MSE yang lebih kecil dari 10-5, yakni untuk drop tegangan dihasilkan MSE sebesar 0,00000138 (1,38 x 10-6) dan susut daya sebesar 0,00000994 (9,94 x 10-6). Kata kunci: ANN, Drop Tegangan, Susut Daya, Mean Square Error (MSE)
I.
Pendahuluan
salah satu daerah perkotaan dengan tingkat pertumbuhan penduduk dan perkembangan industri yang semakin pesat, sehingga kebutuhan akan listrik semakin meningkat. Kebutuhan listrik untuk daerah Renon disuplai GI Sanur melalui Transformator 3. Penyulang Renon merupakan salah satu penyulang yang dalam keadaan normal beroperasi secara radial yang terdiri dari 37 transfornator distribusi yang tersebar sepanjang salurannya dengan kerapatan beban yang semakin meningkat, serta panjang saluran mencapai 13,29 km. Jika mengacu pada standar PT. PLN (Persero) toleransi prosentase drop tegangan adalah sebesar 5% [1] dan prosentase susut daya sebesar 4,73% [2]. Dalam perhitungan drop tegangan dan susut daya ada beberapa metode yang digunakan salah satunya adalah metode konvensional. Metode konvensional merupakan metode perhitungan secara manual berdasarkan rumus – rumus yang ada. Metode lainnya ada metode aliran daya (load flow) dan metode kecerdasan buatan (Artificial Intelegent). Metode analisa aliran daya, yang secara definisi dapat diartikan sebagai perhitungan daya aktif
Dewasa ini Indonesia sedang melaksanakan pembangunan di segala bidang. Seiring dengan laju pertumbuhan pembangunan maka dituntut adanya sarana dan prasarana yang mendukungnya seperti tersedianya tenaga listrik. Saat ini tenaga listrik merupakan kebutuhan yang utama, baik untuk kebutuhan sehari – hari maupun untuk kebutuhan industri. Penyediaan tenaga listrik yang stabil dan kontinyu merupakan syarat mutlak yang harus dipenuhi dalam memenuhi kebutuhan tenaga listrik. Untuk memenuhi kebutuhan tenaga listrik tersebut, maka dalam pendistribusiannya tidak dapat dipungkiri pasti akan terjadi drop tegangan (∆V) dan susut daya listrik (∆P). PT. PLN (Persero) Distribusi Bali Area Jaringan Bali Selatan memiliki cakupan wilayah kerja yang cukup luas sehingga dalam pendistribusian daya listriknya dapat terjadi drop tegangan dan susut daya listrik yang cukup besar. Salah satu wilayah kerja PLN Area Bali Selatan yang memiliki tingkat kebutuhan listrik yang cukup besar yakni berada di daerah Renon. Daerah Renon merupakan 131
Seminar Nasional dan Expo Teknik Elektro 2014
ISSN: 2088-9984
dan reaktif yang mengalir dalam setiap saluran dan besar serta sudut phasa tegangan setiap bus dari suatu sistem dengan pembangkitan serta kondisi beban yang tertentu yang dianggap konstan (steady state) [3]. Simulasi dalam metode aliran daya ini bisa dilakukan menggunakan program komputer. Dalam perkembangan ilmu selanjutnya banyak digunakan metode berbasis AI untuk memecahkan masalah-masalah di bidang kelistrikan. AI didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Salah satu metode berbasis AI adalah Artificial Neural Network (ANN). Dalam penelitian kali ini akan dilakukan suatu perhitungan drop tegangan dan susut daya menggunakan metode berbasis kecerdasan buatan yaitu metode ANN, dengan cara mengaplikasikan dalam sebuah coding pemrograman ANN. Metode ANN adalah suatu arsitektur jaringan untuk memodelkan cara kerja sistem saraf manusia (otak) dalam melaksanakan tugas tertentu. Dalam penelitian ini akan dilakukan analisa perhitungan drop tegangan dan susut daya menggunakan metode ANN dan proses yang digunakan adalah Backpropagation. Backpropagation merupakan algoritma pembelajaran yang terawasi dan digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma Backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward) [4]. Dalam Backpropagation ada beberapa mode pelatihan, namun yang akan dipakai pada penelitian ini adalah mode pelatihan Resilent Backpropagation tujuannya untuk mempercepat mode pelatihan.
B. Perambatan Balik Jaringan perambatan balik (Backpropagation) merupakan salah satu model jaringan yang populer pada ANN. Model ini banyak digunakan untuk diaplikasikan pada penyelesaian suatu masalah yang berkaitan dengan identifikasi, prediksi, pengenalan pola dan sebagainya [7]. 1). Algoritma Pelatihan Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara output jaringan dengan target yang diinginkan merupakan error yang terjadi. Error tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di output layer. Fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi. Untuk jelasnya dapat dijelaskan sebagai berikut [8]: Langkah 0 : Pemberian inisialisasi faktor bobot (ambil bobot awal dengan nilai acak yang cukup kecil). Langkah 1 : Menetapkan maksimum epoch, target kesalahan, dan learning rate (α). Langkah 2 : Inisialisasi epoch = 0, MSE (Mean Square Error) = 1. Langkah 3 : Selama epoch < maksimum epoch, dan MSE > target kesalahan, maka lakukan : 1. Epoch = Epoch +1 2. Untuk setiap pasangan pelatihan lakukan langkah berikut : 1. Feedforward Langkah 4 : Setiap unit input (xi) menerima sinyal dan meneruskan sinyal ini ke unit tersembunyi diatasnya. Langkah 5 : Setiap unit pada suatu lapisan tersembunyi yj (j = 1,2,….,p) menjumlahkan sinyal-sinyal input terbobot.
II. Kajian Pustaka
n
y _ in j = w j 0 + ∑ xi wij
A. Artificial Neural Network (ANN)
(1)
i =1
Pada banyak literatur berbahasa Indonesia, ANN sering diterjemahkan sebagai Jaringan Syaraf Tiruan (JST). ANN adalah suatu arsitektur jaringan untuk memodelkan cara kerja sistem saraf manusia (otak) dalam melaksanakan tugas tertentu. Pemodelan ini didasari oleh kemampuan otak manusia dalam mengorganisasi sel-sel penyusunnya (yang disebut neuron) yang dihubungkan dengan elemen pemroses lain oleh suatu aturan dan bobot, sehingga memiliki kemampuan untuk melaksanakan tugas-tugas tertentu khususnya pengenalan pola dengan efektivitas jaringan sangat tinggi [5]. Informasi yang telah diterima oleh neuron lain jika memenuhi batasan tertentu yang sering dikenal dengan nama nilai ambang (threshold) yang dikatakan teraktivasi [6]. Umumnya, jaringan saraf tiruan merupakan suatu kumpulan pemroses sinyal analog yang dihubungkan melalui link yang disebut interkoneksi atau koneksi – koneksi sederhana.
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya : y j = f ( y _ in j ) =
1 1+ e
− y _ in j
,
(2)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi. Langkah 6 : Setiap unit output zk (k = 1,2,….,m) menjumlahkan sinyal-sinyal input terbobot. z _ ink = w0 k + ∑ j =1 y j w'jk . p
(3)
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya : yz = f ( z _ ink ) =
132
1 . 1 + e − z _net k
(4)
ISSN: 2088-9984
Seminar Nasional dan Expo Teknik Elektro 2014
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). 2. Backpropagation dari Error Langkah 7 : Setiap unit output zk menerima target pola yang berhubungan dengan pola input pelatihan, hitung informasi kesalahan :
δ 2k = (tk − zk ) f '( z _ ink )
(5)
ϕ 2k = δ k y j ,
(6)
β 2k = δ k .
(7 )
(8)
Menghitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai wok) : ∆w0 k = αβ 2k
(9)
δ _ in j = ∑ k =1 δ k w'jk
ϕ1ij = δ j xi ,
(12)
β 1ij = δ j .
(13)
Menghitung koreksi mengubah wij selanjutnya)
bobot
(digunakan
∆wij = αϕ1ij ,
MSE =
(14)
(15)
3. Memperbaiki Bobot dan Bias Langkah 9 : Tiap output layer mengubah bias dan bobot-bobotnya (16)
w0 k (baru ) = w0 k (lama), +∆w0 k
(17)
(21)
SSE . Jumlah Data
(22)
Perhitungan drop tegangan dan susut daya listrik yang dibahas dalam penelitian ini menggunakan metode ANN. Metode ANN menggunakan data yang cukup banyak, ini dikarenakan metode ini dibagi menjadi dua yakni untuk mode pelatihan dan mode pengujian. Data yang digunakan merupakan data beban puncak harian pada sistem kelistrikan Bali tanggal 7 Juni 2012 sebagai data pelatihan dan 11 Juni 2012 sebagai data pengujian, dengan parameter yang digunakan antara lain single line, data penghantar, data gardu distribusi, dan data pelanggan Penyulang Renon. Data diatas diolah terlebih dahulu menggunakan bantuan metode aliran daya sehingga didapatkan hasil yakni, arus dan impedansi sebagai input serta drop tegangan dan susut daya sebagai target. Kemudian dari nilai input dan target tersebut akan dibuat syntax pemrograman ANN yakni, untuk mode pelatihan dan mode pengujian. Mode pelatihan ANN yang digunakan dalam penelitian ini adalah mode pelatihan resilent backpropagation. Tujuan utama menggunakan mode pelatihan ini adalah untuk mempercepat proses pelatihan sehingga prosesnya
untuk
w'jk (baru ) = w'jk (lama), +∆w'jk
(20)
III. Metodologi Penelitian
dan menghitung koreksi bias (digunakan untuk mengubah woj selanjutnya) ∆w0 j = αβ 1 j ,
2
MSE Dihitung sebagai berikut : 1. Hitung SSE. 2. Hasil SSE dibagi dengan banyaknya jumlah data pada latihan.
Mengalikan dengan turunan fungsi aktivasi untuk menghitung informasi error. (11)
(19)
SEE = ∑ SE
(10)
δ j = δ _ in j f '( y _ in j ),
woi (baru ) = woj (lama ), +∆wio
SE = (T arg et − Pelatihan )
Langkah ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi kesalahan dari suatu lapisan tersembunyi ke lapisan tersembunyi lainnya. Langkah 8 : Menghitung faktor δ hidden layer berdasarkan error di setiap hidden layer. m
(18)
2). Evaluasi ANN Untuk mengukur sejauh mana akurasi dari keluaran jaringan ANN, diperlukan sebuah perangkat kuantisasi. Untuk menghitung selisih keluaran ANN dengan data target pada proses latih digunakan SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron 1 dan neuron 2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk menghitung nilai MSE (Mean Square Error) tiap iterasi. SEE dihitung sebagai berikut : 1. Hitung lapisan prediksi atau keluaran model untuk masukan pertama. 2. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan untuk setiap keluaran. 3. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh lain.
Kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai wjk : ∆w'jk = αϕ 2k
wij (baru ) = wij (lama ), +∆wij
Tiap hidden layer (yj) mengubah bias dan bobot (i) 133
Seminar Nasional dan Expo Teknik Elektro 2014
ISSN: 2088-9984
Hidden Layer Input Layer
H1
Output Layer
Arus (I)
X1
H2
Y1
Drop Tegangan (ΔV)
Impedansi (Z)
X2
Y2
Susut Daya (ΔP)
H3
H4
Hn
Gambar 1. Arsitektur ANN Multilayer Perceptron.
cepat mencapai titik konvergensinya. Adapun parameter yang digunakan dalam pembuatan syntax pemrograman ANN yakni, epochs, goal, learning rate, show, dan time. Hasil dari mode pelatihan ini disimpan dan akan dipanggil dalam mode pengujian. Mode pengujian ANN dalam penelitian ini menggunakan syntax yang hampir sama dengan mode pelatihan, tetapi perbedaannya adalah data yang digunakan berbeda. Penggunaan data yang berbeda bertujuan untuk menguji mode pelatihan yang telah dilakukan sehingga dapat dilihat tingkat akurasi dari metode ANN. Tingkat akurasi dapat dilihat dari nilai error yang dihasilkan, jadi semakin kecil nilai error maka hasil yang ingin dicapai akan semakin mendekati target yang diinginkan. Dalam penelitian ini digunakan bantuan program komputer untuk menghitung drop tegangan dan susut daya penyulang renon. Menghitung nilai error untuk melihat tingkat akurasi digunakan persamaan SSE serta MSE sesuai dengan Persamaan 20, 21, dan 22.
Gambar 2. Nilai hasil uji dengan target uji drop tegangan beban puncak siang.
Parameter yang digunakan yakni, epoch sebesar 30, goal sebesar 10-5, learning rate sebesar 10-5, show sebesar 30, dan time sebesar inf. Hasil dari mode pelatihan adalah iterasi maksimum yang didapatkan adalah sebesar 27 iterasi dari total maksimum 30 iterasi. Keluaran dari mode pelatihan berupa jaringan dan bobot-bobot baru yang otomatis tersimpan sehingga akan mudah dipanggil pada mode pengujian. Selain itu dalam mode pelatihan dihasilkan nilai MSE, yakni untuk drop tegangan sebesar 0,00000058 (5 x 10-7) dan untuk susut daya sebesar 0,00000305 (3 x 10-7). C. Mode Pengujian ANN Syntax pengujian yang telah dibuat kemudian diuji dengan cara menjalankan program atau mengeksekusi program. Hasil eksekusi program sesuai dengan syntax pengujian yang telah dibuat untuk beban puncak siang yaitu pencarian drop tegangan dan susut daya akan didapatkan hasil pada Gambar 2 dan 3. Berdasarkan Gambar 2 dan 3 hasil yang didapatkan menggunakan metode ANN pada beban puncak siang Penyulang Renon adalah nilai drop tegangan terbesar yang didapatkan sebesar ∆V = 0,3568 kV dan nilai total susut daya listrik yang didapatkan sebesar ∆P = 14,8507 kW.
IV. Hasil dan Pembahasan A. Arsitektur Jaringan Arsitektur jaringan yang digunakan oleh algoritma backpropagation pada penelitian ini adalah jaringan feedforward dengan banyak lapisan (multilayer), yang menggunakan satu lapisan masukan (input layer), satu lapisan dalam (hidden layer) dan satu lapisan keluaran (output layer) yang ditunjukkan pada Gambar 1.. Lapisan masukan terdiri dari 2 sel, yaitu arus (I) dan impedansi (Z) pada cubicle 20 kV Penyulang Renon. Jumlah sample yang dilatih sebanyak 95 variasi yang merupakan hasil perhitungan menggunakan metode aliran daya. Jumlah sel (neuron) lapisan dalam yang digunakan adalah 95 sel. Sedangkan jumlah lapisan sel pada lapisan keluaran adalah 2 sel, yang merupakan vektor keluaran ANN, yaitu nilai drop tegangan dan susut daya. B. Mode Pelatihan ANN Syntax pelatihan yang telah dibuat kemudian dijalankan menggunakan bantuan program komputer. Tabel 1. MSE mode pelatihan Mode
MSE Drop Tegangan
MSE Susut Daya
Pelatihan
0,00000058
0,00000305
Gambar 3. Nilai hasil uji dengan target uji susut daya beban puncak siang.
134
ISSN: 2088-9984
Seminar Nasional dan Expo Teknik Elektro 2014
kV dengan prosentase sebesar 1,78%, jika dilihat dari prosentasenya masih dalam batas toleransi PLN yaitu dibawah 5% dan ∆P = 14,8507 kW. Jika dilihat dari total nilai susut daya yang bernilai 14,8507 kW memiliki prosentase sebesar 0,77% dari beban puncak siang sebesar 1.927,12 kW, berdasarkan prosentase yang sangat kecil ini Penyulang Renon memiliki nilai susut yang masih dalam batas toleransi PLN Distribusi Bali yaitu ± 4,73%. 2. Total MSE untuk drop tegangan sebesar 0,00000138 (1,38 x 10-6) dan susut daya sebesar 0,00000994 (9,94 x 10-6). Dari kedua total MSE tersebut memiliki nilai yang lebih kecil dari nilai MSE yang telah ditentukan (10-5), jadi metode ANN yang digunakan untuk perhitungan drop tegangan dan susut daya ini memiliki tingkat akurasi yang baik. 3. Pada penelitian menggunakan metode ANN ini terdapat beberapa kekurangan. Adapun kekurangan yang didapat antara lain, data yang diperlukan cukup banyak (input dan target), pemilihan fungsi aktivasi yang tepat, dan penentuan nilai parameter-parameter yang tepat. Penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan dan mendapatkan hasil drop tegangan dan susut daya dengan kesalahan yang lebih kecil. Selain itu, disarankan dalam penelitian selanjutnya digunakan metode berbasis kecerdasan buatan (AI) lainnya, misalnya menggunakan fuzzy logic system atau dengan metode neuro-fuzzy sehingga dapat diperoleh metode terbaik dalam menghitung drop tegangan dan susut daya.
Tabel 2. MSE mode pengujian. Mode
MSE Drop Tegangan
MSE Susut Daya
Pengujian
0,00000080
0,00000689
Tabel 4.3 Total MSE metode ANN perhitungan drop tegangan dan susut daya. Mode
MSE Drop Tegangan
MSE Susut Daya
Pelatihan
0,00000058
0,00000305
Pengujian
0,00000080
0,00000689
Total
0,00000138
0,00000994
Tabel 4. Perbandingan hasil antara metode aliran daya dan ANN. Metode
Drop Tegangan
Susut Daya
Aliran Daya
0,3568
14,8414
ANN
0,3568
14,8507
Selain mendapatkan nilai drop tegangan dan susut daya, tingkat akurasi dari mode pengujian ANN yang digunakan cukup baik karena dapat dilihat dari nilai MSE yang sangat kecil, yakni untuk drop tegangan dihasilkan MSE sebesar 0,0000008 (8 x 10-7) dan MSE untuk susut daya sebesar 0,00000689 (6,89 x 10-6). Tabel 3 menunjukkan total dari MSE yang dihasilkan dari mode pelatihan dan mode pengujian. Berdasarkan Tabel 3 dapat dilihat total MSE untuk drop tegangan sebesar 0,00000138 (1,38 x 10-6) dan susut daya sebesar 0.00000994 (9,94 x 10-6). Dari kedua total MSE tersebut memiliki nilai yang lebih kecil dari nilai MSE yang telah ditentukan (10-5), jadi metode ANN yang digunakan untuk perhitungan drop tegangan dan susut daya ini memiliki tingkat akurasi yang baik. Tabel 4 menampilkan perbandingan hasil antara metode aliran daya dan ANN. Berdasarkan Tabel 4 dapat dilihat bahwa nilai yang dihasilkan oleh metode ANN tidak terlampau jauh dengan metode aliran daya. Ini dikarenakan mode pengujian memiliki nilai MSE yang sangat kecil, maka target yang diinginkan tercapai.
Referensi [1]
SPLN–72. Spesifikasi desain untuk Jaringan Tegangan Menengah (JTM) dan Jaringan Tegangan Rendah (JTR). 1987.
[2]
PT. PLN (Persero). Susut Distribusi Bali tahun 2012. Bali. 2012.
[3]
Sonixtus, Radita. Estimasi Rugi-rugi Energi Pada Sistem Distribusi Radial 20 kV dengan Menggunakan Pendekatan Aliran Daya Pada Program ETAP Power Station 4.0.0 Studi Kasus : Sistem Distribusi Jawa Timur Penyulang GI Waru. Surabaya: Universitas Kristen Petra. 2008.
[4]
Kusumadewi, Sri. Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excel Link). Yogyakarta: Graha Ilmu. 2004.
V. Kesimpulan
[5]
Suyanto. Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung : Informatika Bandung. 2008.
Berdasarkan hasil analisis yang telah dilakukan, maka dapat disimpulkan sebagai berikut : 1. Penggunaan metode ANN Backpropegation untuk menentukan nilai drop tegangan dan susut daya di Penyulang Renon pada tanggal 11 juni 2012 mendapatkan hasil nilai drop tegangan terbesar yakni, ∆V = 0,3568
[6]
Kusumadewi, Sri. Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi 2. Yogyakarta: Graha Ilmu. 2010.
[7]
Widodo, Prabowo Pudjo. Penerapan Soft Computing dengan MATLAB. Bandung : Rekayasa Sains. 2012.
[8]
Suyanto. Artificial Intellegence (Searching, Reasoning, Planning and Learning). Bandung : Informatika Bandung. 2011.
135
