1 Ringkasan

Laporan ini mengeksplorasi data insiden kriminal yang telah melalui proses pembersihan. Fokus analisis diarahkan pada karakteristik korban dan tersangka, distribusi kategori kejahatan, serta hubungan sederhana antara usia korban dan usia tersangka. Dataset akhir yang digunakan berisi 5.249 observasi dan 10 variabel.

Analisis bersifat deskriptif dan eksploratif, sehingga hasilnya digunakan untuk menggambarkan pola dalam data, bukan untuk menyimpulkan hubungan sebab-akibat.

2 1. Pendahuluan

Data kriminal dapat digunakan untuk melihat gambaran umum mengenai karakteristik korban, tersangka, dan jenis kejahatan yang tercatat. Sebelum dilakukan analisis, data perlu diperiksa agar format variabel lebih konsisten dan nilai yang tidak wajar dapat ditangani.

Pada proyek ini digunakan data hasil cleaning kelompok yang memuat informasi identitas korban dan tersangka, usia, jenis kelamin, ras tersangka, serta kategori kejahatan. Proses eksplorasi dilakukan dengan bantuan R agar pemeriksaan dan visualisasi dapat direproduksi.

2.1 1.1 Tujuan

Tujuan analisis adalah:

Mendeskripsikan karakteristik usia korban dan tersangka.
Melihat komposisi jenis kelamin korban dan tersangka.
Menggambarkan distribusi ras tersangka yang tersedia pada data.
Mengetahui kategori kejahatan yang paling banyak tercatat.
Melihat pola sederhana antara usia korban dan usia tersangka.
Menyiapkan beberapa bentuk transformasi data untuk analisis lanjutan.

3 2. Data dan Metode

3.1 2.1 Sumber dan struktur data

Data berasal dari file Crime_Incidents_Clean Kelompok Mantull.xlsx, yaitu data kriminal yang telah melalui tahap cleaning. Unit observasinya adalah satu catatan insiden/kejadian kriminal.

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(knitr)

data <- read_excel("Crime_Incidents_Clean Kelompok Mantull.xlsx")
names(data) <- make.names(names(data))

cat("Jumlah baris:", nrow(data), "\n")

## Jumlah baris: 5249

cat("Jumlah variabel:", ncol(data), "\n")

## Jumlah variabel: 10

3.2 2.2 Variabel yang digunakan

variabel <- data.frame(
  Variabel = names(data),
  Keterangan = c(
    "ID korban",
    "Nama korban",
    "Usia korban setelah cleaning",
    "Jenis kelamin korban setelah cleaning",
    "ID tersangka",
    "Nama tersangka",
    "Usia tersangka setelah cleaning",
    "Jenis kelamin tersangka setelah cleaning",
    "Ras tersangka setelah cleaning",
    "Kategori kejahatan"
  )
)
knitr::kable(variabel, caption = "Daftar variabel pada dataset akhir")

Daftar variabel pada dataset akhir
Variabel	Keterangan
Victim.ID	ID korban
Victim.Name	Nama korban
Victim.Age.Clean	Usia korban setelah cleaning
Victim.Gender.Clean	Jenis kelamin korban setelah cleaning
Suspect.ID	ID tersangka
Suspect.Name	Nama tersangka
Suspect.Age.Clean	Usia tersangka setelah cleaning
Suspect.Gender.Clean	Jenis kelamin tersangka setelah cleaning
Suspect.Race.Clean	Ras tersangka setelah cleaning
Crime.Category	Kategori kejahatan

4 3. Pemeriksaan Awal Data

4.1 3.1 Struktur dan contoh data

str(data)

## tibble [5,249 × 10] (S3: tbl_df/tbl/data.frame)
##  $ Victim.ID           : chr [1:5249] "VIC00642" "VIC00262" "VIC00518" "VIC00243" ...
##  $ Victim.Name         : chr [1:5249] "Robert Torres" "John Martin" "Richard Hill" "Susan Young" ...
##  $ Victim.Age.Clean    : num [1:5249] 51 50 29 50 51 15 72 50 55 10 ...
##  $ Victim.Gender.Clean : chr [1:5249] "Unknown" "Unknown" "Other" "Unknown" ...
##  $ Suspect.ID          : chr [1:5249] "SUS00281" "SUS00376" "SUS00560" "SUS00468" ...
##  $ Suspect.Name        : chr [1:5249] "Barbara Thomas" "Barbara Harris" "Richard Scott" "Michael Thomas" ...
##  $ Suspect.Age.Clean   : num [1:5249] 51 46 19 46 75 73 58 73 26 46 ...
##  $ Suspect.Gender.Clean: chr [1:5249] "Male" "Other" "Female" "Male" ...
##  $ Suspect.Race.Clean  : chr [1:5249] "Asian" "Black" "Asian" "Black" ...
##  $ Crime.Category      : chr [1:5249] "Assault & Battery" "Burglary / B&E" "Other" "Property Damage" ...

knitr::kable(head(data, 8), caption = "Delapan observasi pertama")

Delapan observasi pertama
Victim.ID	Victim.Name	Victim.Age.Clean	Victim.Gender.Clean	Suspect.ID	Suspect.Name	Suspect.Age.Clean	Suspect.Gender.Clean	Suspect.Race.Clean	Crime.Category
VIC00642	Robert Torres	51	Unknown	SUS00281	Barbara Thomas	51	Male	Asian	Assault & Battery
VIC00262	John Martin	50	Unknown	SUS00376	Barbara Harris	46	Other	Black	Burglary / B&E
VIC00518	Richard Hill	29	Other	SUS00560	Richard Scott	19	Female	Asian	Other
VIC00243	Susan Young	50	Unknown	SUS00468	Michael Thomas	46	Male	Black	Property Damage
VIC00512	Thomas Thomas	51	Male	SUS00751	Thomas Jackson	75	Female	White	Domestic Violence
VIC00473	Anthony Wilson	15	Unknown	SUS00454	James Lee	73	Unknown	White	Burglary / B&E
VIC00429	Mary Walker	72	Female	SUS00623	Carol Harris	58	Female	Unknown	Robbery
VIC00904	David Torres	50	Female	SUS00533	Jennifer Taylor	73	Male	White	Homicide / Murder

4.2 3.2 Pemeriksaan nilai hilang

missing_summary <- data %>%
  summarise(across(everything(), ~sum(is.na(.)))) %>%
  pivot_longer(everything(), names_to = "Variabel", values_to = "Jumlah_Missing") %>%
  arrange(desc(Jumlah_Missing))

knitr::kable(missing_summary, caption = "Jumlah nilai hilang pada dataset akhir")

Jumlah nilai hilang pada dataset akhir
Variabel	Jumlah_Missing
Victim.ID	0
Victim.Name	0
Victim.Age.Clean	0
Victim.Gender.Clean	0
Suspect.ID	0
Suspect.Name	0
Suspect.Age.Clean	0
Suspect.Gender.Clean	0
Suspect.Race.Clean	0
Crime.Category	0

Nilai hilang pada dataset akhir terutama terdapat pada Victim.ID, Victim.Name, Suspect.ID, dan Suspect.Name. Variabel usia, gender, ras tersangka, dan kategori kejahatan tidak memiliki nilai kosong pada data akhir yang digunakan dalam analisis ini.

4.3 3.3 Rentang usia

age_check <- data %>%
  summarise(
    Usia_Korban_Min = min(Victim.Age.Clean, na.rm = TRUE),
    Usia_Korban_Maks = max(Victim.Age.Clean, na.rm = TRUE),
    Usia_Tersangka_Min = min(Suspect.Age.Clean, na.rm = TRUE),
    Usia_Tersangka_Maks = max(Suspect.Age.Clean, na.rm = TRUE)
  )
knitr::kable(age_check, caption = "Rentang usia setelah cleaning")

Rentang usia setelah cleaning
Usia_Korban_Min	Usia_Korban_Maks	Usia_Tersangka_Min	Usia_Tersangka_Maks
10	90	15	75

5 4. Analisis Deskriptif

5.1 4.1 Ringkasan usia korban dan tersangka

age_summary <- data %>%
  summarise(
    Rata_rata_Usia_Korban = mean(Victim.Age.Clean, na.rm = TRUE),
    SD_Usia_Korban = sd(Victim.Age.Clean, na.rm = TRUE),
    Median_Usia_Korban = median(Victim.Age.Clean, na.rm = TRUE),
    Rata_rata_Usia_Tersangka = mean(Suspect.Age.Clean, na.rm = TRUE),
    SD_Usia_Tersangka = sd(Suspect.Age.Clean, na.rm = TRUE),
    Median_Usia_Tersangka = median(Suspect.Age.Clean, na.rm = TRUE)
  )
knitr::kable(round(age_summary, 2), caption = "Ringkasan statistik usia")

Ringkasan statistik usia
Rata_rata_Usia_Korban	SD_Usia_Korban	Median_Usia_Korban	Rata_rata_Usia_Tersangka	SD_Usia_Tersangka	Median_Usia_Tersangka
49.89	21.04	50	45.53	14.87	46

Rata-rata usia korban berada di sekitar 49,89 tahun, sedangkan rata-rata usia tersangka sekitar 45,53 tahun. Median usia korban adalah 50 tahun dan median usia tersangka 46 tahun.

5.2 4.2 Distribusi usia

ggplot(data, aes(x = Victim.Age.Clean)) +
  geom_histogram(binwidth = 5, boundary = 0, color = "white") +
  labs(title = "Distribusi Usia Korban", x = "Usia korban", y = "Frekuensi") +
  theme_minimal()

ggplot(data, aes(x = Suspect.Age.Clean)) +
  geom_histogram(binwidth = 5, boundary = 0, color = "white") +
  labs(title = "Distribusi Usia Tersangka", x = "Usia tersangka", y = "Frekuensi") +
  theme_minimal()

age_long <- data %>%
  select(Victim.Age.Clean, Suspect.Age.Clean) %>%
  pivot_longer(everything(), names_to = "Kelompok", values_to = "Usia")

ggplot(age_long, aes(x = Kelompok, y = Usia)) +
  geom_boxplot() +
  labs(title = "Perbandingan Sebaran Usia", x = NULL, y = "Usia") +
  theme_minimal()

5.3 4.3 Jenis kelamin korban

victim_gender <- data %>%
  count(Victim.Gender.Clean, name = "Frekuensi") %>%
  mutate(Persentase = round(Frekuensi / sum(Frekuensi) * 100, 2)) %>%
  arrange(desc(Frekuensi))
knitr::kable(victim_gender, caption = "Distribusi jenis kelamin korban")

Distribusi jenis kelamin korban
Victim.Gender.Clean	Frekuensi	Persentase
Male	1824	34.75
Female	1683	32.06
Unknown	1382	26.33
Other	360	6.86

ggplot(victim_gender, aes(x = reorder(Victim.Gender.Clean, Frekuensi), y = Frekuensi)) +
  geom_col() +
  coord_flip() +
  labs(title = "Distribusi Jenis Kelamin Korban", x = "Jenis kelamin", y = "Frekuensi") +
  theme_minimal()

Kategori Male merupakan kategori korban dengan frekuensi terbesar, diikuti Female, Unknown, dan Other.

5.4 4.4 Jenis kelamin tersangka

suspect_gender <- data %>%
  count(Suspect.Gender.Clean, name = "Frekuensi") %>%
  mutate(Persentase = round(Frekuensi / sum(Frekuensi) * 100, 2)) %>%
  arrange(desc(Frekuensi))
knitr::kable(suspect_gender, caption = "Distribusi jenis kelamin tersangka")

Distribusi jenis kelamin tersangka
Suspect.Gender.Clean	Frekuensi	Persentase
Unknown	1735	33.05
Female	1645	31.34
Male	1554	29.61
Other	315	6.00

ggplot(suspect_gender, aes(x = reorder(Suspect.Gender.Clean, Frekuensi), y = Frekuensi)) +
  geom_col() +
  coord_flip() +
  labs(title = "Distribusi Jenis Kelamin Tersangka", x = "Jenis kelamin", y = "Frekuensi") +
  theme_minimal()

Pada data akhir, kategori Unknown menjadi kategori jenis kelamin tersangka dengan frekuensi terbesar.

5.5 4.5 Ras tersangka

race_summary <- data %>%
  count(Suspect.Race.Clean, name = "Frekuensi") %>%
  mutate(Persentase = round(Frekuensi / sum(Frekuensi) * 100, 2)) %>%
  arrange(desc(Frekuensi))
knitr::kable(race_summary, caption = "Distribusi ras tersangka")

Distribusi ras tersangka
Suspect.Race.Clean	Frekuensi	Persentase
Unknown	1967	37.47
Black	780	14.86
Hispanic	745	14.19
White	712	13.56
Asian	706	13.45
Other	339	6.46

ggplot(race_summary, aes(x = reorder(Suspect.Race.Clean, Frekuensi), y = Frekuensi)) +
  geom_col() +
  coord_flip() +
  labs(title = "Distribusi Ras Tersangka", x = "Ras", y = "Frekuensi") +
  theme_minimal()

Kategori Unknown memiliki frekuensi terbesar pada variabel ras tersangka. Karena kategori ini cukup besar, interpretasi perbandingan antar kelompok ras perlu dilakukan secara hati-hati.

5.6 4.6 Kategori kejahatan

crime_summary <- data %>%
  count(Crime.Category, name = "Frekuensi") %>%
  mutate(Persentase = round(Frekuensi / sum(Frekuensi) * 100, 2)) %>%
  arrange(desc(Frekuensi))
knitr::kable(crime_summary, caption = "Distribusi kategori kejahatan")

Distribusi kategori kejahatan
Crime.Category	Frekuensi	Persentase
Assault & Battery	963	18.35
Fraud & Scam	457	8.71
Arson	369	7.03
Drug Offense	362	6.90
Theft / Larceny	348	6.63
Kidnapping	343	6.53
Robbery	334	6.36
Burglary / B&E	329	6.27
Domestic Violence	329	6.27
Cybercrime	318	6.06
DUI / Drunk Driving	307	5.85
Homicide / Murder	297	5.66
Vandalism	284	5.41
Other	122	2.32
Property Damage	49	0.93
Sexual Assault	38	0.72

ggplot(crime_summary, aes(x = reorder(Crime.Category, Frekuensi), y = Frekuensi)) +
  geom_col() +
  coord_flip() +
  labs(title = "Distribusi Kategori Kejahatan", x = "Kategori kejahatan", y = "Frekuensi") +
  theme_minimal()

Kategori Assault & Battery merupakan kategori dengan jumlah catatan terbanyak, yaitu 963 observasi. Kategori dengan jumlah paling sedikit adalah Sexual Assault, yaitu 38 observasi.

6 5. Analisis Hubungan Sederhana

6.1 5.1 Usia korban dan usia tersangka

cor_age <- cor(data$Victim.Age.Clean, data$Suspect.Age.Clean, use = "complete.obs")
cor_age

## [1] 0.003080492

Nilai korelasi Pearson antara usia korban dan usia tersangka digunakan hanya untuk melihat kecenderungan hubungan linear sederhana.

ggplot(data, aes(x = Victim.Age.Clean, y = Suspect.Age.Clean)) +
  geom_point(alpha = 0.25) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Hubungan Usia Korban dan Usia Tersangka",
       x = "Usia korban", y = "Usia tersangka") +
  theme_minimal()

Pada data ini, hubungan linear usia korban dan usia tersangka sangat lemah. Karena analisis yang dilakukan bersifat eksploratif, hasil tersebut tidak digunakan untuk menyatakan adanya hubungan sebab-akibat.

6.2 5.2 Kategori kejahatan berdasarkan gender korban

crime_gender <- data %>%
  count(Crime.Category, Victim.Gender.Clean) %>%
  arrange(Crime.Category, desc(n))
knitr::kable(crime_gender, col.names = c("Kategori Kejahatan", "Gender Korban", "Frekuensi"),
            caption = "Tabulasi silang kategori kejahatan dan gender korban")

Tabulasi silang kategori kejahatan dan gender korban
Kategori Kejahatan	Gender Korban	Frekuensi
Arson	Male	134
Arson	Female	109
Arson	Unknown	98
Arson	Other	28
Assault & Battery	Male	324
Assault & Battery	Female	315
Assault & Battery	Unknown	258
Assault & Battery	Other	66
Burglary / B&E	Unknown	117
Burglary / B&E	Female	98
Burglary / B&E	Male	91
Burglary / B&E	Other	23
Cybercrime	Male	120
Cybercrime	Female	91
Cybercrime	Unknown	83
Cybercrime	Other	24
DUI / Drunk Driving	Male	99
DUI / Drunk Driving	Female	95
DUI / Drunk Driving	Unknown	88
DUI / Drunk Driving	Other	25
Domestic Violence	Male	121
Domestic Violence	Unknown	98
Domestic Violence	Female	94
Domestic Violence	Other	16
Drug Offense	Female	134
Drug Offense	Male	125
Drug Offense	Unknown	79
Drug Offense	Other	24
Fraud & Scam	Male	166
Fraud & Scam	Female	144
Fraud & Scam	Unknown	117
Fraud & Scam	Other	30
Homicide / Murder	Female	104
Homicide / Murder	Male	101
Homicide / Murder	Unknown	72
Homicide / Murder	Other	20
Kidnapping	Female	119
Kidnapping	Male	116
Kidnapping	Unknown	81
Kidnapping	Other	27
Other	Female	44
Other	Male	42
Other	Unknown	30
Other	Other	6
Property Damage	Male	20
Property Damage	Unknown	17
Property Damage	Female	9
Property Damage	Other	3
Robbery	Male	115
Robbery	Female	110
Robbery	Unknown	85
Robbery	Other	24
Sexual Assault	Female	19
Sexual Assault	Male	12
Sexual Assault	Unknown	6
Sexual Assault	Other	1
Theft / Larceny	Male	134
Theft / Larceny	Female	101
Theft / Larceny	Unknown	92
Theft / Larceny	Other	21
Vandalism	Male	104
Vandalism	Female	97
Vandalism	Unknown	61
Vandalism	Other	22

ggplot(crime_gender, aes(x = reorder(Crime.Category, n), y = n,
                        fill = Victim.Gender.Clean)) +
  geom_col(position = "stack") +
  coord_flip() +
  labs(title = "Kategori Kejahatan Menurut Gender Korban",
       x = "Kategori kejahatan", y = "Frekuensi", fill = "Gender korban") +
  theme_minimal()

7 6. Transformasi Data

7.1 6.1 Encoding jenis kelamin korban

Salah satu bentuk transformasi yang dapat digunakan adalah one-hot encoding. Setiap kategori jenis kelamin dibuat menjadi indikator 0 dan 1.

data_encoded <- data %>%
  mutate(
    Victim_Gender_Male = as.integer(Victim.Gender.Clean == "Male"),
    Victim_Gender_Female = as.integer(Victim.Gender.Clean == "Female"),
    Victim_Gender_Unknown = as.integer(Victim.Gender.Clean == "Unknown"),
    Victim_Gender_Other = as.integer(Victim.Gender.Clean == "Other")
  )

knitr::kable(head(data_encoded %>%
                   select(Victim.Gender.Clean, Victim_Gender_Male,
                          Victim_Gender_Female, Victim_Gender_Unknown,
                          Victim_Gender_Other), 8),
            caption = "Contoh hasil one-hot encoding gender korban")

Contoh hasil one-hot encoding gender korban
Victim.Gender.Clean	Victim_Gender_Male	Victim_Gender_Female	Victim_Gender_Unknown	Victim_Gender_Other
Unknown	0	0	1	0
Unknown	0	0	1	0
Other	0	0	0	1
Unknown	0	0	1	0
Male	1	0	0	0
Unknown	0	0	1	0
Female	0	1	0	0
Female	0	1	0	0

7.2 6.2 Pengelompokan usia

Untuk memudahkan pembacaan deskriptif, usia dapat dikelompokkan menjadi beberapa interval.

data_encoded <- data_encoded %>%
  mutate(
    Victim_Age_Group = cut(
      Victim.Age.Clean,
      breaks = c(0, 17, 30, 45, 60, Inf),
      labels = c("0-17", "18-30", "31-45", "46-60", ">60"),
      right = TRUE
    ),
    Suspect_Age_Group = cut(
      Suspect.Age.Clean,
      breaks = c(0, 17, 30, 45, 60, Inf),
      labels = c("0-17", "18-30", "31-45", "46-60", ">60"),
      right = TRUE
    )
  )

knitr::kable(head(data_encoded %>%
                   select(Victim.Age.Clean, Victim_Age_Group,
                          Suspect.Age.Clean, Suspect_Age_Group), 8),
            caption = "Contoh pengelompokan usia")

Contoh pengelompokan usia
Victim.Age.Clean	Victim_Age_Group	Suspect.Age.Clean	Suspect_Age_Group
51	46-60	51	46-60
50	46-60	46	46-60
29	18-30	19	18-30
50	46-60	46	46-60
51	46-60	75	>60
15	0-17	73	>60
72	>60	58	46-60
50	46-60	73	>60

7.3 6.3 Standardisasi Z-score usia

Z-score digunakan untuk mengubah usia ke skala standar sehingga nilai dapat dibandingkan berdasarkan jaraknya terhadap rata-rata kelompok.

data_encoded <- data_encoded %>%
  mutate(
    Victim_Age_Z = as.numeric(scale(Victim.Age.Clean)),
    Suspect_Age_Z = as.numeric(scale(Suspect.Age.Clean))
  )

knitr::kable(head(data_encoded %>%
                   select(Victim.Age.Clean, Victim_Age_Z,
                          Suspect.Age.Clean, Suspect_Age_Z), 10),
            digits = 3,
            caption = "Contoh hasil standardisasi Z-score")

Contoh hasil standardisasi Z-score
Victim.Age.Clean	Victim_Age_Z	Suspect.Age.Clean	Suspect_Age_Z
51	0.053	51	0.368
50	0.005	46	0.032
29	-0.993	19	-1.784
50	0.005	46	0.032
51	0.053	75	1.982
15	-1.659	73	1.847
72	1.051	58	0.839
50	0.005	73	1.847
55	0.243	26	-1.313
10	-1.896	46	0.032

8 7. Pembahasan

Hasil eksplorasi menunjukkan bahwa data akhir telah memiliki variabel analisis yang lebih terarah dibandingkan data awal. Usia korban memiliki rata-rata sekitar 49,89 tahun, sedangkan usia tersangka sekitar 45,53 tahun. Distribusi jenis kelamin menunjukkan bahwa kategori Male paling banyak pada korban, sedangkan kategori Unknown paling banyak pada tersangka.

Untuk ras tersangka, kategori Unknown merupakan kategori dengan jumlah terbesar. Hal ini penting diperhatikan karena data yang tidak diketahui dapat memengaruhi perbandingan antar kelompok. Pada kategori kejahatan, Assault & Battery menjadi kategori yang paling sering tercatat.

Korelasi usia korban dan usia tersangka sangat dekat dengan nol, sehingga pola linear yang kuat tidak terlihat pada dataset ini. Temuan tersebut hanya merupakan gambaran eksploratif dan tidak dapat digunakan sebagai bukti hubungan sebab-akibat.

9 8. Kesimpulan

Berdasarkan eksplorasi data yang telah dilakukan, dapat disimpulkan bahwa:

Dataset akhir terdiri atas 5.249 observasi dan 10 variabel.
Rata-rata usia korban sekitar 49,89 tahun dan rata-rata usia tersangka sekitar 45,53 tahun.
Gender korban paling banyak berada pada kategori Male, sedangkan gender tersangka paling banyak berada pada kategori Unknown.
Kategori ras tersangka Unknown memiliki frekuensi terbesar.
Assault & Battery merupakan kategori kejahatan dengan jumlah observasi paling tinggi.
Hubungan linear antara usia korban dan usia tersangka sangat lemah.
Encoding, pengelompokan usia, dan Z-score dapat digunakan sebagai tahap transformasi untuk analisis lanjutan.

10 9. Saran

Analisis berikutnya dapat dikembangkan dengan menambahkan informasi waktu dan lokasi apabila variabel tersebut tersedia pada data mentah. Analisis juga dapat diperluas menggunakan tabulasi silang, uji statistik yang sesuai, atau model prediktif. Sebelum melakukan analisis lanjutan, kualitas kategori Unknown dan kelengkapan identitas tetap perlu diperhatikan.

11 10. Reproduksibilitas

Seluruh langkah analisis pada laporan ini ditulis menggunakan R Markdown sehingga kode dapat dijalankan kembali. File Excel Crime_Incidents_Clean Kelompok Mantull.xlsx perlu ditempatkan pada folder yang sama dengan file .Rmd sebelum proses Knit.

## Analisis dibuat dengan R dan R Markdown.

Eksplorasi Data Kriminalitas: Profil Korban, Tersangka, dan Kategori Kejahatan

Intan Kartika — Kelompok 3

5 Oktober 2026