Jaringan Saraf Tiruan Pengenalan Pola Karakter Kabataku
Menggunakan Metode Bidirectional Associative Memory (BAM) Kontinu
Padma Mike Putri M
Manajemen Informatika, AMIK KOSGORO, Solok, Indonesia Email: miekemadri90@gmail.com
Email Penulis Korespondensi: miekemadri90@gmail.com Submitted 23-10-2022; Accepted 30-10-2022; Published 31-10-2022
Abstrak
Jaringan saraf Tiruan merupakan sebuah paradigma pemprosesan sebuah informasi dengan system kerja menggunakan konsep biologi dalam proses pengolahan sebuah informasi sehingga memiliki kemampuan yang mirip dengan otak manusia, Jst mampu menyelesaiakan permasalahan menggunakan ilmu ketidakpastian seperti pengenalan Pola Kabataku. Kabataku Merupakan Operator karakter yang digunakan dalam ilmu Matematika dengan Konsep X, :, + dan -, Pengenalan Operator karakter ini menggunakan konsep kecerdasan buatan, yaitu menggunakan teori dan proses Jaringan Saraf Tiruan. Tujuan penelitian ini yaitu untuk mengetahui Efektivitas dari Metode BAM Kontinu dalam mengenali Pola karakter Kabataku dalam operasi perhitungan dalam ilmu Matematika. Metode Bidirectional Associative Memory (BAM) mempunyai kemampuan dalam associative memory atau content addressable memory dapat dipanggil dengan cara menggunakan bagian yang tersimpan dalam memori itu sendiri. BAM pada jaringan saraf tiruan mempunyai 2 lapisan yaitu lapisan input dan lapisan output yang saling berhungan antara keduanya disebut juga dengan istilah bidirectional, dengan proses kerja jika bobot matriks dari sinyal yang dikirim dari lapisan input X ke lapisan output Y adalah W, maka bobot matriks dari sinyal yang dikirim dari lapisan output Y ke lapisan input X adalah WT . Metode BAM Kontinu akan mengubah input ke output secara lebih halus dengan nilai yang terletak pada range [0,1]. Fungsi aktivasi yang digunakan adalah fungsi sigmoid. Hsil akhir pengenalan pola nilai x1= [-8 -12], x2 =[ 8 0], x3 [12 8], x4= [16 12] Tidak semua Pola Sesuai dengan target.
Kata Kunci: Kecerdasan Buatan; Jaringan Saraf Tiruan; Pengenalan Pola; BAM Kontinu, Sigmoid Abstract
Artificial neural network is an information processing paradigm with a working system using biological concepts in processing information so that it has capabilities similar to the human brain, Jst is able to solve problems using uncertainty science such as Kabataku pattern recognition. Kabataku is a character operator used in Mathematics with the concepts of X, :, + and -. Introduction This character operator uses the concept of artificial intelligence, which uses the theory and process of Artificial Neural Networks. The purpose of this study is to determine the effectiveness of the Continuous BAM method in recognizing Kabataku character patterns in arithmetic operations in mathematics. The Bidirectional Associative Memory (BAM) method has the ability in associative memory or content addressable memory can be called by using the part stored in the memory itself. BAM in an artificial neural network has 2 layers, namely the input layer and the output layer that are interconnected between the two, also called bidirectional, with the work process if the matrix weight of the signal sent from the input layer X to the output layer Y is W, then the matrix weight of the signal sent from the output layer Y to the input layer X is WT . Continuous BAM method will change the input to output more finely with a value that lies in the range [0,1]. The activation function used is the sigmoid function. The final result of pattern recognition is x1= [- 8 -12], x2 =[ 8 0], x3 [12 8], x4= [16 12] Not all patterns match the target.
Keywords: Artificial intelligence; Artificial Neural Networks; Pattern Recognition; Continuous BAM; Sigmoid
1. PENDAHULUAN
Kecerdasan Buatan/Artificial Intelegence (AI) merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia [1]. Jaringan saraf tiruan merupakan teknik komputasi yang tepat karena teknik komputasi ini dikembangkan berdasarkan cara kerja sistem saraf biologis manusia sehingga memiliki kemampuan untuk mempelajari dan mengenali sesuatu, sekalipun terdapat penyimpangan (noise) [2]. Jaringan Saraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron, sinyal mengalir diantara sel saraf / neuron melalui suatu sambungan penghubung, setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan / mengalikan sinyal yang dikirim melaluinya dan setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya [3]. Jaringan Saraf Tiruan (JST) telah banyak diterapkan dalam menyelesaikan masalah dalam berbagai bidang [4]. Penggunaan Jaringan Saraf Tiruan dalam aplikasi pengenalan karakter dapat menyederhanakan kode secara dramatis dan meningkatkan kualitas pengenalan sehingga dapat mencapai kinerja yang baik [5]. Implementasi kecerdasan buatan sudah banyak diterapkan pada aplikasi untuk mengenali pola dalam melakukan klasifikasi terhadap objek tertentu. Salah satu model kecerdasan buatan yang banyak diimplementasikan adalah Jaringan Saraf Tiruan (JST). JST dimodelkan berdasarkan jaringan saraf biologi manusia dalam memperoleh informasi [6]. Jaringan saraf tiruan memiliki 2 metode yaitu metode pembelajaran terbimbing (Supervised lerning) dan metode pembelajran tidak terbimbing (Unsupervised learning). Metode Backpropagation atau metode propagasi balik adalah jaringan saraf tiruan dengan metode pembelajaran terbimbing dengan metode berupa penurunan nilai gradien untuk meminimalkan nilai kuadrat eror keluaran [1]. Jaringan Saraf Tiruan merupakan pemodelan data yang kuat yang mampu menangkap dan mewakili hubungan Input-Output yang komplek, karena kemampuannya untuk memecahkan
beberapa masalah relatif mudah digunakan, ketahnan untuk mengimput data kecepatn untuk eksekusi, dan menginisialisasikan sistem yang rumit [7].
BAM merupakan salah bentuk dari jaringan Heteroassociative memory, yang dikembangkan oleh Kosko (1988).
BAM menyimpan pola pelatihan dalan matriks n x m yang merupakan perkalian dari vektor input dan target pelatihan (outer product). Arsitektur BAM terdiri dari 2 lapisan yang dihubungkan oleh lintasan koneksi weight. Jaringan akan beriterasi, mengirimkan sinyal pulang pergi antara kedua lapisan sampai semua neuron menjadi stabil (semua aktivasi neuron konstan). BAM dapat memberikan respon terhadap input dari kedua lapisan. Weight bersifat 2 arah (bidirectional)[15]. Ada 2 jenis saraf tiruan Bidirectional Associative Memory (BAM), yaitu:
a. Bidirectional Associative Memory Diskret Pada Bidirectional Associative Mmemory (BAM)diskret,ada 2 tipe inputan, yaitu biner dan bipolar.
b. Bidirectional Associative Memory Kontinu BAM kontinyu akan mentransformasikan input secara lebih halus dan kontinu kekawasan output dengan nilai yang terletak pada range [0,1 [16].
Pada BAM diskret ada 2 kemungkinan tipe data, yaitu biner dan bipolar. Matriks bobot awal dibuat sedemikian rupa sehingga dapat menyimpan pasangan vektor input dan vektor output s(p)-t(p), dengan p = 1, 2, 3, ..., P [17].
2. METODOLOGI PENELITIAN
Nilai-nilai parameter pada JST termasuk nilai hidden neuron, input neuron dan nilai bobot (weight) diproses pada saluran yang bersifat publik, karena setiap bobot vektor akan dipilih secara acak Jaringan saraf terdiri dari neuron-neuron yang saling berhubungan [8]. Hubungan antara neuron ini berfungsi untuk mentransformasikan informasi yang diterima lewat unit input untuk dikirim ke unit keluaran dan menuju ke neuron yang lain [9] Pada jaringan saraf, hubungan ini dikenal dengan bobot. Informasi tersebut disimpanpada suatu nilai tertentu pada bobot tersebut. Gambar 1 menunjukkan struktur neuron pada jaringan saraf [10].
Gambar 1. Susunan Neuron Jaringan Saraf
Baik tidaknya suatu model jaringan saraf tiruan ditentukan oleh hubungan antar neuron atau arsitektur jaringan saraf tiruan itu sendiri. Neuron terkumpul dalam laporan yang disebut neuron layer yang terbagi menjadi tiga lapisan :
a. Lapisan Input (Input Layer), unit dalam lapisan input ini disebut unit input yang bertugas menerima pola inputan dari luar yang menggambarkan suatu perprobleman
b. Lapisan tersembunyi (hidden layer), unit dalam lapisan tersembunyi disebut unit tersembunyi, yang mana nilai output tidak dapat diamati secara langsung.
c. Lapisan output (Output Layer), unit dalam lapisan output disebut unit output yang merupakan penyelesaian jaringan saraf tiruan terhadap suatu perprobleman[11].
Pengenalan pola merupakan langkah perantaraan bagi proses menghilangkan dan menormalkan gambar dalam satu cara (pemrosesan gambar (image processing), teks dll.), pengiraan ciri-ciri, pengkelasan dan akhirnya post- pemrosesan berdasarkan kelas pengenalan dan aras keyakinan. Pengenalan pola berkaitan dengan langkah pengklasifikasian. Dalam kasus tertentu, sebagaimana dalam jaringan saraf (neural networks), pemilihan ciri-ciri dan pengambilan juga boleh dilaksanakan secara semi otomatis atau otomatis sepenuhnya[12].Penelitian ini menggunakan JST dengan melalui tiga representasi pola input, yaitu representasi biner, bipolar dan kontinu [13]. [14]Fungsi aktivasi kedua adalah sigmoid bipolar yang memiliki jangkauan nilai [-1,1] dan didefinisikan sebagai:
𝑓(𝑥) = 2
1+exp(−σ𝑥)− 1 (1)
dengan
𝑓(𝑥) =σ
2[1 + 𝑓(𝑥)][1 − 𝑓(𝑥)] (2)
Metode Penelitian menggunakan BAM Kontinu dengan proses menguban input ke output secara lebih halus dengan nilai yang terletak pada range [0,1] dengan menggunakan Fungsi Aktivasi Sigmoid, Proses kerja Metode ini diantaranya:
Untuk vektor input biner, matriks bobot ditentukan sebagai :
𝑤𝑖𝑗 = ∑ (2𝑝 ∗𝑠𝑖(𝑝) − 1)(2∗𝑡𝑖(𝑝) − 1)
(3) Sedangkan fungsi aktivasi yang digunakan adalah : Yj Untuk lapisan output :
𝑦𝑗= {
1; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 > 0 𝑦𝑗; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 = 0
0; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 < 0
(5)
Xi Untuk lapisan input
𝑥𝑖= {1; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 > 0 𝑥𝑖; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 = 0 0; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 < 0
(6)
Sedangkan untuk vektor input bipolar, matriks bobot ditentukan sebagai :
𝑤𝑖𝑗 = ∑ (𝑠𝑝 𝑖(𝑝) ∗ 𝑡𝑖(𝑝)) (7) Sedangkan fungsi aktivasi yang digunakan adalah :Yj Untuk lapisan output :
𝑦𝑗= {
1; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 > 𝜃 𝑦𝑗; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 = 𝜃
−1; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 < 𝜃
(8)
Xi Untuk lapisan input
𝑥𝑖= {1; 𝑗𝑖𝑘𝑎 𝑥_𝑖𝑛𝑖 > 𝜃 𝑥𝑖; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 = 𝜃
−1; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 < 𝜃
(9)
3. HASIL DAN PEMBAHASAN
Analisa pada algoritma BAM dapat digunakan dalam mengenali hasil ekstraksi pola dari karakter / huruf. Algoritma ini mampu mengenali hasil atau proses pengenalan. Dalam kasus ini ada 4 Pola Karakter yang harus diselesaikan untuk memperoleh nilai Output sehingga sesuai dengan target yng diharapkan. Konsep algoritma ini menggunakan sistim MATRIK 3 X3. Jaringan BAM untuk memetakan Pola (x,:,+ dan -) yang dipresentasikan dalam bentuk bipolar
a. Pola Karakter Operasi Matematika Operator (x)
Gambar 1. Pola X b. Pola Karakter Operasi Matematika Operator (:)
Gambar 2. Pola : c. Pola Karakter Operasi Matematika Operator (+)
Gambar 3. Pola +
d. Pola Karakter Operasi Matematika Operator (-)
Gambar 4. Pola - Pola X dan : disimpan dala (1, -1)
Pola + dan - disimpan dalam pola (1, 1)
Matriks dan bobot untuk menyimpan Pola (x,:+ -) adalah sebagai berikut
𝑊(Tanda x)=
|
|
| 1
−1 1
−1 1
−1 1
−1 1
|
|
| [1, -1]
|
|
| 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1
|
|
|
𝑊(Tanda∶)=
|
|
|
−1 1
−1 1 1 1
−1 1
−1
|
|
| [1, -1]
|
|
|
−1 1
−1 1 1 1
−1 1
−1
1
−1 1
−1
−1
−1 1
−1 1
|
|
|
𝑊(Tanda+)=
|
|
|
−1 1
−1 1 1 1
−1 1
−1
|
|
| [1, 1]
|
|
|
−1 1
−1 1 1 1
−1 1
−1
−1 1
−1 1
−1 1
−1 1
−1
|
|
|
𝑊(Tanda−)=
|
|
|
−1
−1
−1 1 1 1
−1
−1
−1
|
|
| [1, 1]
|
|
|
−1
−1
−1 1 1 1
−1
−1
−1
−1
−1
−1 1
−1 1
−1
−1
−1
|
|
|
w = w(tandax) + w(tanda: )w(tanda + w(tanda −))
|
|
| 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1 1
−1
|
|
| +
|
|
|
−1 1
−1 1 1 1
−1 1
−1
1
−1 1
−1
−1
−1 1
−1 1
|
|
| +
|
|
|
−1 1
−1 1 1 1
−1 1
−1
−1 1
−1 1
−1 1
−1 1
−1
|
|
| +
|
|
|
−1
−1
−1 1 1 1
−1
−1
−1
−1
−1
−1 1
−1 1
−1
−1
−1
|
|
|
=
|
|
|
−2 0
−2 2 4 2
−2 0
−2
−2 0
−2 2 0 2
−2 0
−2
|
|
|
Matriks Bobot W adalah matriks bobot yang menghubungkan antara nauron nauron lapisan input ke lapisan output, sedangkat matriks yang menghubungkan ke nauron-nauron lapisan output ke lapisan input adalah WT. Pengujian tanda ini diberi tanda Input Vektor “X
a. Y_in1=x1*W =[1 − 1 1 − 1 1 − 1 1 − 1 1]
|
|
|
−2 0
−2 2 4 2
−2 0
−2
−2 0
−2 2 0 2
−2 0
−2
|
|
|
= [−8 − 12]
Maka : 𝑦_𝑖𝑛1 = [1, −1) = Tidak Sama Dengan Target yang diharapkan
b. Y_in2 = x2 ∗ W == [−1 1 − 1 − 1 1 − 1 − 1 1 − 1]
|
|
|
−2 0
−2 2 4 2
−2 0
−2
−2 0
−2 2 0 2
−2 0
−2
|
|
|
= [8 0]
Maka : y_in2=[1,-1] = Tidak Sama Dengan Target yang diharapkan
c. Y_in3 = X3*W= [-1 1 -1 1 1 1 -1 1 - 1]
|
|
|
−2 0
−2 2 4 2
−2 0
−2
−2 0
−2 2 0 2
−2 0
−2
|
|
|
= [12 8]
Maka : y_in3=[1,-1] = Sama Dengan Target Pola yang diharapkan
d. Y_in = X4*W= [-1 -1 -1 1 1 1 -1 -1 - 1]
|
|
|
−2 0
−2 2 4 2
−2 0
−2
−2 0
−2 2 0 2
−2 0
−2
|
|
|
= [16 12 ]
Maka : y_in4=[1,-1] = Sama Dengan Target Pola yang diharapkan Fungsi Aktifasi
𝑦𝑗= {
1; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 > 𝜃 𝑦𝑗; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 = 𝜃
−1; 𝑗𝑖𝑘𝑎𝑦_𝑖𝑛𝑗 < 𝜃
(10)
Fungsi Aktifasi
𝑥𝑖= {1; 𝑗𝑖𝑘𝑎 𝑥_𝑖𝑛𝑖 > 𝜃 𝑥𝑖; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 = 𝜃
−1; 𝑗𝑖𝑘𝑎𝑥_𝑖𝑛𝑖 < 𝜃
(11)
Maka : y_in2=[1,-1] = Sama Dengan Target yang diharapkan
Hasil Akhir yang diperoleh bahwa nilai x1= [-8 -12], x2 =[ 8 0], x3 [12 8], x4= [16 12] tidak semuanya sesuai dengan yang diharapkan, Hanya nilai x3 dan x4 yang memenuhi nilai yang diharapkan.
4. KESIMPULAN
Setelah melakukan proses pengujian, maka dapat diperoleh beberapa kesimpulan yang dapat diambil yaitu,Jaringan saraf Tiruan menggunakan Algoritma Bidirectional Associative Memory (BAM) dapat digunakan dalam pengenalan Pola Karakter Kabataku, namu tidak semuanya menghasilkan nilai Output yang diharapkan. Hasil Pengujian X1,X2,X3 dan X4 dengan nilai x1 [8 -12], x2 [8 0], x3 [12 8], x4[16 12]. Pola Tanda (x dan ; ) X2 Tidak sesuai dengan dengan target, karena (x, : disimpan dengan nilai[1, -1] . Sedangkan (+,-) sesuai dengan target yang disimpan dengan nilai[1,1] sehingga pola bisa dikenali oleh akgoritma, Pola yang dikenali hanya pola X3 dan X4. Hasil Output yang dihasilkan pada algoritma Bidirectional Associative Memory (BAM) tidak selalu sesuai dengan target karena nilai masukkan input memiliki Pola yang berbeda. Untuk memperoleh nilai target yang diinginkan diperlukan beberapa kali proses pencarian agar hasil nilai karakter pola kabataku meningkatkan nilai akurasi pengenala pola. Untuk mendapatkan nilai yang akurat diperlukan proses pelatihan.
REFERENCES
[1] M. U. Musthofa, Z. K. Umma, and A. N. Handayani, “Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia,” Jurnal Ilmiah Teknologi Informasi Asia, vol. 11, no. 1, p. 89, 2017, doi: 10.32815/jitika.v11i1.56.
[2] R. Husen et al., “Pengenalan Pola Sidik Jari Berbasis Jaringan Saraf Tiruan Perambatan Balik,” Pengenalan Pola Sidik Jari Berbasis Jaringan Saraf Tiruan Perambatan Balik, vol. 1, no. 1, pp. 1–20, 2015.
[3] N. Feri Rahmadani, Akim M.H. Pardede, “Jaringan Saraf Tiruan Prediksi Jumlah Pengiriman Barang Menggunakan Metode Backpropagation ( Studi Kasus : Kantor Pos Binjai ),” Jtik (Jurnal Teknik Informatika Kaputama), vol. 5, no. 1, pp. 100–106, 2021.
[4] Z. Arifin, “Jaringan Saraf Tiruan Bidirectional Associative Memory (BAM) Sebagai Identifikasi Pola Sidik jari Manusia,” Jurnal Informatika Mulawarman Program Studi Ilmu Komputer Universitas Mulawarman, vol. 4, no. 1, pp. 21–26, 2009.
[5] D. Avianto, “Pengenalan Pola Karakter Plat Nomor Kendaraan Menggunakan Algoritma Momentum Backpropagation Neural Network,” Jurnal Informatika, vol. 10, no. 1, pp. 1199–1209, 2016, doi: 10.26555/jifo.v10i1.a3352.
[6] M. Fadhilla, M. R. A. Saf, and D. S. S. Sahid, “Pengenalan Kepribadian Seseorang Berdasarkan Pola Tulisan Tangan Menggunakan Jaringan Saraf Tiruan,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), vol. 6, no. 3, 2017, doi: 10.22146/jnteti.v6i3.340.
[7] A. Sudarsono, “Jaringan Saraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation (Studi Kasus Di Kota Bengkulu),” Jurnal Media Infotama, vol. 12, no. 1, pp. 61–69, 2016, doi: 10.37676/jmi.v12i1.273.
[8] A. Fadlil, I. Riadi, and A. Nugrahantoro, “Kombinasi Sinkronisasi Jaringan Saraf Tiruan dan Vigenere Cipher untuk Optimasi Keamanan Informasi,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, pp. 81–95, 2020, doi:
10.31849/digitalzone.v11i1.3945.
[9] Ansori, “Pengenalan Pola Dua Dimensi Sederhana Dengan Jaringan Saraf Tiruan Hebb,” Paper Knowledge . Toward a Media History of Documents, vol. 3, no. April, pp. 49–58, 2015.
[10] S. Purba, “Pengenalan Karakter Menggunakan Metode Bidirectional Associative Memory ( Bam ) Kontinu,” vol. 11, no. 01, pp.
89–101, 2019.
[11] J. D. Susatyono, Kecerdasan Buatan, Kajian Konsep dan Penerapan. 2021.
[12] J. Coding, S. K. Untan, H. Masrani, I. Ruslianto, J. S. Komputer, and J. S. Informasi, “Pada proses segmentasi ini dibagi menjadi dua bagian , yaitu segmentasi baris dan,” vol. 06, no. 02, pp. 69–78, 2018.
[13] G. A. Pauzi, “Sistem Identifikasi dan Pengenalan Pola Citra Tanda-Tangan Menggunakan Sistem Jaringan Saraf Tiruan (Artificial Neural Networks) Dengan Metode Backpropagation,” vol. 03, no. 02, pp. 93–101, 2015.
[14] D. Muliona Rizki, “Jaringan Saraf Tiruan Pengenalan Pola Huruf,” vol. 2, no. 1, pp. 46–50, 2018.
[15] K. L. Tjung et al., “Implementasi Kombinasi Jaringan Saraf Tiruan Metode Self-Organized Map ( SOM ) dan Bidirectional Associative Memory ( BAM ) Pada AI Game Action Adventure .,” pp. 1–7, 2013.
[16] A. Giawa, “Implementasi Metode Bidirectional Associative Memory Pada Absensi Berbasis Identifikasi Wajah ( Studi Kasus : Mts Zending Islam Indonesia Medan ),” vol. 8, pp. 108–111, 2019.
[17] A. Azis and T. Kurniawan, “Identifikasi Pola Sidik Jari dengan Jaringan Saraf Tiruan Bidirectional Associative Memory,”
Bimipa, vol. 16, no. 3, pp. 7–12, 2006.
