23 KiB

Raw Blame History

BAB 2 - LANDASAN TEORI DAN PENELITIAN TERDAHULU

2.1 Penelitian Terdahulu

Perancangan tugas akhir memerlukan beberapa referensi untuk dijadikan pedoman dalam perancangan tugas akhir ini. Membaca literatur serta referensi yang berkaitan akan mempermudah perancangan dan pengerjaan tugas akhir dengan baik dan terstruktur. Dalam konteks Design Science Research, penelitian terdahulu memberikan dasar teoritis dan praktis untuk merancang solusi teknologi yang sesuai dengan kebutuhan pengguna. Karya tulis ilmiah yang berkaitan serta telah diteliti sebelumnya:

2.1.1 AI dalam Deteksi Penyakit Tanaman untuk Desain Solusi

Ramesh, B. E. et al. (2025) dalam penelitian terbaru yang dipublikasikan di IJIRSET memperkenalkan AI Plant Doctor: An AI-Powered Leaf Disease Scanner for Sustainable Agriculture using Deep Learning and Mobile Computing, sebuah solusi Android inovatif yang mengintegrasikan Convolutional Neural Networks (CNN) untuk klasifikasi penyakit daun dengan akurasi 92%. Model CNN tersebut kemudian dioptimasi ke format TensorFlow Lite guna memungkinkan inferensi on-device secara real-time (≤200 ms per citra) pada smartphone berdaya komputasi terbatas, tanpa bergantung koneksi internet.

Sebelum klasifikasi, tiap citra daun dipra-proses menggunakan OpenCV meliputi resize ke 224×224 piksel, normalisasi saluran RGB, serta filtrasi noise seperti bayangan dan pencahayaan tidak merata. Hasil diagnosa disajikan melalui antarmuka Streamlit dengan alur "Capture, Diagnosa, Tindakan" yang mudah diikuti, serta dilengkapi fitur offline untuk penggunaan di lapangan dan opsi cloud untuk penyimpanan dan skalabilitas. Aplikasi juga mengarahkan petani ke sumber-sumber pengobatan terkini melalui Google API.

Evaluasi penerapan menunjukkan bahwa 85% petani menilai antarmuka intuitif, dan 90% memanfaatkan mode offline untuk mempercepat diagnosa hingga 30% dibanding inspeksi manual. Secara keseluruhan, AI Plant Doctor diperkirakan dapat menurunkan kehilangan hasil panen hingga 15% serta mengurangi pemakaian pestisida berlebih.

Keterbatasan penelitian ini antara lain cakupan dataset yang terbatas pada 14 spesies tanaman tanpa variasi regional, ketahanan pra-prosesing dalam kondisi citra ekstrem, serta basis pengetahuan offline yang bersifat umum.

Relevansi dan Penyesuaian untuk Penelitian Saat Ini dalam konteks DSR terletak pada pemanfaatan pembelajaran dari artefak yang sudah ada untuk merancang solusi yang lebih baik. Penelitian tugas akhir ini akan mengadopsi Gemini API yang merupakan layanan AI mutakhir dengan tingkat akurasi tinggi untuk identifikasi penyakit tanaman via citra daun. Gemini API menyediakan model vision yang terlatih pada korpus data internasional lebih luas, sehingga mampu mendeteksi gejala penyakit yang lebih variatif dan regional. Gap yang diatasi adalah adaptasi teknologi AI untuk konteks petani Indonesia dengan mempertimbangkan kemudahan penggunaan dan penerimaan teknologi.

2.1.2 Framework Adopsi Teknologi untuk Analisis Kebutuhan

Kevin Mallinger et al. (2024) memperkenalkan kerangka kerja untuk "Breaking the barriers of technology adoption: Explainable AI for requirement analysis and technology design in smart farming" yang dipublikasikan dalam Smart Agricultural Technology. Penelitian ini tidak membahas deteksi penyakit tanaman secara langsung, melainkan fokus pada bagaimana Explainable AI (XAI) dapat digunakan untuk menganalisis kesiapan dan hambatan adopsi teknologi pertanian cerdas, khususnya di sektor peternakan presisi (Precision Livestock Farming).

Metode penelitian yang digunakan meliputi survei terhadap 266 petani di Uni Eropa dan Timur Tengah mengumpulkan 20 pertanyaan terkait infrastruktur, sikap, dan akses pasar. Data diklaster menjadi tiga kelompok kesiapan ("Not Ready", "Partially Ready", "Ready") menggunakan k-means dan divalidasi dengan metrik rCIP dan WB Index. Sebuah model Random Forest digunakan untuk memprediksi klaster kesiapan berdasarkan jawaban survei. Teknik XAI—termasuk Partial Dependence Plots (PDP), Individual Conditional Expectation (ICE), SHAP, dan LIME—diterapkan untuk mengungkap fitur mana (pertanyaan survei) yang paling mempengaruhi prediksi kesiapan teknologi.

Hasil dan temuan utama menunjukkan bahwa akses informasi tentang teknologi dan distributor serta kemudahan memperoleh perangkat di pasar adalah hambatan paling signifikan di semua klaster. Ketersediaan bantuan teknis dan pelatihan krusial untuk memindahkan petani dari klaster "Not Ready" ke "Ready". Persepsi bahwa teknologi dapat mengatasi kekurangan tenaga kerja dan kemudahan operasional terbukti mempengaruhi tingkat adopsi.

Keterbatasan penelitian ini adalah fokus pada peternakan presisi, belum diuji pada konteks pertanian tanaman (termasuk diagnostik penyakit daun).

Relevansi dalam Design Science Research terletak pada framework analisis adopsi teknologi yang dapat diadaptasi untuk tahap identifikasi masalah dan analisis kebutuhan dalam penelitian saat ini. Penelitian Mallinger memberikan dasar metodologis untuk memahami faktor-faktor yang mempengaruhi penerimaan teknologi oleh petani, yang menjadi input penting untuk merancang aplikasi TaniSMART yang mudah diterima dan digunakan oleh petani di Desa Sumbersalam.

2.1.3 Konteks Adopsi Smart Farming Technology di Indonesia

Agussabti et al. dalam penelitian "Farmers' perspectives on the adoption of smart farming technology to support food farming in Aceh Province, Indonesia" memberikan gambaran spesifik tentang perspektif petani terhadap adopsi teknologi smart farming untuk mendukung pertanian pangan di Indonesia. Penelitian ini menganalisis kesiapan adopsi smart farming technology (SFT) pada tiga komoditas pangan utama di Provinsi Aceh, yaitu padi, jagung, dan kentang.

Metodologi penelitian menggunakan quota sampling dengan total 258 responden yang terdiri dari 210 petani (70 petani per komoditas) dan 48 penyuluh pertanian. Pengukuran kesiapan adopsi SFT dilakukan dengan memperkenalkan berbagai model, gambar, video, dan aplikasi RITX kepada responden. Data yang terkumpul dianalisis menggunakan Mann-Whitney dan Kruskal-Wallis untuk dua atau lebih kategori.

Temuan utama penelitian menunjukkan bahwa baik petani maupun penyuluh memiliki persepsi positif terhadap penerapan smart farming technology. Namun, dari segi kesiapan, petani memiliki tingkat kesiapan yang relatif lebih rendah dibandingkan penyuluh karena kapasitas mereka yang terbatas. Faktor-faktor yang menghambat penggunaan SFT pada komoditas pangan, khususnya di komunitas petani kecil, meliputi perubahan iklim global, kualitas sumber daya manusia petani yang rendah, dan terbatasnya akses terhadap modal serta input pertanian.

Penelitian ini mengidentifikasi bahwa petani kecil umumnya memiliki lahan yang relatif kecil, akses terbatas terhadap modal dan input pertanian, serta menanam berbagai jenis komoditas sesuai musim. Hasil penelitian menekankan pentingnya fokus pada pembangunan ekonomi dan kapasitas petani dengan menyediakan perangkat SFT yang sesuai untuk mengatasi biaya investasi yang tinggi dan memberikan keterampilan teknis untuk aplikasinya.

Relevansi untuk Design Science Research terletak pada pemahaman mendalam tentang readiness gap dan capacity constraints yang menjadi input kritis untuk tahap identifikasi masalah dan definisi objektif solusi dalam penelitian saat ini. Penelitian Agussabti memberikan konteks empiris tentang karakteristik petani Indonesia yang mempengaruhi penerimaan teknologi, khususnya terkait kemudahan penggunaan, affordability, dan kebutuhan capacity building. Hal ini menjadi dasar penting untuk merancang aplikasi TaniSMART yang sesuai dengan kondisi dan kemampuan petani di Desa Sumbersalam, Bondowoso.

2.1.4 State of The Art - Perbandingan Penelitian

Untuk memberikan gambaran yang jelas tentang posisi penelitian ini dalam konteks akademis, berikut adalah perbandingan dengan penelitian-penelitian terdahulu yang relevan:

Aspek	Ramesh et al. (2025)	Agussabti et al. (2022)	Mallinger et al. (2024)	Penelitian Saat Ini (2025)
Peneliti	Ramesh B E, Sagar K R, Varun M B, Vishwanath Kampli, Sri Harsha R, Amith S M	Agussabti, Rahmaddiansyah, Ahmad Humam Hamid, Zakaria, Agus Arip Munawar, Basri Abu Bakar	Kevin Mallinger, Luiza Corpaci, Thomas Neubauer, Ildikó E. Tikász, Georg Goldenit, Thomas Banhazi	Jeremy Vahardika Jaya
Judul	AI Plant Doctor: An AI-Powered Leaf Disease Scanner for Sustainable Agriculture using Deep Learning and Mobile Computing	Farmer's Perspectives on the Adoption of Smart Farming Technology to Support Food Farming in Aceh Province, Indonesia	Breaking the barriers of technology adoption: Explainable AI for requirement analysis and technology design in smart farming	Perancangan Aplikasi Mobile Pendukung Produktivitas Pertanian Berbasis Gemini API (Studi Kasus Sawah di Desa Sumbersalam Kabupaten Bondowoso)
Tahun	2025	2022	2024	2025
Objek Penelitian	Citra daun tanaman	Petani padi, jagung, dan kentang di Aceh	Petani di UE dan Timur Tengah	Sawah di Desa Sumbersalam Kabupaten Bondowoso
Tujuan	Menghadirkan aplikasi Android on-device untuk deteksi penyakit daun dengan akurasi 92%, offline & cloud-enabled	Mengeksplorasi kesiapan dan kendala adopsi teknologi pertanian cerdas (SFT) pada petani padi, jagung, dan kentang	Menganalisis hambatan adopsi pertanian cerdas dan merancang framework XAI untuk mendukung requirement analysis dan desain SFT	Membantu meningkatkan produktivitas pertanian melalui integrasi aplikasi mobile untuk identifikasi penyakit tanaman beserta solusi, analisis hasil panen dengan kurva bisnis serta komunitas interaktif antar petani
Metodologi	Prototype Development	Survey & Statistical Analysis	Survey & XAI Modeling	Design Science Research
Teknologi AI	CNN + TensorFlow Lite	-	Random Forest + XAI	Gemini API
Platform	Android (On-device)	-	Web-based Analysis	Flutter (Cross-platform)
Konteks Geografis	Global	Indonesia (Aceh)	Eropa & Timur Tengah	Indonesia (Jawa Timur)
Fokus Evaluasi	Akurasi Deteksi (92%)	Technology Readiness	Technology Adoption Barriers	User Acceptance & Usability
Gap yang Diatasi	Offline processing untuk area terpencil	Konteks petani Indonesia	Framework adopsi teknologi	Integrasi lengkap: AI + Community + Business Analytics

Positioning Penelitian Saat Ini

Berdasarkan perbandingan di atas, penelitian TaniSMART memiliki keunikan dan kontribusi sebagai berikut:

Teknologi Hybrid: Menggabungkan kekuatan Gemini API (cloud-based AI) dengan Flutter (cross-platform) untuk memberikan solusi yang lebih komprehensif dibanding CNN on-device.
Comprehensive Solution: Tidak hanya fokus deteksi penyakit seperti Ramesh et al., tetapi mengintegrasikan community platform, business analytics, dan harvest management dalam satu aplikasi.
Local Context Focus: Mengadopsi insights dari Agussabti et al. tentang karakteristik petani Indonesia, tetapi dengan implementasi teknologi yang lebih praktis dan terintegrasi.
DSR Methodology: Menggunakan Design Science Research yang memberikan legitimasi akademis untuk pengembangan artefak teknologi dengan evaluasi yang terstruktur.
User-Centered Design: Mengintegrasikan framework adopsi teknologi dari Mallinger et al. dengan konteks spesifik petani rural Indonesia.

Gap yang belum terisi oleh penelitian sebelumnya dan diatasi oleh TaniSMART:

Integrasi AI detection dengan community platform
Business analytics untuk petani dengan kurva bisnis
Adaptasi teknologi modern untuk konteks rural Indonesia
Evaluasi penerimaan teknologi dengan single case study approach

2.2 Landasan Teori

2.2.1 Design Science Research (DSR)

Design Science Research adalah paradigma penelitian yang fokus pada penciptaan dan evaluasi artefak teknologi yang inovatif untuk memecahkan masalah praktis yang penting (Hevner et al., 2004). Dalam konteks penelitian ini, DSR digunakan sebagai kerangka metodologis untuk merancang, mengembangkan, dan mengevaluasi aplikasi TaniSMART.

Framework DSR terdiri dari enam tahapan utama:

Identifikasi Masalah dan Motivasi: Mengidentifikasi masalah spesifik dalam adopsi teknologi AI untuk deteksi penyakit tanaman di Desa Sumbersalam
Definisi Objektif Solusi: Menetapkan tujuan yang jelas untuk aplikasi TaniSMART berdasarkan kebutuhan petani
Perancangan dan Pengembangan: Merancang arsitektur aplikasi dan mengimplementasikan fitur-fitur menggunakan Gemini API dan Flutter
Demonstrasi: Menunjukkan bahwa artefak dapat digunakan untuk memecahkan masalah yang diidentifikasi
Evaluasi: Menilai tingkat penerimaan dan kemudahan penggunaan aplikasi melalui pengujian dengan petani
Komunikasi: Menyampaikan hasil penelitian kepada komunitas akademis dan praktisi

Relevansi DSR untuk penelitian ini adalah memberikan legitimasi akademis untuk pengembangan teknologi dengan pendekatan studi kasus tunggal, yang sesuai dengan fokus penelitian pada Desa Sumbersalam sebagai konteks spesifik.

2.2.2 Technology Acceptance Model (TAM)

Technology Acceptance Model yang dikembangkan oleh Davis (1989) menjelaskan faktor-faktor yang mempengaruhi penerimaan teknologi oleh pengguna. Model ini sangat relevan untuk mengevaluasi penerimaan aplikasi TaniSMART oleh petani.

Komponen utama TAM meliputi:

Perceived Usefulness (Kegunaan yang Dirasakan): Sejauh mana pengguna percaya bahwa teknologi akan meningkatkan kinerja mereka
Perceived Ease of Use (Kemudahan Penggunaan yang Dirasakan): Sejauh mana pengguna percaya bahwa teknologi mudah digunakan
Behavioral Intention (Niat Perilaku): Kecenderungan pengguna untuk mengadopsi teknologi
Actual System Use (Penggunaan Sistem Aktual): Perilaku penggunaan teknologi yang sebenarnya

Dalam konteks penelitian ini, TAM digunakan sebagai kerangka evaluasi untuk mengukur tingkat penerimaan aplikasi TaniSMART oleh petani di Desa Sumbersalam, khususnya dalam aspek kegunaan dan kemudahan penggunaan.

2.2.3 Computer Vision dan Pengenalan Citra untuk Deteksi Penyakit Tanaman

Computer Vision adalah bidang kecerdasan buatan yang memungkinkan komputer untuk memahami dan menginterpretasi informasi visual dari dunia nyata. Dalam konteks pertanian, teknologi ini berperan penting dalam identifikasi penyakit tanaman melalui analisis visual terhadap gejala yang muncul pada daun, batang, atau bagian tanaman lainnya (Liu et al., 2021).

Teknologi pengenalan citra menggunakan algoritma deep learning, khususnya Convolutional Neural Networks (CNN), untuk mengekstrak fitur-fitur spesifik dari gambar dan membandingkannya dengan pola yang telah dipelajari untuk menghasilkan diagnosis yang akurat. Penelitian oleh Barbedo (2019) menunjukkan bahwa sistem otomatis berbasis computer vision dapat mencapai akurasi deteksi penyakit tanaman hingga 95% pada kondisi terkontrol.

Gemini API yang digunakan dalam penelitian ini merupakan implementasi advanced computer vision yang memanfaatkan Large Language Models (LLM) dengan kemampuan multimodal. API ini mampu menganalisis citra tanaman dan memberikan deskripsi diagnosis dalam format teks yang mudah dipahami petani, menggabungkan teknologi vision dengan natural language processing (Google AI, 2024).

2.2.4 Mobile Application Development dengan Flutter Framework

Flutter adalah framework open-source yang dikembangkan oleh Google untuk membangun aplikasi multi-platform dengan satu basis kode (single codebase). Framework ini menggunakan bahasa pemrograman Dart dan menawarkan performa tinggi serta antarmuka pengguna yang konsisten di berbagai platform (Google Flutter Team, 2023).

Keunggulan Flutter dalam pengembangan aplikasi pertanian meliputi:

Cross-platform compatibility: Kemampuan deployment pada Android dan iOS secara bersamaan
Hot reload: Fitur pengembangan yang mempercepat iterasi desain UI/UX
Native performance: Kompilasi langsung ke kode native untuk performa optimal
Rich widget ecosystem: Perpustakaan komponen UI yang ekstensif
Camera integration: Dukungan native untuk akses kamera dan pemrosesan gambar

Arsitektur aplikasi TaniSMART mengimplementasikan pattern Model-View-ViewModel (MVVM) dengan Flutter sebagai presentation layer, yang memungkinkan separasi yang jelas antara business logic dan user interface. Hal ini mendukung maintainability dan scalability aplikasi sesuai dengan prinsip software engineering yang baik (Martin, 2017).

2.2.5 Backend as a Service (BaaS) dengan Supabase

Backend as a Service (BaaS) adalah model layanan cloud yang menyediakan infrastruktur backend siap pakai, memungkinkan pengembang fokus pada pengembangan frontend tanpa mengelola kompleksitas server-side infrastructure (Mell & Grance, 2011).

Supabase merupakan platform open-source yang menyediakan ekosistem backend lengkap sebagai alternatif modern untuk Firebase. Platform ini dibangun di atas PostgreSQL dan menawarkan fitur-fitur enterprise-grade seperti:

Real-time database: Sinkronisasi data secara real-time menggunakan WebSocket
Authentication & authorization: Sistem manajemen pengguna dengan berbagai provider
Row Level Security (RLS): Keamanan data tingkat baris untuk multi-tenancy
Auto-generated APIs: RESTful dan GraphQL API yang ter-generate otomatis
Edge Functions: Serverless functions untuk business logic kustom
File storage: Penyimpanan file dengan CDN global

Implementasi dalam TaniSMART memanfaatkan Supabase untuk mengelola data pengguna, riwayat diagnosis, komunitas petani, dan analisis hasil panen. Arsitektur ini mendukung skalabilitas horizontal dan memastikan data consistency melalui ACID transactions yang disediakan PostgreSQL (Supabase Inc., 2024).

2.2.6 Human-Computer Interaction dalam Konteks Rural Technology Adoption

Interaksi Manusia-Komputer (HCI) dalam konteks rural memiliki karakteristik khusus yang harus dipertimbangkan dalam perancangan aplikasi untuk petani. Medhi et al. (2007) mengidentifikasi bahwa desain teknologi untuk pengguna rural memerlukan pendekatan yang berbeda dibandingkan urban users.

Faktor-faktor kritis dalam rural HCI meliputi:

Digital literacy variance: Heterogenitas tingkat literasi digital yang memerlukan interface design yang adaptif
Contextual constraints: Penggunaan dalam kondisi lapangan dengan keterbatasan konektivitas dan daya baterai
Cultural appropriateness: Adaptasi terhadap norma sosial dan bahasa lokal
Economic accessibility: Pertimbangan cost-effectiveness dan ROI untuk adopsi teknologi

Prinsip Universal Design yang diterapkan dalam TaniSMART mengacu pada framework dari Norman (2013) tentang design for everyone, dengan implementasi konkret berupa:

Visual affordances: Penggunaan ikon dan metafora yang familiar dalam konteks pertanian
Progressive disclosure: Penyajian informasi bertahap untuk menghindari cognitive overload
Error prevention & recovery: Mekanisme feedback yang jelas dan opsi undo untuk kesalahan pengguna
Accessibility compliance: Dukungan untuk berbagai kemampuan fisik dan kognitif

Evaluasi usability dalam penelitian ini mengadopsi framework dari Nielsen (2012) dengan metrik spesifik untuk konteks rural: effectiveness (task completion rate), efficiency (time on task), dan satisfaction (subjective user experience) yang diukur melalui post-interaction interviews dengan petani di Desa Sumbersalam.

2.3 Dataset dan Metodologi Pengumpulan Data

2.3.1 Dataset Citra Tanaman untuk Training dan Validation

Dataset dalam konteks machine learning untuk deteksi penyakit tanaman merupakan kumpulan terstruktur dari gambar tanaman yang telah dilabeli sesuai dengan kondisi kesehatan atau jenis penyakit yang diderita. Kualitas dan diversitas dataset secara langsung mempengaruhi akurasi model AI yang dihasilkan (Mohanty et al., 2016).

Karakteristik dataset berkualitas untuk deteksi penyakit tanaman meliputi:

Representativeness: Mencakup variasi kondisi pencahayaan, sudut pengambilan, dan stadium penyakit
Balance: Distribusi yang merata antar kelas untuk menghindari bias model
Scale adequacy: Volume data yang cukup untuk generalization (minimal 1000 sampel per kelas)
Annotation quality: Labeling yang akurat dan konsisten oleh domain experts

Dalam implementasi TaniSMART, penelitian ini menggunakan pendekatan hybrid dataset yang menggabungkan:

Primary dataset: Koleksi citra tanaman padi dari sawah Bapak Edi Puryanto di Desa Sumbersalam, Bondowoso
Secondary dataset: Repository publik seperti PlantVillage dan dataset yang dikurasi untuk tanaman tropis Indonesia
Validation dataset: Sampel khusus dari kondisi lapangan lokal untuk testing performance

Metodologi pengumpulan primary dataset mengikuti protokol standardized image acquisition dari Arsenovic et al. (2019), dengan spesifikasi teknis resolusi minimal 1024x1024 pixels, format JPEG/PNG, dan metadata lengkap termasuk timestamp, GPS coordinates, dan kondisi cuaca saat pengambilan.

📚 Referensi Landasan Teori:

Primary Sources:

Arsenovic, M., et al. (2019). Solving current limitations of deep learning based approaches for plant disease detection. Symmetry, 11(7), 939.
Barbedo, J. G. A. (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180, 96-107.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
Google AI. (2024). Gemini API Documentation. https://ai.google.dev/
Google Flutter Team. (2023). Flutter: Build apps for any screen. https://flutter.dev/
Hevner, A. R., et al. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75-105.

Supporting References:

Liu, J., et al. (2021). Plant diseases and pests detection based on deep learning: a review. Plant Methods, 17, 22.
Martin, R. C. (2017). Clean Architecture: A Craftsman's Guide to Software Structure and Design. Prentice Hall.
Medhi, I., et al. (2007). Text-free user interfaces for illiterate and semi-literate users. Information Technologies & International Development, 4(1), 37-50.
Mell, P., & Grance, T. (2011). The NIST definition of cloud computing. NIST Special Publication 800-145.
Mohanty, S. P., et al. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419.
Nielsen, J. (2012). Usability 101: Introduction to usability. Nielsen Norman Group.
Norman, D. (2013). The Design of Everyday Things: Revised and Expanded Edition. Basic Books.
Supabase Inc. (2024). Supabase: The open source Firebase alternative. https://supabase.com/docs

📝 Catatan Revisi DSR:

✅ Penyesuaian dengan DSR:

Menambahkan konteks DSR dalam setiap penelitian terdahulu
Menjelaskan relevansi penelitian dengan tahapan DSR
Menekankan aspek "perancangan solusi" dan "evaluasi penerimaan"
Mengintegrasikan TAM sebagai framework evaluasi

✅ Bahasa S1 Natural:

Kalimat yang lebih sederhana dan mudah dipahami
Menghindari jargon yang terlalu teknis
Fokus pada "penerimaan" dan "kemudahan penggunaan"
Mempertahankan struktur akademis yang proper

23 KiB Raw Blame History Unescape Escape