Jaringan Syaraf Tiruan [1] : Konsep Dasar JST
Summary
TLDRThis video introduces the concept of artificial neural networks (ANN), comparing them to biological neural networks in the human brain. It explains the structure of neurons, including dendrites, cell bodies, and axons, and how they process information. The video highlights the key components of ANNs, such as inputs, weights, and activation functions, and outlines the learning paradigms: supervised and unsupervised learning. The discussion covers different neural network architectures, including single-layer, multi-layer, and competitive networks, and their applications in fields like weather prediction and biometric identification.
Takeaways
- 🧠 Artificial neural networks (ANN) are inspired by biological neural networks found in the human brain.
- 🔗 Neurons in the brain process information through interconnected cells, leading to decision-making based on inputs and outputs.
- ⚙️ ANN structure consists of components such as dendrites (input), soma (processing unit), axons (output), and synapses (connections).
- 🎯 The goal of ANN is to mimic the functioning of biological neural networks by learning from data and experiences.
- 📊 The mathematical model of ANN involves inputs, weights, activation functions, and outputs, where inputs are processed through layers of neurons.
- 🔍 Activation functions play a key role in determining the output by processing the weighted sum of inputs.
- 💡 ANN can be categorized into single-layer (input and output) and multi-layer networks (with hidden layers for complex problems).
- 🎯 ANN's architecture defines how neurons are connected, and its learning process can be supervised or unsupervised.
- 🏆 Supervised learning involves labeled data for training, whereas unsupervised learning allows the network to categorize data based on features.
- 🔄 The ability of ANN to learn from data enables it to solve complex tasks, such as image recognition, weather prediction, and face unlocking.
Q & A
What is an artificial neural network (ANN) and how is it analogous to a biological neural network?
-An artificial neural network (ANN) is a computational model inspired by the way biological neural networks function, such as those in the human brain. In a biological network, neurons process and transmit information, while in an ANN, artificial neurons, also called nodes, interact to process inputs and produce outputs, simulating the decision-making processes of the brain.
What are the main components of a biological neuron that are mirrored in an artificial neural network?
-The main components of a biological neuron mirrored in an ANN are the dendrites (input pathways), the soma or cell body (processing unit), and the axon (output pathway). In an ANN, input nodes correspond to dendrites, the processing occurs in hidden layers akin to the soma, and the axon is represented by the output nodes that transmit the final result.
How does an ANN process information through its layers?
-An ANN processes information through several layers: input, hidden, and output layers. The input layer receives data, the hidden layers process it through weighted connections and activation functions, and the output layer generates the result based on the processed information. The model learns to adjust the weights based on training data to improve performance.
What role does the activation function play in an artificial neural network?
-The activation function in an ANN determines whether a neuron should be activated or not, based on the weighted sum of the inputs. It introduces non-linearity to the model, allowing it to learn and model complex patterns. Common activation functions include the sigmoid, tanh, and ReLU (Rectified Linear Unit).
What is a single-layer neural network, and how does it differ from a multi-layer network?
-A single-layer neural network consists of one layer of input nodes directly connected to output nodes without any hidden layers in between. In contrast, a multi-layer neural network has one or more hidden layers between the input and output, allowing it to solve more complex problems by learning deeper representations of the data.
What are the two main types of learning paradigms in neural networks?
-The two main types of learning paradigms in neural networks are supervised learning and unsupervised learning. In supervised learning, the network is trained on labeled data, meaning the output is known beforehand. In unsupervised learning, the network tries to identify patterns and structure in data without labeled outputs.
How does supervised learning differ from unsupervised learning in ANNs?
-In supervised learning, the ANN is trained with input-output pairs, where the correct output is provided, and the network learns by comparing its predictions to the actual values. In unsupervised learning, the ANN is not provided with labeled outputs and instead identifies patterns or groupings within the data on its own.
What is a competitive neural network, and how does it function?
-A competitive neural network is a type of ANN where neurons compete with each other to be the most active, with only one neuron or a subset of neurons 'winning' the competition to produce the output. This network is useful for tasks like clustering, where input data is grouped based on similarity.
What is a threshold function, and how does it work in a neural network?
-A threshold function, also known as a step function, is an activation function that outputs a binary signal—either 0 or 1—depending on whether the input surpasses a certain threshold. This function is used to create binary decisions in a neural network.
What are some real-world applications of artificial neural networks?
-Some real-world applications of ANNs include facial recognition systems, fingerprint-based attendance systems, weather prediction, and natural language processing. ANNs can also be used in various industries for tasks such as classification, forecasting, and decision-making.
Outlines
🧠 Introduction to Artificial Neural Networks
This paragraph introduces the concept of artificial neural networks (ANNs) by drawing an analogy with biological neural networks in the human brain. It explains that ANNs mimic the structure and function of biological neurons, which are responsible for processing information. The components of a biological neuron, such as the dendrites, soma, and axon, are described, along with their functions. The paragraph also discusses how ANNs are designed to process information through interconnected neurons, using input and output functions. It introduces the concept of activation functions and their role in determining the output of a neuron based on its inputs. The explanation concludes with a basic mathematical model of an ANN, highlighting the importance of weights and the activation function in producing the output.
🌐 Characteristics and Architecture of Neural Networks
The second paragraph delves into the characteristics and architecture of neural networks. It emphasizes the ability of ANNs to learn from experience, similar to how the human brain recognizes objects. The discussion then moves on to the different types of neural network architectures: single-layer networks, multi-layer networks, and competitive networks. Single-layer networks are straightforward, with direct connections between input and output layers. Multi-layer networks, on the other hand, have one or more hidden layers between the input and output, allowing them to solve more complex problems. Competitive networks are described as having neurons that compete with each other to become fully active. The paragraph also touches on the importance of architecture, weights determined through training, and activation functions in defining the characteristics of ANNs.
📚 Learning Paradigms in Neural Networks
This paragraph focuses on the learning paradigms in ANNs, which are categorized into supervised and unsupervised learning. Supervised learning involves teaching the network to associate inputs with desired outputs, using examples such as the backpropagation algorithm. Unsupervised learning, in contrast, does not require pre-labeled outputs; instead, the network is left to discover patterns in the data on its own. The paragraph uses the example of classifying fruits into different categories to illustrate supervised learning, where the network is taught to recognize specific features of each fruit type. Unsupervised learning is likened to allowing the network to group similar items together without prior knowledge of their categories. The paragraph also mentions that there are different types of learning, such as Hebbian learning and competitive learning.
🔄 Activation Functions and Applications of Neural Networks
The final paragraph discusses various activation functions used in ANNs, which determine the output of a neuron based on its activation level. It describes different types of activation functions, including threshold functions, linear functions, and saturating linear functions. The paragraph also contrasts binary and bipolar functions, explaining how they handle input values to produce outputs. Furthermore, it highlights the practical applications of ANNs, such as in biometric identification systems like fingerprint recognition and facial recognition for unlocking smartphones. It also mentions the use of ANNs in weather forecasting to predict events like rain and storms. The paragraph concludes with a summary of the learning objectives and a closing remark.
Mindmap
Keywords
💡Artificial Neural Network (ANN)
💡Neuron
💡Dendrite
💡Axon
💡Activation Function
💡Weights
💡Hidden Layer
💡Supervised Learning
💡Unsupervised Learning
💡Multi-layer Neural Network
Highlights
Introduction to artificial neural networks and their biological counterparts in the human brain.
Explanation of the basic components of a biological neuron: dendrites, soma, and axon.
Dendrites receive information and act as input channels for the soma.
The soma processes information within the nucleus.
Axons transmit signals to other neurons through synapses.
Neurons interact with each other to make decisions.
Artificial neural networks mimic the structure and function of biological neural networks.
Input and output in artificial neural networks are analogous to dendrites and axons in biological neurons.
Activation functions play a crucial role in processing information within neurons.
The architecture of neural networks includes input layers, hidden layers, and output layers.
Single-layer networks directly connect input to output without hidden layers.
Multilayer networks have one or more hidden layers between input and output.
Competitive networks have neurons that compete with each other to be active.
Neural networks can learn from experience, similar to the human brain.
Supervised learning involves teaching the network to categorize inputs, while unsupervised learning lets the network discover patterns on its own.
Activation functions can be linear, threshold-based, or more complex like sigmoid or hyperbolic tangent.
Applications of neural networks include fingerprint recognition for attendance systems and face unlock features on smartphones.
Neural networks are also used for weather forecasting to predict rain and storms.
Transcripts
Halo assalamualaikum warahmatullahi
wabarakatuh Halo teman-teman kelas
kecerdasan buatan kembali lagi dengan
satu materi yang baru Yuk kita belajar
bersama tentang jaringan saraf tiruan
dan bahasan utama kita kali ini akan
mengenal tentang konsep dasar jaringan
syaraf tiruan atau dj's itu seperti apa
ya kalau diumpamakan jaringan syaraf
tiruan itu adalah berasosiasi dengan
jaringan syaraf biologi gimana pada otak
manusia kita memiliki jutaan sel saraf
atau neuron yang memiliki tugas untuk
memproses zat memproses informasi nah
neuron itu berinteraksi satu sama lain
untuk menghasilkan sebuah keputusan
dengan kemampuan kerjanya yang luar
biasa
yang digambarkan pada struktur biologi
model syaraf itu memiliki beberapa
komponen utama pertama ada di indrid
kemudian ada badan sel atau Soma serta
Advan ya kalau dilihat pada penampang
model biologis teman-teman bisa melihat
kita punya the yang pertama ini memiliki
tugas untuk menerima informasi atau
sebagai jalur input bagi Soma atau badan
sel ya badan sel ada di sebelah sini
yang digambarkan ini nah badan sel ini
dia memiliki satu buah bagian disebut
dengan inti sel atau nukleus dimana
pemrosesan atau pengolahan informasi itu
terjadi di dalamnya dari situ kemudian
akson itu akan mengirimkan impuls sinyal
ke sel saraf yang lainnya atau dengan
kata lain Aksan itu adalah jalur patut
bagi sama untuk berinteraksi dengan sel
saraf yang berada di tetangga mereka
melalui sinapsis ini ya jadi dia
kandungan dengan sel saraf atau neuron
neuron yang berada di sekitar mereka Nah
karena tadi disebutkan bahwa jaringan
syaraf biologis itulah dasar dari
jaringan syaraf tiruan Maka kalau
dianalogikan bentuknya adalah seperti
ini ada istilah input ya atau not yang
di dalam dirinya saksikan itu dia
Society ikan dengan badan sel atau Soma
atau bisa juga input itu diajarkan
dengan asosiasikan dengan dendrit dengan
hujan buat itu adalah aksen serta
sinopsis Ya beginilah minta kenal kok
pada jaringan syaraf tiruan jadi ini
hanya sebagai pengantar saja
Hai Bagaimana jadinya syaraf tiruan itu
bekerja Ia adalah meniru atau mengikuti
Bagaimana cara kerja jaringan syaraf
biologis pada otak manusia ya di dalam
jaringan syaraf tiruan itu dia memiliki
keterlibatan sebagai pemrosesan
informasi yang terjadi pada neuron tadi
disebutkan ya kemudian ada istilah yang
disebut dengan fungsi aktivasi yang
berhubungan dengan semua input
didalamnya serta ada output yang nanti
akan kita bahas dengan salah satunya
disebut dengan ceh kul
Set alarm pada jaringan syaraf tiruan
model struktur penyusunnya boleh
digambarkan dengan bentuk seperti ini
ke-3 ada beberapa begini dalamnya kita
ada mengenal fungsi ini kemudian
digoreng fungsi aktivasi dan ini adalah
bagian yang pernah dengan output proses
ini akan kita hasilkan karena kita sudah
memiliki input sebelumnya nah output ini
nanti bisa dikirimkan ke neuron yang
lainnya yang berada di tangganya atau
neuron yang saling berhubungan satu sama
lain jika digambarkan ke dalam bentuk
yang lainnya ini adalah input di sebelah
kiri yang dinyatakan dengan huruf x
kemudian masing-masing simbol itu Ia
memiliki website atau bobot kemudian ada
fungsi tertentu sampai dengan dia
menghasilkan output disini outputnya
tidak harus selalu sama dengan jumlah
input ya Bu remotenya 1/2 meskipun
inputnya adalah puluhan ya ini adalah
contoh model matematikanya jadi ada
sebuah fungsi tertentu yang disebut
dengan samping function disini ini ada
juga fungsinya coba dengan fungsi
aktivasi di proses sebelumnya melibatkan
input dan juga memiliki berbuat untuk
masing-masing input Jadi kalau ada 10
input maka akan ada 10 bobot yang
mempengaruhi hasil akhir output
disebelah kanannya Nanti secara
matematis digambarkan seperti ini ya
nanti teman-teman bisa mempraktekkan ini
sebagai sebuah contoh Bagaimana jaringan
syaraf tiruan kita pelajari bersama ya
Nah mengenal samping function ini kalau
diumpamakan dia merupakan sebuah fungsi
yang digunakan untuk mencari rata-rata
bobot dari semua elemen inputnya secara
sederhana merupakan Perkalian antara
bobot atau with dengan inputnya atau X
disini setelah ketemu makan dijumlahkan
totalnya ada berapa Kalau ada 10 input
maka 10 10 nya kan kita jumlahkan ya Nah
dari samping function itu
kemudian kita akan mengenal
karakteristik jaringan syaraf tiruan
Hai yang paling menonjol adalah jaringan
syaraf tiruan itu dapat belajar dari
pengalaman ya Jadi kalau kita bisa
mengambil pengalaman atas sebuah
peristiwa maka jaringan syaraf tiruan
pun juga bisa melakukan hal yang sama
misalkan suatu hari kita pernah melihat
sebuah benda yang disebut dengan spidol
maka ketika pada lain waktu kita melihat
benda yang serupa dengan spidol kita
sudah tidak perlu lagi memikirkan bahwa
benda itu disebut dengan spidol tapi
secara spontan kita sudah akan
mengatakan Oh itu spidol ya maka
jaringan syaraf tiruan juga memiliki
analogi yang sama ya kita akan gunakan
contoh nanti
Hai beberapa hal yang menentukan
karakteristik jaringan syaraf tiruan itu
diantaranya adalah arsitektur jdnya
kemudian ada bagian yang disebut dengan
bobot ini yang ditentukan dengan proses
pelatihan atau training nanti serta
bagian yang disebut dengan fungsi
aktivasi ya Nah arsitektur jaringan ini
ya adalah sekumpulan dari jaringan Max
kumpulan dari lapisan input kemudian ada
juga lapisan output yang diantara lagu
selingkuh dengan lapisan untuk itu bisa
terdapat lapisan tersembunyi atau hidden
layer bila ada nah diantara lapisan
input dengan lapisan begitu mereka
saling terhubung ya bisa terhubung
langsung atau dijembatani oleh lapisan
tersembunyi kita akan belajar arsitektur
jaringan yang dikelompokkan menjadi tiga
kelas besar yang pertama adalah jaringan
dengan lapisan tunggal atau single
warnet kemudian ada multi learned yang
merupakan jaringan dengan lapisan banyak
serta jaringan dengan lapisan kompetitif
yang disebut dengan kompetitif net nah
pada single layer net-nya Ia hanya
memiliki satu lapisan dengan bobot yang
terhubung jaringan ini menerima input
kemudian secara langsung akan diproses
menjadi output tanpa melewati lapisan
tersembunyi sedangkan semua unit
inputnya dihubungkan dengan unit output
yang bersesuaian secara grafis gambar
dari single ayat adalah seperti ini ya
kita punya nilai input di bagian paling
sebelah kiri kemudian nilai-nilai itu
adalah bagian yang kita masukkan ke
dalam layar pertama ada lapisan info
disini kemudian diantara lapisan input
ini ada lapisan output di sebelah ini
disebelah kanannya yang dihubungkan oleh
bobot pada matriks bobot diantara input
dengan output nya jika sudah maka kita
akan menghasilkan output nya yah nah
diasumsikan bahwa a
inputnya tadi ya termasuk dengan
outputnya ini lapisan Itu adalah sebuah
mikro serta bagian-bagiannya Takan
dengan busur panah ini adalah
sinopsisnya kembali lagi ke definisi
model Syarah biologis tadi oke kalau
senilai ngerti ya terhubung secara
langsung antara bisa input dengan output
dan dibatasi hanya dengan satu matriks
bobot tidak demikian pada multilayer
nett ya pada jaringan dengan lapisan
banyak ini memiliki satu atau lebih
lapisan yang terletak di antara input
dan outputnya lapisan itu sebut sebagai
lapisan tersembunyi ya jaringan ini
memiliki kemampuan untuk menyelesaikan
sebuah permasalahan yang lebih kompleks
jadi pada lapisan tunggal tapi
memerlukan proses pembelajaran yang
lebih lumpur yang lebih rumit atau lebih
kompleks lagi jika digambarkan pada
sebuah bentuk maka jaringan syaraf
tiruan untuk arsitektur multilayer
netcool yang lebih adalah seperti ini
diantara
Faizah input dengan output nya teman
melihat adanya sebuah lapisan
tersembunyi ya di sini pun untuk
menentukan jumlah neutronnya tidak harus
sama dengan lima ini hanya sebagai
bantuan visual secara mudah dan
sederhana untuk memahamkan bawah
ternyata arsitektur itu bisa dipahami
dengan jumlah lapisan yang terlibat di
dalamnya kalau hanya input dengan output
saja Berarti dia adalah jaringan lapisan
tunggal tapi kalau sudah Tersisih oleh
satu sebisanya jaringan televisi
tersembunyi Maka hasilnya itu disebut
dengan multi-layered atau arsitektur
dengan lapisan banyak-banyak contoh ini
teman-teman melihat adanya satu lapisan
tersembunyi saja yang membatasi atau
menghubungkan antara lapisan kudengar
lapisan output pada gambar ini
teman-teman bisa menemukan adanya
lapisan tersedia Jumlahnya ada dua jadi
adalah pesan tersembunyi pertama di
bawah sebelah kiri Ini dan adalah pesan
tersembunyi yang kedua
Hai ada di bagian sebelah kanan diantara
lapisan-lapisan tersebut ada matriks
bobot yang saling terhubung satu sama
lain ini hanya gambaran saja bahwa
bentuk dari akhir pun arsitektur
jaringan itu cukup beragam ya sedangkan
kategori yang ketiga adalah kompetitif
nett ya jaringan dengan lapisan
kompetitif yang pada setiap neuron nya
itu bersaing satu sama lain untuk
mendapatkan hak menjadi murni aktif
nilai bobot yang dimiliki oleh setiap
neuron itu besarannya adalah satu
sedangkan neuron yang lainnya nilai
obatnya berupa nilai acak dan biasanya
negatif Yah nanti saya akan belajar lagi
pada refreshing kita gunakan diantara
beberapa hal yang harus dipelajari pada
jaringan syaraf tiruan adalah paradigma
pembelajaran secara garis besar kelompok
pembelajaran pada jaringan syaraf tiruan
itu ada dua kelas yang pertama adalah
pembelajaran terawasi atau supervised
learning Ya yang menjadi contoh pada
sparepart learning ini adalah help
kemudian ada perceptron dan juga ada
backpropagation sedangkan kategori yang
kedua adalah pembelajaran tidak terawasi
atau and supervised learning Ya ada juga
yang menyatakan belajar atraksi sebagai
pembelajaran terbimbing dan pembelajaran
tidak tebing untuk pembelajaran tidak
terawasi istilahnya sama ya dan
contoh-contohnya juga sama kalau pada
pembuatan terawasi dan tidak terawasi
itu adalah dua hal yang berbeda
teman-teman bisa menggunakan energi
sebagai berikut misalkan kalian punya
tiga buah deh ya tiga buah yang
masing-masing jumlahnya ada Banyak Ada
jeruk ya Ada jeruk kemudian ada apel
Hai dan ada jambu ya jadi teman-teman
punya tiga buah-buah yang kategori ada
jeruk apel serta jambu nah pada
pembelajaran dengan apa Belajar antara
wasih kita mengelompokkan buah yang
sudah ada itu dari awal bq7 tahu Oh
kalau bentuknya seperti inilah jeruk Oh
kalau bentuknya adalah vertadella poloh
kalau warnanya seperti ini adalah jambu
jadi kita kediaman kategori tanya
sehingga kalau nanti ada satu buah yang
baru ya buah yang kita enggak tahu apa
itu namanya 2x misalkan kita bisa
mengatur ikan itu menjadi jeruk apel
atau jambu secara otomatis ya jadi
output-nya sudah diketahui sebelumnya
sedangkan pada belajar yang tidak
terawasi kita tidak mengeta gorikan
jeruk apel dan jambu ini terlebih dahulu
melainkan kita meminta jaringan syaraf
tiruan itu sendiri untuk mengategorikan
dengan mengenali mereka itu perca
Jelaskan ciri-cirinya ya Jadi pada jst
mereka akan mendefinisikan juga seperti
ini atau seperti itu dan juga dengan
seperti ini kita memberikan batasannya
saja tanpa memberikan kelompok-kelompok
yang diawali dengan label-label secara
spesifik Ya paham Jadi kalau pada
pembahasan telah pasti kita yang membuat
kelompok-kelompok itu tapi kado pada
kalau pada pembelajaran tidak terawasi
kita tidak mengelompokkan nilai-nilai
itu menjadi kelas-kelas yang sudah
dibagi-bagi melainkan meminta lebih ST
mengelompokkan benda-benda itu
berdasarkan ciri-ciri yang merujuk pada
jeruk apel atau jambu ya maka pada
pembelajaran terawasi target outputnya
itu diperlukan sehingga kalau ada benda
yang baru Maka kita bisa memastikan noh
benda itu masuk dalam Kelas A b c dan
seterusnya ya sedangkan pada
pembelajaran tidak terawasi atau Cukang
fastening target output ini tidak
diperlukan ya mereka
pengennya untuk belajar sendiri ya nanti
teman-teman bisa belajar lebih lanjut
lagi nah selain arsitektur jaringan
serta paradigma pembelajaran kita harus
mengenal fungsi aktivasi yang tadi di
awal sudah digambarkan pada model
matematika fungsi aktivasi ini digunakan
untuk menentukan keluaran sebuah n atau
sel syaraf nah fungsi ini menggambarkan
hubungan antara tingkat aktivasi
internal yang tadi di awal kita sebut
dengan smash infection yang bisa jadilah
bisa saja bentuknya beraneka ragam boleh
linier atau tidak linier nah yang masuk
pada fungsi aktivasi diantaranya adalah
test food hard limit Singo Edan
identitas serta contoh-contoh yang
lainnya untuk fungsi aktivasi atlet
dancesport bentuknya seperti ini yang
membedakan adalah nilai-nilai
diantaranya Kemudian Anda buat sebatas
yang mereka tidak selalu sama ini adalah
nol sudah pasti untuk Kavling it tapi
untuk fungsi threshold atau ambang batas
dia nilainya
ia selalu fix atau selalu sama dengan
hak limitnya contoh fungsi aktivasi lagi
itu adalah fungsi bipolar hard limit ya
bipolar itu berarti nilainya adalah
perlawanan satu dengan minus 1 ya
nilai-nilainya adalah seperti ini kalau
aksi dari penolakan satu kalau sama
dengan nol adalah nol kalau kurang D1 =
min 1 ya untuk gula bipolar seafood
teman-teman bisa perhatikan sebelah
kanan sendiri yang nyata dikenal kita
gunakan nilai yang tidak sama dengan
nilai padahal limitnya Ia menunjukkan
angka tertentu Atau abang batas yang
ditentukan menyesuaikan dengan inputnya
agar inputnya sesuai dengan output atau
target yang diinginkan fungsi aktivasi
selanjutnya adalah fungsi linier dan
fungsi simetrik saturated saturating
linier dua-duanya ini sebetulnya masih
satu rumpun tapi nilainya tidak sama
misalkan Perhatikan bagian bawah layar
ini ya Dan kita mengakhiri pembelajaran
fungsi aktivasi dengan fungsi tweet yang
tidak tahu berbeda diantara keduanya
yang membedakan adalah kalau pada fungsi
simbol yang akhirnya dalam biner yang
didalamnya melibatkan nilai antara 0
sampai dengan satu sedangkan yang kanan
adalah polar yaitu memiliki nilai
diantara rentang min 1 dan 1 nah fungsi
aktivasi ini akan kita gunakan untuk
mempelajari bagian jaringan syaraf
tiruan Selanjutnya ya kemarin juga sudah
banyak yang menjawab dengan benar
tentang contoh aplikasi dengan jarak
dengan cara firwan ada yang menyebutkan
presensi menggunakan sidik jari ada yang
melakukan Face Unlock menggunakan wajah
pada smartphone Kalian ada juga yang
menjawab untuk pemanfaatan jsc ini
adalah pada peramalan cuaca Kapan
terjadinya hujan kapan sebuah badai
kemungkinan terjadi ya Nah kita ketemu
di pembelajaran Selanjutnya ya terima
kasih assalamualaikum warahmatullahi
wabarokatuh
5.0 / 5 (0 votes)