View of Penentuan Rekomendasi Penerima Bantuan Siswa Miskin (BSM) Menggunakan Metode Analytical Network Process

(1)

Penentuan Rekomendasi Penerima Bantuan

Siswa Miskin (BSM) Menggunakan Metode

Analytical Network Process

Nur Lukman

1

_{, Wina Srihartini Mauludiyah}

2,

_Jumadi

3

1Jurusan Teknik Komputer Politeknik Pajajaran ICB Bandung

2,3Jurusan Teknik Informatika UIN Sunan Gunung Djati Bandung

1nur.lukman@poljan.ac.id, 2 winasrihartini09@gmail.com, 3 jumadi@uinsgd.ac.id

Abstrak- Bantuan Siswa Miskin (BSM) merupakan program nasional yang bertujuan untuk membantu siswa kurang mampu dalam memperoleh akses pelayanan pendidikan yang layak sesuai dengan kriteria-kritreria yang telah ditentukan. Saat ini di SD Negeri I Bantarujeg, penentuan penerima bantuan masih menggunakan cara tulis tangan yang terkadang hasilnya menimbulkan kekeliruan. Untuk membantu menentukan siswa yang berhak mendapat bantuan tersebut maka dibutuhkan sebuah sistem pendukung keputusan. Metode yang dapat digunakan untuk Sistem Pendukung Keputusan yaitu dengan menggunakan Analytical Network Process (ANP). ANP merupakan pengembangan dari metode Analytical Hierarchy Process

(AHP). Metode ANP mampu memperbaiki kelemahan AHP berupa kemampuan mengakomodasi keterkaitan antar kriteria atau alternatif (Saaty, 2004). Dengan metode ANP perhitungan dilakukan dengan melakukan perbandingan antara kriteria dan alternatif kemudian akan menghasilkan supermatriks. Lalu dilakukan proses perankingan yang akan menentukan siswa yang layak untuk mendapat Bantuan Siswa Miskin (BSM)

Kata kunci- Bantuan Siswa Miskin (BSM), Sistem Pendukung Keputusan, Analytical Network Process

I. PENDAHULUAN

Program BSM adalah program nasional yang bertujuan untuk menghilangkan halangan siswa miskin berpartisipasi untuk bersekolah dengan membantu siswa miskin memperoleh akses pelayanan pendidikan yang layak, mencegah putus sekolah, menarik siswa miskin untuk kembali bersekolah, membantu siswa memenuhi kebutuhan dalam kegiatan pembelajaran, mendukung program Wajib Belajar Pendidikan Dasar Sembilan Tahun (bahkan hingga tingkat menengah atas), serta membantu kelancaran program sekolah [1].

Pemerintah Republik Indonesia sangat serius pada pengembangan Pendidikan masyarakatnya, hal itu ditunjukkan dengan dibuatnya peraturan pemerintah Nomor 47 Tahun 2008 tentang Wajib Belajar, dalam implementasinya masyarakat berhak mendapatkan pelayanan pendidikan yang layak baik untuk masyarakat berada maupun masyarakat tidak berada (miskin). Untuk mengatasi hal tersebut maka lahirlah yang disebut dengan Bantuan Siswa Miskin (BSM).

Kebanyakan dari tiap sekolah tidak semua siswa mendapatkan BSM dikarenakan kuota yang diberikan kepada sekolah tidak berbanding lurus dengan jumlah siswa yang ada sehingga pihak sekolah terkadang kesulitan untuk menentukan penerima bantuan tersebut, untuk membantu pihak sekolah maka perlu dibuatkan sistem untuk membantu memutuskan penerima bantuan tersebut.

SD Negeri 1 Bantarujeg merupakan salah satu sekola yang menerima program BSM, jumlah siswanya 263 orang yang terdiri dari 7 kelas. Jumlah Siswa yang diajukan untuk mendapatkan bantuan itu cukup banyak namun jumlah kuota penerima bantuan terbatas hanya untuk 50-150 orang siswa saja sehingga membuat pihak sekolah kesulitan dalam menentukan siswa yang berhak untuk diajukan

jarang penerima tidak tepat sasaran, oleh karena itu maka perlu dibangun sebuah sistem pendukung keputusan yang akan membantu merekomendasikan siswa penerima Bantuan Siswa Miskin (BSM).

Sistem pendukung keputusan dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi sistem pendukung keputusan menggunakan computer based information system (CBIS) yang fleksibel, interaktif, dan dapat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur [1]

Analytical Network Process (ANP) merupakan metode dari sistem pendukung keputusan yang digunakan untuk memutuskan penerima BSM agar lebih cepat sasaran sesuai dengan kriteria penilaian berbobot yang telah ditentukan sehingga akan akan mendapatkan hasil yang lebih akurat[2]–[5].

Terdapat beberapa penelitian sebelumnya yang searah dengan penelitian ini juga pernah dilakukan salahsatunya adalah Penelitian yang dilakukan oleh Melya Edni dengan judul Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Metode Analytic Network Process

(ANP)[6]. Penelitian yang dilakukan Melya Edni membahas tentang penerapan AHP dalam menentukan karyawan terbaik. Pada penelitian Melya output yang dihasilkan merupakan rekomendasi karyawan berprestasi yang bersifat statis karena kriteria dan subkriteria sudah ditentukan sebelumnya oleh PT.KFC.

Penelitian yang dilakukan oleh Ian Septiana dengan judul Sistem Pendukung Keputusan Penentu Dosen Penguji dan Pembimbing Tugas Akhir Menggunakan

(2)

Weighting untuk menentukan dosen pembimbing dan penguji skripsi. Pada penelitian Ian output yang dihasilkan merupakan para pembimbing dan penguji yang mempunyai spesifikasi keahlian sesuai dengan topik skripsi mahasiswa.

Penelitian yang dilakukan oleh Ian Septiana dengan judul Sistem Pendukung Keputusan Penentu Dosen Penguji dan Pembimbing Tugas Akhir Menggunakan

Fuzzy Multiple Attribute Decision Making Dengan Simple Additive Weighting[7]. Penelitian yang dilakukan Ian Septian membahas tentang penerapan Fuzzy Multiple Attribute Decision Making Dengan Simple Additive Weighting untuk menentukan dosen pembimbing dan penguji skripsi. Pada penelitian Ian output yang dihasilkan merupakan para pembimbing dan penguji yang mempunyai spesifikasi keahlian sesuai dengan topik skripsi mahasiswa [8].

II. TINJAUAN PUSTAKA A. Bantuan Siswa Miskin (BSM)

Program Bantuan Siswa Miskin merupakan program nasional yang bertujuan untuk membantu siswa miskin memperoleh akses pelayanan pendidikan yang layak, mencegah putus sekolah, menarik siswa miskin untuk kembali bersekolah, membantu siswa memenuhi kebutuhan dalam kegiatan pembelajaran, mendukung program Wajib Belajar Pendidikan Dasar Sembilan Tahun (bahkan hingga tingkat menengah atas), serta membantu kelancaran program sekolah.

Melalui Program BSM ini diharapkan anak usia sekolah dari rumah-tangga/keluarga miskin dapat terus bersekolah, tidak putus sekolah, dan di masa depan diharapkan mereka dapat memutus rantai kemiskinan yang saat ini dialami orangtuanya. Program BSM juga mendukung komitmen pemerintah untuk meningkatkan angka partisipasi pendidikan di Kabupaten/Kota miskin dan terpencil serta pada kelompok marjinal.

Program ini bersifat bantuan langsung kepada siswa dan bukan beasiswa, karena berdasarkan kondisi ekonomi siswa dan bukan berdasarkan prestasi (beasiswa) mempertimbangkan kondisi siswa, sedangkan beasiswa diberikan dengan mempertimbangkan prestasi siswa.

Penerima dana BSM meliputi siswa mulai dari tingkat dasar hingga Perguruan Tinggi dengan besaran sebagai berikut :

a. BSM SD & MI sebesar Rp 225.000 per semester atau Rp 450.000 per tahun.

b. BSM SMP/MTs sebesar Rp 375.000 per semester atau Rp 750.000 per tahun

c. BSM SMA/SMK/MA sebesar Rp 500.000 per semester atau Rp 1.000.000 per tahun.

Penerima dana BSM yang dikelola oleh Kementerian Pendidikan dan Kebudayaan merupakan siswa miskin dan rentan pada Sekolah Dasar (SD), Sekolah Menengah Pertama (SMP), Sekolah Menengah Atas (SMA) atau Sekolah Menengah Kejuruan (SMK) negeri dan swasta yang telah memenuhi kriteria sesuai pedoman/petunjuk teknis yang dikeluarkan oleh Kementerian Pendidikan dan Kebudayaan.

Kriteria penerima Bantuan Siswa Miskin yaitu sebagai berikut:

a. Orangtua siswa penerima Kartu Perlindungan Sosial (KPS)

b. Orangtua siswa peserta Program Keluarga Harapan (PKH)

c. Siswa terancam putus sekolah karena kesulitan biaya d. Siswa yatim, piatu atau yatim piatu

e. Siswa yang berasal dari panti asuhan f. Siswa berasal dari korban musibah/bencana

B. Metode Analytical Network Process (ANP)

Analytic Network Process atau ANP merupakan pendekatan baru metode kualitatif. Diperkenalkan oleh Profesor Thomas Saaty pakar riset dari Pittsburgh University, dimaksudkan untuk “menggantikan” metode

Analytic Hierarchy Process (AHP). Kelebihan ANP dari metodologi yang lain adalah kemampuannya melakukan pengukuran dan sintesis sejumlah faktor-faktor dalam hierarki atau jaringan[6]:

Langkah-langkah Metode Analytical Network Process

1. Mendefinisikan masalah

2. Membuat matriks perbandingan berpasangan 3. Menentukan nilai Eigenvector Nilai Eigen

dihitung dengan rumus :

𝑋 = ∑_{∑ 𝑤𝑗 /𝑛}𝑤𝑖𝑗

Keterangan: X = eigenvector

Wij = nilai sel kolom dalam 1 baris (i,j = 1…..n) ∑Wj = jumlah total kolom

n = jumlah matriks yang dibandingkan

4. Memeriksa Rasio Konsistensi a. Mencari nilai 𝜆maks 𝜆maks = nilai eigen terbesar

n = jumlah matriks yang dibandingkan c. Menentukan Consistency Ratio (CR)

CR = CI / RI

Ada 3 tahapan supermatriks yaitu sebagai berikut: a. Supermatriks tanpa bobot (Unweighted Super Matrix), didapat dari nilai eigen vector yang telah dihitung sebelumnya pada matriks perbandingan antar node.

(3)

Supermatriks batas (Limitting Super Matrix), didapat dengan cara mengalikan nilai dari weighted super matrix

dengan dirinya sendiri hingga tiap kolom pada satu baris pada matriks memiliki nilai yang sama.

III.FASE-FASE ANALYTICAL NETWORK PROCESS

Analisis metode Analytical Network Process

menjelaskan proses-proses yang terjadi untuk mencapai tujuan akhir yaitu perangkingan terhadap penerima BSM. Terdapat beberapa fase untuk mencapai perengkingan terhadap mahasiswa yang berhak mendapatkan bantuan BSM tersebut diantaranya:

A. Mendefinisikan Masalah dan Menentukan Kriteria Pada kasus ini terdapat lima kriteria yaitu siswa berasal dari keluarga kurang mampu, orangtua siswa penerima Kartu Perlindungan Sosial (KPS), orangtua termasuk Peserta Keluarga Harapan (PKH), dan siswa yatim/piatu/yatim piatu.

Tabel 1. Kriteria Penerima BSM

Kode Kriteria

K01 Siswa berasal dari keluarga kurang mampu.

K02 Orangtua siswa penerima Kartu Perlindungan Sosial (KPS)

K03 Orangtua termasuk Peserta Keluarga Harapan (PKH). K04 Siswa yatim/piatu.

B. Membandingkan Kriteria Terhadap Setiap Node Alternatif

Perbandingan berpasangan kriteria ini diimplementasikan dalam bentuk matrix yang berfungsi untuk mendapatkan nilai eigen vector dan melihat rasio perbandingan/Consistency Ratio (CR). Nilai diperoleh dari pengambil keputusan.

Tabel 2. Kriteria yang dimiliki sample

K01 K02 K03 K04

Setelah mengetahui kriteria yang dimiliki oleh alternatif, langkah selanjutnya yaitu melakukan perbandingan kriteria terhadap alternatif untuk mencari nilai eigen vector sebagai berikut:

1.Alternatif A01

Setelah mengetahui kriteria yang dimiliki oleh alternatif, langkah selanjutnya yaitu melakukan perbandingan kriteria terhadap alternatif.

Tabel 3. Nilai perbandingan kriteria terhadap A01

K01 K02 K03 K04

Dari perbandingan tersebut maka dapat dihitung nilai

eigen vector sebagai berikut: Eigen vector baris pertama :

1

4+5.52+27+0.52.5

4 = 0.275 Eigen vector baris kedua :

0.5

4+5.51+27+0.52.5

4 = 0.198 Eigen vector baris ketiga :

0.5

4+0.55.5+17+0.52.5

4 = 0.140 Eigen vector baris keempat :

2

4+5.52+27+2.51

4 = 0.387 Tabel 4. Nilai eigen vector terhadap matriks perbandingan

berpasangan kriteria A01

Nilai 𝜆maks :(4x0.275)+(5.5x0.198)+(7x0.140)+(2.5x0.387) = 4.135 Indeks konsistensi atau CI

CI

=

4.135−4

4−1 0.045

Selanjutnya menentukan CR dengan menentukan terlebih dahulu Random Index (RI).

Nilai RI untuk n=4 adalah 0.9, berdasarkan table berikut:

Tabel 5. Nilai Random Index Order maka tidak konsisten atau tidak memenuhi syarat maka matriks keputusannya harus diulang hingga nilai CR konsisten atau memenuhi syarat konsisten.

2.Alternatif A02

Sesuai dengan cara perhitungan Alternatif A02, maka didapatkan hasil akhir untuk nilai Eigen vector terhadap matriks perbandingan berpasangan kriteria A02 sebagai berikut:

Tabel 6. Nilai eigen vector terhadap matriks perbandingan berpasangan kriteria A02

(4)

matriks perbandingan berpasangan kriteria A03 sebagai berikut:

Sesuai dengan cara perhitungan Alternatif A04, maka didapatkan hasil akhir untuk nilai Eigen vector terhadap matriks perbandingan berpasangan kriteria A04 sebagai berikut:

Sesuai dengan cara perhitungan Alternatif A07, maka didapatkan hasil akhir untuk nilai Eigen vector terhadap matriks perbandingan berpasangan kriteria A07 sebagai berikut:

C. Membandingkan Alternatif Terhadap Node Kriteria Setelah diperoleh nilai yang konsisten pada kriteria selanjutnya menentukan nilai perbandingan antar alternatif untuk setiap kriteria.

Tabel 15. Nilai Perbandingan Alternatif terhadap K01

(5)

A01 A02 A03 A04 A05 A06

D. Membuat Unweighted Supermatrix

Supermatriks tanpa bobot (Unweighted Supermatrix), didapat dari nilai eigen vector yang telah dihitung sebelumnya pada matriks perbandingan antar node.

Tabel 19. Unweighted Supermatrix Alternatif terhadap K02

Supermatriks terbobot (Weighted Supermatrix) dihitung dengan cara mengalikan nilai matriks Unweighted super matrix dengan nilai nilai cluster matrix.

(6)

A01 A02 A03 A04 A05 A06 A07

A10 0 0 0 0.3873 0.2748 0.1981 0.1397

KR01 0.0670 0.0581 0.0500 0 0 0 0 KR02 _0.0670 _0.0581 _0.0500 ₀ ₀ ₀ ₀

KR03 _0.1713 _0.0581 _0.0500 ₀ ₀ ₀ ₀

KR04 _0.1479 _0.1713 _0.0500 ₀ ₀ ₀ ₀

F. Membuat Limit Supermatrix

Supermatriks batas (Limit Supermatrix) didapat dengan cara mengalikan nilai dari weighted super matrix dengan dirinya sendiri hingga tiap kolom pada satu baris pada matriks memiliki nilai yang sama.

Tabel 21. Limit Supermatrix

A01 A02 A03 A04 A05 A06 A07

A01 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232

A02 0.0286 0.0286 0.0286 0.0286 0.0286 0.0286 0.0286

A03 0.0179 0.0179 0.0179 0.0179 0.0179 0.0179 0.0179 A04 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179

A05 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232

A06 0.0179 0.0179 0.0179 0.0179 0.0179 0.0179 0.0179

A07 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232

A08 0.0179 0.0179 0.0179 0.0179 0.0179 0.0179 0.0179 A09 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232

A10 _0.0286 _0.0286 _0.0286 _0.0286 _0.0286 _0.0286 _0.0286

KR01 0.0301 0.0301 0.0301 0.0301 0.0301 0.0301 0.0301

KR02 0.0256 0.0256 0.0256 0.0256 0.0256 0.0256 0.0256 KR03 _0.0242 _0.0242 _0.0242 _0.0242 _0.0242 _0.0242 _0.0242

KR04 _0.0506 _0.0506 _0.0506 _0.0506 _0.0506 _0.0506 _0.0506

A08 A09 A10 KR01 KR02 KR03 KR04

A01 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232 A02 _0.0179 _0.0286 _0.0286 _0.0286 _0.0286 _0.0286 _0.0286

A03 _0.0232 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179

A04 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179

A05 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232 A06 _0.0286 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179

A07 _0.0301 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232 _0.0232

A08 _0.0256 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179 _0.0179

A09 0.0242 0.0232 0.0232 0.0232 0.0232 0.0232 0.0232

A10 0.0506 0.0286 0.0286 0.0286 0.0286 0.0286 0.0286 KR01 _0.0301 _0.0301 _0.0301 _0.0301 _0.0301 _0.0301 _0.0301

KR02 _0.0256 _0.0256 _0.0256 _0.0256 _0.0256 _0.0256 _0.0256

KR03 0.0242 0.0242 0.0242 0.0242 0.0242 0.0242 0.0242

KR04 0.0506 0.0506 0.0506 0.0506 0.0506 0.0506 0.0506

G. Hasil Akhir Perhitungan Metode ANP

Setelah membuat nilai untuk tabel unweight supermatrix, weight supermatrix, dan limit supermatrix

maka dapat diperoleh hasil akhir untuk menentukan siswa yang berhak untuk diajukan sebagai calon penerima Bantuan Siswa Miskin dengan mngurutkan dari siswa yang memiliki nilai prioritas paling tinggi.

Hasil akhir dari perhitungan metode Analytical Network Process diurutkan dari siswa yang memiliki nilai prioritas paling tinggi yaitu sebagai berikut.

Tabel 22. Hasil Akhir Perhitungan Metode ANP

Alternatif K01 K02 K03 K04 Nilai Prioritas A10 v v v v 0,028571

A02 v v v v 0,028571

A09 v v v - 0,023214

A07 v v v - 0,023214

A01 v v v - 0,023214

A05 v v v - 0,023214

A04 v - v - 0,017857

A08 v v - - 0,017857

A03 v v - - 0,017857

A06 v - v - 0,017857

H. Perancangan Sistem 1. Usecase Diagram

Usecase digunakan untuk memodelkan sistem dan menjelaskan bentuk khusus dari fungsi yang diinginkan oleh sistem tersebut:

Gambar 1. Usecase Diagram

2. Class Diagram

Class Diagram menggambarkan keadaan suatu sistem (atribut) dan memberikan pelayanan untuk menyelesaikan keadaan tersebut (model)

Gambar 2. Class Diagram

I. Perancangan Sistem 1. Beranda

Memperlihatkan keterangan dari program Bantuan Siswa Miskin dan cara penggunaan.

(7)

2. Data Kriteria

Dalam halaman ini admin dapat mengelola data kriteria seperti menambah, mengubah atau menghapus kriteria penerima Bantuan Siswa Miskin. Halaman ini menampilkan tabel data yang berisi kode kriteria dan nama kriteria.

Gambar 4. Interface Data Kriteria

3. Data Alternatif

Dalam halaman ini admin dapat mengelola data alternatif seperti menambah, mengubah atau menghapus kriteria penerima Bantuan Siswa Miskin.

Gambar 5. Interface Data Siswa

4. Hasil Seleksi

Merupakan implementasi tampilan antarmuka hasil seleksi data yang telah diproses menggunakan metode

Analytical Network Process.

Gambar 6. Interface Hasil Seleksi

IV.KESIMPULAN

Metode Analytical Network Process dapat digunakan untuk memilih siswa yang berhak menerima Bantuan Siswa Miskin (BSM) dengan melakukan perbandingan antar kriteria dan alternatif.

Penerapan metode ANP dalam penentuan penerima BSM merupakan metode yang dapat diterapkan karena mempunyai nilai kepentingan kriteria yang saling terkait dan saling mempengaruhi. Naik turunnya sebuah nilai dipengaruhi oleh perubahan salah satu nilai dari kriteria atau subkriteri..

Dengan dibangunnya sistem pendukung keputusan ini dapat membantu sekolah dalam merekomendasikan siswa yang berhak menerima program Bantuan Siswa Miskin.

V. REFERENSI

[1] S. D. Syafri Arti, Irawan Suntoro, “Implementasi Kebijakan Bantuan Siswa Miskin (BSM) dalam Memberikan Layanan Pendidikan Bagi Siswa Miskin di SMP Islam Ibnurusyd Kecamatan Lampung Utara,”

J. Manaj. Mutu Pendidik., vol. 3, no. 1, 2015.

[2] F. Zahra, B. H. Purnomo, and N. Kuswardhani, “PENERAPAN METODE ANP ( ANALYTIC NETWORK PROCESS ) DALAM RANGKA SELEKSI PEMASOK DAUN TEMBAKAU NA – OOGST DI KOPERASI AGROBISNIS TARUTAMA NUSANTARA –JEMBER,” vol. 9, no. 1, pp. 9–23, 2015.

[3] “The Analytic Hierarchy Process (AHP) and the Analytic Network Process (ANP) for Decision Making.”

[4] M. Irfan, “IMPLEMENTASI TECHNOLOGY

ACCEPTANCE MODEL UNTUK MENGUKUR PENERIMAAN GURU TERHADAP INOVASI PEMBELAJARAN (Studi Kasus Model Pembelajaran CBR Di SMK) Yana,” ISTEK, vol. X, no. 2, pp. 1–18,

2017.

[5] S. Khosyi’Ah, M. Irfan, D. S. Maylawati, and O. S. Mukhlas, “Analysis of Rules for Islamic Inheritance Law in Indonesia Using Hybrid Rule Based Learning,” in IOP Conference Series: Materials Science and Engineering, 2018, vol. 288, no. 1.

[6] M. EDNI, “Sistem Pendukung Keputusan Pemilihan

Karyawan Terbaik Menggunakan Metode Analytic Network Process (ANP),” Universitas Islam Negeri Sultan Syarif Kasim Riau, 2013.

[7] I. Septiana, M. Irfan, and A. R. Atmadja, “Sistem Pendukung Keputusan Penentu Dosen Penguji Dan Pembimbing Tugas Akhir Menggunakan Fuzzy Multiple Attribute Decision Makingdengan Simple Additive Weighting (Studi Kasus: Jurusan Teknik Informatika Uin Sgd Bandung),” J. Online Inform., vol. 1, no. 1, pp. 43–50, 2016.

[8] D. Setiawati, I. Taufik, Jumadi, and W. Z. Budiawan, “Klasifikasi Terjemahan Ayat Al-Quran Tentang Ilmu Sains Menggunakan Algoritma Decision Tree Berbasis Mobile,” J. Online Inform., vol. 1, no. 1, pp. 24–27,