1 Rumusan Masalah dan Tujuan Penelitian

Catatan perubahan dari proposal:
Akar Manis dan Kemangi tidak terdapat dalam data pengujian aktual.
Data aktual terdiri dari 3 ekstrak × 3 ulangan: Serai, Kenikir, dan Dukuh.

1.1 Rumusan Masalah

1.1.1 Daftar RM

Bagaimana aktivitas repelan ekstrak serai, kenikir, dan daun duku terhadap semut hitam berdasarkan jumlah semut yang mendekati area perlakuan pada setiap interval waktu?
Ekstrak tumbuhan lokal mana yang memiliki persentase repellency tertinggi terhadap semut hitam?
Bagaimana pengaruh waktu terhadap pola aktivitas repelan masing-masing ekstrak selama 60 menit pengamatan?
Apakah terdapat perbedaan signifikan antar ekstrak dalam efek repelan berdasarkan uji statistik non-parametrik?

1.1.2 Perubahan dari Proposal

Komponen	Proposal (Rencana)	Final (Aktual)
Ekstrak diuji	Kenikir, Kemangi, Serai, Duku, Akar Manis	Kenikir, Serai, Dukuh (3 ekstrak)
Jumlah ulangan	Tidak spesifik	3 ulangan per ekstrak
Kemangi	Ada di RM	Dihapus (tidak ada di data)
Akar Manis	Attractant control	Dihapus (tidak ada di data)

1.2 Tujuan Penelitian

Mengetahui aktivitas repelan ekstrak serai, kenikir, dan daun duku melalui pola perilaku semut hitam pada behavioral avoidance test.
Menentukan ekstrak yang paling efektif sebagai bahan aktif repelan dalam formulasi gel.
Menganalisis pengaruh waktu terhadap konsistensi efek repelan masing-masing ekstrak.
Menguji secara statistik apakah perbedaan antar ekstrak signifikan menggunakan uji Kruskal-Wallis dan post-hoc Dunn.

2 Persiapan: Install dan Muat Package

# Jalankan SATU KALI saja, lalu beri tanda # kembali
# install.packages("tidyverse")
# install.packages("kableExtra")
# install.packages("scales")
# install.packages("RColorBrewer")
# install.packages("FSA")
# install.packages("rstatix")
# install.packages("ggpubr")
# install.packages("patchwork")
# install.packages("car")

library(tidyverse)
library(knitr)
library(kableExtra)
library(scales)
library(RColorBrewer)
library(FSA)
library(rstatix)
library(ggpubr)
library(patchwork)
library(car)

3 Input Data (3 Ulangan)

# ── Data dari file: Data_uji_semut_ulang - Sheet1.xlsx ──────────────
#
# Struktur data: 3 ekstrak × 3 ulangan × 5 titik waktu
# Nilai = jumlah semut yang MENDEKATI area ekstrak
# Makin kecil → semut menghindar → repelan lebih kuat
# Total semut per pengujian = 12 ekor

total_semut <- 12

# Ulangan ke-1
ulangan1 <- data.frame(
  Ulangan  = 1,
  Ekstrak  = c("Serai", "Kenikir", "Dukuh"),
  Menit_0  = c(12, 12, 12),
  Menit_15 = c(0,  1,  2),
  Menit_30 = c(0,  1,  0),
  Menit_45 = c(0,  0,  0),
  Menit_60 = c(0,  0,  0),
  stringsAsFactors = FALSE
)

# Ulangan ke-2
ulangan2 <- data.frame(
  Ulangan  = 2,
  Ekstrak  = c("Serai", "Kenikir", "Dukuh"),
  Menit_0  = c(12, 12, 12),
  Menit_15 = c(1,  3,  3),
  Menit_30 = c(0,  0,  0),
  Menit_45 = c(0,  0,  0),
  Menit_60 = c(0,  0,  0),
  stringsAsFactors = FALSE
)

# Ulangan ke-3
ulangan3 <- data.frame(
  Ulangan  = 3,
  Ekstrak  = c("Serai", "Kenikir", "Dukuh"),
  Menit_0  = c(12, 12, 12),
  Menit_15 = c(0,  2,  3),
  Menit_30 = c(0,  0,  0),
  Menit_45 = c(0,  0,  0),
  Menit_60 = c(0,  0,  0),
  stringsAsFactors = FALSE
)

# Gabungkan semua ulangan
data_mentah <- bind_rows(ulangan1, ulangan2, ulangan3)

# Tampilkan tabel data mentah
data_mentah %>%
  kable(
    caption   = "Tabel 1. Data Mentah – Jumlah Semut Mendekati Area Ekstrak (3 Ulangan)",
    col.names = c("Ulangan", "Ekstrak", "Menit ke-0", "Menit ke-15",
                  "Menit ke-30", "Menit ke-45", "Menit ke-60")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "bordered"),
                full_width = FALSE, position = "center") %>%
  pack_rows("Ulangan 1", 1, 3) %>%
  pack_rows("Ulangan 2", 4, 6) %>%
  pack_rows("Ulangan 3", 7, 9) %>%
  footnote(general = paste(
    "Nilai lebih rendah = efek repelan lebih kuat.",
    "Total semut = 12 ekor per pengujian."
  ))

Tabel 1. Data Mentah – Jumlah Semut Mendekati Area Ekstrak (3 Ulangan)
Ulangan	Ekstrak	Menit ke-0	Menit ke-15	Menit ke-30	Menit ke-45	Menit ke-60
Ulangan 1
1	Serai	12	0	0	0	0
1	Kenikir	12	1	1	0	0
1	Dukuh	12	2	0	0	0
Ulangan 2
2	Serai	12	1	0	0	0
2	Kenikir	12	3	0	0	0
2	Dukuh	12	3	0	0	0
Ulangan 3
3	Serai	12	0	0	0	0
3	Kenikir	12	2	0	0	0
3	Dukuh	12	3	0	0	0
Note:
Nilai lebih rendah = efek repelan lebih kuat. Total semut = 12 ekor per pengujian.

cat("╔══════════════════════════════════════════════════╗\n")

## ╔══════════════════════════════════════════════════╗

cat("║           CATATAN LAPANGAN PENTING              ║\n")

## ║           CATATAN LAPANGAN PENTING              ║

cat("╠══════════════════════════════════════════════════╣\n")

## ╠══════════════════════════════════════════════════╣

cat("║  Total semut per pengujian  : 12 ekor           ║\n")

## ║  Total semut per pengujian  : 12 ekor           ║

cat("║  Metode                     : Behavioral         ║\n")

## ║  Metode                     : Behavioral         ║

cat("║                               Avoidance Test    ║\n")

## ║                               Avoidance Test    ║

cat("║  Titik pengamatan           : t = 0,15,30,45,60 ║\n")

## ║  Titik pengamatan           : t = 0,15,30,45,60 ║

cat("║  Jumlah ulangan             : 3 ulangan         ║\n")

## ║  Jumlah ulangan             : 3 ulangan         ║

cat("║  Temuan tambahan            : Semua semut mati  ║\n")

## ║  Temuan tambahan            : Semua semut mati  ║

cat("║                               setelah 6 jam     ║\n")

## ║                               setelah 6 jam     ║

cat("╚══════════════════════════════════════════════════╝\n")

## ╚══════════════════════════════════════════════════╝

4 Transformasi Data: Format Panjang

# Ubah ke format panjang untuk analisis statistik dan visualisasi

data_panjang <- data_mentah %>%
  pivot_longer(
    cols      = starts_with("Menit"),
    names_to  = "Waktu_Label",
    values_to = "Jumlah_Semut"
  ) %>%
  mutate(
    Waktu          = as.numeric(str_extract(Waktu_Label, "\\d+")),
    Repellency_pct = round((1 - Jumlah_Semut / total_semut) * 100, 1),
    Ekstrak        = factor(Ekstrak, levels = c("Serai", "Kenikir", "Dukuh")),
    Ulangan        = factor(Ulangan)
  ) %>%
  select(Ulangan, Ekstrak, Waktu, Jumlah_Semut, Repellency_pct)

# Hanya data perlakuan (t > 0)
data_perlakuan <- data_panjang %>% filter(Waktu > 0)

# Preview
data_perlakuan %>%
  head(12) %>%
  kable(
    caption   = "Tabel 2. Data Format Panjang – Perlakuan (t = 15–60 menit)",
    col.names = c("Ulangan", "Ekstrak", "Waktu (menit)",
                  "Jumlah Semut (ekor)", "Repellency (%)")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover"), full_width = FALSE)

Tabel 2. Data Format Panjang – Perlakuan (t = 15–60 menit)
Ulangan	Ekstrak	Waktu (menit)	Jumlah Semut (ekor)	Repellency (%)
1	Serai	15	0	100.0
1	Serai	30	0	100.0
1	Serai	45	0	100.0
1	Serai	60	0	100.0
1	Kenikir	15	1	91.7
1	Kenikir	30	1	91.7
1	Kenikir	45	0	100.0
1	Kenikir	60	0	100.0
1	Dukuh	15	2	83.3
1	Dukuh	30	0	100.0
1	Dukuh	45	0	100.0
1	Dukuh	60	0	100.0

5 Statistik Deskriptif

# Tabel repellency per ekstrak per titik waktu (rata-rata atas ulangan)
repellency_per_waktu <- data_perlakuan %>%
  group_by(Ekstrak, Waktu) %>%
  summarise(
    Rerata_Semut      = round(mean(Jumlah_Semut), 2),
    Rerata_Repellency = round(mean(Repellency_pct), 1),
    .groups = "drop"
  )

repellency_wide <- repellency_per_waktu %>%
  select(Ekstrak, Waktu, Rerata_Repellency) %>%
  pivot_wider(names_from = Waktu, values_from = Rerata_Repellency,
              names_prefix = "t") %>%
  mutate(
    Rerata_Total = round(rowMeans(select(., starts_with("t")), na.rm = TRUE), 1),
    Peringkat    = rank(-Rerata_Total, ties.method = "min")
  ) %>%
  arrange(Peringkat)

repellency_wide %>%
  kable(
    caption   = "Tabel 3. Rerata Persentase Repellency (%) per Ekstrak per Titik Waktu",
    col.names = c("Ekstrak", "t=15", "t=30", "t=45", "t=60",
                  "Rerata Total (%)", "Peringkat")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover","bordered"),
                full_width = FALSE) %>%
  column_spec(6, bold = TRUE, color = "white", background = "#2e5d8e") %>%
  column_spec(7, bold = TRUE) %>%
  row_spec(1, background = "#d4edda") %>%
  footnote(general = "Rumus: %Repellency = (1 – n_mendekati / n_total) × 100%. Nilai merupakan rerata 3 ulangan.")

Tabel 3. Rerata Persentase Repellency (%) per Ekstrak per Titik Waktu
Ekstrak	t=15	t=30	t=45	t=60	Rerata Total (%)	Peringkat
Serai	97.2	100.0	100	100	99.3	1
Kenikir	83.3	97.2	100	100	95.1	2
Dukuh	77.8	100.0	100	100	94.4	3
Note:
Rumus: %Repellency = (1 – n_mendekati / n_total) × 100%. Nilai merupakan rerata 3 ulangan.

# Ringkasan statistik per ekstrak (pooled semua waktu perlakuan)
ringkasan <- data_perlakuan %>%
  group_by(Ekstrak) %>%
  summarise(
    n                     = n(),
    Total_Semut_Mendekati = sum(Jumlah_Semut),
    Rerata_Semut          = round(mean(Jumlah_Semut), 2),
    SD_Semut              = round(sd(Jumlah_Semut), 2),
    Median_Semut          = median(Jumlah_Semut),
    Rerata_Repellency     = round(mean(Repellency_pct), 1),
    .groups = "drop"
  ) %>%
  mutate(
    Kategori = case_when(
      Rerata_Repellency >= 95 ~ "Sangat Kuat ✅",
      Rerata_Repellency >= 85 ~ "Kuat ✅",
      TRUE                    ~ "Sedang ⚠️"
    )
  ) %>%
  arrange(desc(Rerata_Repellency))

ringkasan %>%
  kable(
    caption   = "Tabel 4. Ringkasan Statistik Deskriptif (t = 15–60 menit, pooled 3 ulangan)",
    col.names = c("Ekstrak", "n obs", "Total Semut\nMendekati",
                  "Rerata Semut", "SD", "Median",
                  "Rerata Repellency (%)", "Kategori")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover","bordered"),
                full_width = FALSE) %>%
  row_spec(1, background = "#d4edda") %>%
  footnote(general = "n obs = jumlah observasi per ekstrak (4 titik waktu × 3 ulangan = 12). SD = Standar Deviasi.")

Tabel 4. Ringkasan Statistik Deskriptif (t = 15–60 menit, pooled 3 ulangan)
Ekstrak	n obs	Total Semut Mendekat	Rerata Semu
Serai	12	1	0.08	0.29	0	99.3	Sangat Kuat ✅ \|
Kenikir	12	7	0.58	1.00	0	95.1	Sangat Kuat ✅ \|
Dukuh	12	8	0.67	1.23	0	94.4	Kuat ✅ \|
Note:
n obs = jumlah observasi per ekstrak (4 titik waktu × 3 ulangan = 12). SD = Standar Deviasi.

6 Visualisasi Data

6.1 Grafik 1: Tren Jumlah Semut Sepanjang Waktu (Per Ulangan)

warna <- c("Serai"   = "#27ae60",
           "Kenikir" = "#2980b9",
           "Dukuh"   = "#e67e22")

p_ulangan <- ggplot(
  data_panjang,
  aes(x = Waktu, y = Jumlah_Semut, color = Ekstrak, group = Ekstrak)
) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3) +
  facet_wrap(~ paste("Ulangan", Ulangan), ncol = 3) +
  scale_color_manual(values = warna) +
  scale_x_continuous(breaks = c(0, 15, 30, 45, 60)) +
  scale_y_continuous(breaks = 0:12, limits = c(-0.3, 13)) +
  labs(
    title    = "Jumlah Semut Mendekati Area Ekstrak per Ulangan",
    subtitle = "Total semut = 12 ekor | Garis turun ke 0 = repelan kuat",
    x = "Waktu (menit)", y = "Jumlah Semut (ekor)", color = "Ekstrak"
  ) +
  theme_classic(base_size = 11) +
  theme(
    plot.title    = element_text(face = "bold"),
    plot.subtitle = element_text(color = "gray40"),
    strip.text    = element_text(face = "bold"),
    panel.grid.major.y = element_line(color = "gray92")
  )

print(p_ulangan)

Gambar 1. Tren jumlah semut per ulangan. Tiap panel = satu ulangan.

6.2 Grafik 2: Tren Rerata Jumlah Semut (Pooled 3 Ulangan)

data_rerata <- data_panjang %>%
  group_by(Ekstrak, Waktu) %>%
  summarise(
    Mean_Semut = mean(Jumlah_Semut),
    SD_Semut   = sd(Jumlah_Semut),
    .groups    = "drop"
  )

p_rerata <- ggplot(data_rerata,
                   aes(x = Waktu, y = Mean_Semut,
                       color = Ekstrak, group = Ekstrak)) +
  geom_ribbon(aes(ymin = pmax(Mean_Semut - SD_Semut, 0),
                  ymax = Mean_Semut + SD_Semut,
                  fill = Ekstrak), alpha = 0.15, color = NA) +
  geom_line(linewidth = 1.3) +
  geom_point(size = 3.5) +
  geom_hline(yintercept = 0, linetype = "dashed",
             color = "gray60", linewidth = 0.5) +
  scale_color_manual(values = warna) +
  scale_fill_manual(values = warna) +
  scale_x_continuous(breaks = c(0, 15, 30, 45, 60),
                     labels = c("t=0\n(baseline)", "t=15", "t=30", "t=45", "t=60")) +
  scale_y_continuous(breaks = 0:12, limits = c(-0.5, 13)) +
  labs(
    title    = "Rerata Jumlah Semut Mendekati Area Ekstrak",
    subtitle = "Rerata ± SD dari 3 ulangan | Makin rendah = repelan makin kuat",
    x = "Waktu Pengamatan (menit)", y = "Rerata Jumlah Semut (ekor)",
    color = "Ekstrak", fill = "Ekstrak"
  ) +
  theme_classic(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold"),
    plot.subtitle = element_text(color = "gray40"),
    panel.grid.major.y = element_line(color = "gray92")
  )

print(p_rerata)

Gambar 2. Rerata jumlah semut ± SD dari 3 ulangan sepanjang waktu.

6.3 Grafik 3: Perbandingan Repellency (Bar Chart ± SD)

data_bar_rep <- data_perlakuan %>%
  group_by(Ekstrak) %>%
  summarise(
    Mean_Rep = mean(Repellency_pct),
    SD_Rep   = sd(Repellency_pct),
    .groups  = "drop"
  ) %>%
  arrange(desc(Mean_Rep)) %>%
  mutate(Label = paste0(round(Mean_Rep, 1), "%"))

p_bar <- ggplot(data_bar_rep,
                aes(x = reorder(Ekstrak, -Mean_Rep),
                    y = Mean_Rep, fill = Ekstrak)) +
  geom_col(width = 0.6, show.legend = FALSE) +
  geom_errorbar(aes(ymin = pmax(Mean_Rep - SD_Rep, 0),
                    ymax = pmin(Mean_Rep + SD_Rep, 100)),
                width = 0.2, linewidth = 0.8) +
  geom_text(aes(label = Label), vjust = -1.8, fontface = "bold", size = 4.5) +
  geom_hline(yintercept = 95, linetype = "dashed",
             color = "darkgreen", linewidth = 0.7, alpha = 0.7) +
  annotate("text", x = 0.5, y = 96.5, label = "95% threshold",
           color = "darkgreen", size = 3, hjust = 0) +
  scale_fill_manual(values = warna) +
  scale_y_continuous(limits = c(0, 115),
                     labels = label_percent(scale = 1)) +
  labs(
    title    = "Rerata Persentase Repellency per Ekstrak",
    subtitle = "Rerata ± SD dari 3 ulangan (t = 15–60 menit)",
    x = "Ekstrak", y = "Rerata Repellency (%)"
  ) +
  theme_classic(base_size = 12) +
  theme(
    plot.title  = element_text(face = "bold"),
    axis.text.x = element_text(face = "bold")
  )

print(p_bar)

Gambar 3. Rerata persentase repellency per ekstrak dengan error bar SD (3 ulangan).

6.4 Grafik 4: Heatmap Repellency per Ulangan

data_heat <- data_perlakuan %>%
  group_by(Ulangan, Ekstrak) %>%
  summarise(
    Mean_Repellency = round(mean(Repellency_pct), 1),
    .groups = "drop"
  ) %>%
  mutate(Label_U = paste0("Ulangan ", Ulangan))

p_heat <- ggplot(data_heat,
                 aes(x = Label_U, y = Ekstrak, fill = Mean_Repellency)) +
  geom_tile(color = "white", linewidth = 1.2) +
  geom_text(aes(label = paste0(Mean_Repellency, "%")),
            fontface = "bold", size = 4.2) +
  scale_fill_gradient2(low = "#e74c3c", mid = "#f39c12",
                       high = "#27ae60", midpoint = 80,
                       limits = c(0, 100), name = "Repellency (%)") +
  labs(
    title    = "Heatmap Rerata Repellency per Ulangan",
    subtitle = "Hijau = efek repelan kuat | Merah = kurang efektif",
    x = "Ulangan", y = "Ekstrak"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title  = element_text(face = "bold"),
    panel.grid  = element_blank(),
    axis.text   = element_text(face = "bold")
  )

print(p_heat)

Gambar 4. Heatmap repellency per ekstrak per ulangan. Hijau = repelan kuat.

6.5 Grafik 5: Boxplot Distribusi Jumlah Semut

p_box <- ggplot(data_perlakuan,
                aes(x = Ekstrak, y = Jumlah_Semut, fill = Ekstrak)) +
  geom_boxplot(outlier.shape = NA, alpha = 0.7, width = 0.5) +
  geom_jitter(aes(color = Ulangan), width = 0.15, size = 3, alpha = 0.85) +
  scale_fill_manual(values = warna, guide = "none") +
  scale_color_brewer(palette = "Dark2") +
  scale_y_continuous(breaks = 0:12) +
  labs(
    title    = "Distribusi Jumlah Semut Mendekati Area Ekstrak",
    subtitle = "Titik = observasi individual, warna = ulangan | t = 15–60 menit",
    x = "Ekstrak", y = "Jumlah Semut (ekor)", color = "Ulangan"
  ) +
  theme_classic(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold"),
    plot.subtitle = element_text(color = "gray40"),
    legend.position = "right"
  )

print(p_box)

Gambar 5. Distribusi jumlah semut mendekati per ekstrak (pooled waktu perlakuan + ulangan).

7 Mengapa Tidak Menggunakan ANOVA?

cat("
## Perbandingan ANOVA vs Kruskal-Wallis

| Kriteria | ANOVA (Parametrik) | Kruskal-Wallis (Non-parametrik) |
|---|---|---|
| Asumsi distribusi | **Normal** (wajib) | **Bebas** (tidak butuh normal) |
| Tipe data | Kontinu | Kontinu / ordinal / count |
| Nilai yang dibandingkan | Mean (rata-rata) | **Median (peringkat/rank)** |
| Sensitif outlier | Ya | Tidak |
| Cocok untuk n kecil | Kurang | **Ya** |

### Kenapa data ini TIDAK cocok untuk ANOVA?

**Alasan 1 — Data berupa count (hitungan), bukan data kontinu**  
Data adalah jumlah semut (0, 1, 2, 3…). Data hitungan umumnya berdistribusi Poisson,
bukan normal.

**Alasan 2 — Banyak nilai nol dan variansi rendah**  
Serai banyak bernilai 0, sehingga distribusi sangat tidak simetris (right-skewed).
Shapiro-Wilk bisa gagal karena nilai identik.

**Alasan 3 — Ukuran sampel kecil per kelompok (n = 12)**  
n per kelompok = 4 titik waktu × 3 ulangan = 12. Pada n kecil, Central Limit
Theorem belum cukup kuat untuk 'menormalisasi' distribusi count.

**Kesimpulan: Kruskal-Wallis adalah pilihan yang tepat untuk data ini.**
")

7.1 Perbandingan ANOVA vs Kruskal-Wallis

Kriteria	ANOVA (Parametrik)	Kruskal-Wallis (Non-parametrik)
Asumsi distribusi	Normal (wajib)	Bebas (tidak butuh normal)
Tipe data	Kontinu	Kontinu / ordinal / count
Nilai yang dibandingkan	Mean (rata-rata)	Median (peringkat/rank)
Sensitif outlier	Ya	Tidak
Cocok untuk n kecil	Kurang	Ya

7.1.1 Kenapa data ini TIDAK cocok untuk ANOVA?

Alasan 1 — Data berupa count (hitungan), bukan data kontinu
Data adalah jumlah semut (0, 1, 2, 3…). Data hitungan umumnya berdistribusi Poisson, bukan normal.

Alasan 2 — Banyak nilai nol dan variansi rendah
Serai banyak bernilai 0, sehingga distribusi sangat tidak simetris (right-skewed). Shapiro-Wilk bisa gagal karena nilai identik.

Alasan 3 — Ukuran sampel kecil per kelompok (n = 12)
n per kelompok = 4 titik waktu × 3 ulangan = 12. Pada n kecil, Central Limit Theorem belum cukup kuat untuk ‘menormalisasi’ distribusi count.

Kesimpulan: Kruskal-Wallis adalah pilihan yang tepat untuk data ini.

8 Uji Asumsi

8.1 Uji Normalitas (Shapiro-Wilk)

# H0: Data berdistribusi normal
# H1: Data tidak normal → pakai non-parametrik jika p < 0.05

shapiro_aman <- function(x) {
  tryCatch({
    hasil <- shapiro.test(x)
    list(W = round(hasil$statistic, 4),
         pvalue = round(hasil$p.value, 4),
         catatan = "OK")
  }, error = function(e) {
    list(W = NA, pvalue = NA,
         catatan = paste("Error:", e$message))
  })
}

hasil_shapiro <- data_perlakuan %>%
  group_by(Ekstrak) %>%
  summarise(
    n     = n(),
    nilai = list(Jumlah_Semut),
    .groups = "drop"
  ) %>%
  mutate(
    shapiro      = map(nilai, shapiro_aman),
    W            = map_dbl(shapiro, ~ .x$W),
    p_value      = map_dbl(shapiro, ~ .x$pvalue),
    Catatan      = map_chr(shapiro, ~ .x$catatan),
    Interpretasi = case_when(
      is.na(p_value) ~ "⚠️ Tidak bisa dihitung (nilai identik)",
      p_value < 0.05 ~ "❌ Tidak Normal → pakai non-parametrik",
      TRUE           ~ "✅ Normal"
    )
  ) %>%
  select(Ekstrak, n, W, p_value, Catatan, Interpretasi)

hasil_shapiro %>%
  kable(
    caption   = "Tabel 5. Hasil Uji Normalitas Shapiro-Wilk",
    col.names = c("Ekstrak", "n", "W Statistik", "p-value",
                  "Catatan Teknis", "Interpretasi")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover","bordered"),
                full_width = FALSE) %>%
  column_spec(6, bold = TRUE) %>%
  footnote(general = paste(
    "Jika semua nilai identik (seperti semua = 0),",
    "Shapiro-Wilk tidak dapat dihitung → mendukung pilihan non-parametrik."
  ))

Tabel 5. Hasil Uji Normalitas Shapiro-Wilk
Ekstrak	n	W Statistik	p-value	Catatan Teknis	Interpretasi
Serai	12	0.3269	0e+00	OK	❌ Tidak Normal → pakai non-parametrik \|
Kenikir	12	0.6682	4e-04	OK	❌ Tidak Normal → pakai non-parametrik \|
Dukuh	12	0.5800	1e-04	OK	❌ Tidak Normal → pakai non-parametrik \|
Note:
Jika semua nilai identik (seperti semua = 0), Shapiro-Wilk tidak dapat dihitung → mendukung pilihan non-parametrik.

8.2 Uji Homogenitas Varians (Levene’s Test)

# H0: Varians antar kelompok homogen
# H1: Varians tidak homogen (p < 0.05 → heterogen → perkuat pilihan non-parametrik)

levene_hasil <- tryCatch({
  test <- leveneTest(Jumlah_Semut ~ Ekstrak, data = data_perlakuan)
  cat("Hasil Levene's Test:\n")
  print(test)
  pval <- test$`Pr(>F)`[1]
  cat("\nKesimpulan:\n")
  if (!is.na(pval) && pval < 0.05) {
    cat("→ p =", round(pval, 4), "< 0.05 → Varians TIDAK homogen\n")
    cat("→ Semakin memperkuat pilihan menggunakan uji non-parametrik.\n")
  } else {
    cat("→ p ≥ 0.05 → Varians homogen. Namun berdasarkan sifat data\n")
    cat("  (count data, n kecil, normalitas tidak terpenuhi),\n")
    cat("  Kruskal-Wallis tetap lebih tepat digunakan.\n")
  }
}, error = function(e) {
  cat("Levene's test tidak bisa dijalankan:", e$message, "\n")
  cat("→ Tetap gunakan Kruskal-Wallis berdasarkan sifat data.\n")
})

## Hasil Levene's Test:
## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  2   1.383  0.265
##       33               
## 
## Kesimpulan:
## → p ≥ 0.05 → Varians homogen. Namun berdasarkan sifat data
##   (count data, n kecil, normalitas tidak terpenuhi),
##   Kruskal-Wallis tetap lebih tepat digunakan.

9 Uji Statistik: Kruskal-Wallis

# ── UJI KRUSKAL-WALLIS ────────────────────────────────────────────────
#
# Unit analisis: data_perlakuan (pooled semua waktu + ulangan)
# Variabel respon: Jumlah_Semut (jumlah semut mendekati)
# Faktor: Ekstrak (Serai, Kenikir, Dukuh)
#
# H0: Median jumlah semut sama di semua ekstrak
# H1: Minimal satu ekstrak berbeda secara signifikan
# Keputusan: Tolak H0 jika p-value < 0.05

kw <- kruskal.test(Jumlah_Semut ~ Ekstrak, data = data_perlakuan)

cat("╔═══════════════════════════════════════════════════╗\n")

## ╔═══════════════════════════════════════════════════╗

cat("║          HASIL UJI KRUSKAL-WALLIS                ║\n")

## ║          HASIL UJI KRUSKAL-WALLIS                ║

cat("╠═══════════════════════════════════════════════════╣\n")

## ╠═══════════════════════════════════════════════════╣

cat(sprintf("║  Chi-squared (H)   : %-26.4f║\n", kw$statistic))

## ║  Chi-squared (H)   : 2.3286                    ║

cat(sprintf("║  Derajat bebas (df): %-26d║\n", kw$parameter))

## ║  Derajat bebas (df): 2                         ║

cat(sprintf("║  p-value           : %-26.4f║\n", kw$p.value))

## ║  p-value           : 0.3121                    ║

cat("╠═══════════════════════════════════════════════════╣\n")

## ╠═══════════════════════════════════════════════════╣

if (kw$p.value < 0.05) {
  cat("║  Keputusan : TOLAK H0                            ║\n")
  cat("║  ✅ Ada perbedaan signifikan antar ekstrak        ║\n")
  cat("║  → Lanjutkan ke Uji Post-Hoc Dunn               ║\n")
} else {
  cat("║  Keputusan : GAGAL TOLAK H0                      ║\n")
  cat("║  ⚠️  Tidak ada perbedaan signifikan secara stat   ║\n")
  cat("║  → Lihat efek deskriptif dan ukuran efek         ║\n")
}

## ║  Keputusan : GAGAL TOLAK H0                      ║
## ║  ⚠️  Tidak ada perbedaan signifikan secara stat   ║
## ║  → Lihat efek deskriptif dan ukuran efek         ║

cat("╚═══════════════════════════════════════════════════╝\n")

## ╚═══════════════════════════════════════════════════╝

# ── Effect Size: Eta-squared (η²) ──────────────────────────────────
# η² = H / (n_total - 1)
# < 0.06 = kecil | 0.06–0.14 = sedang | > 0.14 = besar

n_tot  <- nrow(data_perlakuan)
eta_sq <- kw$statistic / (n_tot - 1)

cat("\nEffect Size (Eta-squared / η²):\n")

## 
## Effect Size (Eta-squared / η²):

cat("  n total  =", n_tot, "\n")

##   n total  = 36

cat("  H        =", round(kw$statistic, 4), "\n")

##   H        = 2.3286

cat("  η²       =", round(eta_sq, 4), "\n")

##   η²       = 0.0665

cat("  Interpretasi:", ifelse(eta_sq > 0.14, "BESAR (η² > 0.14)",
                      ifelse(eta_sq > 0.06, "SEDANG (0.06 < η² ≤ 0.14)",
                             "KECIL (η² ≤ 0.06)")), "\n")

##   Interpretasi: SEDANG (0.06 < η² ≤ 0.14)

# ── Verifikasi dengan rstatix ──────────────────────────────────────
kw_rstatix <- data_perlakuan %>%
  kruskal_test(Jumlah_Semut ~ Ekstrak)

kw_rstatix %>%
  kable(
    caption = "Tabel 6. Hasil Uji Kruskal-Wallis (via rstatix)",
    col.names = c("Variabel Y", "Faktor", "n", "df", "H Statistik", "p-value")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover","bordered"),
                full_width = FALSE) %>%
  footnote(general = "H = statistik Kruskal-Wallis. p < 0.05 = ada perbedaan signifikan antar kelompok.")

Tabel 6. Hasil Uji Kruskal-Wallis (via rstatix)
Variabel Y	Faktor	n	df	H Statistik	p-value
Jumlah_Semut	36	2.328646	2	0.312	Kruskal-Wallis
Note:
H = statistik Kruskal-Wallis. p < 0.05 = ada perbedaan signifikan antar kelompok.

10 Uji Post-Hoc: Dunn Test

# ── UJI POST-HOC DUNN ────────────────────────────────────────────────
#
# Digunakan setelah Kruskal-Wallis untuk mengetahui:
# "Pasangan mana yang berbeda nyata?"
#
# Koreksi Bonferroni: menyesuaikan alpha karena membandingkan banyak pasangan
# (tanpa koreksi → risiko false positive meningkat)

dunn <- dunnTest(Jumlah_Semut ~ Ekstrak,
                 data   = data_perlakuan,
                 method = "bonferroni")

dunn_tabel <- dunn$res %>%
  as.data.frame() %>%
  mutate(
    Grup1      = sapply(strsplit(Comparison, " - "), `[`, 1),
    Grup2      = sapply(strsplit(Comparison, " - "), `[`, 2),
    Z          = round(Z, 3),
    P.unadj    = round(P.unadj, 4),
    P.adj      = round(P.adj, 4),
    Signifikan = ifelse(P.adj < 0.05, "✅ Ya", "❌ Tidak"),
    Keterangan = case_when(
      P.adj >= 0.05  ~ "Tidak berbeda nyata",
      Z > 0 ~ paste(Grup2, "lebih efektif dari", Grup1),
      TRUE  ~ paste(Grup1, "lebih efektif dari", Grup2)
    )
  ) %>%
  select(Comparison, Z, P.unadj, P.adj, Signifikan, Keterangan)

dunn_tabel %>%
  kable(
    caption   = "Tabel 7. Hasil Uji Post-Hoc Dunn (Koreksi Bonferroni)",
    col.names = c("Perbandingan Pasangan", "Z Statistik",
                  "p-value (asli)", "p-value (Bonferroni)",
                  "Beda Nyata?", "Keterangan")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover","bordered"),
                full_width = FALSE) %>%
  column_spec(5, bold = TRUE) %>%
  footnote(
    general  = "Beda nyata jika p.adj < 0.05 (koreksi Bonferroni).",
    alphabet = c(
      "Z positif pada 'A - B' berarti A memiliki lebih banyak semut mendekati → B lebih efektif sebagai repelan."
    )
  )

Tabel 7. Hasil Uji Post-Hoc Dunn (Koreksi Bonferroni)
Perbandingan Pasangan	Z Statistik	p-value (asli)	p-value (Bonferroni)	Beda Nyata?	Keterangan
Serai - Kenikir	-1.439	0.1501	0.4504	❌ Tidak \|	idak berbeda nyata \|
Serai - Dukuh	-1.159	0.2464	0.7391	❌ Tidak \|	idak berbeda nyata \|
Kenikir - Dukuh	0.280	0.7796	1.0000	❌ Tidak \|	idak berbeda nyata \|
Note:
Beda nyata jika p.adj < 0.05 (koreksi Bonferroni).
^a Z positif pada ‘A - B’ berarti A memiliki lebih banyak semut mendekati → B lebih efektif sebagai repelan.

# ── Compact Letter Display (CLD) untuk notasi huruf ──────────────────
# Notasi: kelompok dengan huruf yang sama = TIDAK berbeda nyata

# Ambil p.adj dari Dunn untuk membuat matriks perbandingan
pasangan <- dunn_tabel %>%
  select(Comparison, P.adj)

cat("Notasi Kelompok (berdasarkan p.adj Dunn-Bonferroni):\n\n")

## Notasi Kelompok (berdasarkan p.adj Dunn-Bonferroni):

# Buat tabel CLD manual berdasarkan signifikansi
ekst <- levels(data_perlakuan$Ekstrak)
cld_df <- data.frame(
  Ekstrak         = ekst,
  Rerata_Repellency = sapply(ekst, function(e) {
    round(mean(data_perlakuan$Repellency_pct[data_perlakuan$Ekstrak == e]), 1)
  })
) %>% arrange(desc(Rerata_Repellency))

# Tentukan notasi huruf berdasarkan hasil Dunn
# (lakukan secara manual karena tidak semua library CLD kompatibel dengan dunnTest)
cat("Tabel Ringkasan:\n")

## Tabel Ringkasan:

cat(sprintf("%-12s | %-20s | %s\n", "Ekstrak", "Rerata Repellency", "Keterangan"))

## Ekstrak      | Rerata Repellency    | Keterangan

cat(rep("-", 55), "\n", sep="")

## -------------------------------------------------------

for (i in seq_len(nrow(cld_df))) {
  cat(sprintf("%-12s | %-20s | %s\n",
              cld_df$Ekstrak[i],
              paste0(cld_df$Rerata_Repellency[i], "%"),
              ifelse(i == 1, "Tertinggi", paste0("Peringkat ke-", i))))
}

## Serai        | 99.3%                | Tertinggi
## Kenikir      | 95.1%                | Peringkat ke-2
## Dukuh        | 94.4%                | Peringkat ke-3

10.1 Grafik Post-Hoc: Visualisasi Signifikansi

# Siapkan pasangan signifikan untuk ggpubr
dunn_stat <- data_perlakuan %>%
  dunn_test(Jumlah_Semut ~ Ekstrak, p.adjust.method = "bonferroni") %>%
  add_xy_position(x = "Ekstrak")

p_posthoc <- ggplot(data_perlakuan,
                    aes(x = Ekstrak, y = Jumlah_Semut, fill = Ekstrak)) +
  geom_boxplot(outlier.shape = NA, alpha = 0.7, width = 0.5) +
  geom_jitter(width = 0.12, size = 2.5, alpha = 0.7, color = "gray30") +
  stat_pvalue_manual(dunn_stat,
                     label = "p.adj.signif",
                     tip.length = 0.01,
                     hide.ns = FALSE) +
  scale_fill_manual(values = warna, guide = "none") +
  scale_y_continuous(breaks = 0:12,
                     limits = c(-0.5, max(data_perlakuan$Jumlah_Semut) + 4)) +
  labs(
    title    = "Uji Post-Hoc Dunn – Perbandingan Antar Ekstrak",
    subtitle = "Anotasi: ns = tidak signifikan | * p<0.05 | ** p<0.01 | *** p<0.001",
    x = "Ekstrak", y = "Jumlah Semut Mendekati (ekor)"
  ) +
  theme_classic(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold"),
    plot.subtitle = element_text(color = "gray40"),
    axis.text.x   = element_text(face = "bold")
  )

print(p_posthoc)

Gambar 6. Boxplot jumlah semut per ekstrak dengan anotasi signifikansi uji Dunn.

11 Analisis Mortalitas (Temuan Tambahan)

cat("TEMUAN TAMBAHAN: MORTALITAS\n")

## TEMUAN TAMBAHAN: MORTALITAS

cat("─────────────────────────────────────────────────────\n")

## ─────────────────────────────────────────────────────

cat("Seluruh 12 ekor semut mati dalam 6 jam pengamatan\n")

## Seluruh 12 ekor semut mati dalam 6 jam pengamatan

cat("% Mortalitas: 100% (semua ulangan)\n\n")

## % Mortalitas: 100% (semua ulangan)

cat("Implikasi ilmiah:\n")

## Implikasi ilmiah:

cat("1. Ekstrak memiliki DUAL ACTION:\n")

## 1. Ekstrak memiliki DUAL ACTION:

cat("   → Efek repelan  : jangka pendek (terlihat dalam 60 menit)\n")

##    → Efek repelan  : jangka pendek (terlihat dalam 60 menit)

cat("   → Efek insektisidal: jangka panjang (slow-acting toxicity, 6 jam)\n\n")

##    → Efek insektisidal: jangka panjang (slow-acting toxicity, 6 jam)

cat("2. Kandungan bioaktif yang diduga bertanggung jawab:\n")

## 2. Kandungan bioaktif yang diduga bertanggung jawab:

cat("   → Serai   : Citronellal, geraniol → gangguan sistem saraf serangga\n")

##    → Serai   : Citronellal, geraniol → gangguan sistem saraf serangga

cat("   → Kenikir : Flavonoid → inhibitor sistem pernapasan serangga\n")

##    → Kenikir : Flavonoid → inhibitor sistem pernapasan serangga

cat("   → Dukuh   : Triterpenoid → gangguan metabolisme serangga\n\n")

##    → Dukuh   : Triterpenoid → gangguan metabolisme serangga

cat("3. Rekomendasi penelitian lanjutan:\n")

## 3. Rekomendasi penelitian lanjutan:

cat("   → Uji formal LC50 & LT50 menggunakan Analisis Probit\n")

##    → Uji formal LC50 & LT50 menggunakan Analisis Probit

cat("   → Tambah ulangan ≥ 5 untuk meningkatkan kekuatan uji statistik\n")

##    → Tambah ulangan ≥ 5 untuk meningkatkan kekuatan uji statistik

12 Rangkuman dan Peringkat Akhir

peringkat <- data.frame(
  Peringkat     = c(1, 2, 3),
  Ekstrak       = c("Serai", "Kenikir", "Dukuh"),
  Repellency    = c(
    paste0(round(mean(data_perlakuan$Repellency_pct[data_perlakuan$Ekstrak == "Serai"]), 1), "%"),
    paste0(round(mean(data_perlakuan$Repellency_pct[data_perlakuan$Ekstrak == "Kenikir"]), 1), "%"),
    paste0(round(mean(data_perlakuan$Repellency_pct[data_perlakuan$Ekstrak == "Dukuh"]), 1), "%")
  ),
  Senyawa_Aktif = c(
    "Citronellal, geraniol, limonene",
    "Flavonoid, metabolit sekunder",
    "Triterpenoid, bioaktif duku"
  ),
  Status = c("🏆 Kandidat utama", "✅ Kandidat ke-2", "✅ Kandidat alternatif")
)

peringkat %>%
  kable(
    caption   = "Tabel 8. Peringkat Akhir Efektivitas Repelan (Rerata 3 Ulangan)",
    col.names = c("Peringkat", "Ekstrak", "Rerata Repellency",
                  "Senyawa Aktif Utama", "Status")
  ) %>%
  kable_styling(bootstrap_options = c("striped","hover","bordered"),
                full_width = TRUE) %>%
  row_spec(1, background = "#d4edda", bold = TRUE) %>%
  row_spec(2, background = "#fff3cd") %>%
  row_spec(3, background = "#fef9e7")

Tabel 8. Peringkat Akhir Efektivitas Repelan (Rerata 3 Ulangan)
Peringkat	Ekstrak	Rerata Repellency	Senyawa Aktif Utama	Status
1	Serai	99.3%	Citronellal, geraniol, limonene	🏆 Kandidat utama \|
2	Kenikir	95.1%	Flavonoid, metabolit sekunder	✅ Kandidat ke-2 \|
3	Dukuh	94.4%	Triterpenoid, bioaktif duku	✅ Kandidat alternatif \|

13 Kesimpulan

cat("
## Jawaban atas Rumusan Masalah

**RM 1 — Aktivitas repelan masing-masing ekstrak:**  
Ketiga ekstrak menunjukkan aktivitas repelan nyata. Serai paling cepat bereaksi,
diikuti Dukuh dan Kenikir berdasarkan pola semut mendekati pada setiap interval waktu.

**RM 2 — Ekstrak paling efektif:**  
Serai (*Cymbopogon citratus*) memiliki rerata repellency tertinggi, konsisten
di semua ulangan dan titik waktu. Efek terlihat sejak menit ke-15.

**RM 3 — Pengaruh waktu:**  
Efek repelan meningkat seiring waktu. Pada t = 30 menit, hampir seluruh ekstrak
telah mencapai repellency mendekati 100% pada sebagian besar ulangan.

**RM 4 — Perbedaan signifikan antar ekstrak:**  
Uji Kruskal-Wallis memberikan hasil seperti tercantum pada Tabel 6.
Uji post-hoc Dunn-Bonferroni (Tabel 7) menunjukkan pasangan mana yang berbeda
secara statistik. Interpretasi merujuk pada nilai p.adj yang dihasilkan.

---

## Keterbatasan & Saran

**Keterbatasan:**
- n = 3 ulangan → kekuatan uji statistik masih terbatas
- Belum ada kontrol negatif (gel tanpa ekstrak) dan kontrol positif (insektisida komersial)

**Saran untuk penelitian lanjutan:**
1. Tambah ulangan menjadi ≥ 5 per perlakuan
2. Sertakan kontrol negatif dan kontrol positif
3. Analisis probit untuk data mortalitas (LC50, LT50)
4. Uji konsentrasi bertingkat (F1–F4) dengan Kruskal-Wallis terpisah per waktu
")

13.1 Jawaban atas Rumusan Masalah

RM 1 — Aktivitas repelan masing-masing ekstrak:
Ketiga ekstrak menunjukkan aktivitas repelan nyata. Serai paling cepat bereaksi, diikuti Dukuh dan Kenikir berdasarkan pola semut mendekati pada setiap interval waktu.

RM 2 — Ekstrak paling efektif:
Serai (Cymbopogon citratus) memiliki rerata repellency tertinggi, konsisten di semua ulangan dan titik waktu. Efek terlihat sejak menit ke-15.

RM 3 — Pengaruh waktu:
Efek repelan meningkat seiring waktu. Pada t = 30 menit, hampir seluruh ekstrak telah mencapai repellency mendekati 100% pada sebagian besar ulangan.

RM 4 — Perbedaan signifikan antar ekstrak:
Uji Kruskal-Wallis memberikan hasil seperti tercantum pada Tabel 6. Uji post-hoc Dunn-Bonferroni (Tabel 7) menunjukkan pasangan mana yang berbeda secara statistik. Interpretasi merujuk pada nilai p.adj yang dihasilkan.

13.2 Keterbatasan & Saran

Keterbatasan: - n = 3 ulangan → kekuatan uji statistik masih terbatas - Belum ada kontrol negatif (gel tanpa ekstrak) dan kontrol positif (insektisida komersial)

Saran untuk penelitian lanjutan: 1. Tambah ulangan menjadi ≥ 5 per perlakuan 2. Sertakan kontrol negatif dan kontrol positif 3. Analisis probit untuk data mortalitas (LC50, LT50) 4. Uji konsentrasi bertingkat (F1–F4) dengan Kruskal-Wallis terpisah per waktu

14 Informasi Sesi R

sessionInfo()

## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=English_United States.utf8 
## [2] LC_CTYPE=English_United States.utf8   
## [3] LC_MONETARY=English_United States.utf8
## [4] LC_NUMERIC=C                          
## [5] LC_TIME=English_United States.utf8    
## 
## time zone: Asia/Jakarta
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] car_3.1-5          carData_3.0-6      patchwork_1.3.2    ggpubr_0.6.3      
##  [5] rstatix_0.7.3      FSA_0.10.1         RColorBrewer_1.1-3 scales_1.4.0      
##  [9] kableExtra_1.4.0   knitr_1.50         lubridate_1.9.4    forcats_1.0.1     
## [13] stringr_1.5.1      dplyr_1.2.1        purrr_1.1.0        readr_2.1.6       
## [17] tidyr_1.3.1        tibble_3.3.0       ggplot2_4.0.1      tidyverse_2.0.0   
## 
## loaded via a namespace (and not attached):
##  [1] sass_0.4.10       generics_0.1.4    xml2_1.5.2        stringi_1.8.7    
##  [5] hms_1.1.4         digest_0.6.37     magrittr_2.0.3    evaluate_1.0.4   
##  [9] grid_4.5.1        timechange_0.3.0  fastmap_1.2.0     jsonlite_2.0.0   
## [13] backports_1.5.0   Formula_1.2-5     viridisLite_0.4.2 textshaping_1.0.4
## [17] jquerylib_0.1.4   abind_1.4-8       cli_3.6.5         rlang_1.3.0      
## [21] withr_3.0.2       cachem_1.1.0      yaml_2.3.10       tools_4.5.1      
## [25] tzdb_0.5.0        ggsignif_0.6.4    dunn.test_1.4.1   broom_1.0.12     
## [29] vctrs_0.7.1       R6_2.6.1          scrutiny_0.6.1    lifecycle_1.0.5  
## [33] pkgconfig_2.0.3   pillar_1.11.1     bslib_0.9.0       gtable_0.3.6     
## [37] glue_1.8.0        systemfonts_1.3.2 xfun_0.52         tidyselect_1.2.1 
## [41] rstudioapi_0.18.0 farver_2.1.2      htmltools_0.5.8.1 labeling_0.4.3   
## [45] rmarkdown_2.29    svglite_2.2.2     compiler_4.5.1    S7_0.2.0

Dokumen ini dibuat dengan R Markdown. Untuk menghasilkan ulang: buka file .Rmd di RStudio → klik Knit → Knit to HTML.

Analisis Data Uji Bioaktivitas Gel Insektisida Alami

Behavioral Avoidance Test – Semut Hitam (Formicidae) | RAL | 3 Ulangan

Tim Analisis Data – Program Studi Analisis Kimia, Sekolah Vokasi IPB

08 September 2026