Fakultas Ilmu Komputer
Universitas Brawijaya 5556
Aplikasi Data Mining Untuk Klasifikasi Kesiapan Skripsi Menggunakan Algoritma Apriori
Mohammad Malik Abdul Azis1, Ahmad Afif Supianto2, Nanang Yudi Setiawan3
Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1malikabdulaziz51@gmail.com, 2afif.supianto@ub.ac.id, 3nanang@ub.ac.id
Abstrak
Skripsi adalah hal wajib yang perlu dikerjakan seorang mahasiswa untuk bisa mendapatkan gelar sarjana. Berdasarkan data PSIK Fakultas Ilmu Komputer Universitas Brawijaya yaitu dari 192 data, 96 mahasiswa menyelesaikan skripsi sesuai rentang waktu yang ditentukan sedangkan 95 mahasiswa lainnya tidak menyelesaikan skripsi sesuai rentang waktu yang ditentukan yaitu 6 bulan. Maka berdasarkan permasalahan tersebut diperlukan sistem yang dapat menggali pengetahuan – pengetahuan baru dan dapat membantu pengambilan keputusan menggunakan data mining. Pada penelitian ini memanfaatkan salah satu task data mining yaitu Association Rule Mining menggunakan algoritma Apriori dihasilkan pola – pola aturan yang dapat digunakan sebagai parameter untuk prediksi kesiapan skripsi. Data yang terkumpul berjumlah 540 records data akademik mahaiswa program studi Sistem Informasi tahun angkatan 2013 - 2014 dan 192 records data FILKOM APPS yang berisi data kemajuan skripsi mahasiswa lulusan tahun 2018, kemudian dilakukan pre-processing untuk kemudian dilakukan proses pembentukan pola menggunakan algoritma Apriori dengan tools WEKA. Hasil pengujian system menggunakan black-box menunjukan hasil yang valid sehingga dapat disimpulkan bahwa sistem dibuat sesuai dengan kebutuhan. Lalu untuk pengujian usabilitas didapatkan nilai sebesar 67.5 yang tergolong pada predikat D untuk Grade Scale dan Marginal High untuk Acceptability Ranges.
Kata kunci: association rule mining, data mining, Apriori, Confussion Matrix, pengujian usability sistem Abstract
Thesis is a mandatory thing that must be done by a student to get a bachelor's degree. Based on the PSIK data from the Faculty of Computer Science, Brawijaya University, from 192 data, 96 students completed the thesis according to the specified time 95 other students did not complete the thesis according to the specified time span of 6 months. So based on these problems a system is needed that can explore knowledge - new knowledge and can help make decisions using data mining. In this study using one of the data mining tasks namely Association Rule Mining using the Apriori algorithm produces rule patterns that can be used as parameters for the prediction of thesis readiness. The collected data supports 540 academic program data records of 2013 - 2014 Information System study students and 192 FILKOM APPS data records that contain progress data for student thesis in 2018, then pre- processing to use the usage pattern using Apriori with WEKA tools. The results of testing the system using a black box show valid results so that it can be concluded that the system is made according to requirements. Then to test usability obtained a value of 67.5 which belongs to the predicate D for Scale Scale and Marginal Height for the Acceptance Range.
Keywords: association rule mining, data mining, Apriori, Confussion Matrix, system usability testing
1. PENDAHULUAN
Dengan semakin meningkatnya persaingan dalam penyelenggaraan pendidikan khususnya di lingkup perguruan tinggi menjadi salah satu alasan perlunya pengelolaan sumber daya yang professional yang dapat melihat fenomena – fenomena yang terjadi disekitar. Perguruan tinggi termasuk di dalamnya adalah program studi dituntut agar dapat menjalankan proses pendidikan yang efisien. Salah satu indikator efisiensi proses dalam pendidikan adalah masa studi mahasiswa. Masa studi mahasiswa khususnya S1 dapat dipengaruhi oleh berbagai hal, salah satunya adalah skripsi. Skripsi merupakan hal wajib yang harus dikerjakan oleh seorang mahasiswa untuk bisa mendapatkan gelar sarjana. Penyusunan skripsi ditujukan untuk memperlihatkan kemampuan mahasiswa dalam pemecahan masalah berdasarkan ilmu dan teknologi yang sudah dipelajari selama masa perkuliahan.
Permasalahan yang dijumpai pada lulusan program studi sistem informasi tahun 2018 berdasarkan data PSIK Fakultas Ilmu Komputer Universitas Brawijaya yaitu dari 192 data, 96 mahasiswa menyelesaikan skripsi sesuai rentang waktu yang telah ditentukan sedangkan 95 mahasiswa lainnya tidak dapat menyelesaikan skripsi sesuai dengan rentang waktu yang ditentukan yaitu selama 6 bulan. Dari data tersebut bisa dikatakan ada sekitar 50%
mahasiswa masih belum siap dalam melakukan pengerjaan skripsi. Hal ini dapat menjadi permasalahan bagi program studi yang diharapkan dapat selalu meningkatkan proses pendidikan dalam hal kinerja akademiknya.
Fakultas Ilmu Komputer Universitas Brawijaya sudah menggunakan sistem informasi yang dapat menghimpun data dalam jumlah yang besar, baik data pribadi mahasiswa, data dosen, data staff, data keuangan, dan data hasil studi mahasiswa. Data dalam jumlah yang besar ini dapat dimanfaatkan untuk memperoleh pengetahuan – pengetahuan baru yang dapat menyelesaiakan masalah pengelolaan proses pendidikan. Salah satu teknik yang dapat dimanfaatkan untuk memperoleh pengetahuan baru adalah menggunakan Educational Data Mining (EDM). Metode dalam EDM yang kerap digunakan untuk menemukan aturan asosiasi adalah algoritma Apriori. Algoritma Apriori dapat menemukan pola hubungan antar satu atau lebih item dalam suatu dataset. Dalam penelitian ini menggunakan data mahasiswa terdahulu yang tercatat pada arsip program studi serta
database. Rekap data yang telah didapat kemudian dilakukan proses mining menggunakan algoritma Apriori untuk dapat menghasilkan informasi atau pola hubungan yang berguna seperti kemajuan skripsi pada tahap A ke tahap B dipengaruhi oleh kinerja akademik mahasiswa atau tahap sebelumnya.
Adanya informasi mengenai pola hubungan tersebut akan dapat menjadi bahan pendukung pihak pemangku keputusan untuk mengambil langkah berikutnya.
Penelitian yang mirip dilakukan oleh Gita (2017), dimana penelitian tersebut menganalisis karakteristik yang mempengaruhi masa studi mahasiswa dari data akademik dengan menggunakan algoritma apriori dimana hasil yang didapatkan dari proses algoritma apriori berhasil menemukan hubungan asosiatif antara variabel masa studi dengan variabel data akademik mahasiswa. Pada penelitian ini juga menggunakan variabel data akademik yang akan dicari hubungan asosiatifnya dengan variabel durasi dari tiap tahapan skripsi. Tujuan dari penelitian ini adalah untuk mengetahui hubungan antara kesiapan skripsi dengan kinerja akademik mahasiswa, dan mengetahui tingkat penerimaan pengguna terhadap sistem Dari pola hubungan yang terbentuk nantinya akan dibuat sistem berbasis website.
2. DASAR TEORI 2.1 Algoritma Apriori
Algoritma apriori adalah salah satu teknik data mining untuk menemukan aturan asosiasi antar suatu item dalam satu transaksi. Algoritma Apriori merupakan algoritma yang paling populer dikenal sebagai dengan paradigma generate and test, yaitu pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah kombinasi item tersebut memenuhi syarat support minimum (Santosa, 2007).
2.2 Confussion Matrix
Confusion matrix pemberian nilai atas performansi sebuah hasil klasifikasi yang didasarkan pada penempatan hasil dengan benar atau salah, juga pemberian keputusan dari hasil yang didapatkan pada pengujian data training dan data testing (Gorunescu, 2011). Penerapan Confussion Matrix dengan menggunakan tabel matriks seperti Tabel 1 dimana baris dalam tabel mewakili kejadian yang sebenarnya terjadi di
kelas, dan tiap kolom adalah contoh kelas prediksi.
Tabel 1 Model Confussion Matrix
2.3 System Usability Scale
System Usability Scale (SUS) adalah sebuah pengujian menggunakan skala tertentu untuk mendapatkan tingkat penerimaan pengguna terhadap sebuah sistem menggunakan serangkaian pernyataan (Brooke, 1996). Untuk melakukan perhitungan skor SUS diawali dengan melakukan pengurangan 1 pada setiap nilai pertanyaan dengan nomor ganjil lalu dijumlahkan, lalu melakukan pengurangan 5 untuk setiap nilai pada pertanyaan dengan nomor genap, lalu dijumlahkan keseluruhan hasil nomor ganjil dan genap dan dikali dengan 2,5 (Brooke, 1996). Hasil dari perhitungan pengujian SUS dapat dikelompokkan dalam beberapa kategori seperti pada Gambar 1.
Gambar 1 Kategori Rating Nilai SUS
3. METODOLOGI
Metodologi yang dilakukan pada penelitian ini diawali dengan identifikasi masalah yang ada pada program studi Sistem Informasi Universitas Brawijaya. Kemudian dilakukan studi literatur untuk mencari penelitian-penelitian yang mirip sebagai dasar teori pada penelitian. Kemudian dilakukan pengumpulan data akademik mahasiswa dan data kemajuan skripsi mahasiswa. Tahap selanjutnya setelah data telah dikumpulkan dilakukan perancangan data diantaranya pre-processing data, perancangan sistem dan perancangan antar muka sistem.
Setelah perancangan data maupun sistem selesai dilakukan tahap selanjutnya adalah melakukan implementasi algoritma apriori sebelum dilakukan implementasi sistem. Setelah hasil dari algoritma apriori telah di dapatkan selanjutnya dilakukan implementasi sistem
beserta pengujiannya. Dan pada tahap akhir dilakukan penarikan kesimpulan. Bentuk diagram alir seperti ditunjukkan pada Gambar 2 berikut.
Gambar 2 Alur Penelitian
3.1.1 Analisis Kebutuhan
Analisis kebutuhan didapatkan melalui wawancara yang dilakukan kepada bapak Nanang Yudi Setiawan S.T., M.Kom. selaku ahli pada bidang Manajemen Data Universitas Brawijaya untuk mengetahui fitur serta informasi yang dibutuhakan sistem. Setelah dilakukan wawancara didapatkan tiga fitur utama sistem dengan hasil seperti pada Gambar 3 berikut.
Gambar 3 Kebutuhan Sistem 3.2 Pengumpulan Data
Data yang dibutuhkan pada penelitian ini diperoleh dari database Fakultas Ilmu Komputer Universitas Brawijaya Program Studi Sistem Informasi melalui bagian akademik dan unit Pengelola Sistem Informasi, Infrastruktur TI dan Kehumasan (PSIK). Diperoleh data sejumlah 540 data akademik mahasiswa dengan tahun angkatan 2013 – 2014 dan 192 data kemajuan skripsi mahasiswa lulusan 2018 dari FILKOM Apps. Atribut yang dimiliki data akademik antara lain ID Mhs, Nama, NIM, Jenis kelamin, Jalur Masuk, Angkatan, Tahun, Semester, Semester Pendek, IP Beban semester 1 sampai 7, SKS Beban semester 1 sampai 7, IPK Beban Semester 1 sampai 7, SKSK Beban semester 1 sampai 7, IP lulus semester 1 sampai 7, SKS lulus semester 1 sampai 7, IPK lulus semester 1 sampai 7, SKSK lulus semester 1 sampai 7, IPK lulus semester terakhir, predikat lulus, dan tanggal yudisium. Sedangkan untuk data FILKOM APPS yang diberikan memiliki 4 atribut antara lain NIM, tahapan, tanggal, dan prodi.
3.3 Perancangan Data dan Sistem 3.3.1 Pembersihan Data
Pada tahap pembersihan data dilakukan pembersihan noise, data yang tidak konsisten, dan data yang tidak relevan. Contoh data yang dilakukan pembersihan adalah beberapa records data yang memiliki atribut seperti IP Semester kosong atau bernilai 0. Data tersebut harus dihilangkan karena berpotensi membuat hasil tidak valid. Lalu pada data mahasiswa SAP perlu dihilangkan karena memiliki atribut yang berbeda dengan mahasiswa S1 yang masuk melalui jalur reguler. Dari 540 records data mahasiswa angkatan tahun 2013 – 2014, 7 data
mahasiswa SAP tidak digunakan, dan 17 data mahasiswa tidak digunakan karena terdapat atribut yang kosong. Hasil akhir dari cleaning data berjumlah 521 data. Setelah dilakukan pembersihan pada keseluruhan data akademik mahasiswa selanjutnya dilakukan validasi antara data yang didapat dari akademik dengan data dari PSIK. Validasi dilakukan dengan melakukan permintaan data ulang ke bagian akademik dengan melampirkan Nomor Induk Mahasiswa yang didapatkan dari data PSIK.
3.3.2 Seleksi Data
Pada tahap seleksi data ini dilakukan pemilihan atribut yang digunakan untuk aturan asosiasi dari kinerja akademik dan kemajuan skripsi seperti tanggal pengajuan proposal, P0, P1, P2, dan selesai skripsi, maka atribut lain seperti jenis kelamin, jalur masuk, prodi, yudisium tidak ikut sebagai atribut dalam proses mining. Juga atribut NIM yang tidak disertakan karena data tersebut bersifat rahasia.
Selain itu atribut IP pada semester 7 tidak dimasukkan dalam proses mining karena dimungkinkan mahasiswa mengambil skripsi pada semester tersebut. Juga SKS Lulus dan SKS Beban tidak dimasukkan dalam proses mining karena akan membuat aturan asosiasi tidak menghasilkan rule yang diharapkan. Hasil dari penyeleksian atribut dapat dilihat pada Tabel 2 berikut.
Tabel 2 Atribut setelah diseleksi
3.3.3 Transformasi Data
Pada proses transformasi data dilakukan perubahan nilai dari atribut data yang akan digunakan. Tujuan transformasi data adalah untuk menaikkan efisiensi model pembelajaran data mining. Atribut yang memiliki batas nilai seperti IP akan ditransformasi menjadi nilai huruf sesuai dengan nilai yang telah ditentukan pedoman akademik Fakultas Ilmu Komputer seperti pada Tabel 3.
Tabel 3 Nilai Huruf Mutu dan Angka Mutu
Lalu untuk data yang didapatkan dari PSIK yang sebelumnya berbentuk tanggal dan selisih
hari antar tiap kemajuan skripsi yang dimulai dari Proposal, P0, P1, P2, dan Penyelesaian di transformasikan kedalam kategori Tepat Waktu dan Tidak Tepat Waktu sesuai dengan kerangka waktu pelaksanaan skripsi yang ditentukan pada panduan skripsi Fakultas Ilmu Komputer versi ke 3.0 seperti pada Tabel 4 berikut.
Tabel 4 Transformasi Durasi Kemajuan Skripsi
4. HASIL DAN PEMBAHASAN 4.1.1 Proses Bisnis
Proses bisnis pencarian pola hubungan kesiapan skripsi terbagi atas 3 aktor yaitu akademik sebagai pengelola sumber data mahasiswa, pengguna sebagai pihak untuk melakukan input data yang sudah didapatkan, dan sistem sebagai pengolah data.
Penggambaran proses bisnis untuk pencarian pola hubungan skripsi ditunjukkan pada Gambar 4.
Gambar 4 Proses Bisnis Pencarian Pola Hubungan Kesiapan Skripsi
4.1.2 Sequence Diagram
Sequence diagram berikut menggambarkan alur penggunaan sistem. Pada Gambar 5, menunjukan diagram untuk prediksi kesiapan skripsi pada tiap tahapannya. Pada sequence diagram prediksi kesiapan skripsi seperti pada Gambar 5, dan Gambar 6 terdiri dari 5 objek yaitu actor atau pengguna sistem, 3 interface atau antarmuka pengguna, dan controller yang berguna sebagai pengatur logika dan fungsi pada sistem.
Gambar 5 Sequence Diagram prediksi kesiapan
Gambar 6 Sequence Diagram prediksi kesiapan (cont)
Sequence diagram lihat rule digambarkan pada Gambar 7, dan Gambar 8 yang terdiri dari 4 objek yaitu pengguna sistem, 2 interface atau antarmuka pengguna, controller, dan objek WEKA CLI yang berguna untuk proses pencarian aturan menggunakan algoritma Apriori.
Gambar 7 Sequence Diagram Lihat Aturan
Gambar 8 Sequence Diagram Lihat Aturan (cont) 4.1.3 Class Diagram
Pada pembuatan class diagram terbagi menjadi dua jenis, yaitu logical class dan domain model. Gambar 9 menunjukkan logical class, sedangkan Gambar 10 menunjukkan domain model yang berguna sebagai acuan perancangan database dari sistem.
Gambar 9 Class Diagram sebagai logical class
Gambar 10 Class Diagram sebagai domain model 4.1.4 Perancangan Halaman Antarmuka
Perancangan halaman antarmuka dibuat untuk membuat gambaran tampilan antarmuka sistem. Pada Gambar 11 berikut adalah perancangan halaman antarmuka prediksi kesiapan skripsi.
Gambar 11 Perancangan Halaman Prediksi Kesiapan Gambar 12 adalah perancangan halaman antarmuka lihat aturan.
Gambar 12 Perancangan Halaman Lihat Aturan
4.2 Implementasi Sistem
Pada tahap implementasi sistem dilakukan berdasarkan hasil perancangan. Implementasi sistem berbasis website menggunakan bahasa pemrograman PHP dengan framework Laravel.
Hasil implementasi dapat dilihat pada Gambar 13, Gambar 14, dan Gambar 15.
Gambar 13 Implementasi menu untuk fitur dalam sistem
Gambar 13 merupakan hasil implementasi fitur dari sistem, diantaranya terdapat menu rekap kesiapan, prediksi kesiapan, dan lihat rule.
Gambar 14 Implementasi Halaman Prediksi Kesiapan
Gambar 14 adalah hasil implementasi halaman prediksi kesiapan skripsi untuk tiap tahapan.
Gambar 15 Implementasi Halaman Lihat Rule Pada Gambar 15 merupakan hasil implementasi halaman lihat rule untuk tiap tahapannya.
4.3 Pengujian Black-Box
Pengujian sistem menggunakan Black-Box berdasarkan pada tampilan sistem, fungsi dari setiap fitur sistem, dan kesesuaian alur fungsi sistem seperti yang diinginkan oleh pengguna.
Hasil pengujian Black-Box yang dilakukan terhadap fitur yang ada pada sistem menunjukan hasil valid, yang berarti hasil luaran sistem sesaui dengan kebutuhan fitur yang telah didefinisikan.
4.4 System Usability Testing
Hasil yang didapatkan dari pengujian usabilitas sistem menggunakan SUS yang dilakukan kepada Kepala Program Studi Sistem Informasi mendapatkan nilai 67,5 yang berarti sistem dapat diterima oleh pengguna dengan mendapat Grade Scale predikat D dan Marginal High untuk Acceptability Ranges.
5. PENUTUP 5.1 Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah Hubungan antara kesiapan skripsi dengan kinerja akademik mahasiswa dilihat dari durasi tahapan skripsinya, untuk tahapan Proposal – P0 pencapaian akademik yang mempengaruhi ketepatan waktu pengerjaan adalah IP Lulus Semester 2 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 3 dengan minimal nilai dalam rentang
“Baik”, IP Lulus Semester 4 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 5 dengan minimal nilai dalam rentang “Baik”, dan IP Lulus Semester 6 dengan minimal nilai dalam rentang “Antara Sangat Baik dan Baik”. Pada tahapan P0 – P1 pencapaian akademik yang mempengaruhi ketepatan waktu pengerjaan adalah IP Lulus Semester 1 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 2 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 3 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 4 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 5 dengan minimal nilai dalam rentang
“Baik”, dan IP Lulus Semester 6 dengan minimal nilai dalam rentang “Antara Sangat Baik dan Baik”, juga dipengaruhi oleh ketepatan waktu pada tahap Proposal – P0. Pada tahapan P1 – P2 pencapaian akademik yang mempengaruhi ketepatan waktu pengerjaan adalah IP Lulus Semester 3 dengan minimal nilai dalam rentang “Baik”, IP Lulus Semester 4 dengan minimal nilai dalam rentang “Baik”, IP
Lulus Semester 5 dengan minimal nilai dalam rentang “Baik”, dan IP Lulus Semester 6 dengan minimal nilai dalam rentang “Baik”, juga dipengaruhi oleh ketepatan waktu pada tahap Proposal – P0, dan tahap P0 – P1. Pada tahapan P2 – Seminar Hasil pencapaian akademik yang mempengaruhi ketepatan waktu pengerjaan adalah IP Lulus Semester 1 dengan minimal nilai dalam rentang “Antara Sangat Baik dan Baik”, IP Lulus Semester 2 dengan minimal nilai dalam rentang “Antara Sangat Baik dan Baik”, IP Lulus Semester 4 dengan minimal nilai dalam rentang
“Baik”, IP Lulus Semester 5 dengan minimal nilai dalam rentang “Baik”, dan IP Lulus Semester 6 dengan minimal nilai dalam rentang
“Antara Sangat Baik dan Baik”, juga dipengaruhi oleh ketepatan waktu pada tahap Proposal – P0, dan tahap P1 – P2.
Selain itu sistem dapat diterima oleh pengguna dengan baik dengan hasil pengukuran tingkat keberterimaan menggunakan pengujian SUS menghasilkan skor 67.5 yang termasuk kedalam predikat D untuk Grade Scale dan Marginal High untuk Acceptability Ranges.
5.2 Saran
Saran untuk penelitian selanjutnya diantaranya adalah menambahkan variabel selain kinerja akademik mahasiswa sehingga pola hubungan yang dihasilkan akan lebih banyak, dan dapat dijadikan bahan evaluasi yang lebih menyeluruh untuk stakeholder terkait seperti dosen pembimbing skripsi atau bidang skripsi yang diambil. Lalu Mengembangkan sistem yang telah dibangun dari sisi fungsionalitas dengan fitur yang lebih dinamis sehingga stakeholder dapat memperbarui dataset dan juga model yang digunakan untuk memprediksi kesiapan skripsi.
6. DAFTAR PUSTAKA
Angeline, M. Delighta. 2013. Association Rule Generation for Student Performance Analysis using Apriori Algorithm. The SIJ Transactions on Computer Science Engineering & its Applications (CSEA).
Vol. 1(1).
Bangor, A., 2009. Determining What Individual SUS Scores Mean: Adding an Adjective Rating Scale 4, 10. Gen, M. & Cheng, R.
2000. Genetic Algorithms and Engineering Optimization. John Wiley
& Sons, Inc., New York.
BAN-PT., 2008. Naskah Akreditasi Program Studi Sarjana. Jakarta.
Brooke, J., 1996. SUS - A Quick and Dirty Usability Scale 7.
Fajri, A. Fikri. 2016. Implementasi Algoritma Apriori Dalam Menentukan Program Studi Yang Diambil Mahasiswa. Jurnal Ipteks Terapan. Vol. 10(81-85).
Han, J. & Kamber, M., 2011. Data Mining Concept and Techniques. San Fransisco:
Morgan Kauffman.
Jain, K. Krutikai, dan Raut. A. B. 2015. Finding Association Rule using Apriori Algorithm on Educational Domain. International Journal of Electrical Electronics &
Computer Science Engineering. Vol. 2(2).
Marthasari, G., 2017. Implementasi Teknik Data Mining untuk Evaluasi Kinerja Mahasiswa Berdasarkan Data Akademik. Fountain of Informatics Journal. Vol.2(2).
Mahmudin, M. Zainal, Rindengan, Altien, dan Weku, Wisny. 2014. Penggunaan Association Rule Data Mining Untuk Menentukan Pola Lama Studi Mahasiswa F-MIPA UNSRAT. Journal de Cartesian.
Vol. 3(1).
Naik, K. (n.d.). AND QUALITY Theory and Practice.
Virgiawan, D. Mitra, dan Mukhlash, Imam.
2013. Aplikasi Association Rule Mining Untuk menemukan Pola Pada Data Nilai Mahasiswa Matematika ITS. JURNAL SAINS DAN SENI POMITS. Vol. 1(1).
