1

OPTIMASI PENENTUAN KOMPOSISI SUBSTRAT PADA PORTABLE BIODIGESTER DENGAN METODE

JARINGAN SYARAF TIRUAN-ALGORITMA GENETIK

(Kurnia Cholish Artayasa, Suyanto, ST. MT, Dr. Dhany Arifianto, ST. M. Eng.)

Jurusan Teknik Fisika FTI ITS Surabaya

Kampus ITS Keputih Sukolilo Surabaya 60111

Telp: +6231-5947188 Fax: +6231-5923626

e-mail: blackustadz666@yahoo.com

Abstrak

Agar biogas yang dihasilkan bisa optimal, dibutuhkan air dan kotoran sebagai substrat dengan rasio tertentu. Optimal tidaknya

rasio yang dipakai pada portable bioigester dilihat dari massa biogas yang dihasilkan. Optimasi biogas didapat dengan

memodelkan plant, kemudian model yang didapat akan dioptimasi menggunakan metode tertentu.Pemodelan plan portable

biodigester dilakukan dengan jaringan syaraf tiruan (JST) dengan struktur multi layer perceptron (MLP). Struktur model yang

diturunkan adalah struktur Nonlinear Auto Regressive with eXternal input (NARX). Pangaturan bobot dilakukan menggunakan

algoritma Levenberg-Marquardt yang mampu memberikan hasil dengan RMSE sebesar 3.3098x10-4

. Model yang didapat dari

JST menjadi fitness yang akan dioptimasi dengan metode Algoritma Genetik (AG). Seleksi orang tua menggunakan roulette-

wheel dan dilakukan secara proporsional sesuai dengan nilai fitness nya. Dari simulasi AG, didapatkan rasio air dan kotoran

yang optimal sebesar 7.7506 : 10.5151. Dan ketika disederhanakan dalam perbandingan menjadi 1:1,3.

Kata kunci : substrat, penentuan rasio, jaringan syaraf tiruan, algoritma genetik

I. PENDAHULUAN

1.1 Latar Belakang

Biogas adalah sebuah produk yang dihasilkan dari

percampuran antara kotoran dan air dengan rasio tertentu.

Rasio yang tepat dalam pembuatan biogas akan berdampak

pada jumlah produk yang dihasilkan. Namun dewasa ini

sedikit penelitian tentang optimasi terhadap produk biogas.

Adapun penelitian yang telah dilakukan adalah mengenai

feeding dari reaktor. Metode yang dipakai antara lain

model dari JST, soft sensor, pemodelan dengan

menggunakan model matematis untuk memprediksi

keluaran dari reaktor, dan sebagainya. Metode-metode

yang sering dipakai tersebut memang sangat membantu

dalam proses optimasi produk, namun kelemahannya

adalah peneliti harus memiliki model dinamik, model

proses, dan model biologi dari keadaan bioreaktor yang

akan diteliti, dan dirasa bahwa metode ini kurang tepat

ketika akan melakukan optimasi hanya dengan pasangan

data masukan dan keluaran dengan jumlah yang sedikit.

Oleh sebab itu dalam laporan ini berisi tentang

optimasi produk biogas dengan menggunakan JST-AG.

Dimana akan dibahas mengenai bagaimana menyusun

model JST dari pasangan data masukan (input) dan

keluaran (output) yang hanya berjumlah 11, pembangkitan

data dengan curve fit, penyusunan pasangan kromosom

dari data yang kemudian nantinya akan dioptimasi dengan

metode AG dan nantinya akan didapat rasio penghasil

produk biogas paling maksimal.

1.2 Permasalahan

Permasalahan yang terdapat pada tugas akhir ini adalah :

1. Bagaimana mendapatkan pasangan data input-output

2. Bagaimana menggunakan data yang terbatas untuk

mencari model plant

3. Bagaimana pasangan data input-output hasil simulasi

JST untuk digunakan mengoptimasi produk biogas

dengan Algoritma Genetik (GA).

1.3 Tujuan

Tujuan dari tugas akhir ini adalah :

1. Akan dilakukan percobaan ekstraksi biogas dari 11

rasio kotoran dan air dengan menggunakan 11 galon

tertutup (diansumsikan anaerob digester).

2. Akan dilakukan penurunan persamaan kurva

produksi biogas dari hasil eksperimen dengan

menggunakan data 11 rasio.

3. Akan dilakukan penurunan model matematis

biodigester anaerob dengan menggunakan pasangan

data yang dibangkitkan dari kurva fitting.

4. Akan dibuat pasangan kromosom yang akan

dikawinsilangkan guna membuat keturunan yang

baik ditinjau dari kriteria fitness function.

1.4 Batasan Masalah

Untuk mempertajam dan memfokuskan permasalahan

dalam Tugas Akhir ini, beberapa batasan masalah yang

diambil diantaranya adalah sebagai berikut :

1. Biodigester yang digunakan adalah 11 galon air

volume 20 liter dengan 11 rasio input (air + kotoran)

yang berbeda.

2. Data yang diambil adalah pasangan data volume input

(air+kotoran) dan massa output (produk biogas)

3. Data output adalah massa produk biogas pada hari

ke 27 dari masing-masing rasio. Dengan asumsi

bahwa massa total paling optimal adalah pada hari

ke-27

4. Dari pasangan data yang jumlahnya terbatas

dilakukan penurunan fungsi yang mewakili dari

semua data

2

5. Fungsi yang didapat untuk membangkitkan data input

dan output guna menyusun model dan validasi

struktur

6. Dari model JST yang didapat, digunakan sebagai

fitness function untuk simulasi Algoritma Genetik

7. Untuk mengetahui pasangan kromosom yang

menghasilkan turunan yang baik diukur dari suatu

kriteria yang disebut fitness function dimana fitness

function analog dengan optimalitas produk biogas

II. TEORI PENUNJANG

2.1 Biogas

Pada dasarnya biogas adalah teknologi yang

memanfaatkan proses fermentasi (pembusukan) dari bahan

organik secara anaerobik (tanpa udara/oksigen) oleh

bakteri metanogenesis sehingga dihasilkan gas metana

(CH4) yang mudah terbakar sehingga dapat dimanfaatkan

untuk menghasilkan energi alternatif yang ramah

lingkungan. Bahan organik yang bisa digunakan sebagai

bahan baku antara lain adalah sampah organik, limbah

kotoran ternak atau manusia.

Tabel 2.1 produksi gas dari beberapa jenis kotoran

(Sumber: UPDATED GUIDEBOOK ON BIOGAS DEVELOPMENT)

Dari data di atas,unggas memiliki massa paling besar.

Namun dalam hal eksperman, pemakain substrat

disesuaikan dengan kebutuhan atau resource yang mudah

didapat.

2.2 Jaringan Syaraf Tiruan

Pembuatan struktur Jaringan Syaraf Tiruan diilhami

oleh struktur jaringan biologi, khususnya jaringan otak

manusia. Jaringan syaraf tiruan terdiri dari beberapa

neuron, dan terdapat suatu hubungan antara neuron-

neuron tersebut. Neuron akan mentransformasikan

informasi yang diterima melalui sambungan keluarnya

menuju ke neuron-neuron yang lain[9]. Sistem jaringan

syaraf tiruan dicirikan dengan adanya proses pembelajaran

(learning) yang berfungsi untuk mengadaptasi parameter-

parameter jaringannya. Kelebihan dari jaringan syaraf

tiruan diantaranya :

- Mampu melakukan proses pembelajaran

- Mampu beradaptasi

Gambar 2.1 Struktur Jaringan Syaraf Tiruan

Algoritma pembelajaran dan struktur JST yang

digunakan dalam penelitian ini adalah algoritma

Levenberg Marquardt dan Multilayer Perceptron (MLP) .

Algoritma Levenberg Marquardt memiliki kelebihan

karakteristiknya lebih cepat konvergen (rapid

convergence), Secara matematis pasangan data input dan

output yang berhubungan dapat ditulis sebagai berikut:

NTtytuZ N ,....,1,)(),( …(2.1)

Tujuan dari pelatihan adalah untuk mendapatkan sebuah

pemetaan dari pasangan data ke pasangan kandidat model.

NZ ...(2.2)

sehingga didapatkan model yang menyediakan prediksi

output ŷ(t) yang sama atau mendekati output y(t). Metode

yang paling sering digunakan untuk mengukur kemiripan

antara model output dengan model sebenarnya adalah tipe

kriteria mean square error. N

t

N

t

N

N tN

tytyN

ZV1

2

1

2 ),(2

1)]|()([

2

1),(

...(2.3)

Multilayer Perceptron (MLP) adalah jaringan yang paling

sering mempertimbangkan anggota dari keluarga jaringan

syaraf tiruan. Alasan utamanya adalah kemampuannya

untuk memodelkan secara sederhana dari hubungan

fungsional yang kompleks. Rumus matematik yang

mengekspresikan apa yang terjadi pada jaringan-MLP

diambil dari.

hn

j

i

n

l

jlljijiiii WwwfWFgty1

0,

1

0,,,],[)(

..(2.4)

θ menunjukkan vektor parameter yang didalamnya

terdapat semua parameter JST yang dapat diatur

(bobot dan bias).

2.3 Algoritma Genetik (GA)

Algoritma Genetik memiliki beberapa

komponen standar yang sangat menentukan

keberhasilan dari pencarian solusi persoalan.

x1

Activation

Function

w1

wd

w2

w0

x2

xd

x0=1

o

Jenis

Kotoran

Produksi gas

per kg (m3)

Sapi/Kerbau 0.023 – 0.040

Babi 0.040 – 0.059

Unggas 0.065 – 0.116

Manusia 0.020 – 0.028

3

(1) Pembentukan kromosom/

pengkodean

(2) Inisialisasi Kromosom

(3) Evaluasi kromosom

(4) Seleksi Kromosom

text

mutation

Roullete whell

Fungsi Objektif

Kromosom (1)

Kromosom (2)

…

…

Kromosom (populasi)

Permasalahan

Best kromosom

ya

tidak

Solusi

permasalahan

Cross over

(5) proses dekoding

Gambar 2.2 Diagram alir Algoritma genetik

(Sumber: http://dennyhermawanto.webhop.org)

III. METODOLOGI PENELITIAN

Berikut adalah diagram alir yang dilakukan untuk

mencapai tujuan dari tugas akhir ini antara lain:

Gambar 3.1 Flowchart Penelitian Tugas Akhir

3.1 Pembuatan plant I dan eksperimen I

Pada tahap ini adalah bagaimana merancang

biodigester beserta aksesorisnya sehingga dapat digunakan

dalam pengambilan data pada eksperimen berikutnya.

Gambar 3.1 Portable biodigester

Gambar di atas adalah portable biodigester yang terbuat

dari galon air volume 20 liter. Pada bagian atasnya

terdapat kantong plastik dimana berfungsi sebagai gas

kolektor. Dan plant ini harus ditutup dalam keadaan

vakum diansumsikan sebagai biodigester anaerob.

Pada hari ke-27 dilakukan pengambilan gas

kolektor untuk diuji apakah gas yang berada dalam gas

kolektor tersebut mengandung gas methane. Pengujian

dilakukan dengan 2 cara yaitu dengan cara dibakar dan

dengan menggnakan gas kromatograph.

3.2` Pembuatan plant II dan eksperimen II

Pada tahap ini adalah persiapan mengenai ekstraksi

biogas. Dan pengambilan data dari hasil eksperimen.

Eksperimen dilakukan dengan 11 rasio yang berbeda

dengan range adalah rasio air : kotoran sebesar 1:1 – 1:2.

Pasangan data yang diambil adalah input (volume

air + volume kotoran) dan output adalah massa dari biogas

yang diambil pada hari ke-27.

3.3 Pembuatan model plant dengan JST

Hal ini meliputi pemodelan produksi biogas sebagai

fungsi dari rasio kotoran dan air yang diekstraksi,

pemodelan biodigester anaerob dalam bentuk struktur

JST, dan Validasi struktur yang didapat.

3.4 Simulasi optimasi dengan GA

Dalam mengoptimalkan rasio air dan kotoran, yang

perlu dilakukan adalah mencari fungsi yang

merepresentasikan proses didalamnya. Metode algoritma

genetika banyak dipakai untuk tujuan optimasi numerik

dengan merepresentasikan masalah kedalam persamaan

matematis. Dengan demikian mutlak diperlukan adanya

suatu model untuk merepresentasikan proses. Namun

pengembangan model yang nonlinear dan multivariabel

dengan persamaan matematis menjadi kendala tersendiri

berkaitan dengan jumlah persamaan yang dibutuhkan serta

waktu penyelesaian yang lama. Pemodelan dapat dilakukan

dengan memanfaatkan kelebihan yang dimiliki jaringan

syaraf tiruan (JST) dalam mem-bangun hubungan

nonlinear antara input-output sehingga memiliki

karakteristik yang sama dengan proses yang ditinjau.

Untuk mendapatkan fungsi terebut dapat dicari dengan

pemodelan JST. Fungsi tersebut yang nantinya dijadikan

fungsi fitness untuk mengoptimalkan rasio air dan kotoran

pada portable biodigester secara simulasi.

4

(1) Pembentukan kromosom/

pengkodean

(2) Inisialisasi Kromosom

(3) Evaluasi kromosom

(4) Seleksi Kromosom

text

mutation

Roullete whell

Fungsi Objektif

Kromosom (1)

Kromosom (2)

…

…

Kromosom (populasi)

Permasalahan

Best kromosom

ya

tidak

Solusi

permasalahan

Cross over

(5) proses dekoding

Gambar 3.2 Diagram Alir GA

IV. Analisa dan Pembahasan

Pada bab ini akan dijelaskan mengenai hasil data

eksperimen, hasil simulasi pembentukan model dengan

JST, dan hasil simulasi optimasi rasio substrat

menggunakan GA.

4.1 Data hasil eksperimen

Langkah yang dilakukan dalam pengambilan data

eksperimen meliputi

Gambar 4.1 Diagram alir pengambilan data

Pengambilan data pada eksperimen I dan

eksperimen II dilakukan pada hari ke-27 terhitung setelah

pencampuran dan pemasukan substrat pada biodigester.

Diansumsikan massa puncak pada hari ke-27.

Pengujian Eksperimen I bertujuan untuk menguji

bahawa plant yang telah kita buat dapat menghasilkan

biogas dan terdapat kandungan gas methane yang terdapat

dalam biogas tersebut. Pengujian dilakukan dengan 2 cara,

yaitu pengujian gas methane pada penampung gas dengan

cara dibakar, dan cara ke-2 adalah dengan menggunakan

Shimadzu GC-17A Gas Chromatograph. Pengambilan

data eksperimen II adalah pengambilan data keluaran

berupa massa biogas dari 11 digester yang sudah ada.

Adapun langkah yang digunakan adalah dengan

melepaskan penampung gas pada 11 digester yang telah

dibuat, kemudian diukur massanya menggunakan

timbangan digital. Setelah itu, kita keluarkan biogas yang

terdapat pada penampung gas yang telah kita timbang

sebelumnya, dan kemudian kita timbang lagi penampung

gas pada keadaan kosong. Dan massa biogas didapat dari

selisih antara massa penampung gas sebelum dikeluarkan

gas dan massa penampung gas setelah dikeluarkannya gas.

4.1.1 Pengujian Gas Methane

Pada tahap eksperimen I biodigester dilakukan

pengujian adanya gas methane dengan 2 metode, yaitu

dengan pengujian membakar hasil gas, dan pengujian hasil

gas dengan menggunakan Shimadzu GC-17A Gas

Chromatography. Dari pengujian pertama dengan

membakar hasil gas dihasilkan nyala api biru seperti pada

gambar dibawah ini, sehingga dapat disimpulkan bahwa

pada Biogas terdapat gas methane.

Gambar 4.2 Pengujian gas methane dengan dibakar

Sedangkan untuk pengujian kedua dilakukan

dengan menggunakan Shimadzu GC-17A Gas

Chromatography pada 5 buah sampel biogas hasil

eksperimen. Dan dari pengujian ini didapatkan bahwa

biogas hasil eksperimen mengandung gas methane.

4.1.2 Pasangan data input dan output

Rasio Input

Air: kotoran

V Air (liter) V Kotoran

(liter)

m CH4

(gram)

1: 1 8 8 18,4

1: 1,1 7,61 8,38 18,42

1: 1,2 7,27 8,72 18,5

1: 1,3 7 9 18,52

1: 1,4 6,66 9,33 18,48

1: 1,5 6, 4 9,6 18,2

Eksperimen I

Pengujian eksperimen I

Eksperimen II

Pengambilan data

eksperimen II

5

1: 1,6 6,15 9,8 17,1

1: 1,7 5,9 10 16,6

1: 1,8 5,71 10,28 15,3

1: 1,9 5,5 10,5 15

1: 2 5,3 10,7 14,73

Dari data input dan output, dapat diketahui nilai

optimum dari output adalah 18,52. Nilai ini terletak pada

rasio input air: kotoran= 1: 1,3. Hasil ini akan menjadi

validasi dari nilai hasil optimasi menggunakan metode

Algoritma Genetik.

4.2 Optimasi rasio substrat

Untuk mendapatkan model yang baik dengan

menggunakan JST maka 11 data awal tersebut harus

dibangkitkan. Data dibangkitkan dengan metode

interpolasi curve fit polynomial. Berikut adalah plot grafik

dari data eksperimen, grafik curve fit, dan grafik yang

diperoleh dari hasil pembangkitan 11 data.

5.0 5.5 6.0 6.5 7.0 7.5 8.0

14.5

15.0

15.5

16.0

16.5

17.0

17.5

18.0

18.5

19.0

Biogas

Bio

ga

s (

gra

m)

Volume Air (liter)

5.0 5.5 6.0 6.5 7.0 7.5 8.0

14.5

15.0

15.5

16.0

16.5

17.0

17.5

18.0

18.5

19.0

Fit Curve 1

Po

ly1

0 (

Use

r) F

it o

f B

iog

as

Independent Variable

Gambar pertama menunjukkan 11 data input (air) dan

output (biogas) yang akan di bangkitkan. Gambar kedua

merupakan gambar curve fit dengan metode interpolasi

curve fit polynomial. Dari gambar terlihat bahwa 11 data

awal ketika diplotkan sesuai dengan grafik polynomial 10.

Dan gambar ketiga adalah gambar grafik 1000 data hasil

bangkitan dari 11 data awal menggunakan metode

polynomial 10. Data ini adalah data yang akan di training

pada JST.

Sebagaimana telah dijelaskan pada bab

sebelumnya, pemodelan biodigester ini menggunakan JST-

MLP (Multi Layer Perceptron). Dimana variabel input JST

mengandung 2 input pada masa lampau [X1(t-1) dan X2(t-

1)] dan output pada masa lampau [Y(t-1)].

Untuk mendapatkan model yang baik, berbagai

struktur JST diuji cobakan dengan mengubah-ubah jumlah

hidden node dan history length. Proses training JST ini

dilakukan secara offline dengan data set yang diambil

untuk masing - masing node input seluruhnya berjumlah

1.000 data, yang terbagi atas 2 bagian yaitu 700 data

digunakan untuk proses training dan 300 data digunakan

untuk validasi model JST yang telah didapat. Waktu

pemodelan proses adalah 500 iterasi. Proses training akan

berhenti ketika RMSE target

telah terpenuhi, jika target

tidak terpenuhi proses training berkerja sampai jumlah

iterasi. Dan pada eksperimen kali ini berhenti pada iterasi

ke 8.

Dari proses pelatihan di dapatkan parameter –

parameter JST yang meliputi : Struktur jaringan (network

deffinition), struktur regresor, bobot w1f dan w2.

5 6 7 8

14

16

18

Bio

ga

s (g

ram

)

Volume Air (liter)

Biogas (gram)

Poly10 (User) Fit of Biogas

6

1 1

L

L

L

Y(t-1)

X1(t-1)

X2(t-1)

Y(t)

Gambar 4.1 Struktur JST yang dipakai

Gambar di atas adalah JST MLP berstruktur input

NNARX dengan jumlah layer dan fungsi aktifasi dengan

struktur regresor adalah, history length input sebesar 1,

history length output sebesar 1. Input JST terdiri dari

volume air (X1), volume kotoran (X2) dan massa biogas

(Y). Data hasil pembangkitan, kemudian ditraining pada

JST.Hasil training tersebut berupa RMSE training sebesar

3.3098x10-4

.

Berdasarkan dari nilai RMSE yang cukup baik

dapat disimpulkan bahwa pemodelan dari proses

pembakaran bisa dianggap mewakili proses sebenarnya.

Sehingga dalam training pasangan data tersebut

didapatkan bobot-bobot sebagai berikut:

Tabel 4.1 Matrik bobot dari lapis input ke lapisan

tersembunyi (w1f)

0.963136 0.289087

-0.10619 -0.5619

-0.34001 -0.1094

0.271167 -0.25697

Tabel 4.2 Matrik bobot dari lapisan tersembunyi ke lapisan

output (w2f)

0.950593

0.306315

0.355828

Dari bobot yang diperoleh maka dapat dibuat sebuah

model yaitu

dari persamaan di atas maka optimasi rasio dilakukan

dengan cara menentukan nilai x1 dan x2 yang paling

optimum. Nilai optimum dari masing-masing variabel

dicari dengan menggunakan metode algoritma genetik.

Pada algoritma genetik. Persamaan di atas digunakan

sebagai fungsi fitness dimana individu yang memiliki

fitnes nol atau yang paling mendekati merupakan individu

terbaik. Sedangkan constrain-nya adalah proses variabel

yang masuk pada proses pembakaran dalam hal ini volume

air dan volume kotoran.

Dengan menggunakan algoritma didapatkan nilai

optimum dari volume air adalah 7.7506 dan kotoran

10.5151. Dari kedua nilai tersebut apabila dibuat

perbandingan maka bisa didapatkan rasio air dan bahan

kotoran yang paling optimum sebesar 1 :1.3

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil simulasi dan analisa data pada penelitian Tugas

Akhir ini, dapat ditarik beberapa kesimpulan antara lain :

1. Peningkatan produksi biogas dapat dilakukan dengan

menggunakan optimasi terhadap rasio inputan berupa

kotoran sapi dan air.

2. Hasil eksperimen menunjukkan bahwa rasio optimal

dari 11 rasio yang di eksperimenkan adalah pada rasio

air : kotoran sapi adalah 1 : 1.3.

3. Pembangkitan data yang akan dimasukkan pada

Jaringan Syaraf Tiruan menggunakan kurva fitting

polynomial 10.

4. Hasil training pada JST menunjukkan RMSE training

sebesar 3.3100e-004 dan VAF training sebesar

99.9996.

5. Hasil validasi pada JST menunjukkan RMSE validasi

sebesar 5.4332e-004 dan VAF validasi sebesar

98.6665.

6. Hasil simulasi optimasi dengan menggunakan

Algoritma Genetik, didapatkan rasio optimal pada

perbandingan air : kotoran adalah 1 : 1.3.

5.2 Saran

Beberapa saran yang perlu disampaikan dalam

laporan ini dalam rangka pengembangan penelitian ini

antara lain :

1. Untuk penelitian selanjutnya dapat dibuat percobaan

terhadap jenis substrat yang berbeda dan jumlah rasio

lebih banyak.

2. Pada penelitian selanjutnya, dalam pemodelan

biodigester dapat menggunakan metode yang lain.

3. Untuk penelitian selanjutnya dapat menggunakan

beberapa metode optimasi lain yang dirasa tepat.

7

DAFTAR PUSTAKA

[1] Harahap Filino, Apandi Muidin, ginting Serasi.

1978. Teknologi Gas Bio. ITB

[2] Biogas. [Online]

http://id.wikipedia.org/wiki/Biogas.

[3] Kharistya Amaru, 2004, Rancang Bangun

dan Uji Kinerja Biodigester Plastik

Polyethilene Skala Kecil.

[4] Lucifredi, Mazzieri.2000. Neural Network.

[5] Martiana. 2007. Jaringan Syaraf Tiruan.

[6] Nørgaard, Magnus. Ravn, O. Poulsen, N.K.

dan Hansen, L.K. 2000. Neural Network for

Modelling and Control of Dynamic Systems.

London: Verlag Springer.

[7] Hermawanto Denny. Algoritma Genetik.

[Online] http://dennyhermawanto.webhop.org.

[8] Suyanto. Algoritma Genetic Dalam Matlab.

Yogyakarta : penerbit ANDI 2005.

[9] Widodo Wahyu. Korelasi

BIODATA PENULIS

Nama : Kurnia Cholish Artayasa NRP : 2406 100 024

TTL : Jombang, 03 Maret 1988 Alamat : Jln. Jambu H-14 JOMBANG

Riwayat Pendidikan

2006 – sekarang : Teknik Fisika ITS, Surabaya

2003 – 2006 : SMA N 2 Jombang

2000 – 2003 : SMP N 1 Jombang

1994 – 2000 : SD N kepanjen II