Sunday, January 24, 2016

Journal Andi Saryoko_Terbit di Journal Teknologi_ISSN 2088-3315 Vol. II. No 2 Juli 2013_Judul Penentuan Siswa Teladan berbasis logika Fazzy pada SMA Budaya Jakarta

Journal Andi Saryoko_Terbit di Journal Teknologi_ISSN 2088-3315 Vol. II. No 2 Juli 2013_Judul Penentuan Siswa Teladan berbasis logika Fazzy pada SMA Budaya Jakarta
========================================================================

PENENTUAN SISWA TELADAN BERBASIS LOGIKA FUZZY PADA SMA BUDAYA JAKARTA

Andi Saryoko
Dosen AMIK Bina Sarana Informatika (AMIK BSI) Jakarta,

Abstrak

Menentukan siswa terbaik di SMA Budaya Jakarta telah dilakukan dengan melihat nilai kognitif siswa yang tertinggi. Cara itu masih dianggap kurang obyektif karena prestasi yang diperoleh oleh siswa tidak hanya didasarkan kognitif tetapi juga berdasarkan nilai - nilai lain. Dengan menggunakan metode logika fuzzy diharapkan untuk menentukan model siswa menggunakan kriteria seperti nilai Pemahaman dan Penerapan Konsep (PPK) atau sering disebut nilai kognitif, nilai praktek, dan juga logika fuzzy sikap.Metode memiliki tiga tahapan proses fuzzifikasi, inferensi dan defuzzifikasi. Penentuan tersebut dibuat berdasarkan pada mahasiswa model fuzzy logic menggunakan matlab toolbox yang dapat digunakan sebagai referensi sebagai alat dalam menentukan siswa teladan. Penentuan siswa kehormatan menggunakan kriteria seperti nilai kognitif (PPK), nilai praktek, dan juga sikap yang kemudian diolah menggunakan metode fuzzy logic dan hasilnya akan ditampilkan sesuai dengan input data yang dimasukkan oleh pengguna. dengan metode logika fuzzy dapat membantu sekolah dalam menentukan model siswa, dengan metode logika fuzzy memiliki akurasi tinggi dalam menentukan model siswa dan terbukti dalam hasil dari lembar kuesioner, ada keterbatasan dalam menerapkan toolbox Matlab, seperti kurangnya database untuk menyimpan input atau output data.

Kata kunci: Nilai siswa, penentuan siswa terbaik, logika fuzzy, Matlab


Abstract

Determining the best students at the high school culture has been done by looking at students' cognitive value of the highest. The way it is still considered less objective because the achievements obtained by students based not only cognitive but also based on value - another value. By using fuzzy logic method is expected to determine the student model using criteria understanding the value and application of concepts (PPK) or such as cognitive value, the value of practice, and also attitude. The fuzzy logic method has three stages of the process of fuzzification, inference and defuzzification. The determination was made based on the model student of fuzzy logic using matlab toolbox that can be used as a reference as a tool in determining the model student. Determination of honor student using criteria such as cognitive values (PPK), the value of practice, and also the attitude which was subsequently processed using fuzzy logic method and the results will be displayed in accordance with input data that was entered by the user. With fuzzy logic methods can help schools in determining the student model, with fuzzy logic method has high accuracy in determining the student model and proven in the results of the questionnaire sheet, there are limitations in applying the matlab toolbox, such is the lack of a database to store input or output data.

Keywords: Student scores, determining the best students, fuzzy logic, Matlab





1.      PENDAHULUAN
Sekolah Menengah Atas adalah salah satu lembaga pendidikan tingkat atas yang mengajarkan ilmu pengetahuan atau tempat menuntut ilmu. Pendidikan tersebut akan mempengaruhi atau dapat merubah tingkah laku, akhlak, kepribadian, cara berfikir, kedewasaan dan lain-lain, karena dengan pendidikan tersebut diharapkan siswa/i sebagai anak didik bukan hanya memahami atau menguasai ilmu dan teknologi tetapi juga mempunyai akhlak dan kepribadian yang baik.
Pendidikan adalah usaha sadar dan bertujuan untuk mengembangkan kualitas manusia. Sebagai suatu kegiatan yang sadar akan tujuan, maka dalam pelaksanaannya berada dalam suatu proses yang berkesinambungan dalam setiap jenis dan jenjang pendidikan. Semuanya berkaitan dalam suatu sistem pendidikan yang integral.Pendidikan sebagai suatu sistem, tidak lain dari suatu totalitas fungsional yang terarah pada suatu tujuan. Setiap subsistem yang ada dalam sistem tersusun dan tidak dapat dipisahkan dari rangkaian unsur-unsur atau komponen-komponen yang berhubungan secara dinamis dalam suatu kesatuan.
Penentuan siswa terbaik pada SMA Budaya selama ini dilakukan dengan melihat nilai kognitif siswa yang tertinggi dan menurut hasil wawancara  itu sudah dilakukan sejak dahulu. Cara tersebut dinilai masih kurang objektif karena prestasi yang didapatkan siswa tidak hanya berdasarkan kognitif saja tetapi juga berdasarkan nilai kompetensi. Oleh karena itu diperlukan metode yang praktis yang dapat diterapkan untuk menentukan siswa teladan, dan disarankan dalam penentuan siswa teladan menggunakan metode logika fuzzy. Dengan menggunakan metode logika fuzzy diharapkan dapat menentukan siswa teladan dengan menggunakan kriteria seperti nilai Pemahaman dan Penerapan Konsep (PPK), nilai praktik, dan juga sikap.
Dari hal tersebut di atas maka dapat dirumuskan permasalahannya sebagai berikut :
a. Bagaimana menentukan siswa teladan yang lebih objektif?
b. Bagaimana perbedaan dalam menentukan siswa teladan dengan berbasis logika fuzzy dengan sebelumnya?
     
2.      KERANGKA PEMIKIRAN
Sistem secara sederhana merupakan suatu kumpulan atau himpunan dari unsur-unsur, komponen atau variabel-variabel yang terorganisir, saling berinteraksi, saling ketergantungan satu dengan yang lainnya dan terpadu.
Menurut Fitzgerald (vide, Jogiyanto, 2005) mendefinisikan bahwa “Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegitan atau untuk menyelesaikan suatu sasaran tertentu”.
Logika  Fuzzy  adalah  bagian  atau  salah  satu  metode  dalam  kecerdasan  buatan  (Artificial  Intelligence).  Dalam  logika  konvensional  nilai  kebenaran mempunyai kondisi yang pasti yaitu benar atau salah (true or false), dengan tidak ada kondisi di antara. Prinsip ini dikemukakan oleh Aristoteles sekitar 2000 tahun yang  lalu  sebagai  hukum  Excluded  Middle  dan  hukum  ini  telah  mendominasi pemikiran  logika  sampai  saat  ini.
Namun,  tentu  saja pemikiran mengenai  logika konvensional  dengan  nilai  kebenaran  yang  pasti  yaitu  benar  atau  salah  dalam kehidupan  nyata  sangatlah  tidak  cocok.  Logika  Fuzzy  merupakan  suatu  logika yang  dapat merepresentasikan  keadaan  yang  ada  di  dunia  nyata.  Teori  tentang himpunan  logika samar pertama kali dikemukakan oleh Prof. Lotfi Zadeh sekitar tahun  1965  pada  sebuah  makalah  yang  berjudul  “Fuzzy  Sets”.  Ia  berpendapat bahwa  logika  benar dan  salah dari  logika  boolean atau konvensional  tidak dapat mengatasi  masalah  yang  ada  pada  dunia  nyata.  Setelah  itu,  sejak  pertengahan 1970-an,  para  peneliti  Jepang  berhasil  mengaplikasikan  teori  ini  ke  dalam berbagai  permasalahan  praktis.  Tidak  seperti  logika  boolean,  logika  fuzzy mempunyai nilai yang kontinyu. Samar (fuzzy) dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh  sebab  itu  sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang bersamaan. Teori himpunan individu  dapat memiliki  derajat  keanggotaan  dengan  nilai  yang  kontinyu,  bukan hanya nol dan satu.
Fuzzy  inference  system  adalah  proses  merumuskan  pemetaan  dari  input yang  diberikan  ke  ouput  dengan menggunakan  logika  fuzzy.  Pemetaan  tersebut akan  menjadi  dasar  dari  keputusan  yang  akan  dibuat.  Proses  fuzzy  logic melibatkan  fungsi  keanggotaan, operator  logika  fuzzy,  dan  aturan  jika-maka  (if-then rule) (Goupeng, 2006). Dalam membangun sistem yang berbasis pada aturan fuzzy maka  akan  digunakan  variabel  linguistik. Variabel  linguistik  adalah  suatu interval  numerik  dan  mempunyai  nilai-nilai  linguistik,  yang  semantiknya didefinisikan  oleh  fungsi  keanggotaannya. Misalnya, suhu adalah  suatu  variabel linguistik  yang  bisa  didefinisikan  pada  interval  (-100C,  400C). Variabel  tersebut bisa  memiliki  nilai-nilai  linguistik  seperti  ”Dingin”,  ”Hangat”,  ”Panas”  yang semantiknya didefinisikan oleh  fungsi-fungsi keanggotaan  tertentu. Suatu  sistem berbasis aturan  fuzzy  terdiri dari  tiga komponen utama: Fuzzification, Inference (Penalaran) dan Defuzzification seperti terlihat pada gambar di bawah ini (Suyanto, 2008):
 















      Gambar I.1.
Tiga Komponen Sistem berbasis   fuzzy Sumber: Suyanto(2008)

a.  Fuzzification
Fuzzification  berfungsi  untuk  mengubah  masukan-masukan  yang  nilai kebenarannya  bersifat  pasti  (crisp  input)  ke  dalam  bentuk  fuzzy  input,  yang berupa  nilai  linguistik  yang  semantiknya  ditentukan  berdasarkan  fungsi keanggotaan tertentu.
b.  Inference
Inference melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah  ditentukan  sehingga  menghasilkan  fuzzy  output.  Proses  inference memperhitungkan semua aturan yang ada dalam basis pengetahuan. Hasil dari proses  inference  dipresentasikan  oleh  suatu  fuzzy  set  untuk  setiap  variabel bebas (pada consequent). Derajat keanggotaan untuk setiap nilai variabel tidak bebas  menyatakan  ukuran  kompabilitas  terhadap  variabel  bebas  (pada antecedent).

c.  DeFuzzification
DeFuzzification  atau  penegasan  berfungsi  untuk  mengubah  fuzzy  output  menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.

Secara garis besar proses pada fuzzy logic dapat digambarkan sebagai berikut: 
Gambar I.2.
Proses pada logika fuzzy secara umum Sumber: Suyanto(2008)
            Ada  dua  jenis  sistem  inferensi  fuzzy  yang  berbeda  dalam  bagian deFuzzification yaitu tipe Mamdani dan tipe Sugeno. Tipe Mamdani mengharapkan fungsi output keanggotaan   menjadi  fuzzy set. Setelah proses penggabungan, ada fuzzy  set  untuk  setiap  output  variabel  yang  perlu  deFuzzification  yang  berfungsi untuk  mengintegrasikan  dan  menemukan  defuzzified  output  dan  juga memungkinkan untuk menggunakan rata-rata tertimbang dari beberapa data. Tipe Sugeno mendukung  sistem model  jenis  ini. Pada  umumnya,  sistem  tipe Sugeno dapat  digunakan  untuk  model  sistem  kesimpulan  apapun,  di  mana  keluaran fungsi-fungsi keanggotaan adalah linier atau konstan. Logika fuzzy telah diterapkan dalam aplikasi di berbagai bidang baik itu mencakup bidang industri, ekonomi, manajemen, psikologi, teknik maupun bidang – bidang lainnya.

3.      METODE PENELITIAN
Metode penelitian yang digunakan adalah model eksperimen. Penelitian eksperimen ini bertujuan untuk menentukan siswa teladan berbasis logika fuzzy dengan memasukkan parameter-parameter. Jenis data yang digunakan dalam penelitian ini adalah data primer yang diperoleh penulis secara langsung dari sumber dengan melakukan pengambilan data siswa pada SMA Budaya Jakarta. Dalam melakukan pengumpulan data penulis menggunakan cara observasi yaitu pengumpulan data dilakukan melalui pengamatan langsung yang berkaitan dengan objek penelitian dan pengamatan ini dilakukan di SMA Budaya Jakarta dengan cara pengambilan sampel (sampling), yaitu pemilihan sejumlah item tertentu dari seluruh item yang ada dengan tujuan mempelajari sebagian item tersebut untuk mewakili seluruh itemnya. Sebagian item yang dipilih disebut sampel-sampel (samples). Sedang seluruh item yang ada disebut populasi (population).
Dalam penelitian ini diasumsikan bahwa nilai PPK, nilai Praktik dan nilai Sikap pada dasarnya dapat menentukan siswa teladan lebih tepat. Jadi ketiga parameter tersebut akan dijadikan sebagai masukan untuk sistem yang dirancang. Dengan bantuan literatur data, wawancara dan diskusi dengan guru – guru yang mengajar serta bagian kurikulum pada SMA Budaya, maka dapat diperoleh kesimpulan yang dijelaskan parameter untuk fuzzification input dan output sebagai berikut:
1. Nilai PPK mempunyai tiga nilai linguistik (Baik, Cukup dan Kurang)
2. Nilai Praktik mempunyai nilai linguistik (Baik, Cukup, Kurang)
3. Nilai Sikap mempunyai nilai linguistik (Baik, Cukup, Kurang)
4. Nilai Kompetensi sebagai output mempunyai nilai linguistik (Sangat baik, Baik, Kurang Baik).
Selanjutnya akan dijelaskan dari tahapan – tahapan dalam pendekatan logika fuzzy:
A. Proses fuzzifikasi
Secara lebih detail dapat diuraikan sebagai berikut:
1. Nilai PPK
Nilai Linguistik
Interval
Kurang
 0 - 60
Cukup
45 - 75
Baik
60 - 100

ekspresi untuk fungsi keanggotaan fuzzy (Kusumadewi, 2010):



Representasi dengan grafik dapat digambarkan sebagai berikut:
           

Gambar I.3.
Grafik Keanggotaan untuk Nilai PPK

2. Nilai Praktik
Tabel I.2. Nilai lingustik Nilai Praktik
Nilai Linguistik
Interval
Kurang
 0 - 60
Cukup
45 - 75
Baik
60 - 100

ekspresi untuk fungsi keanggotaan fuzzy, (Kusumadewi, 2010) :



 Representasi dengan grafik dapat digambarkan sebagai berikut:


Gambar I.4.
Grafik keanggotaan untuk Nilai Praktik





3. Nilai Sikap
Tabel I.3. Nilai lingustik Nilai Sikap
Nilai Linguistik
Interval
Kurang
0 – 2,5
Cukup
2 – 3
Baik
2,5 - 4

 ekspresi untuk fungsi keanggotaan fuzzy, (Kusumadewi, 2010) :




Representasi dengan grafik dapat digambarkan sebagai berikut:
           


Gambar I.5..
Grafik keanggotaan untuk Nilai Sikap


4. Nilai Kompetensi

Tabel I.4.
Nilai lingustik Nilai Kompetensi
Nilai Linguistik
Interval
Kurang Baik
 0 - 90
Baik
85 - 95
Sangat Baik
90 - 100

ekspresi untuk fungsi keanggotaan fuzzy, (Kusumadewi 2010) :



Representasi dengan grafik dapat digambarkan sebagai berikut:

           


Gambar I.6.
Grafik keanggotaan untuk Nilai Kompetensi


B. Proses Inferensi
Dengan menggunakan logika fuzzy maka didapatkan Nilai Kompetensi yang dapat menunjukan siswa – siswa teladan, sebagai berikut:





Tabel I.5.
Aturan fuzzy untuk menentukan siswa teladan
Aturan
Input
Output
Nilai PPK
Nilai Praktik
Nilai Sikap
Nilai Kompetensi
Aturan 1
Kurang
Kurang
Kurang
Kurang Baik
Aturan 2
Kurang
Kurang
Cukup
Kurang Baik
Aturan 3
Kurang
Kurang
Baik
Kurang Baik
Aturan 4
Kurang
Cukup
Kurang
Kurang baik
Aturan 5
Kurang
Cukup
Cukup
Kurang Baik
Aturan 6
Kurang
Cukup
Baik
Kurang Baik
Aturan 7
Kurang
Baik
Kurang
Kurang Baik
Aturan 8
Kurang
Baik
Cukup
Kurang Baik
Aturan 9
Kurang
Baik
Baik
Kurang Baik
Aturan 10
Cukup
Kurang
Kurang
Kurang Baik
Aturan 11
Cukup
Kurang
Cukup
Kurang Baik
Aturan 12
Cukup
Kurang
Baik
Kurang Baik
Aturan 13
Cukup
Cukup
Kurang
Kurang Baik
Aturan 14
Cukup
Cukup
Cukup
Baik
Aturan 15
Cukup
Cukup
Baik
Baik
Aturan 16
Cukup
Baik
Kurang
Kurang Baik
Aturan 17
Cukup
Baik
Cukup
Baik
Aturan 18
Cukup
Baik
Baik
Baik
Aturan 19
Baik
Kurang
Kurang
Kurang Baik
Aturan 20
Baik
Kurang
Cukup
Kurang Baik
Aturan 21
Baik
Kurang
Baik
Kurang Baik
Aturan 22
Baik
Cukup
Kurang
Kurang Baik
Aturan 23
Baik
Cukup
Cukup
Baik
Aturan 24
Baik
Cukup
Baik
Baik
Aturan 25
Baik
Baik
Kurang
Kurang Baik
Aturan 26
Baik
Baik
Cukup
Baik
Aturan 27
Baik
Baik
Baik
Sangat Baik

Dengan melihat tabel sebelumnya dapat diuraikan aturan fuzzy sebagai berikut:
Aturan 1 : Jika Nilai PPK Kurang dan Nilai Praktik Kurang dan Nilai Sikap Kurang maka Nilai Kompetensinya Kurang Baik
Aturan 2 : Jika Nilai PPK Kurang dan Nilai Praktik Kurang dan Nilai Sikap Cukup maka Nilai Kompetensinya Kurang Baik
Aturan 3 : Jika Nilai PPK Kurang dan Nilai Praktik Kurang dan Nilai Sikap Baik maka Nilai Kompetensinya Kurang Baik
Aturan 4 : Jika Nilai PPK Kurang dan Nilai Praktik Cukup dan Nilai Sikap Kurang maka Nilai Kompetensinya Kurang Baik
Aturan 5 : Jika Nilai PPK Kurang dan Nilai Praktik Cukup dan Nilai Sikap Cukup maka Nilai Kompetensinya Kurang Baik
Aturan 6 : Jika Nilai PPK Kurang dan Nilai Praktik Cukup dan Nilai Sikap Baik maka Nilai Kompetensinya Kurang Baik
Selanjutnya untuk aturan ke 7 dan sampai dengan aturan ke 27 sama seperti aturan yang ada di atas berdasarkan dari tabel I.5.

C. Proses Defuzifikasi
Proses untuk menghitung derajat keanggotaan dapat diilustrasikan dengan contoh data pertama yang mempunyai Nilai PPK = 70, nilai praktik = 70 dan nilai sikap 3,0 sebagai berikut:
1.      Nilai PPK
Nilai PPK=70 pada nilai linguistik Cukup dan Bagus,
·         Semantik atau derajat keanggotaan untuk nilai linguistik Cukup dihitung menggunakan rumus, µ(χ)= (c-χ) / (c-b) di mana b = 45 dan c = 75. Sehingga derajat keanggotaan untuk Cukup adalah :
µ(70) =  (75-70) / (75-45)
          =  0,33
Derajat keanggotaan untuk nilai linguistik Bagus dihitung menggunakan rumus ,  µ(χ)= (χ-a) / (b-a) dimana a = 60 dan b = 100.
Dengan demikian, derajat keanggotaan untuk Bagus adalah :
      µ(70)= (70-60) / (100-60)
               = 0,25


2.      Nilai Praktik
Nilai Praktik=70 pada nilai linguistik Cukup dan Bagus,
·         Semantik atau derajat keanggotaan untuk nilai linguistik Cukup dihitung menggunakan rumus, µ(χ)= (c-χ) / (c-b) di mana b = 45 dan c = 75. Sehingga derajat keanggotaan untuk Cukup adalah :
µ(70) =  (75-70) / (75-45)
          =  0,33
·         Derajat keanggotaan untuk nilai linguistik Bagus dihitung menggunakan rumus ,  µ(χ)= (χ-a) / (b-a) dimana a = 60 dan b = 100.
Dengan demikian, derajat keanggotaan untuk Bagus adalah :
      µ(70)= (70-60) / (100-60)
               = 0,25

3.      Nilai Sikap
Nilai Sikap=3,0 pada nilai linguistik Cukup dan Bagus,
·         Semantik atau derajat keanggotaan untuk nilai linguistik Cukup dihitung menggunakan rumus, µ(χ)= (c-χ) / (c-b) di mana b = 2,5 dan c = 3. Sehingga derajat keanggotaan untuk Cukup adalah :
µ(3) =  (3-3) / (3-2,5)
          =  0
l  Derajat keanggotaan untuk nilai linguistik Bagus dihitung menggunakan rumus ,  µ(χ)= (χ-a) / (b-a) dimana a = 2,5 dan b = 4.
Dengan demikian, derajat keanggotaan untuk Bagus adalah :
      µ(3)= (3-2,5) / (4-2,5)
               = 0,33

Setelah derajat keanggotaan masing-masing dihitung, proses selanjutnya adalah menghitung defuzzifikasi dengan metode centroid method/center of grafity dengan rumus sebagai berikut:


di mana y adalah nilai crisp dan µR(y) adalah derajat keanggotaan dari y.
Sebagai contoh, proses defuzzifikasi untuk data pertama yang mempunyai Nilai PPK = 70, nilai praktik = 70 dan nilai sikap 3,0 dihasilkan nilai sebagai berikut:

(70*0,17)+(70*0,25)+    (70*0,17)+(70*0,25)+(3*0)+(3*0,33)
y=                           (0,17+0,25+0,17+0,25+0+0,33)*6

y=   8.52

Jika dilihat berdasarkan range pada nilai kompetensi 8.52 masuk pada tingkatan cukup 0.17 dan baik 0.25.


4.      KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan,  maka dapat diambil kesimpulan sebagai berikut:
a.       Untuk menentukan siswa teladan yang lebih objektif dapat menggunakan tiga variable yaitu nilai PPK, nilai Praktik dan nilai sikap.
b.      Ada perbedaan untuk siswa teladan antara sistem sebelumnya dengan sistem penentuan siswa teladan yang berbasis logika fuzzy dengan bantuan toolbox matlab. Fia Santika sebagai siswa teladan pada sistem sebelumnya, sedangkan hasil dari sistem yang baru Ahmad Ferdiansya yang sebagai siswa teladan.
c.       Dengan metode logika fuzzy dapat membantu sekolahan dalam menentukan siswa teladan.
d.      Dengan menggunakan tiga variable nilai PPK, nilai Praktik dan nilai sikap yang diproses dengan metode logika fuzzy mempunyai akurasi yang tinggi dalam menentukan siswa teladan dan terbukti dalam lembar hasil kuesioner yang diberikan kepada pihak-pihak yang bersangkutan.
e.       Masih ada keterbatasan dalam menerapkan toolbox matlab, diantaranya adalah tidak adanya database untuk menyimpan masukan ataupun keluaran data.

5.      DAFTAR PUSTAKA
Goupeng, Z. (2006). Data Analysis With Fuzzy Inference System. In Computational Intelligence: Method and Application. Singapore: School of Computer Engineering, Nanyang Technological University.
Jogiyanto H.M. (2005). Analisa dan Desain Sistem. Pendekatan Teori dan Praktek Aplikasi Bisnis. Andi Ofset. Yogyakarta.
Kusumadewi, Sri. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Edisi Kedua. Cetakan Pertama. Graha Ilmu. Yogyakarta
Suyanto. (2008). Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika.
www.mathworks.com. (n.d.). Retrieved Desember 18, 2009, from http://www.mathworks.com/access/helpdesk/help/toolbox/fuzzy/fp351dup8. html.




No comments:

Post a Comment

Link murottal Al Qur'an Juz 1 sampai jus 30

Ini link murottal Semoga bermanfaat Mishary Rasyid per Juz....  Juz 1 ⇨ http://j.mp/2b8SiNO Juz 2 ⇨ http://j.mp/2b8RJmQ Juz 3...