Teori Himpunan Samar: Prediksi Curah Hujan Yogyakarta
-
Upload
gunawangunzoekowibowo -
Category
Documents
-
view
242 -
download
4
description
Transcript of Teori Himpunan Samar: Prediksi Curah Hujan Yogyakarta
-
PREDIKSI CURAH HUJAN DAERAH ISTIMEWA YOGYAKARTA
DENGAN FUZZY LOGIC
1Gunawan Eko Wibowo, 2Agus Maman Abadi
Program Study Matematika, Jurusan Pendidikan Matematika
Universitas Negeri Yogyakarta [email protected], [email protected]
Abstrak: Salah satu sektor pendapatan andalan Yogyakarta adalah sektor pertanian
yang sangat bergantung pada kondisi curah hujan. Sehingga model prediksi cerah
hujan sangat diperlukan dalam mengoptimalkan hasil pertanian tiap tahunnya.
Terlebih lagi, secara lebih luas, Indonesia merupakan negara yang cukup sering
dilanda bencana banjir serta bencana kekeringan yang merupakan akibat dari
intensitas curah hujan yang tidak normal karena berbagai sebab.
Dalam penelitian ini diusulkan suatu model untuk memprediksi curah hujan dalam
kurun waktu satu tahun. Metode yang digunakan adalah fuzzy logic dimana akan
dilakukan proses matching dan pengkelasan data. Data diperoleh dari buku laporan
tahunan BPS Daerah Istimewa Yogyakarta dengan fokus pengujian sistem untuk
wilayah Yogyakarta dan sekitarnya. Target data disesuaikan menjadi 4 kategori
yaitu cerah, hujan ringan, hujan sedang, dan hujan lebat. Hasil prediksi
menunjukkan akurasi sebesar 78.906%.
Kata Kunci: Fuzzy Logic, prediksi hujan
PENDAHULUAN
Sebagai salah satu daerah yang terletak di Indonesia, yang terkenal dengan negara
agraris, Yogyakarta juga merupakan salah satu daerah di Indonesia yang
mengandalkan sektor pertanian dan perkebunan sebagai salah satu sektor
pendapatannya selain dari sektor pariwisata juga menjadi andalan pemasukan
daerah. Dan sebagai salah satu daerah yang mengandalkan pertanian serta
pariwisata, cuaca merupakan aspek penting yang perlu diperhatikan agar hasil
pertanian dapat optimal serta transportasi ke tempat-tempat wisata menjadi aman.
Salah satu aspek cuaca yang cukup berpengaruh yaitu curah hujan. Curah hujan
tahunan di Indonesia tinggi. Namun, terdapat beberapa hal yang mempengaruhi
intensitas curah hujan di Indonesia, seperti fenomena El Nino dan La Nina. Kedua
fenomena tersebut pernah membuat intensitas hujan di Indonesia di bawah rata-rata
sehingga mempengaruhi beberapa sektor kehidupan, seperti sektor pertanian.
Selain itu, juga membuat curah hujan menjadi sangat tinggi, yang dapat
membahayakan transportasi khususnya udara serta menimbulkan banjir.
Oleh karena itu, faktor cuaca merupakan hal yang sulit diprediksi, sehingga
peramalan cuaca akhir-akhir ini menjadi topik yang menarik dan cukup sering
-
dibahas. Peramalan cuaca terutama hujan sudah menjadi kebutuhan nasional.
Betapa tidak, bencana banjir yang turun dengan intensitas di atas normal atau
bencana kekeringan karena intensitas hujan yang di bawah normal sering melanda
Indonesia, dan tak jarang pula menimbulkan kerugian materi maupun jiwa.
Konsep Hujan
Hujan adalah salah satu bentuk kelanjutan dari uap air yang berasal dari awan pada
lapisan atmosfer. Bentuk lainnya adalah salju dan es. Proses jatuhnya uap air
sebagai titik-titik hujan memerlukan titik kondensasi, amoniak, debu dan asam
belerang. Titik-titik kondensasi ini sifatnya mengambil uap air dari udara. Satuan
hujan internasional adalah milimeter atau inchi.
Curah hujan adalah pendekatan untuk mengetahui banyaknya hujan yang turun di
permukaan bumi dalam satuan waktu. Curah hujan dihitung berdasarkan ketinggian
air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak teresap,
dan tidak mengalir. Curah hujan 1 (satu) millimeter artinya dalam luasan satu meter
persegi tertampung air setinggi satu milimeter atau tertampung sebanyak satu liter.
Banyak variabel cuaca yang mempengaruhi curah hujan, namun tidak semua
variabel tersebut mempunyai korelasi yang kuat terhadap terjadinya hujan.
Beberapa variabel cuaca yang cukup mempengaruhi curah hujan antara lain:
1. Suhu Udara adalah keadaan panas atau dinginnya udara di suatu tempat
pada waktu tertentu, yang di penggaruhi oleh banyaknyaatau sedikitnya
panas matahariyang di terima bumi.
2. Kelembapan udara adalah banyaknya uap air yang terkandung dalam udara
atau atmosfer. Besarnya tergantung dari masuknya uap air ke dalam
atmosfer karena adanya penguapan dari air yang ada di lautan, danau, dan
sungai, maupun dari air tanah. Di samping itu terjadi pula dari proses
transpirasi, yaitu penguapan dari tumbuh-tumbuhan. Sedangkan banyaknya
air di dalam udara bergantung kepada banyak faktor, antara lain adalah
ketersediaan air, sumber uap, suhu udara, tekanan udara, dan angin.
3. Kecepatan angin adalah jarak yang ditempuh oleh angin per satuan waktu
secara horizontal pada ketingian dua meter dari permukaan tanah yang
-
ditanami dengan rumput. Kecepatan angin pada dasarnya ditentukan oleh
perbedaan tekanan udara antara tempat asal dan tujuan angin (sebagai faktor
pendorong ) dan resistensi medan yang dilaluinya.
Meskipun berada dekat pada garis khatulistiwa, Indonesia tidak memiliki curah
hujan yang sama pada setiap wilayah. Berdasarkan data BMKG, distribusi rata-rata
curah hujan bulanan terbagi ke dalam tiga pola hujan, yaitu:
1. Pola Hujan Monsoon
Wilayah di bawah pola hujan ini memiliki perbedaan yang jelas antara
periode musim hujan dan periode musim kemarau dengan ciri memiliki satu
puncak musim hujan.
2. Pola Hujan Equatorial
Ciri pola hujan ini adalah dua puncak musim hujan maksimum dan hampir
sepanjang tahun masuk dalam kriteria musim hujan. Dua puncak hujan biasa
terjadi pada bulan Maret atau Oktober.
3. Pola Hujan Lokal
Pola hujan lokal memiliki distribusi hujan bulanan berkebalikan dengan
pola monsoon. Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu
puncak hujan), tetapi bentuknya berlawanan dengan tipe hujan monsoon.
Model Dasar Fuzzy logic
Konsep fuzzy logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas
California di Berkeley pada 1965. Secara umum, fuzzy logic adalah sebuah
metodologi berhitung dengan variabel kata-kata (linguistis variable), sebagai
pengganti berhitung dengan bilangan (N. Agus, 2009). Kata-kata yang digunakan
dalam fuzzy logic memang tidak sepresesi bilangan, namun kata-kata jauh lebih
dekat dengan intuisi manusia. Manusia bisa langsung merasakan nilai dari
variabel kata-kata yang sudah dipakainya sehari-hari.
Demikianlah, fuzzy logic memberi ruang dan bahkan mengeksploitasi toleransi
terhadap ketidakpresisian. Dengan fuzzy logic , sistem kepakaran manusia bisa
diimplementasikan ke dalam bahasa mesin yang mudah dan efisien. Dari sekian
banyak alternatif yang tersedia, sistem fuzzy seringkali menjadi pilihan yang
-
terbaik. Namun fuzzy logic bukan merupakan konsep yang sempurna yang bisa
dipakai untuk memecahkan semua masalah. Fuzzifikasi merupakan suatu proses
pengubahan himpunan nun-fuzzy (crisp) kedalam himpunan fuzzy, masukan bukan
fuzzy (crisp) dipetakan ke bentuk himpunan fuzzy sesuai dengan variasi semesta
pembicaraan masukan. Fungsi keangotaan (Membership Function) adalah
komponen penting.
Fungsi keanggotaan adalah suatu kurva yang mendefinisikan bagaimana setiap
titik-titik data dalam ruang input yang dipetakkan antara 0 dan 1.Keanggotaan
dalam himpunan fuzzy mempunyai bentuk yang berbeda-beda terdiri dari bentuk
linier, bell, gaussian, trapesoidal dan triangular (Lautri, 2010).
Inference Sistem
Sistem inferensi fuzzy (FIS) disebut juga fuzzy inference engine adalah sistem yang
dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan
penalaran dengan nalurinya. Terdapat beberapa jenis FIS yang dikenal namun
terdapat dua jenis yang cukup sering digunakan yaitu Mamdani dan Sugeno.
Fuzzy Inference Sistem (FIS) merupakan bagian terpenting dalam fuzzy logic .
Logika pengambil keputusan merupakan suatu kerangka komputasi yang
didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF - THEN, dan
penalaran fuzzy. Fuzzy Inference sistem (FIS) menerima input crisp. Input ini
kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy berbentuk IF -
THEN. Dalam FIS terdapat dua proses yaitu:
1. Implikasi yaitu proses mendapatkan consequent keluaran sebuah IF-THEN
rule berdasarkan derajat kebenaran antecedent. Namun sebuah rule dapat
diboboti dengan bilangan antara 0 sampai 1 umumnya rule diberi bobot 1.
Setelah setiap rule diberi bobot proses implikasi baru bisa dilakukan.
Implikasi dilakukan pada tiap rule, Masukan dari proses implikasi adalah
derajat kebenaran bagian antecedent dan fuzzy set pada bagian consequent.
Dua fungsi yang digunakan dalam proses implikasi adalah min dan prod
(product, menskalakan fuzzy set keluaran).
-
2. Agregasi yaitu proses mengkombinasikan keluaran semua IF THEN rule
menjadi sebuah fuzzy set tunggal. Jika bagian consequent terdiri lebih dari
satu pernyataan maka proses agregrasi dilakukan secara terpisah untuk tiap
variabel IF-THEN rule.
Selanjutnya, pada hasil agregasi akan dilakukan defuzzifikasi untuk mendapatkan
nilai crisp sebagai output sistem.
METODOLOGI PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan, yang pertama Pengambilan data
cuaca yang terdiri dari 3 variabel utama, yaitu suhu udara, kelembaban udara, dan
kecepatan angin. Data yang telah dipilih dikelompokkan dengan metode cluster
means agar dapat didapatkan parameter premis awal pada sistem fuzzy logic.
Selanjutnya dilakukan perancangan sistem fuzzy dengan software Matlab. Hasilnya
kemudian divalidasi dengan data aktual dari BMKG.
Pengambilan Data
Tahap pertama yang dilakukan yaitu pengambilan data, Diana data diperoleh dari
buku Daerah Istimewa dalam Angka yang diterbitkan oleh Badan Pusat Statistik
Daerah Istimewa Yogyakarta pada setiap tahunnya sebagai dokumentasi tahun yang
telah dilewati. Data yang diperoleh berupa empat unsur cuaca yaitu curah hujan,
suhu udara, kelembaban udara, dan kecepatan angin. Data tersebut adalah data
bulanan keempat unsur cuaca tersebut dalam kurun waktu 2010 hingga 2014. Untuk
bisa memperoleh hasil yang diinginkan, sebelumnya harus dilakukan proses
percobaan dengan data yang sudah dimiliki, yaitu dengan data tahun 2010 sampai
2012 dikelompokkan, data tahun 2013 sebagai target percobaan serta data tahun
2014 sebagai data validasi.
Perancangan Sistem Fuzzy Logic
Langkah pertama pada penelitian ini adalah dengan membuat rancangan sistem
fuzzy logic. Setelah mendapatkan sistem yang mendapatkan hasil validasi yang
melebihi 50 % maka sistem tersebut yang akan dipakai untuk memprediksi curah
hujan tahun 2011. Untuk dapat memprediksi curah hujan tahun 2011 diperlukan
teknik neural network untuk memprediksi variabel input temperatur, kelembaban,
-
dan kecepatan angin, hal ini disebabkan sistem fuzzy logic tidak dapat digunakan
untuk memprediksi curah hujan tahun berikutnya.
Pengolahan Data Inputan
Pengolahan data pada penelitian ini dilakukan eksperimen dengan berbagai sistem
fuzzy logic. Salah satu hal yang mempengaruhi sistem fuzzy logic ini adalah data
masukan. Unsur cuaca yang digunakan sebagai masukan adalah temperatur,
kelembaban udara, dan kecepatan angin. Ketiga variabel ini digunakan sebagai
masukan karena variabel-variabel ini penyebab utama terjadinya hujan, dan data
keluaran adalah curah hujan.
Pada penelitian ini pengelompokkan data menggunakan metode fuzzy cluster means
dari tahun 2010-2012. Variabel-variabel yang dikelompokkan dengan fuzzy cluster
means yaitu temperatur, kelembaban, dan kecepatan angin. Curah hujan tidak
dikelompokkan dengan fuzzy cluster means karena sudah dikelompokkan menurut
ketentuan BMKG. Teknik fuzzy cluster means dilakukan dengan matlab, yaitu
dengan menuliskan syntax pada editor matlab. Adapun beberapa syntax yang
digunakan untuk metode fuzzy cluster means seperti penjelasan dibawah ini
[center,U,obj_fcn] = fcm(data,cluster_n)
Penjelasan dari syntax diatas adalah menerapkan metode fuzzy cluster means untuk
himpunan data. Penjelasan input fungsi ini adalah:
a. data : kumpulan data akan dikelompokkan setiap baris adalah data sampel
titik.
b. cluster_n : jumlah dari cluster (lebih dari satu) penjelasan output fungsi
ini.
c. center : matriks pusat cluster akhir di mana setiap baris menyediakan pusat
koordinat.
d. U : matriks partisi fuzzy akhir (atau fungsi keanggotaan matriks) .
e. obj_fcn : nilai-nilai fungsi objektif selama iterasi fuzzy cluster means
(data,cluster_n,options) menggunakan variabel argumen tambahan, opsi,
untuk mengontrol parameter clustering, memperkenalkan kriteria
berhenti, mengatur tampilan informasi iterasi, atau keduanya.
-
Proses clustering berhenti ketika jumlah maksimum dari iterasi tercapai atau ketika
perbaikan fungsi tujuan antara dua iterasi berturut-turut kurang dari jumlah
minimum perbaikan ditentukan.
Fuzzifikasi
Fuzzifikasi adalah tahap pemetaan nilai masukan dan keluaran ke dalam bentuk
himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi
himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Pada proses
fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu nilai masukan dan
keluaran serta fungsi keanggotaan (membership function) yang akan digunakan
untuk menentukan nilai fuzzy dari data nilai crisp masukan dan keluaran. Pada
proses fuzzifikasi ini digunakan bentuk fungsi keanggotaan gaussian sebagai
variabel masukan karena gaussian sesuai apabila digunakan untuk data-data alami
seperti data cuaca. Disamping itu juga dipilih fungsi gaussian karena mempunyai
tingkat keakurasian tinggi dalam membaca data dibandingkan fungsi lainnya.
Proses iterasi dilakukan pada tahap fuzzifikasi, yaitu dengan merubah nilai range
dan parameter yang digunakan untuk membangun fungsi keanggotaan, serta dapat
juga dengan merubah jenis fungsi keanggotaan yang digunakan. Pada penelitan kali
proses merubah nilai range dan parameter yang ada dari fungsikeanggotaan
dilakukan hingga mendapatkan sistem dengan tingkat presisi yang tinggi. Berikut
adalah fungsi keanggotaan (Membership function) yang digunakan pada sistem
fuzzy logic.
Tabel 1. Fungsi Keanggotaan Variabel Masukan
Variabel Himpunan fuzzy Komponen
Standar Deviasi Nilai
Suhu (0C)
Rendah 0.7572 24.89
Sedang 0.7572 26.33
Tinggi 0.7572 28
Kelembaban (%)
Rendah 3.58 77
Sedang 3.58 81.8
Tinggi 3.58 84
Kecepatan Angin
(m/s)
Ringan 2.082 11
Sedang 2.082 13.33
Kencang 2.082 15
-
Tabel 2. Fungsi Keanggotaan Variabel Keluaran
Variabel Himpunan fuzzy Komponen
Curah Hujan/Cuaca
(mm)
Cerah 0 5
Hujan ringan 5 25
Hujan Sedang 25 65
Hujan lebat >65
Berdasarkan fungsi keanggotaan variabel masukan di atas, maka akan terbentuk
grafik yang merupakan grafik fungsi keanggotaan variabel masukan.
Gambar 1. Fungsi Keanggotaan Suhu
Gambar 2. Fungsi Keanggotaan Kelembaban
-
Gambar 3. Fungsi Keanggotaan Kecepatan Angin
Rule-based
Setelah pendefinisian membership function, maka langkah berikutnya yaitu
membuat aturan (rule base). Rule base ini terdiri dari kumpulan aturan peramalan
cuaca yang berbasis fuzzy logic untuk menyatakan kondisi cuaca yang terjadi.
Penyusunan rule base ini berdasarkan pada sistem pakar yang ada, seperti terlihat
pada tabel 3.
Tabel 3. Rule-based untuk prediksi hujan
Suhu (T) Kelembaban (R) Kecepetan Angin (V)
Rg Sd Kc
Rd
Rd Cr Cr Cr
Sd Cr Cr Cr
Tg HR HS HL
Sd
Rd Cr Cr Cr
Sd Cr Cr Cr
Tg Cr Cr Cr
Tg
Rd Cr Cr Cr
Sd Cr Cr Cr
Tg Cr Cr Cr
Tabel 4. Lanjutan Rule-based
No If Then
1 T Rd R Rd V Rg C Cr
2 T Rd R Rd V Sd C Cr
3 T Rd R Rd V Kc C Cr
4 T Rd R Sd V Rg C Cr
5 T Rd R Sd V Sd C Cr
6 T Rd R Sd V Kc C Cr
7 T Rd R Tg V Rg C HR
8 T Rd R Tg V Sd C HS
9 T Rd R Tg V Kc C HL
-
10 T Sd R Rd V Rg C Cr
11 T Sd R Rd V Sd C Cr
12 T Sd R Rd V Kc C Cr
13 T Sd R Sd V Rg C Cr
14 T Sd R Sd V Sd C Cr
15 T Sd R Sd V Kc C Cr
16 T Sd R Tg V Rg C Cr
17 T Sd R Tg V Sd C Cr
18 T Sd R Tg V Kc C Cr
19 T Tg R Rd V Rg C Cr
20 T Tg R Rd V Sd C Cr
21 T Tg R Rd V Kc C Cr
22 T Tg R Sd V Rg C Cr
23 T Tg R Sd V Sd C Cr
24 T Tg R Sd V Kc C Cr
25 T Tg R Tg V Rg C Cr
26 T Tg R Tg V Sd C Cr
27 T Tg R Tg V Kc C Cr
Keterangan
C = Curah
Hujan/
Cuaca
Rd = Rendah
Sd = Sedang
Tg = Tinggi
Rg = Ringan
Kc = Kencang
Cr = Cerah
HR = Hujan ringan
HS = Hujan
sedang
HL = Hujan lebat
cara membaca rule pada Tabel 4, pada baris No 1 IF Suhu adalah Rendah DAN
Kelembaban adalah Rendah DAN Kecepatan Angin adalah Ringan MAKA Cuaca
akan Cerah.
PEMBAHASAN
Proses pembuatan prediksi curah hujan ini menggunakan metode Takagi Sugeno
karena bersifat konstan dan fleksibel sehingga lebih cocok untuk peramalan. Proses
selanjutnya yaitu fuzzifikasi untuk data masukan, data yang berupa himpunan crisp
akan diubah menjadi himpunan fuzzy berdasarkan pada range untuk setiap variabel.
Pada proses fuzzifikasi, digunakan fungsi keanggotaan gaussian sebagai variabel
masukan karena fungsi ini cocok untuk mengolah data-data alami seperti data
cuaca.
Setelah proses fuzzifikasi, langkah selanjutnya adalah membuat rule-base, yang
terdiri dari kumpulan aturan peramalan cuaca yang berbasis fuzzy logic untuk
menyatakan kondisi cuaca yang terjadi. Pada peramalan curah hujan dengan tiga
-
variabel masukan yang masing-masing memiliki tiga fungsi keanggotaan dan satu
variabel keluaran seperti di atas, memiliki 27 buah rule.
Proses selanjutnya yaitu fuzzy inference, yaitu proses pengambilan keputusan
berdasarkan rule. Setiap hasil fuzzy inference akan dikonversikan ke suatu bilangan
riil melalui tahap defuzzifikasi menggunakan metode weights of average.
Dalam peramalan ini, akan akan dilakukan pengujian dengan data tahun 2012 dan
akan divalidasi dengan data pada tahun 2013.
Proses Pengujian
Dalam penelitian ini digunakan 36 data bulanan dari tahun 2009 sampai 2011 untuk
setiap variabel masukan yang akan digunakan untuk pembangunan logika. Data
yang telah terkumpul dan terbagi dalam klasifikasi, dipakai sebagai membership
function dalam penyusunan program. Setelah itu dilakukan pengujian dengan data
masukan dari tahun 2012, yaitu sebanyak 12 data. Melalui program yang telah
dibuat dapat diamati hubungan antara variabel-variabel meteorologi hari ini dengan
kondisi bulan selanjutnya.
Berdasarkan 27 rule yang telah ditetapkan maka hasil keputusan dari fuzzy
direpresentasikan pada grafik status dimana fuzzy logic memiliki input dan output
berupa linguistik dan numerik. Hujan memiliki empat jenis nilai status secara
linguistik yaitu cerah, hujan ringan, hujan sedang, dan hujan lebat.
Dari proses tersebut, diperoleh hasil prediksi curah hujan Daerah Istimewa
Yogyakarta pada tahun 2013 yaitu sebesar 1988,6 dengan nilai aktual dari BMKG
Daerah Istimewa Yogyakarta sebesar 2432. Tingkat keakuratan dari sistem ini
dapat dihitung dengan menggunakan rumus
(%) = 100% |
| 100%
diperoleh nilai keakuratan sebesar 78.096%.
KESIMPULAN DAN SARAN
Validasi curah hujan Daerah Istimewa Yogyakarta tahun 2013 dengan metode
fuzzy logic mencapai 78.096%. Perbaikan hasil ke depannya dapat dilakukan
dengan menggabungkan beberapa metode untuk memperoleh hasil yang lebih baik.
Seperti dengan jaringan saraf tiruan atau analisis runtun waktu.
-
DAFTAR PUSTAKA
Hasan, Mahbub, dkk. 2013. Rainfall Prediction Model Improvement by Fuzzy Set Theory. Journal of Water Resource and Protection.
Indrabayu, dkk. 2012. Prediksi Curah Hujan Dengan Fuzzy Logic. Vol. 6,
Desember 2012.
Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2010. Daerah Istimewa
Yogyakarta Dalam Angka Tahun 2009. Yogyakarta: BPS DIY.
Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2011. Daerah Istimewa
Yogyakarta Dalam Angka Tahun 2010. Yogyakarta: BPS DIY.
Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2012. Daerah Istimewa
Yogyakarta Dalam Angka Tahun 2011. Yogyakarta: BPS DIY.
Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2013. Daerah Istimewa
Yogyakarta Dalam Angka Tahun 2012. Yogyakarta: BPS DIY.
Badan Pusat Statistik Daerah Istimewa Yogyakarta. 2014. Daerah Istimewa
Yogyakarta Dalam Angka Tahun 2013. Yogyakarta: BPS DIY.
Okta, Dewi. 2012. Curah Hujan Di Indonesia. Diakses dari
http://blogs.unpad.ac.id/octa/2012/10/31/curah-hujan-di-indonesia/, pada
tanggal 10 Juni 2015.