|
|
Metode dan Algoritma | JARINGAN SARAF TIRUAN . Anda bisa melakukan konsultasi tentang JARINGAN SARAF TIRUAN melalui form di samping kanan !!!
JARINGAN SARAF TIRUAN
1.1. Jaringan Saraf Biologi
Otak manusia tersusun atas sel-sel saraf atau neuron-neuron yang membentuk jaringan. Sekumpulan neuron (saraf) yang saling terhubung ini berfungsi untuk memberikan sebuah tanggapan atas sebuah rangsangan yang mengenainya. Setiap rangsangan memiliki tanggapan-tanggapan tersendiri dari sebuah neuron tersebut terhadap jenis rangsangan yang mengenainya.
Sebuah neuron memiliki 3 tipe komponen yaitu dendrit (bagian yang menerima rangsang dari axon), soma (badan sel saraf) dan axon (bagian sel yang berhubungan dengan dendrit sel saraf lain dan membentuk simpul yang disebut sinapsis). Dendrit dapat menerima banyak sinyal dari neuron lain. Sinyal adalah impuls listrik yang dipancarkan menyebrangi celah sinapsis yang disebabkan proses kimia. Tindakan dari pancaran proses kimia mengubah sinyal yang datang (secara khas, dengan penskalaan frekuensi sinyal yang diterima). Proses tersebut sama dengan sifat bobot dalam jaringan saraf tiruan [6].
Soma, atau badan sel menjumlahkan sinyal yang datang. Ketika masukan cukup diterima, sel menjadi aktif, saat itulah sel mengirimkan sinyal melaui axonnya ke sel lain. Kejadian ini menimbulkananggapan bahwa setiap sel saraf berada dalam keadaan aktif atau tidak aktif, pada setiap satuan waktu. Sehingga pengiriman sinyal dikenali sebagai kode biner. Kenyataannya, frekuensi dari keadaan aktif bervariasi, sesuai dengan kekuatan sinyal yakni kuat atau lemah magnitudenya.
Pencocokan dengan kode biner ini dilakukan untuk menentukan tahap-tahap dalam tiap waktu diskrit dan menjumlahkan semua aktivitas (sinyal diterima atau dikirim) pada tahap tertentu berdasarkan satuan waktu.
Transmisi sinyal dari neuron tertentu disempurnakan dengan hasil kerja energi potensial neuron yang disebabkan perbedaan konsentrasi ion-ion dari setiap sisi sarung pelindung axon neuron (sumsum otak manusia). Ion-ion kebanyakan secara langsung melibatkan zat-zat potassium, sodium dan klorida.
Beberapa fitur penting proses elemen dari jaringan saraf tiruan yang berasal dari cara kerja jaringan saraf biologi [6]:
a. Elemen pemroses menerima beberapa sinyal.
b. Sinyal memungkinkan dimodifikasi oleh bobot pada sinapsis penerima.
c. Elemen pemroses menjumlahkan bobot input.
d. Dalam lingkungan yang sesuai (jumlah input yang sesuai), neuron mengirimkan output tunggal.
e. Output dari neuron khusus memungkinkan dipindahkan ke beberapa neuron lain (melalui cabang axon).
Beberapa fitur jaringan saraf tiruan yang dipelajari dari neuron biologi[6] :
a. Pemrosesan informasi bersifat lokal (meskipun cara berbeda dalam proses transmisi, seperti aksi beberapa hormon, memungkinkan penganjuran cara control proses yang bersifat keseluruhan).
b. Memori terdistribusi :
1. Memori yang berjangka panjang berada dalam sinapsis neuron atau bobot.
2. Memori jangka pendek merespon sinyal kiriman oleh neuron.
c. Kekuatan sinapsis dapat dimodifikasi oleh pengalaman.
d. Neuron pengirim untuk sinapsis mungkin bersifat pengeksitasi atau penghambat.
Karakteristik penting lain jaringan saraf tiruan yang merupakan bagian dari sistem saraf biologi adalah toleransi kesalahan/kekurangan data. Sistem saraf biologi memiliki toleransi kesalahan dalam 2 aspek [6] :
a.Dapat mengenali banyak input sinyal yang beberapa diantaranya berbeda dengan yang pernah dikenali sebelumnya. Sebagai contoh kemampuan manusia untuk mengenali seseorang dari suatu gambaran atau mengenali seseorang setelah periode yang lama.
b.Dapat menerima kerusakan ke dalam sistem saraf itu sendiri.
Manusia memiliki lebih dari 100 trilyun neuron. Kebanyakan diantaranya berada di otak. Jika terjadi kerusakan pada salah satu bagian, maka akan memungkinkan bagian lain akan menjalankan fungsi dari neuron yang rusak [6]. Adapun perbandingan kedua jaringan tersebut dapat dilihat pada gambar 1.1 dan gambar 1.2.
1.2.DEFINISI JARINGAN SARAF TIRUAN
Jaringan saraf merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pemebelajaran otak manusia tersebut. Istilah buatan digunakan karena jaringan saraf di implementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.[6]
Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang memiliki karakteristik kemampuan yang secara umum mirip dengan jaringan saraf biologi. Jaringan saraf tiruan telah dikembangkan sebagai turunan model matematika dari kesadaran manusia atau saraf biologis, karena berdasar pada asumsi bahwa[6]:
a.Pemrosesan informasi terjadi pada beberapa elemen sederhana yang disebut neuron.
b.Sinyal lewat diantara neuron menciptakan jaringan koneksi.
c. Setiap koneksi penghubung memiliki bobot yang terhubung, yang dalam jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.
d.Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada jaringan inputnya (jumlah dari bobot sinyal input) untuk menentukan sinyal outputnya.
Karakteristik dari jaringan saraf tiruan adalah [6]:
a.Pola hubungan antar neuron ( yang menjadi arsitekturnya).
b.Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ).
c.Fungsi aktivasi.
Jaringan saraf biologis terdiri atas sel–sel yang disebut neuron. Pada jaringan saraf tiruan, juga terdapat istilah neuron atau sering disebut unit, sel, node. Setiap neuron terhubung dengan neuron–neuron yang lain melalui layer dengan bobot tertentu. Bobot disini melambangkan informasi yang digunakan oleh jaringan untuk menyelesaikan persoalan.
Pada jaringan saraf biologis, bobot tersebut dapat dianalogikan dengan aksi pada proses kimia yang terjadi pada synaptic gap. Sedangkan neuron mempunyai internal state yang disebut aktivasi. Aktivasi merupakan fungsi dari input yang diterima. Suatu neuron akan mengirimkan sinyal ke neuron–neuron yang lain, tetapi pada suatu saat hanya ada satu sinyal yang dikeluarkan walaupun sinyal tersebut ditransmisikan ke beberapa neuron yang lain. Sistem jaringan saraf banyak digunakan dalam berbagai bidang antara lain kedokteran, bisnis, keuangan, maupun elektronika termasuk pemrosesan sinyal dan sistem kontrol.[7].
Definisi
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut di bawah ini.
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:
“Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut).
Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal”.
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, mendefinisikan jaringan saraf sebagai berikut:
“Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu:
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.
2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut:“Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman”.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan jaringan saraf buatan sebagai berikut :
Sebuah jaringan saraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes
1.3. KOMPONEN JARINGAN SARAF
Ada beberapa tipe jaringan saraf, tetapi hampir semuanya memiliki komponen–komponen yang sama. Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron–neuron tersebut. Neuron–neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron–neuron yang lain. Pada jaringan saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada nilai tertentu pada bobot tersebut. Pada gambar 1.3 menunjukkan struktur neuron pada jaringan saraf.
Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut mempunyai cara kerja yang sama pula dengan neuron – neuron biologis. Informasi (disebut: input) akan dikirim neuron dengan bobot kedatangan tertentu. Input ini akan diproses suatu fungsi perambatan yang akan menjumlahkan nilai–nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tetapi kalau tidak, neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot–bobot outputnya ke semua neuron yang berhubungan dengannya.
Pada jaringan saraf, neuron–neuron akan dikumpulkan dalam lapisan–lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron–neuron pada satu lapisan akan dihubungkan dengan lapisan–lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan saraf akan dirambatkan dari lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Beberapa jaringan saraf ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga jaringan saraf dimana neuron–neuronnya disusun dalam bentuk matriks.
1.4. BENTUK DAN ARSITEKTUR JARINGAN SARAF TIRUAN
Pada umumnya neuron yang terletak pada lapisan yang sama akan memiliki keadaan sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron–neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron–neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron–neuron pada lapisan yang lain (misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus dihubungkan dengan lapisan lainnya (misalkan lapisan output). Ada beberapa bentuk arsitektur jaringan saraf [4], antara lain:
1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan ini hanya memiliki satu lapisan dengan bobot–bobot terhubung. Jaringan ini menerima input yang kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Untuk lebih jelas dapat dilihat pada gambar 4:
Sebuah neuron berinput tunggal diperlihatkan pada gambar 4. Input skalar p dikalikan dengan skalar weight w untuk kodisi (bentuk) wp, salah bentuk ini yang dikirim ke dalam penjumlah. Input yang lain, 1, adalah dikalikan dengan bias b dan dilewatkan ke dalam penjumlah. Output dari penjumlah n sering kali digunakan sebagai input net, yang berjalan ke dalam fungsi transfer f , yang menghasilkan output neuron skalar a. (“fungsi aktivasi” disebut juga fungsi transfer dan “offset” disebut juga bias).
Bobot w berhubungan dengan sebuah kekuatan gabungan dari sel badan yang direpresentasikan dengan penjumlahandan fungsi transfer, dan output neuron a mengambarkan signal dalam axon
Gambar 1.4 Neuron berinput tunggal
Output neuron dihitung sebagai berikut
Jika untuk sesaat, kemudian
Output nyata bergantung pada fakta-fakta fungsi transfer yang dipilih. Kita akan mendiskusikan transfer fungsi dalam bagian berikutnya.
Bias lebih mirip dengan bobot, kecuali jika mempunyai input konstan 1. Akan tetapi, jika kita tidak menginginkan bias di dalam sebuah bagian neuron, bias ini bisa diabaikan. Penting untuk w dan b diatur keduanya dalam bentuk neuron berparameter skalar. Biasanya fungsi transfer dipilih oleh desainer dan kemudian parameter w dan b akan diatur oleh beberapa peraturan pelatihan jadi neuron input atau output yang saling berhubunngan ditetapkan terlebih dahulu dengan spesifik tujuan (goal).
2.Jaringan dengan banyak lapisan (multilayer)
Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan outputnya (memiliki satu atau lebih lapisan tersembunyi). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada jaringan dengan lapisan tunggal, tetapi pembelajarannya lebih rumit. Jaringan ini pada banyak kasus lebih sukses dalam menyelesaikan masalah. Pada gambar 1.5 menunjukkan jaringan saraf multilayer.
Gambar. 1.5 Jaringan saraf multilayer.
1.5 FUNGSI AKTIVASI
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan [4], antara lain:
1.Fungsi Undak Biner (Hard Limit)
Fungsi Undak Biner merupakan jaringan lapisan tunggal yang menggunakan fungsi undak (step function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinyu ke suatu output biner (0 atau 1).
2.Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (thresholed) atau fungsi Heaviside. Fungsi undak biner (dengan nilai ambang θ) dirumuskan sebagai berikut dan gambarnya dapat dilihat pada gambar 5:
3.Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar dengan Symetric hard limit sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0, -1. Fungsi Symetric Hard Limit dirumuskan sebagai berikut dan gambarnya dapat dilihat pada gambar 6.
y = 0, jika x
y = 1, jika x = 0 1
y = -1, jika x
0 x
-1
Gambar 1.6. Fungsi Aktivasi Bipolar (Symetric Hard Limit)
4. Fungsi Bipolar (dengan threshold)
Fungsi bipolar dengan threshold sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1. Fungsi bipolar dengan nilai ambang 0 dirumuskan sebagai berikut dan gambarnya dapat dilihat pada gambar 7:hanya saja output yang dihasilkan berupa 1, 0, atau –1. Fungsi ini dirumuskan sebagai berikut:
y = 0, jika x y
y = 1, jika x = 0 1
y = -1, jika x
-1
Fungsi ini memiliki nilai output yang sama dengan nilai inputnya, dirumuskan sebagai berikut:
Y = x
Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation, mempunyai range 0 sampai 1. Biasanya digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai dengan 1, juga pada jaringan saraf yang nilai outputnya 0 atau 1. Fungsi ini dirumuskan sebagai berikut:
y = f(x) =
dengan f’(x) = f(x)(1-f(x)).…………………………………[1]
Fungsi ini hampir sama dengan fungsi sigmoid biner, tetapi output fungsi ini memiliki range 1 sampa –1. Fungsi ini dirumuskan sebagai berikut:
y = f(x) = ………………………………..[2]
JARINGAN SARAF TIRUAN
0 x
-1
Gambar 1.7. Fungsi Aktivasi Bipolar (threshold)
5. Fungsi Linear (Identitas)
Fungsi ini memiliki nilai output yang sama dengan nilai inputnya, dirumuskan sebagai berikut:
Y = x
6.Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari –½, dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -½ dan ½, maka outputnya akan bernilai sama dengan nilai inputnya ditambah ½. Fungsi saturating linear ini dirumuskan sebagai berikut:
7.Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai –1 jika inputnya kurang dari –1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outputnya a0kan bernilai sama dengan nilai inputnya. Fungsi ini dapat dirumuskan sebagai berikut:
8.Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation, mempunyai range 0 sampai 1. Biasanya digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai dengan 1, juga pada jaringan saraf yang nilai outputnya 0 atau 1. Fungsi ini dirumuskan sebagai berikut:
y = f(x) =
dengan f’(x) = f(x)(1-f(x)).…………………………………[1]
9.Fungsi Sigmoid Bipolar
Fungsi ini hampir sama dengan fungsi sigmoid biner, tetapi output fungsi ini memiliki range 1 sampa –1. Fungsi ini dirumuskan sebagai berikut:
y = f(x) = ………………………………..[2]
1.6.. Proses Pembelajaran
Pada otak manusia, informasi yang dilewatkan dari satu neuron ke neuron yang lainnya berbentuk rangsangan listrik melalui dendrit. Jika rangsangan tersebut diterima oleh suatu neuron, maka neuron tersebut akan membangkitkan output ke semua neuron yang berhubungan dengannya sampai neuron tersebut sampai ke tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima terlalu halus, maka output yang dibangkitkan oleh neuron tersebut tidak akan direspon. Tentu sangatlah sulit memahami bagaimana otak manusia itu belajar.
Selama proses pembelajaran, terjadi perubahan yang cukup berarti pada bobot–bobot yang menghubungkan antar neuron. Apabila ada rangsangan yang sama yang diterima oleh neuron, maka neuron akan memberikan reaksi dengan cepat. Tetapi, apabila nantinya ada rangsangan yang berbeda dengan apa yang diterima oleh neuron, maka neuron akan beradaptasi untuk memberikan reaksi yang sesuai.
Jaringan saraf akan mencoba mensimulasikan kemampuan otak manusia untuk belajar. Jaringan saraf tiruan juga tersusun atas neuron dan dendrit. Tidak seperti model biologis, jaringan saraf memiliki struktur yang tidak dapat diubah, dibangun oleh sejumlah neuron, dan memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antar neuron (dikenal dengan nama bobot).
Perubahan yang terjadi selama pembelajaran adalah perubahan nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika tidak disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai nilai yang cukup seimbang. Apabila nilai ini telah tercapai yang mengindikasikan bahwa tiap–tiap input telah berhubungan dengan output yang diharapkan. Ada beberapa metode untuk proses pembelajaran pada jaringan saraf tiruan ini, diantaranya [4]:
1.Pembelajaran Terawasi (Supervised Learning)
Metode pembelajaran jaringan saraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan disepanjang jaringan saraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi.
2.Pembelajaran Tak Terawasi (Unsupervised Learning)
Pada metode pembelajaran yang tak terawasi ini, tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit–unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola.
JARINGAN SARAF TIRUAN
ActionScript AS3 ASP.NET AJAX C / C++ C# Clipper COBOL ColdFusion DataFlex Delphi Emacs Lisp Fortran FoxPro Java J2ME JavaScript JScript Lingo MATLAB Perl PHP PostScript Python SQL VBScript Visual Basic 6.0 Visual Basic .NET Flash MySQL Oracle Android
Related Post :
Judul: JARINGAN SARAF TIRUAN
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh hank2
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh hank2
Anda sedang membaca artikel tentang
JARINGAN SARAF TIRUAN, Semoga artikel tentang JARINGAN SARAF TIRUAN ini sangat bermanfaat bagi teman-teman semua, jangan lupa untuk mengunjungi lagi melalui link
JARINGAN SARAF TIRUAN.
{ 0 komentar... Views All / Send Comment! }
Posting Komentar