Pendahuluan
Salah satu hal yang dapat dijadikan sebagai ukuran
keberhasilan seseorang dalam menempuh pendidikan adalah masa studi. Masa studi
merupakan masa untuk menyelesaikan beban studi dalam mengikuti proses
pendidikan pada program studinya. Sama halnya dengan perguruan tinggi dituntut
untuk menyelenggarakan pendidikan yang berkualitas bagi mahasiswa sehingga
menghasilkan sumber daya manusia yang berilmu, cakap, kreatif dan bersaing. Dalam sistem pendidikan mahasiswa adalah aset penting bagi
sebuah institusi pendidikan dan untuk itu perlu diperhatikan tingkat kelulusan
mahasiswa tepat pada waktunya.
Persentase naik turunnya kemampuan mahasiswa untuk menyelesaikan
studi tepat waktu merupakan salah satu elemen penilaian akreditasi universitas (Tinggi 2008). Sehingga perlu adanya pemantauan dan evaluasi terhadap kecenderungan
mahasiswa lulus tepat waktu atau tidak.
Penelitian ini akan dilakukan pada salah satu program studi yang ada di Fakultas Ekonomi (S1) yaitu Program Studi Manajemen.
Berdasarkan data yang diperoleh dari Wakil Direktur Administrasi dan Akademik
Universitas Sahid Jakarta mulai dari tahun 2011 sampai dengan tahun 2015. Pada
tahun 2011 total jumlah kelulusan mahasiswa adalah 96 mahasiswa dengan waktu kelulusan
rata-rata 4,9 tahun, tahun 2012 jumlah kelulusan sebanyak 68 mahasiswa dengan
waktu kelulusan rata-rata 4,64 tahun, tahun 2013 jumlah kelulusan mahasiswa
sebanyak 96 mahasiswa dengan waktu kelulusan rata-rata 4,62 tahun, tahun 2014
jumlah kelulusan mahasiswa sebanyak 94 mahasiswa dengan waktu kelulusan rata-rata
4,72 tahun dan tahun 2015 jumlah kelulusan mahasiswa sebanyak 119 mahasiswa
dengan waktu kelulusan rata-rata 4,67 tahun. Dengan rata-rata kelulusan per tahun dalam lima tahun terakhir adalah 95 mahasiswa
dalam waktu 4,71 tahun.
Dari data tersebut menunjukkan bahwa banyak mahasiswa
yang lulus tidak tepat pada waktu yang telah ditentukan yaitu 4 tahun atau 8
semester. Keterlambatan waktu lulus mahasiswa dapat disebabkan oleh beberapa
faktor, salah satunya proses perkuliahan yang terganggu. Banyak aspek yang mendukung
terganggunya proses perkuliahan diantaranya kurangnya kemampuan mahasiswa
terhadap mata kuliah, kurangnya kehadiran mahasiswa dalam mengikuti proses
perkuliahan dan berbagai aspek lainnya yang tidak dapat diukur.
Data mining merupakan proses penemuan pola dalam
data dengan cara menganalisa data yang sudah ada dalam database (Ngo 2011) sehingga
ketepatan waktu kelulusan mahasiswa dapat
diklasifikasikan menggunakan teknik data mining. Membandingkan hasil akurasi dari
kedua tools data Mining Rapidminer dan WEKA
yang masuk ke dalam Six Of The Best Open Source Data Mining Tools dari
data yang didapatkan pada (Chertchom 2018) diharapkan informasi yang dihasilkan lebih detail dan akurat sehingga ke
depannya dapat menjadi alternatif metode untuk memprediksi ketepatan waktu
kelulusan di Universitas Sahid Jakarta.
Penelitian terdahulu terkait dengan penelitian mengenai prediksi ketepatan waktu kelulusan, algoritma serta software data mining yang sama diantaranya yaitu oleh (Mustafa and Simpen 2014)
�berjudul Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data
Mining (Studi Kasus:
Data Akademik Mahasiswa Stmik Dipanegara Makassar) hasil penelitian akurasi algoritma K-Nearest Neighbor adalah
83,36%. (Huda 2020)
berjudul Perbandingan Akurasi K-Nearest Neighbor Dan Na�ve Bayes Untuk Algoritma Sistem Prediksi Nilai Akhir Mahasiswa hasil penelitiannya Algoritma terbaik adalah K-NN dengan K=15 dan nilai akurasinya adalah 95%.(Kamagi and Hansun 2014) berjudul Implementasi Data Mining Dengan Algoritma
C4.5 Untuk Memprediksi Tingkat
Kelulusan Mahasiswa dengan hasil penelitian
Tingkat akurasi aplikasi dari hasil prediksi
adalah 87,5%. (Nursalim and Himawan 2014) �berjudul Klasifikasi Bidang Kerja Lulusan Menggunakan
Algoritma K-Nearest
Neighbor (KNN) dengan hasil
penelitian Algoritma KNN memiliki kinerja terbaik untuk klasfikasi
bidang kelulusan dengan nilai akurasi
83,33% AUC 0,900. (Rohman 2015) berjudul Model Algoritma K-Nearest
Neighbor (K-NN) Untuk Prediksi
Kelulusan Mahasiswa dengan hasil penelitian
Tingkat akurasi tertinggi
pada klaster k=5 yaitu
85,15%. (Banjarsari, Budiman, and Farmadi
2016) berjudul Penerapan K-Optimal Pada Algoritma Knn Untuk
Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer
Fmipa Unlam Berdasarkan Ip Sampai Dengan Semester 4 dengan hasil penelitian Tingkat akurasi tertinggi pada klaster K=5 yaitu 80,00%. (Mustakim and Oktaviani 2016) berjudul Algoritma K-Nearest Neighbor
Classification Sebagai Sistem
Prediksi Predikat Prestasi Mahasiswa dengan hasil penelitian
Algoritma K-NN menghasilkan
akurasi sebesar 82%. (Srianto and Mulyanto 2016) berjudul Perbandingan K-Nearest
Neighbor Dan Na�ve Bayes Untuk Klasifikasi Tanah Layak Pohon Jati dengan
hasil penelitian K-NN lebih baik dibandingkan
dengan Na�ve
Bayes dengan akurasi
96,66% dan 82,63%. algoritma K-Nearest Neighbor Classification sebagai sistem prediksi predikat prestasi mahasiswa oleh (Mustakim and Oktaviani 2016)
menghasilkan akurasi K-NN sebesar 82%. Dengan hasil akurasi yang di dapat dari
penelitian-penelitian sebelumnya peneliti tertarik untuk menggunakan algoritma
K-NN yang akan dihitung ke dalam dua tools data mining yaitu Rapidminer
dan WEKA dengan tujuan untuk mengetahui diantara kedua tools tersebut
yang lebih tinggi tingkat akurasinya
�(Muin 2016) berjudul Metode Na�ve Bayes Untuk Prediksi
Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi) dengan hasil penelitian
Tingkat akurasi Na�ve
Bayes mencapai 94%. Dari beberapa
penelitian terdahulu akhirnya peneliti memutuskan melakukan penelitian membandingkan software
Rapidminer dan WEKA dengan menggunakan satu algoritma klasifikasi yaitu algoritma K-NN yang menurut peneliti adalah suatu kebaruan
dari penelitian karena peneliti belum menemukan dengan metode yang sama. Selain kebaruan
penelitian, tujuan dilakukannya penelitian ini adalah agar mendapatkan nilai akurasi yang paling baik diantara kedua software data
mining tersebut sehingga
hasilnya nanti akan dapat menjadi
alternatif metode bagi Universitas Sahid Jakarta untuk memprediksi kelulusan mahasiswanya di tahun � tahun berikutnya.
�
Metode Penelitian
Data
yang digunakan untuk penelitian adalah data mahasiswa Fakultas Ekonomi program studi Manajemen (S1) dalam waktu kelulusan mulai tahun 2011. Dari jumlah mahasiswa yang lulus tepat waktu dan tidak tepat waktu
dalam 5 tahun sampai dengan tahun
2015 berjumlah 149 data mahasiswa.
Dari data awal yang dikumpulkan
sebanyak 473 data mahasiswa
yang kemudian melalui 6 tahapan teknik analisis yaitu domain understanding,
selection and addition, data cleaning, transformation, evaluation and interpretation,
dan discover knowledge sehingga menghasilkan data lengkap hanya berjumlah 149 data mahasiswa.
Tabel 1
Pemilihan Atribute
|
No. |
Atribut |
Keterangan |
Detail |
|
1 |
IPS |
Indeks Prestasi Sementara |
Indeks Prestasi Sementara Semester 1 sampai dengan Semester 8 |
|
2 |
IPK |
Indeks Prestasi Kumulatif |
Indeks Prestasi Kumulatif Semester 2 sampai dengan Semester 8 |
|
3 |
MK |
Mata Kuliah |
Mata Kuliah Wajib (Pengantar Manajemen, Manajemen Operasi, Manajemen SDM) |
|
4 |
KT |
Status Keterangan Lulus |
Tepat Waktu dan Tidak Tepat Waktu |
Pemilihan atribut yang terdiri dari kumpulan nilai disebut dengan Indeks Prestasi per semester dan Indeks Prestasi Kumulatif serta nilai mata kuliah wajib ini diharapkan dapat meningkatkan nilai akurasi yang diperoleh dari perhitungan algoritma K-NN serta bertujuan untuk mengumpulkan nilai-nilai agar dapat dijadikan acuan prediksi kelulusan tepat waktu atau tidak tepat waktu.
Mencari tingkat akurasi yang paling baik, peneliti menggunakan 8 data sampling dengan masing-masing batasan nilai yang berbeda. Batasan-batasan nilai yang digunakan adalah sebagai berikut:
Tabel 2
Batasan Data Set untuk Pembuatan Sampling Pengujian
Algoritma
|
Sampling |
Batasan Nilai Atribut IPS / IPK |
Predikat |
Batasan Nilai Atribut Mata Kuliah Wajib |
Predikat |
|
|
1 |
2,00 |
Cukup |
2 / C |
Cukup |
|
|
2 |
2,76 |
Memuaskan |
2 / C |
Cukup |
|
|
3 |
3,01 |
Sangat memuaskan |
2 / C |
Cukup |
|
|
4 |
3,50 |
Pujian |
2 / C |
Cukup |
|
|
5 |
2,00 |
Cukup |
3 / B |
Baik |
|
|
6 |
2,76 |
Memuaskan |
3 / B |
Baik |
|
|
7 |
3,01 |
Sangat memuaskan |
3 / B |
Baik |
|
|
8 |
3,50 |
Pujian |
3 / B |
Baik |
|
Menguji pola klasifikasi pada penelitian ini adalah metode K-Fold Cross Validation. Dalam K-Fold Cross Validation, data dibagi menjadi k� bagian, D1, D2, � Dk, dan masing-masing D memiliki jumlah data yang sama. Kemudian dilakukan proses pengulangan sebanyak K, dimana dalam setiap pengulangan ke-I, D akan dijadikan data testing, dan sisanya akan dijadikan data training. Sebagai contoh misalkan akan dilakukan metode cross validation dengan menggunakan 3-fold. Pertama pilih salah satu fold menjadi data testing, kemudian fold sisanya menjadi data training. Hal ini dilakukan berulang untuk semua kombinasi data training-testing. Sebagai ilustrasi, perhatikan gambar dibawah ini.
Gambar 1
Ilustrasi 3-Fold Cross Validation
Sistem dalam klasifikasi diharapkan mampu melakukan semua set data dengan benar, namun tidak dapat dipungkiri bahwa kesalahan pasti akan terjadi dalam proses pengklasifikasian. Untuk itu perlunya dilakukan pengukuran kinerja klasifikasi dengan matriks konfusi (confusion matrix). Matrik konfusi adalah tabel pencatat hasil kerja klasifikasi yang terdapat pada Rapidminer dan WEKA.
Setelah mendapatkan 8 data sampling, pengujian keakuratan dari suatu klasifikasi, dengan ketentuan memakai 3, 5, 10, 15 dan 20 fold cross validation yang diharapkan akan menemukan tingkat akurasi yang terbaik.
Pengujian algoritma K-NN menggunakan Rapidminer contoh menggunakan sampling data ke-1 dan metode pengujian 3 fold cross validation.
Gambar
2
Subproses Training dan Testing
K-NN
ExampleSet yang sudah dilatih sebelumnya akan dibangun dengan metode K-NN. Apply model berfungsi mempelajari ExampleSet yang sudah dilatih sedangkan performance ini digunakan untuk evaluasi statistik dari kinerja klasifikasi dan memberikan daftar nilai kriteria dari kinerja klasifikasi tersebut.
Algoritma K-NN pada subproses training sedangkan apply model dan performance pada subproses testing, kemudian masing-masing dihubungkan ke port. Setelah itu mulai lah proses pengujian dengan menggunakan algoritma K-NN.
Hasil akurasi pengujian data sampling ke-1 dengan algoritma K-NN menggunakan 3 fold cross validation adalah sebagai berikut:
�
Gambar 3
Hasil Akurasi Sampling ke-1 Algoritma K-NN menggunakan 3 Fold Cross Validation
Hasil akurasi dengan perhitungan nilai confusion matrix terhadap algoritma K-NN menggunakan Rapidminer dengan 3 fold cross validation yang menghasilkan tingkat akurasi sebesar 42,28% adalah sebagai berikut:
Pred Tidak Tepat Waktu-true Tidak Tepat Waktu = jumlah data yang diprediksi Tidak Tepat Waktu dan kenyataannya Tidak Tepat Waktu (TP)
1. Pred Tepat Waktu � true Tepat Waktu = jumlah data yang diprediksi Tepat Waktu dan kenyataanya Tepat Waktu (TN)
2. Pred Tidak Tepat Waktu � true Tepat Waktu = jumlah data yang diprediksi Tidak Tepat Waktu tapi kenyataanya Tepat Waktu (FP)
3. Pred Tepat Waktu � true Tidak Tepat Waktu = jumlah data yang diprediksi Tepat Waktu tapi kenyataanya Tidak Tepat Waktu (FN)
Hasil perhitungan dengan rumus akurasi, terlihat bahwa hasil yang didapat dengan hasil pada Rapidminer adalah sama.
Setelah dilakukan pengujian dengan menggunakan tool Rapidminer selanjutnya ke delapan sampling data tersebut akan kembali diuji dengan menggunakan tool WEKA. Pada pengujian algoritma K-NN menggunakan tool� WEKA juga dilakukan dengan menggunakan cross-validation dengan 3, 5, 10, 15 dan 20 fold. Sebagai contoh akan menggunakan 3 fold, seperti pada gambar di bawah ini.
Gambar 4 Pemilihan Metode
Pengujian
Setelah semua selesai langkah terakhir adalah menguji data sampling ke-1 dengan meng klik Start dan berikut adalah hasil akurasi data sampling ke-1:
Gambar 5
Hasil Akurasi Sampling ke-1 Algoritma K-NN menggunakan 3 Fold Cross Validation
Berikut perhitungan nilai akurasi confusion matrix yang menghasilkan tingkat akurasi sebesar 77,85% dengan klasifikasi a adalah Tidak Tepat Waktu dan b adalah Tepat Waktu.
1. Pred Tidak Tepat Waktu-true Tidak Tepat Waktu = jumlah data yang diprediksi Tidak Tepat Waktu dan kenyataanya Tidak Tepat Waktu (TP)
2. Pred Tepat Waktu-true Tepat Waktu = jumlah data yang diprediksi Tepat Waktu dan kenyataannya Tepat Waktu (TN)
3. Pred Tidak Tepat Waktu-true Tepat Waktu = jumlah data yang diprediksi Tidak Tepat Waktu tapi kenyataanya Tepat Waktu (FP)
4. Pred Tepat Waktu-true Tidak Tepat Waktu = jumlah data yang diprediksi Tepat Waktu tapi kenyataanya Tidak Tepat Waktu (FN)
Accuracy =(TP+TN)/(TP+TN+FP+FN )
Accuracy =(2+114)/(2+114+28+5 )
Accuracy =116/(149 )=77,85 %
Dari hasil perhitungan dengan rumus dan hasil WEKA menunjukkan bahwa hasil akurasi yang didapatkan adalah sama.
Delapan data
sampling sudah diujikan dengan langkah-langkah seperti yang sudah dijelaskan sebelumnya. Delapan data sampling
diuji dengan 3, 5, 10, 15 dan 20 fold cross validation. Ada alasan yang
menjadi dasar pemilihan 3, 5, 10, 15 dan 20 fold cross validation,
karena menurut (Witten et al. 2005) 10 fold memberikan hasil
prediksi terbaik dalam percobaan dengan beragam data dan beragam algoritma
sehingga 10 fold menjadi standar dalam melakukan pengujian tetapi
pendapat ini masih sering didebatkan, sehingga peneliti ingin menambahkan 3, 5,
15 dan 20 fold dengan harapan mendapatkan fold yang menghasilkan
akurasi terbaik dalam pengujian. Berikut adalah hasil akurasi algoritma
K-NN menggunakan tool Rapidminer dan WEKA dengan delapan data
sampling menggunakan 3, 5, 10, 15 dan 20 fold cross validation.
Tabel 3
Hasil
Pengujian Algoritma K-NN Menggunakan Rapidminer dan WEKA
|
Hasil Akurasi Algoritma K-NN |
|||
|
Sampling |
Metode Pengujian Cross
Validation |
Rapidminer |
WEKA |
|
1 |
3 Fold |
42.20% |
77.85% |
|
2 |
70.50% |
71.14% |
|
|
3 |
63.06% |
69.80% |
|
|
4 |
53.62% |
77.85% |
|
|
5 |
66.44% |
75.84% |
|
|
6 |
72.54% |
69.80% |
|
|
7 |
66.45% |
65.10% |
|
|
8 |
71.84% |
75.84% |
|
|
Rata � Rata |
63.33% |
72.90% |
|
|
1 |
5 Fold |
39.68% |
76.51% |
|
2 |
65.79% |
73.82% |
|
|
3 |
64.34% |
76.51% |
|
|
4 |
50.23% |
75.84% |
|
|
5 |
63.77% |
71.81% |
|
|
6 |
64.46% |
72.48% |
|
|
7 |
68.46% |
63.76% |
|
|
8 |
69.82% |
77.18% |
|
|
Rata - Rata |
60.82% |
73.49% |
|
|
1 |
10 Fold |
32.29% |
78.52% |
|
2 |
67.00% |
72.49% |
|
|
3 |
63.19% |
76.51% |
|
|
4 |
43.71% |
77.18% |
|
|
5 |
62.42% |
71.81% |
|
|
6 |
67.11% |
72.48% |
|
|
7 |
67.24% |
64.43% |
|
|
8 |
70.48% |
77.18% |
|
|
Rata � Rata |
59.18% |
73.83% |
|
|
1 |
15 Fold |
29.48% |
77.18% |
|
2 |
68.59% |
73.15% |
|
|
3 |
65.11% |
75.84% |
|
|
4 |
42.81% |
75.84% |
|
|
5 |
62.52% |
71.81% |
|
|
6 |
67.33% |
69.13% |
|
|
7 |
68.52% |
63.76% |
|
|
8 |
72.52% |
77.18% |
|
|
Rata � Rata |
59.61% |
72.99% |
|
|
1 |
20 Fold |
29.48% |
78.52% |
|
2 |
68.59% |
72.48% |
|
|
3 |
65.11% |
77.18% |
|
|
4 |
42.81% |
77.18% |
|
|
5 |
62.52% |
73.15% |
|
|
6 |
67.33% |
72.48% |
|
|
7 |
68.52% |
65.10% |
|
|
8 |
72.52% |
77.85% |
|
|
Rata � Rata |
59.61% |
74.24% |
|
Tabel 4
Hasil Akurasi Tertinggi
|
HASIL AKURASI
TERTINGGI ALGORITMA K-NN |
|||||
|
RAPIDMINER |
72,54% |
SAMPLING |
6 |
FOLD |
3 |
|
WEKA |
78,52% |
SAMPLING |
1 |
FOLD |
10, 20 |
Dari hasil pengujian algoritma K-NN dengan Rapidminer dan WEKA menggunakan 3, 5, 10, 15, dan 20 fold cross validation seperti yang telah dijabarkan pada tabel di atas, di dapatkan hasil akurasi tertinggi dengan Rapidminer yaitu sebesar 72,54% pada data sampling ke-6 dengan menggunakan 3 fold cross validation. Sedangkan pada WEKA, akurasi tertinggi sebesar 78,52% pada data sampling ke-1 dan ada pada fold ke 10 dan 20.
Kesimpulan��������������������������������������������������������������
Kesimpulan yang diperoleh dari penelitian ini adalah hasil akurasi software WEKA menggunakan algoritma K-NN lebih tinggi yaitu
sebesar 78,25% dibandingkan
dengan Rapidminer menggunakan algoritma K-NN yaitu sebesar 72,54% sehingga software WEKA menggunakan
algoritma K-NN dapat menjadi alternatif metode atau metode
yang bisa digunakan khususnya pada Universitas Sahid
Jakarta dalam memprediksi ketepatan waktu kelulusan mahasiswanya untuk tahun- tahun
berikutnya.
BIBLIOGRAFI
Banjarsari, Mutiara Ayu, Irwan Budiman, and
Andi Farmadi. 2016. �Penerapan K-Optimal Pada Algoritma Knn Untuk Prediksi
Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam
Berdasarkan Ip Sampai Dengan Semester 4.� Klik-Kumpulan Jurnal Ilmu Komputer
2(2): 159�73.Google Scholar
Chertchom, Prajak. 2018. �A Comparison
Study between Data Mining Tools over Regression Methods: Recommendation for
SMEs.� In 2018 5th International Conference on Business and Industrial
Research (ICBIR), IEEE, 46�50.Google Scholar
Huda, Nuzulul. 2020. �Klasifikasi Berita
Menggunakan Metode Learning Vector Quantization.�Google Scholar
Kamagi, David Hartanto, and Seng Hansun.
2014. �Implementasi Data Mining Dengan Algoritma C4. 5 Untuk Memprediksi
Tingkat Kelulusan Mahasiswa.� Ultimatics: Jurnal Teknik Informatika
6(1): 15�20.Google Scholar
Muin, Asrul Ashari. 2016. �Metode Naive Bayes
Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi).� Jurnal
Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar
2(1): 22�26.Google scholar
Mustafa, Muhammad Syukri, and I Wayan
Simpen. 2014. �Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi
Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus: Data Akademik Mahasiswa
STMIK Dipanegara Makassar).� Creative Information Technology Journal
1(4): 270�81.Google Scholar
Mustakim, Mustakim, and Giantika Oktaviani.
2016. �Algoritma K-Nearest Neighbor Classification Sebagai Sistem Prediksi
Predikat Prestasi Mahasiswa.� Jurnal Sains, Teknologi dan Industri
13(2): 195�202.Google Scholar
Ngo, Terry. 2011. �Data Mining: Practical Machine
Learning Tools and Technique, by Ian h. Witten, Eibe Frank, Mark a. Hell.� ACM
Sigsoft Software Engineering Notes 36(5): 51�52.Google Scholar
Nursalim, Suprapedi, and H Himawan. 2014. �Klasifikasi
Bidang Kerja Lulusan Menggunakan Algoritma K-Nearest Neighbor.� Jurnal Teknologi
Informasi 10(1): 31�43.Google Scholar
Rohman, Abdul. 2015. �Model Algoritma
K-Nearest Neighbor (K-Nn) Untuk Prediksi Kelulusan Mahasiswa.� Neo Teknika
1(1).Google Scholar
Srianto, Didik, and Edy Mulyanto. 2016. �Perbandingan
K-Nearest Neighbor Dan Naive Bayes Untuk Klasifikasi Tanah Layak Tanam Pohon
Jati.� Techno. Com 15(3): 241�45.Google Scholar
Tinggi, Badan Akreditasi Nasional
Perguruan. 2008. �Akreditasi Program Studi Sarjana.� Jakarta: BAN PT.Google Scholar
Witten, Ian H et al. 2005. �Kea: Practical
Automated Keyphrase Extraction.� In Design and Usability of Digital
Libraries: Case Studies in the Asia Pacific, IGI global, 129�52Google Scholar.
�
|
Copyright holder: Devi Damayanti (2021) |
|
First publication right: |
|
This article is licensed under:
|
