View of PERBANDINGAN ALGORITMA C5.0 DAN K-MEANS CLUSTERING UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN UNIVERSITAS PRIMA INDONESIA

(1)

704

PERBANDINGAN ALGORITMA C5.0 DAN K-MEANS CLUSTERING UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN

UNIVERSITAS PRIMA INDONESIA

Jefri Syah Putra Laoli¹⁾, Sadarman Zebua²⁾, Novanius Lahagu³⁾, Delima Sitanggang^4*), Evta Indra⁵⁾

1,2,3,4,5 Fakultas Sains Dan Teknologi, Universitas Prima Indonesia, Medan

email: [email protected], [email protected], [email protected], [email protected], [email protected]

Abstract

Data mining is an attempt to dig up valuable and useful information on very large databases. Data mining is an operation that uses certain techniques or methods to look for a pattern or different form in a selected data. The technique used in this study is using data mining with the C5.0 and K-Means methods.

The purpose of this study was to determine student satisfaction by using and comparing the accuracy of the C5.0 and K-Means clustering algorithms in predicting student satisfaction on lecturer performance at Universita Prima Indonesia, Faculty of Science and Technology. The results of research using the C5.0 Algorithm method where the accuracy value obtained is 90.90% (Very Satisfied) while the accuracy value is 9.10% (Not Satisfied). The K-Means Clustering method gives quite good results in classifying data, more than 75% of respondents feel (Very Satisfied) while less than 25% feel (Not Satisfied) from the teaching given by lecturers at Universitas Prima Indonesia.

Keywords: Algorithm C5.0, Data Mining, K-Means Clustering.

1. PENDAHULUAN

Kinerja atau kualitas seorang dosen sangatlah penting dalam segala proses internalisasi nilai dari sebuah perguruan tinggi.

Seorang dosen yang memiliki discipline, skill, leadership dan integrity akan diberikan dampak positif dalam pengembangan universitas dan pengalaman belajar bagi mahasiswa. Seorang dosen harus mampu memberikan dampak positif kepada mahasiswa, memotivasi mahasiswa untuk terus belajar dan membentuk lingkungan akademik yang berkualitas. Selain itu, loyalitas yang tinggi dari seorang dosen pada institusi tempat mengajar juga harus memberikan berkontribusi kemajuan dan kesinambungan belajar mengajar pada perguruan tinggi [1].

Dengan berjalannya waktu, teknologi informasi saat ini telah diterapkan untuk menangani berbagai permasalahan [2]–[9].

Metode yang digunakan dalam penelitian ini adalah Algoritma C5.0 dan K-Means Clustering.

Dengan mengintegrasikan Algoritma C5.0 dan

K-Means Clustering, kita dapat mengoptimalkan kemampuan sistem untuk memecahkan masalah.

Algoritma C5.0 dapat membantu dalam pengambilan keputusan yang lebih terarah [10]–

[12], sementara K-Means Clustering dapat memfasilitasi pemahaman yang lebih baik terhadap struktur data dan pola yang terdapat di dalamnya [9], [13]–[17].

Dalam penelitian ini, metode C5.0 akan digunakan untuk membangun model prediksi berdasarkan indikator variabel seperti kedisplinan, keahlian, kepemimpinan dan intergritas. Metode ini membantu memprediksi bagaimana tingkat kepuasan mahasiswa terhadap kinerja dosen di Universitas Prima Indonesia. Metode K-Means Clustering akan digunakan untuk mengelompokkan data penelitian mahasiswa terhadap kinerja dosen yang menjadi beberapa kelompok berdasarkan kriteria kepuasan tertentu.

Hal tersebut akan membantu dalam analisis terhadap karakteristik masing-masing

(2)

705

kelompok untuk memahami faktor yang mempengaruhi kepuasan mahasiswa tersebut.

Dengan menggunakan teknik data mining, diharapkan penelitian ini dapat memberikan pemahaman yang lebih mendalam tentang faktor yang berkontribusi pada kepuasan mahasiswa terhadap kinerja seorang dosen [18].

Memprediksi kepuasan mahasiswa menggunakan data mining dapat diimplementasikan melalui sebuah metode klasifikasi. Dalam data mining, klasifikasi merupakan proses mengelompokkan data berdasarkan keterkaitannya dengan sampel data yang memiliki kelas label atau target [19].

Dalam konteks ini, kelas label atau target dapat mencerminkan tingkat kepuasan mahasiswa terhadap kinerja seorang dosen. Dalam metode klasifikasi data mining ini, ada dua algoritma yang digunakan adalah algoritma C5.0 dan K- Means Clustering. Algoritma C5.0 merupakan penyempurnaan dari algoritma C4.5, namun memiliki keunggulan tertentu.

K-Means Clustering merupakan algoritma pengelompokan data yang bertujuan membagi data menjadi beberapa kelompok atau kluster berdasarkan kemiripan karakteristik.

Pada penelitian ini digunakan algoritma K- Means digunakan untuk mengelompokkan data penilaian mahasiswa terhadap kinerja dosen menjadi beberapa kelompok berdasarkan kriteria kepuasan tertentu. Analisis karakteristik masing- masing kelompok dapat membantu memahami faktor-faktor yang mempengaruhi kepuasan mahasiswa [20].

Tujuan penelitian ini yaitu untuk dapat mengetahui kepuasan mahasiswa dengan menggunakan dan membandingkan nilai akurasi dari algoritma C5.0 dan K-Means Clustering untuk memprediksi kepuasan mahasiswa terhadap kinerja dosen di Universita Prima Indonesia.

2. METODE PENELITIAN

Untuk membuat penelitian ini berjalan sesuai dengan permasalahan yang, maka peneliti membuat sebuah alur penelitian yang akan

dilakukan beberapa tahapan penelitian yang di lakukan sebagai berikut:

Pengumpulkan data, peneliti membagikan kuesioner kepada mahasiswa, sehingga peneliti mendapatkan hasil kepuasan mahasiswa terhadap kinerja dosen di Universitas Prima Indonesia berdasarka kuesioner yang di isi.

Pre-Processing, dilakukan pra-pemrosesan data sehingga berjalan dengan baik dan cepat.

Pada tahap ini dibagi menjadi beberapa bagian yaitu seleksi data dan mengolah data.

Train And Test, pengolahan data dan pembagian data serta meguji data untuk mendapatkan hasil prediksi yang akurat dengan menggunakan algoritma C5.0 dan K-Means.

3. HASIL DAN PEMBAHASAN

Peneliti melakukan pengolahan data dan pembagian data serta meguji data untuk mendapatkan hasil prediksi yang akurat dengan menggunakan algoritma C5.0 dan K-Means dengan bahasa pemograman python melalui google collab dengan beberapa library seperti numpy, pandas, dan matplotlib.

3.2 Algoritma C5.0

Algoritma C5.0 merupakan perbaikan dari algoritma C4.5, yang menggunakan representasi pohon untuk menggambarkan atribut-atribut pada setiap nodenya. Setiap cabang pada pohon ini merepresentasikan nilai dari atribut, dan daun-daunnya mewakili kelas.

Proses pengambilan keputusan didasarkan pada perhitungan nilai Gain dari semua atribut.

Penerapan algoritma decision tree dengan menggunakan sampel data mahasiswa akan dilakukan untuk memproses pembentukan pohon keputusan. Sampel data ini berisi informasi tentang mahasiswa dan akan diproses menggunakan algoritma decision tree untuk membentuk pohon keputusan. Langkah-langkah untuk menyelesaikan algoritma C5.0 adalah sebagai berikut:

(3)

706

3.2.1 Import Library

Dalam melakukan persiapan untuk mengolah dataset Pulp berupa angka yang akan divisualisasikan dalam bentuk diagram. Langkah pertama yang dilakukan peneliti adalah menggunakan platform google collab untuk menjalankan program python dan mengimport library yang digunakan.

Gambar 1. Import library

Kode tersebut merupakan perintah untuk mengimport modul atau pustaka yang di perlukan dalam pemrosesan data dengan menggunakan bahasa pemograman python, seperti pandas, numpy, string, seaborn dan matplotlib.

3.2.2 Import Dan Menampilkan Dataset Dataset ini dalam bentuk excel atau csv kemudian diolah kedalam google collab sehingga dapat menghasilkan dataset sebagai berikut.

Gambar 2. Tampilan dataset

Pada gambar diatas merupakan tampilan atau hasil dataset yang telah di inputkan kedalam google collab, sehingga menghasilkan data diatas.

3.2.3 Menampilkan Type Data

Gambar 3. Tampilan Type Data

Tampilan code diatas merupakan untuk menampilkan type data yang akan digunakan untuk mengolah hasil kusioner menggunakan google colab sehingga menampilkan type data diatas.

3.2.4 Evaluasi Model Menggunakan Data Uji

Gambar 4. Tampilan Akurasi Alogoritma C5.0

Gambar di atas merupakan i untuk mengetahui hasil dari akurasi algoritma, sebelum menetukan nilai akurasinya, langkah pertama membuat model decision tree dengan C5.0 model = DecisionTreeClassifier(), kemudian melatih model menggunakan data model fit(X, y). Melakukan prediksi pada data dengan kode y_pred = model.predict(X).

Kemudian menghitung akurasi model dengan kode accuracy = accuracy_score(y, y_pred)

(4)

707

accuracy_percentage = accuracy * 100 print ("Akurasi C5.0: {:.2f}%".format(accuracy_

percentage)) dengan hasil akurasi model C5.0 dengan atribut "Motivasi", "Interaksi_Aktif", dan "Media_Pembelajaran" memiliki tingkat akurasi yang tinggi dalam memprediksi penilaian mahasiswa berdasarkan atribut-atribut tersebut. Dengan kata lain, sekitar 92.10% dari penilaian mahasiswa dapat diprediksi dengan benar oleh model.C5.0.

Gambar 5. Tampilan Kode Untuk Menampilkan Precision, Recall Dan F1-Score

- Presisi (Precision): Presisi mengukur sejauh mana model berhasil mengidentifikasi dengan benar sampel yang termasuk dalam suatu kelas tertentu dari semua sampel yang diprediksi sebagai kelas tersebut. Hasil presisi yang di dapatkan adalah 0.92, yang berarti model ini memiliki tingkat presisi yang tinggi dalam mengklasifikasikan sampel pada setiap kategori.

- Recall: Recall (Sensitivity atau True Positive Rate) mengukur sejauh mana model berhasil mendeteksi dengan benar, sampel yang sebenarnya termasuk dalam suatu kelas tertentu. Hasil recall yang di dapatkan adalah 0.92, yang menunjukkan bahwa model ini memiliki tingkat recall yang tinggi dalam mendeteksi sampel pada setiap kategori.

- F1-score: F1-score adalah ukuran rata-rata harmonik dari presisi dan recall. F1-score menggabungkan presisi dan recall untuk memberikan keseluruhan ukuran kinerja model. Nilai F1-score yang di dapatkan adalah 0.92, yang menunjukkan bahwa

model ini memiliki tingkat akurasi yang baik dalam mengklasifikasikan penilaian mahasiswa berdasarkan atribut.

3.2.5 Confusion Matrix

Confusion matrix adalah sebuah matriks yang menunjukkan hasil klasifikasi model berdasarkan perbandingan antara nilai target sebenarnya (aktual) dengan hasil prediksi dari model. Berikut tampilan hasil dari confusion matrix:

Gambar 6. Tampilan Confusion Matrix.

Gambar 7. Tampilan Code Dan Hasil Presentasi Tingkat Kepuasan Mahasiswa

Gambar diatas adalah code dan hasil prediksi terhadap penilaian mahasiswa terhadap beberapa kategori menggunakan model C5.0.

Berdasarkan hasil evaluasi, diperoleh tingkat akurasi sebesar 90.90%, Hasil ini menunjukan bahwa sebagian besar mahasiswa cenderung memberikan penilaian yang positif (sangat puas). Namun, terdapat sebagian kecil

(5)

708

mahasiswa yang memberikan penilaian negatif (tidak puas) sebesar 9.10%.

3.3 K-Means Clustering

Dalam proses clustering, data yang akan diperoleh akan dihitung terlebih dahulu berdasarkan jumlah yang telah ditentukan. Data akan dihitung sehingga mendapatkan data yang siap diclusterkan. Data penilaian seorang dosen dibagikan kepada responden yaitu mahasiswa Universitas Prima Indonesia.

3.3.1 Import Library, Menampilkan Dataset dan Type Data

Dalam k-means peneliti melakukan persiapan untuk mengolah dataset pulp berupa angka yang divisualisasikan dalam bentuk diagram. Dalam tahap ini, peneliti menggunakan platform google collab untuk menjalankan program python dan mengimport library yang digunakan, dengan menggunakan code atau metode yang sama dengan algoritma C5.0 pada gambar 3.1 diatas. Dalam menampilkan dataset dan type data yang dalam bentuk excel atau csv yang kemudian diolah ke dalam google colab sehingga menghasilkan data yang dapat kita lihat pada gambar 3.3 dan pada gambar 3.4 di Algoritma C5.0.

3.3.2 Menampilkan Diagram Pengajaran Efektif, Motivasi, Interaksi Aktif Dan Media Pembelajaran

Gambar 8. Tampilan Diagram Pengajaran Efektif

Gambar 9. Tampilan Diagram Motivasi

Gambar 10. Tampilan Diagram Interaksi Aktif

Gambar 11. Tampilan Diagram Media Pembelajaran

3.3.3 Metode K-Means

Setelah mendapatkan hasil diagram dari setiap clustering, peneliti melakukan langkah selanjutnya yaitu meggabungkan hasil dari setiap clustering diantaranya adalah clustering pengajaran efektif, motivasi, interaksi aktif dan media pembelajaran.

(6)

709

Gambar 12. Tampilan Proses Dan Code

Gambar diatas menampilkan code dalam memilih kolom yang digunakan, code dalam normalisasi data, code menerapkan K-Means Clustering, dan code mendapatkan label klaster untuk setiap titik data.

Gambar 13. Tampilan Diagram Jumlah Data Dari Setiap Cluster

Dalam hasil clustering menggunakan metode K- Means, terdapat empat kelompok data yang terbentuk. Klaster “sangat baik” memiliki jumlah data sebanyak 428, diikuti oleh klaster

“baik” dengan jumlah 695 data, klaster “cukup”

dengan 560 data, dan klaster “kurang baik”

dengan 317 data.

3.3.4 Menghitung Nilai Inertia

Semakin rendah nilai inertia, semakin baik klastering, nilai inertia yang rendah menunjukan bahwa titik-titik data dalam klaster yang sama cenderung berdekatan dan memiliki

varian yang rendah di sekitar pusat klaster.

Dalam konteks penelitian ini menunjukan bahwa model K-Means berhasil dalam membentuk klaster yang koheran dan terpisah dengan baik berdasarkan fitur yang anda gunakan (seperti

“pengajaran efektif”, “motivasi”, “interaksi aktif”, “media pembelajaran”).

Gambar 14. Tampilan Menghitung Inertia

Nilai inertia 463.7547928315315 mengindikasi beberapa baik titik data dalam setiap klaster berdekatan dengan pusat klasternya. Inertia adalah ukuran kualitas klastering dalam K- Means menggambarkan sejauh mana titik-titik data dalam suatu klaster data dalam suatu klaster saling berdekatan.

3.3.5 Menghitung Silhoutte score

Gambar 15. Tampilan Menghitung Silhoutte score

Silhouette score mengukur sejauh mana titik-titik data dalam klaster, dengan silhouette score sebesar 0.2597886582672995, dapat diinter-pretasikan bahwa pemisahan antara klaster cukup baik dan titik-titik dalam klaster yang sama relative homogen.

3.3.6 Membuat Aturan Klasifikasi Pembagian Kategori

Setelah mendapatkan hasil dari jumlah clustering, Nilai Inertia, dan nilai silhouette score dengan mengunakan metode K-Means peneliti mengklasifikasi kembali menjadi 2

(7)

710

kategori yaitu “puas” dan “tidak puas” dengan tujuan untuk menyederhanakan penilaian mahasiswa terhadap kinerja dosen.

Gambar 16. Tampilan Diagram Kategori Puas Tidak Puas

Berdasarkan data yang di analisis, di temukan sebanyak 1545 responden masuk kedalam kategori “sangat puas” terhadap pengajaran yang diberikan. Sementara itu, sebanyak 455 responden masuk kedalam kategori “tidak puas”.

Hal ini menunjukan bahwa dari 100% responden lebih dari 75% responden merasa sangat puas dari pengajaran yang di berikan oleh dosen dan kurang dari 25% dari mereka yang tidak puas.

Hasil ini mengindikasikan tingkat kepuasan yang tinggi terhadap pengajaran yang efektif, motivasi, interaksi aktif, dan media pembelajaran yang di gunakan.

4. KESIMPULAN

Hasil pengujian perbandingan antara algoritma C5.0 dan K-Means Clustering untuk memprediksi kepuasan mahasiswa terhadap kinerja dosen di Universitas Prima Indonesia menunjukkan beberapa kesimpulan penting.

Pertama, algoritma C5.0 terbukti sangat akurat dalam mengelompokkan kinerja dosen, dengan tingkat akurasi mencapai 90.90%. Evaluasi mendalam menggunakan presisi, recall, f1 score, dan confusion matrix memvalidasi hasil tersebut. Dengan demikian, dapat diandalkan sebagai metode yang handal untuk menentukan kepuasan mahasiswa terhadap kinerja dosen.

Disisi lain, K-Means Clustering, sebagai metode pengelompokan data, juga memberikan hasil yang baik dalam mengklasifikasikan kepuasan mahasiswa terhadap pengajaran dosen.

Evaluasi model menggunakan nilai inersia dan silhouette score menunjukkan kualitas yang memadai. Hasilnya mengindikasikan bahwa lebih dari 75% responden merasa sangat puas dengan pengajaran dosen, sementara kurang dari 25% merasa tidak puas. Hal ini memperkuat kesimpulan bahwa K-Means Clustering efektif dalam mengklasifikasikan data kepuasan mahasiswa.

Secara keseluruhan, hasil pengujian menyimpulkan bahwa Algoritma C5.0 dan K- Means Clustering memiliki keunggulan masing- masing dalam memprediksi kepuasan mahasiswa terhadap kinerja dosen. Oleh karena itu, pilihan antara kedua metode ini dapat bergantung pada kebutuhan spesifik dan karakteristik data yang dihadapi.

5. REFERENSI

[1] O. Somantri and S. Wiyono, “Model Data Mining Untuk Klasifikasi Tingkat Penguasaan Marteri Bahan Ajar,” Semin.

Nas. Teknol. Inf., no. October, 2017.

[2] V. Sihombing, V. M. M. Siregar, W. S.

Tampubolon, M. Jannah, Risdalina, and A. Hakim, “Implementation of simple additive weighting algorithm in decision support system,” IOP Conf. Ser. Mater.

Sci. Eng., vol. 1088, no. 1, p. 012014, Feb. 2021, doi: 10.1088/1757- 899X/1088/1/012014.

[3] V. M. M. Siregar, S. Sonang, A. T.

Purba, H. Sugara, and N. F. Siagian,

“Implementation of TOPSIS Algorithm for Selection of Prominent Student Class,” J. Phys. Conf. Ser., vol. 1783, no.

1, p. 012038, Feb. 2021, doi:

10.1088/1742-6596/1783/1/012038.

[4] V. Sihombing and G. J. Yanris,

“PENERAPAN APLIKASI DALAM MENGOLAH ASET DESA (STUDI KASUS: KEPENGHULUAN SRI

(8)

711

KAYANGAN),” J. Mantik Penusa, vol.

4, no. 1, pp. 12–15, 2020.

[5] S. S. Sitanggang, Y. Yuhandri, and Adil Setiawan, “Image Transformation With Lung Image Thresholding and Segmentation Method,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 2, pp. 278–285, Mar. 2023, doi: 10.29207/resti.v7i2.4321.

[6] V. M. M. Siregar et al., “Implementation of ELECTRE Method for Decision Support System,” IOP Conf. Ser. Mater.

Sci. Eng., vol. 1088, no. 1, p. 012027, Feb. 2021, doi: 10.1088/1757- 899x/1088/1/012027.

[7] S. Sonang, A. T. Purba, and S. Sirait,

“PREDIKSI PRESTASI MAHASISWA

DENGAN MENGGUNAKAN

ALGORITMA

BACKPROPAGATION,” J. Tek. Inf.

dan Komput., vol. 5, no. 1, p. 67, Jun.

2022, doi: 10.37600/tekinkom.v5i1.512.

[8] S. Sumaizar, K. Sinaga, E. D. Siringo- ringo, and V. M. M. Siregar,

“Determining Goods Delivery Priority for Transportation Service Companies Using SAW Method,” J. Comput.

Networks, Archit. High Perform.

Comput., vol. 3, no. 2, pp. 256–262, Nov.

2021, doi: 10.47709/cnahpc.v3i2.1154.

[9] W. Purba, S. Tamba, and J. Saragih,

“The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, no. 1, p. 12049, 2018,

[Online]. Available:

http://stacks.iop.org/1742- 6596/1007/i=1/a=012049

[10] Andie, “Penerapan Decision Tree Untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa Baru,” Technologia, vol. 7, no. 1, pp. 8–

14, 2016.

[11] E. N. Fauziyah and S. R. Nudin, “Sistem Pendukung Keputusan Penentuan Jurusan di SMKN 1 Pungging

Menggunakan Gradient Boosting Tree,”

vol. 3, pp. 42–50, 2021.

[12] B. Hermanto and A. SN, “Klasifikasi Nilai Kelayakan Calon Debitur Baru Menggunakan Decision Tree C4.5,”

IJCCS (Indonesian J. Comput. Cybern.

Syst., vol. 11, no. 1, p. 43, 2017, doi:

10.22146/ijccs.15946.

[13] Sahat Sonang, “Implementasi K-Means Dalam Evaluasi Kinerja Dosen Politeknik Bisnis Indonesia,” J.

Tekinkom, vol. 1, no. 1, pp. 32–40, 2018, doi: 10.1017/CBO9781107415324.004.

[14] W. I. Rahayu, S. F. Pane, and ...,

“Implementasi Data Mining Dengan Metode K-Means Clustering Untuk Menentukan Iklan Audio Berdasarkan User Behaviors Pada Aplikasi Audio Social Media Svara …,” J. Tek. …, vol.

10, no. 2, pp. 13–19, 2018.

[15] L. Anang Setiyo and I. F. Bayu Andoro,

“PENERAPAN ALGORITMA K-

MEANS UNTUK MENENTUKAN

STRATEGI PROMOSI (Studi Kasus:

Universitas Katolik Widya Mandala Kampus Kota Madiun ),” Semin. dan Konf. Nas. IDEC, pp. 2579–6429, 2021.

[16] M. B. Abdul Majid, Y. M. Cani, and U.

Enri, “Penerapan Algoritma K-Means dan Decision Tree Dalam Analisis Prestasi Siswa Sekolah Menengah Kejuruan,” J. Sist. Komput. dan Inform., vol. 4, no. 2, p. 355, Dec. 2022, doi:

10.30865/json.v4i2.5299.

[17] N. Sirait, “Implementasi K-Means Clustering Pada Pengelompokan Mutu Biji Sawit ( Studi Kasus : PT . Multimas Nabati Asahan ),” J. Pelita Inform., vol.

6, no. 2, pp. 170–174, 2017.

[18] E. Buulolo, “Implementasi Algoritma Apriori Pada Sistem Persediaan Obat ( Studi Kasus : Apotik Rumah Sakit Estomihi Medan ) Implementasi Algoritma Apriori Pada Sistem Persediaan Obat ( Studi Kasus : Apotik Rumah Sakit Estomihi Medan ),” J. Tek.

(9)

712

Inform., vol. 4, no. August 2013, pp. 71–

83, 2017.

[19] C. Hutabarat, “Penerapan Data Mining Untuk Memprediksi Permintaan Produk Kartu Perdana Internet Menggunakan Algoritma C5.0 (Studi Kasus: Vidha Ponsel),” Pelita Inform., vol. 6, no. April, pp. 419–424, 2018.

[20] R. Pratiwi, M. N. Hayati, and S. Prangga,

“Perbandingan Klasifikasi Algoritma C5.0 Dengan Classification and Regression Tree (Studi Kasus : Data Sosial Kepala Keluarga Masyarakat Desa Teluk Baru Kecamatan Muara Ancalong Tahun 2019),” BAREKENG J. Ilmu Mat.

dan Terap., vol. 14, no. 2, pp. 273–284,

2020, doi:

10.30598/barekengvol14iss2pp273-284.