Escolar Documentos
Profissional Documentos
Cultura Documentos
I.PENDAHULUAN
Ekonometrika berasal dari kata ekonomi yang artinya cara manusia memenuhi kebutuhan hidupnya, dan metrik yang artinya ukuran. Jadi secara harafiah, ekonometrika dapat diartikan sebagai pengukuran ekonomi. Dalam dunia akademis ekonometrika didefenisikan sebagai cabang ilmu ekonomi yang khusus menganalisis persoalan-persoalan ekonomi secara kuantitatif berdasarkan data hasil penelitian. Dapat juga didefenisikan sebagai cabang ilmu statistik yang secara khusus mengkaji masalah-masalah ekonomi secara kuantitatif. Cabang-cabang ilmu yang digunakan dalam ekonometrika adalah: Ilmu ekonomi sendiri, Matematika, dan Statistika. Ilmu ekonomi merumuskan teori-teori atau hipotesis mengenai persoalan-persoalan ekonomi, matematika digunakan untuk memformulasikan teori-teori ekonomi ke dalam bentuk persamaan matematika. Sedangkan statistika digunakan untuk mengumpulkan dan mengolah data, dan selanjutnya menghitung koefisien hubungan serta menguji keberartian (signifikansi) koefisien (parameter) dari variabel-variabel yang ada dalam persamaan matematika.
10/22/2013
Metode Ekonometrika
Teori Ekonomi
Model Matematika
Pengumpulan Data
Evaluasi Teori
Estimati Parameter
Explanasi Prediksi
Pengaruh Nyata
Pengujian Parameter
10/22/2013
= aX1 X2 X3
Y = C + I + G + (X-M) C = a + bY
koefisien (parameter) yang ada dalam model. Pekerjaan estimasi parameter ini dilakukan dengan menggunakan rumus-rumus statistika. Contoh hasil estimasi parameter untuk contoh di atas adalah:
Y = 17 + 0,12X Qd = 28 0,25P C = 20 + 0,75I 4. Verifikasi atau pengujian yaitu kegiatan menguji keberartian (signifikansi)
hubungan tau nilai parameter yang sudah dihitung pada langkah ketiga. Pekerjaan ini dilakukan dengan menggunakan teknik statistika inferensial dan hasil dari pengujian akan menunjukkan apakah pernytaan ekonomi yang telah dirumuskan dalam persamaan matematika dapat diterima atau ditolak secara statistika. Contoh: jika angka 17 dan angka 0,12 pada persamaan pertama diuji dan ternyata kedua angka itu tidak sama (berbeda nyata) dengan nol maka pernytaan ekonomi bahwa: Jika jumlah pupuk yang digunakan meningkat maka hasil produksi meningkat dapat diterima ( didukung oleh data dari lapangan).
10/22/2013
10/22/2013
A 34.65 3
B 40.39 6
C 36.87 7
D 33.57 8
E 18.93 1
Data Panel (Pooled data) yaitu gabungan dari data time series dan data cross section. Biasa digunakan untuk: (a) Menganalisis perkembangan harga dimana data indeks harga digabung dengan data perkembangan harga pada seluruh daerah. (b) Menganalisis perkembangan PDRB suatu wilayah yang data time seriesnya terbatas, tetapi tersebar pada beberapa sub wilayah.
10/22/2013
A B C
D
E Jl.
51,27
18,95 151,55
55,80
20,33 164,34
67,98
20,98 184,96
19,28
0,41 30,36
25,05
0,34 45,90
18,45
0,46 90,12
12,42
7,07 48,21
11,44
7,17 46,34
12,35
6,93 48,81
10/22/2013
r=
Besarnya nilai koefisien korelasi ( r ) adalah antara -1 sampai + 1. Jika r = +1 berarti X1 dan X2 berhubungan positif sempurnah. Sebaliknya jika r = - 1 berarti X1 dan x2 berhubungan negatif sempurnah. Jika r = 0 berarti antara X1 dan x2 tidak terdapat hubungan sama sekali. Secara grafik ketiga nilai r ini dapat digambarkan sebagai berikut: X2 X2 X2
r =1
r = -1
r=0
0 X1 0 X1 0 X1 Di dalam praktek, nilai r tidak selamanya bernilai diskrit tetapi juga bernilai kontinyu atau pecahan-pecahan misalnya -0,35 atau + 0,67 dsb.
10/22/2013 10
X1
X1
X1
10/22/2013
11
Contoh perhitungan
Misalkan diketahui data sebagai berikut. Apakah ada hubungan antara X1 dan x2. Maka cara pehitungannya adalah seperti pada tabel kedua dn hasil perhitungannya sbb:
8 (499) - 50 ( 62) r = ----------------------------------------------8(420) (50) 8(598) (62) 3992 - 3100 = ---------------------------- = + 0,99 (29,325) (30,659) Nilai r = 0,99 berarti antara X1 dan X2 terdapat hubungan positif yang sangat erat ( hampir sempurna) karena r mendekati +1
X1 X2
X1 1 2 4 5 7 9 10 12
1 2
2 4
X2 2 4 5 7 8 10 12 14 X2 = 62
4 5
5 7
X1 1 4 16 25 49 81 100 144 X1 = 420
7 8
9 10
X2 4 16 25 49 64 100 144 196 X2 = 598
10 12
12 14
X1 = 50
10/22/2013
10/22/2013
13
10/22/2013
14
Regresi Sederhana
Untuk menganalisis hubungan regresi antara dua variabel
1. 2. 3.
maka ada tiga hal yang harus diketahui lebih dahulu yaitu: Diagram sebaran data yaitu diagram yang didalamnya terdapat titik-titik ordinat antara variabel berpengaruh dan variabel dipengaruhi. Garis regresi yaitu garis yang menghubungkan titiktitik yang mewakili seluruh titik ordinat dalam satu diagram sebaran Metode pangkat dua terkecil (ordinary least square = OLS method) yaitu salah satu cara untuk menaksir koefisien regresi dimana pangkat dua dari semua simpangan titik ordinat dengan garis regresi dibuat menjadi sangat minimal sehingga garis regresi yang dibentuk dianggap mewakili dengan baik semua titik ordinat yang ada dalam diagram sebaran.
15
10/22/2013
*D
e4
F
e5
*B
Yi
e3
*E
E
i
*C
X1
Titik A,B,C,dan D adalah titik-titik ordinat antara X1 dan X2. Garis EF adalah garis regresi dan ei adalah simpangan antara titik ordinat dengan garis regresi. ei = Yi - i
10/22/2013
16
Menurut metode OLS garis regresi yang baik adalah apabila jumlah pangkat dua dari simpangan semua titik ordinat dengan garis regresi dalam diagram sangat kecil. Secara matematis: ei = (Yi i) diminimalkan. Misalkan persamaan garis regresinya : = a + bX maka persamaan simpangan menjadi: ei = (Yi a bX) Menurut teori kalkulus, suatu fungsi akan minimal jika turunan pertamanya = 0 sehingga turunan pertama dari persamaan simpangan harus disamakan dengan nol agar menjadi minimal. ei/a = 2 (Yi a bX) = 0 ei/b = 2 (Yi a bX) = 0 atau Yi a bX = 0 XiYi aXi bXi = 0 dan jika kedua persamaan ini diselesaikan secara simultan maka diperoleh: nXiYi XiYi b = ---------------------- dan a = - bX n Xi - (Xi)
Selain cara OLS untuk menghitung koefisien regresi, juga dapat menggunakan metode lain misalnya metode Dolitle, metode matriks atau dengan program computer seperti Mikrostat, SPSS, Minitab dan sebagainya.
10/22/2013
17
Yi 24 26 30 32 33
= 29
Jika data dalam tabel dimasukkan ke dalam rumus a dan b di atas maka:
10/22/2013
18
5(14980) 500(145) b = ----------------------------- = 0,12 5(54000) (500) A = 29 0,12 (100) = 17 Jadi: = 17 + 0,12X Untuk mengetahui apakah koefisien a dan b siginifikan ( berbeda nyata dengan nol) maka dilakukan uji t student (t-test) Jika t-hit. b > t maka berarti b signifikan dengan kata lain X berpengaruh nyata terhadap Y dimana setiap kenaikan X sebesar 1 satuan akan menyebbkan kenaikan pada Y sebesar 0,12 satuan. Jika t-hit a > t maka berarti angka 17 siginifikan sehingga jika X = 0 maka Y = 17 Jika t-hit < t maka berarti koefisien regresi tidak signifikan dengan kata lain X tidak berpengaruh terhadap Y pada tingkat kepercayaan 1 dimana = derajat kesalahan
10/22/2013
19
Untuk contoh di atas: SSR = 0,12{54000- (500/5)} = 57,6 SST = 4265 (145/5) = 60 S = (60-57,6)/3 = 0,80 Var b = 0,80/(54000-500/5) =0,0002 sb = 0,0002 = 0.014 t-hit.b = 0,12/0,014 = 8,48 Var.a = 0,9(5400/(54000-500/5) = 10,8 sa = 10,8 = 3,29 t-hit a = 17/3,29 = 5,12 t=0,05 pada df = n-k-1 = 3,182 Dengan demikian: t-hit.a > t=0,05 t-hit b > t=0,05 Kesimpulan: a dan b signifikan artinya X berpengaruh nyata terhadap Y dimana setiap kenaikan X sebesar 1 satuan akan menyebabkan kenaikan Y sebesar 0,12 satuan dan jika X = 0 maka Y = 17 satuan.
10/22/2013 21
10/22/2013
22
Koefisien Determinasi dan Koefisien Korelasi r = SSR/SST r = r Untuk contoh di atas: r 57,6/60 = 0,96 artinya 96% keragaman pada Y yang ditentukan oleh keragaman X r = 0,96 = 0,98 artinya X dan Y berhubungan positif yang erat sekali. Maksudnya jika X naik maka Y juga naik dan jika X turun maka Y juga turun. Dikatakan erat sekali karena koefisien korelasi mendekati satu.
10/22/2013 23
Peramalan (Prediction)
Peramalan ada dua jenis yaitu peramalan titik dan peramalan berjangka. Dalam peramalan titik kita hanya memperoleh satu nilai sebagai nilai harapan dari parameter yang diramalkan. Misalkan = 17 + 0,12X dimana persamaan ini telah diujidan ternyata signifikan. Jika X yang digunakan = 100 satuan maka = 17 + 0,12(100) = 29 Jika X = 110 maka Y = 29,12. Angka-angka tunggal seperti ini sulit dipertanggungjawabkan karena tingkat ketepatannya hampir = 0. Berdasarkan kelemahan seperti ini maka yang dianjurkan digunakan adalah peramalan berjangka dengan rumus sbb: EY = + t/2.S 1/n + (X-X)/{(Xi-(Xi)/n} Dimana EY adalah nilai harapan Y untuk X tertentu. Misalkan X = 110 dan = 0,05 maka: EY = 17 +0,12(110) = 30,20 S = (60-57,6)/3 = 0,80 T/2 = t-0,025 df.n-k.1 = 3,182 (X X) = (110 100) = 100 Xi-(Xi)/n = 54000 - 500/5 = 4000 EY = 30,20 + 3,182 (0,80) 1/5 + 100/4000 = 30,20 + 1,357 Artinya nilai Y untuk = 0,05 berada antara 30,20 1,1,357 dan 30,20 + 1,357 atau antara 28,84 dan 31,56
24
10/22/2013
10/22/2013
25
b2 = ------------------------------------------------------------------------------------------------------{X1 (X1/n} {X1 - (X1)/n} - {X1X2 - (X1X2)/n} a = - b1X1 b2X2 SSR = b1{YiX1 (YiX1)/n} + b2 {YiX2 (YiX2)/n} SST = {X1 (Y1- (Yi)/n} SSE = SST SSR S = SSE/n-k-1
10/22/2013
26
Var b1 =
Sb1 = var b1 {X1 - (X1)/n} {S} Var b2 = --------------------------------------------------------------------------------{X1 (X1/n} {X2 - (X2)/n} - {X1X2 - (X1X2)/n}
Sb2 = var b2
R = SSR/SST t-hit b1 = b1/sb1 dan t-hit b2 = b2/sb2 Jika t-hit > t/2 (df.n-k-1) maka H1 diterima dan H0 ditolak. H0 : b1 dan b2 = 0 sdangkan H1 : b1 = 0 dan b2 = 0
10/22/2013
27
KOEFISIEN DETERMINASI
Koefisien determinasi (R2) adalah angka yang menunjukkan berapa besarnya proporsi variasi variabel dependen yang dijelaskan oleh variabel independen. Rumus Koefisien determinasi adalah: R2 = 1 (SSR/SST) = 1 (ei2)/(yi2) = 1 - (ei2)/((Yi - )2 Dari rumus ini nampak bahwa kalau jumlah variabel independen ditambah maka R2 akan terus meningkat karena nilai (ei2) akan makin kecil dengan makin bertambahnya jumlah variabel independen. Ini berarti koefisien determinasi merupakan fungsi dari jumlah variabel independen. Untuk menghindari hal tersebut maka dikembangkanlah R2 yang disesuaikan (R2 adjusted) dengan rumus:
2 = 1 ((ei2)/(n-k)/ (yi2)/(n-1) Dimana: (n-k) adalah derajat bebas dari (ei2) dan (n-1) adalah derajat bebas dari (yi2)
10/22/2013 28
MS MSR MSE -
Jika F-hit > F maka terima H1 artinya minimal salah satu dari varibale bebas berpengaruh nyata terhadap variabel terikat. Untuk menguji variabel manasaja yang signifikan maka dilanjutkan dengan uji t seperti pada regresi sederhana. Misalkan = 3,92 + 2,5X1 + 0,48X2 dimana b1 dan b2 signifikan maka jika X1 = 20dan X2 = 20 maka = 44,32
10/22/2013
29
VARIABEL DUMMY
Dalam analisis regresi sering terjadi kondisi dimana kita tidak dapat mengabaikan adanya variabel kualitatif yang turut mempengaruhi variabl dependen yang sedang kita analisis. Contoh-contoh variabel kualitatif adalah: Jenis kelamin, etnis, warna kulit, agama, situasi politik dan kebijakan pemerintah. Contohnya gaji karyawan selain dipengaruhi oleh variabel kuantitatif seperti lama bekerja, juga dipengaruhi oleh variabel kualitatif yaitu jenis kelamin dimana gaji pria lebih tinggi dibanding gaji wanita. Oleh karena variabel kualitatif umumnya ditunjukkan oleh tanda atau kategori saja misalnya pria dan wanita, putih dan hitam, masa perang dan masa damai, atau sebelum dan sesudah kebijakan harga dasar maka metode untuk mengkuantifikasinya adalah dengan memberi nilai 1 dan 0. Angka 1 menunjukkan pria dan angka 0 menunjukkan wanita. Atau angka 1 menunjukkan sebelum kebijakan dan angka nol sesudah kebijakan. Contoh persamaan. Misalkan dihypotesis kan bahwa pendapatan seseorang buruh ditentukan oleh pengalaman kerja dan jenis kelaminnya maka persamaannya adalah: = a + b1X + b2D dimana: = pendapatan buruh, X = pengalaman kerja (thn) dan D = dummy dimana D = 1 jika pria dan D = 0 jika wanita.
10/22/2013 30
10/22/2013
32
m = + Z dimana Z = X mk = + 1Z1 + 2Z2 + kZk dimana Zk = Xk b. Model Rsiprokal sbb: 1 Y = a + b ( ---------) Dilinearkan menjadi: T-4 1 Y = a + b X dimana X = ---------T-4
10/22/2013
34
c.Model Interaksi yang menunjukkan bahwa akibat dari perubahan satu satuan X pada Y tidak konstan. Y = b0 + b1X1 + b2X2 + b3X1X2+ e Diliearkan menjadi: Y = b0 + b1X1 + b2X2 + b3Z + e Dimana: Z = X1X2 d. Model Semi log artinya model yang logaritmanya terdapat pada salah satu sisi saja yaitu hanya variabel bebas atau hanya pada variabel terikatnya: Y = b0 + b1lnXi + e atau lnY = b0 + b1Xi + e Dilinearkan sbb: Y = b0 + b1Zi dimana Zi = ln Xi Atau Zi = b0 + b1Xi + e dimana Zi = lnY e. Model Log ganda (doble log) yaitu persamaan dimana baik variabel terikat maupun variabel bebasnya bernilai logaritma. Ini banyak digunakan dalam hubungan variabel yang elastisitasnya konstan. Log Y = b0 + b1 log Xi + e Dilinearkan menjadi: Z = b0 + b1 Vi + e dimana: Z = logY dan Vi = log Xi
10/22/2013
35
2. Ketidaklinearan parameter
= aX1 1 X2 2 Xk k dilinearkan menjadi:
Log = Log a + 1log X1 + 2 Log X2 + kLog Xk
3. Fungsi Coob-Douglass
1 (1- 1)
4. = ab Dilinearkan menjadi:
Log = Log a + (Log )X1 5. Model pertumbuhan sederhana: Y = Aeb1tu Dimana: Y = jumlah produksi, e = 2,718 A = konstanta dan U = variabel pengganggu b1 = persentase pertumbuhan produksi dan t =periode pertumbuhan misalnya 1, 2, 3 dst. Model ini diliearkan menjadi: LnY = lnA + b1t + ln U
10/22/2013 36
6. Model Multiplikatif (perkalian) Y = APb1Lb2U Dilinearkan menjadi: LnY = lnA + b1ln P + b2 Ln L + ln U Dimana: Y = produksi, P = jumlah pupuk, L = jlh tenaga kerja dan U = variabel pengganggu 7. Model Constant Elasticity of Subtitution Y = [dK-b + (1-d)L-b] v/eq Untuk: a > 0, d> 0, V > 0 dan > -1 Dimana: Y = Produksi, K = Modal, L = t.kerja, e = 2,71828 dan q = variabel pengganggu 8. Model Logistik C Y = ----------- + q 1 + ae-bt Dimana: Y = persentase dari objek yang akan diteliti misalnya persentase penduduk pasangan usia subur yang berkeluarga berencana t = tahun, c dan a = parameter, e = bilagan natural = 2,71828 dan q = variabel penggangu
10/22/2013 37
Y = aX
0,5 Y=aX
10/22/2013
38
Contoh Persoalan non linear Misalkan diperoleh data mengenai indeks harga dan jumlah penjualan produk Z sebagai berikut: Jlh. Penjualan 61,5 49,5 37,6 28,4 19,2 10,1 b Bentuk persamaan penduga adalah: Y = aX dilinearkan menjadi: Log Y = Log a + bLog X Hitung koefisien regresi a dan b
10/22/2013 39
Penyelesaian
Log X 1,73 Log Y 1,79
Log X
3,01
Log Y
3,19
1,79
1,86 1,95 2,07 2,29 X = 11,69
1,69
1,67 1,46 1,28 1,23 y = 8,80 = 1,47
3,21
3,46 3,79 4,30 5,23 X = 23,00
2,87
2,48 2,11 1,65 1,52 y = 13,83
3,03
2,93 2,83 2,66 2,30 XY = 16,85
X = 1,95
10/22/2013
40
6(16,85) (11,69)(8,80) B = --------------------------------- = -1,4 6(23,00) (11,69) A = 1,47 (1,4)(1,95) = 4,2 Jadi: Log Y = Log 4,2 1,4 logX Jika dikembalikan ke persamaan semula maka dilakukan anti log sebagai berikut: -1,4 = 15.849,93X
10/22/2013
41
PERSAMAAN SIMULTAN
1. Persamaan simultan adalah dua atau lebih persamaan yang memiliki keterkaitan satu dengan lainnya. Contoh-contoh persamaan simultan adalah: Persamaan keseimbangan permintaan dan penawaran di dalam ekonomi mikro sebagai berikut: Qdt = a0 + a1Pt + a2It + a3Ot Qst = b0 + b1Pt + b2Pt-1 Qdt = Qst Dimana: Qdt = kuantitas permintaan pada tahun t Qst = kuantitas penawaran pada tahun t Pt = harga barang pada tahun t Pt-1 = harga barang pada tahun sebelumnya It = Income perkapita pada tahun t Ot = jumlah penduduk pada tahun t Persamaan di atas dikatakan persamaan simultan karena dalam ketiga persamaan itu terdapat saling keterkaitan yaitu dalam hal variael Pt dan variabel Qdt dengan variabel Qst.
42
10/22/2013
2. Model Pendapatan Nasional sbb: Yt = Ct + It Ct = + Yt dimana: Yt = Pendapatan nasional tahun t Ct = pengeluaran konsumsi tahun t It = Investasi pada tahun t 3. Model harga dan tingkat upah Wt = a0 + a1Ut + a2Pt Pt = b0 + b1Wt + b2Mt + b3Rt dimana: Wt = Tingkat upah pada tahun t Ut = Tingkat pengangguran pada tahun t Pt = Harga barang pada tahun t Mt = Harga bahan baku pada tahun t Rt = Jumlah modal pada tahun t
10/22/2013
43
2.
10/22/2013
44
Penyelesaian tahap II Jika persamaan harga keseimbangan pada tahap I disubtitusikan ke dalam persamaan penwaran maka diperoleh persamaan keseimbangan kuantitas sbb: Qst = b0 + b1 [c0 + c1Pt-1 -C2It c3Ot ] + b2Pt-1 atau:
b0 + b1Co + b1C1(Pt-1) - b1C2(It) - b1C3(Ot) + b2(Pt-1) atau: bo + b1Co + (b1C1 + b2)Pt-1 - b1C2(It) - b1C3(Ot) Jika: b0 + b1C0 = D0, B1C1 + b1b2 = D1, B1C2 = D2 dan b1C3 = D3 maka persamaan kuantitas keseimbangan menjadi: Qt = D0 + D1Pt-1 + D2It + D3Ot Persamaan inilah yang diselesaikan dengan model linear berganda untuk menentukan besarnya kuantitas keseimbangan permintaan dan penawaran dalam kondisi equlibrium di pasar.
10/22/2013
45
b. Yt = Ct + It dan Ct = a + bYt Kalau persamaan Ct disubtitusikan kedalam persamaan Yt maka: Yt = a + bYt + It 1Yt bYt = a + It (1-b)Yt = a + It Yt = 1/(1-b)(a+It) Yt = (1/1-b)a + (1/1-b)It Dalam contoh ini yang pertama diselesaikan adalah menghitung koefisien regresi Ct = a + bYt. Setelah itu baru nilai Y dapat dihitung. c. Untuk persamaan tingkat harga dan upah, mahasiswa ditugaskan untuk menyelesaikannya.
10/22/2013
46
CONTOH KASUS: ANALISIS HARGA DAN KUANTITAS KESEIMBANGAN PERMINTAAN DAN PENAWARAN KAYU RIMBA CAMPURAN DI SULAWESI TENGGARA
Persamaan fungsi permintaan: Dk = a + b1Pt + b2Ot + b3It Persamaan fungsi penawaran: Sk = a + b1Pt + b2Pt-1 + b3Jp Dimana: Dk = Permintaan akan kayu rimba campuran Pt = harga kayu rimba campuran O = jumlah penduduk It = pendapatan per kapita Sk = jumlah kayu rimba yang ditawarkan produsen Pt = harga kayu rimba tahun sebelumnya Jp = jumlah perusahaan pengolah hutan di Sulawesi Tenggara. Untuk mengetahui kuantitas dan harga keseimbangan kayu rimba campuran digunakan persamaan simultan sebagai berikut: QDk = QSk a + b1Pt + b2Ot + b3It = a + b1Pt + b2Pt-1 + b3Jp
10/22/2013
47
Predictor Coef SE Coef T P Constant 23208 14677 1.58 0.645 X1 -15.731 7.737 -2.03 0.048 X2 0.019479 0.009589 2.03 0.048 X3 0.0057164 0.0007683 7.44 0.000 S = 1089 R-Sq = 98.8% R-Sq(adj) = 98.2% Jika dikembalikan ke fungsi penduganya maka bentuknya dalah sebagai berikut: Dk = 23208* - 15,7Pt + 0,0195Ot + 0,00572It Dimana: Dk = Permintaan akan kayu rimba campuran Pt = harga kayu rimba campuran O = jumlah penduduk It = pendapatan per kapita
10/22/2013
48
10/22/2013
49
10/22/2013
51
2.
Multi Kolinearitas yaitu adanya hubungan yang sempurna atau hampir sempurna antara dua atau beberapa variabel explanatory dalam model regresi yang digunakan. Contohnya sebagai berikut:
X1 X2 X3 X4 10 50 100 52 15 75 225 75 18 90 324 97 24 120 576 129 30 150 900 152 Pada data di atas nampak bahwa antara X2 dan X1 ada hubungan yang hampir sempurna yaitu X2 = 5X1 Juga antara X3 dan X1 ada hubungan yaitu X3 = X1 Jadi dalam data di atas terdapat hbungan multikolinearitas. Ciri-ciri multikolinearitas adalah: (a) Ada satu atau beberapa koefisien korelasi partial (rX1X2) mendekati 1 atau = 1 (b) R yang diperoleh tinggi tapi banyak variabel explanatory yang tidak siginifikan karena tingginya nilai S. Cara menanggulanginya adalah: (a) Cara apriori misalnya model penduga: Y = b0 + b1X1 + b2X2 tetapi dideteksi bahwa X2 = 0,10X1 maka model pendekatannya menjadi Y = b0 + b1X1 + 0,10X1 (b) Membuang variabel yang dianggap menimbulkan multi kolinearitas. ( c) Mentransformasikan data atau variabel sebagai berikut:
10/22/2013
53
Misalkan model penduga adalah: Yt = b0 + b1X1t = b2X2t untuk mentransformasikannya maka masing-masing variabel diambil data tahun sebelumnya menjadi: Yt-1 = b0 + b1X1t-1 + b2X2t-1. Selanjutnya model penduga awal dikurangi dengan model data tahun sebelumnya menjadi: Yt Yt-1 =b0 + b1(X1t-X1t-1) + b2(X2t-X2t-1). Model inilah yang diselesaikan untuk menghitung pengaruh X1 dan X2 terhadap Y (d). Menambah jumlah pengamatan atau mengganti data salah satu variabel explanatory yang potensil menimbulkan multikolnearitas.
10/22/2013
54
3. Auto Korelasi yaitu korelasi yang terjadi antara nilai observasi yang letaknya berderetan dalam suatu urutan waktu atau urutan tempat. Contohnya adalah data harga suatu produk dalam jangka waktu 10 tahun terakhir (data time series) yang mungkin terjadi korelasi antara harga tahun berjalan dengan data harga tahun sebelumnya. Contoh lainnya adalah data pola konsumsi rumah tangga dari sejumlah keluarga yang rumahnya berdekatan pada sepanjang jalan tertentu pada data crosssection. Misalkan kita meregresikan data suplay dan harga dengan model penduga: S = b0 + b1Pt dimana S = suplay dan Pt = harga tahun t Setelah dihitung dan diuji ternyata b1 tidak signifikan pada hal secara teoritis harusnya signifikan. Hal ini disebabkan karena adanya auto korelasi antara harga tahun t dengan harga tahun sebelumnya (pt-1) karena itu model penduganya harus : S = b0 + b1Pt-1 Cara mendeteksi auto korelasi adalah: (a) Metode grafik yaitu apabila dalam suatu analisis time series terjadi grafik yang menunjukkan pola yang sangat beraturan apakah semakin menaik atau semakin menurun maka itu berarti ada gejala auto korelasi. (b) Metode Durbin Watson yaitu suatu metode yang mendeteksi auto korelasi dengan rumus sebagai berikut: (et et-1) d hit. = ------------------ Jika d-hit > d tabel berarti ada auto korelasdi. et
10/22/2013
55
Misalkan data konsumsi dan pendapatan seperti tabel berikut Ct Yt t =0,87Y et = Ct t -27 -30 -26,10 -0,90 -22 -25 -21,75 -0,25 -19 -21 -18,27 -0,73 -16 -17 -14,79 -1,21 -13 -14 -12,18 -0,82 -8 -10 -8,70 -0,70 -5 -6 -5,22 -0,22 -2 -2 -1,74 -0,26 2 2 1,74 0,26 8 8 6,96 1,04 14 15 13,05 0,95 21 23 20,01 0,99 29 33 28,71 0,39 38 44 38,28 0,28 Jika nilai nilai dalam tabel dimasukkan ke rumus durbin Watson maka diperoleh: D-hit. = 5,5040/7,3622 = 0,75 dimana nilai d-hit < d tbel pada n = 14 sehingga berarti dalam data di atas tidak ada auto korelasi. Cara penanggulangan auto korelasi adalah dengan menstransformasikan data pada tahun t menjadi data tahun sebelumnya.
10/22/2013
56
4.
Heteroskedatisitas yaitu keadaan dimana varian residual tidak konstan.Hal ini disebabkan karena adanya perbedaan pluktuasi nilai antara dua kelompok data yang berbeda misalnya data konsumsi kelomk kaya dengan data konsumsi kelompok miskin. Pada kelompok kaya varian residualnya akan besar karena konsumsi kelompok kaya akan lebih fluktuatif. Karena itu heteroskedatisitas banyak ditemukan dalam data cross section. Dengan adanya hetero skedatisitas maka estimator yang diperoleh bisa bias. Cara untuk mendeteksi adanya heteroskedatisitas adalah: a. Metode informal yaitu dengan memperhatikan tabel sebaran data antara data residual kwadrat (ei) dengan kekayaan. Jika residual kwadrat makin besar jika kekayaan makin bersar maka berarti ada heteroskedatisitas. b. Metode Park yaitu menguji signifikansi B dan regresi antara residual kwadrat variabel independennya sbb: ln ei = Ln + b Ln Xi + Vi dimana Vi = residual. kalau B signifikan berarti ada heteroskedatisitas dan kalau b tidak signifikan berarti tidak ada heteroskedatisitas.
10/22/2013 57
10/22/2013
58
Data Panel Perkembangan PDRB, Investasi dan Tenaga kerja pada Provinsi P.
Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Kabupaten/Thn A /2010 A/2011 A/2012 B/2010 B/2011 B/2012 C/2010 C/2011 C/2012 D/2010 D/2011 D/2012 E/2010 E/2011 E/2012 PDRB 48,47 53,28 57,88 16,33 17,49 19,49 16,53 17,44 18,63 51,27 55,80 67,98 18,95 20,33 20,98 Investasi 8,25 14,91 8,84 1,43 4,49 61,37 0,98 1,10 1,00 19,28 25,05 18,45 0,41 0,34 0,46 Tenaga kerja 13,43 13,86 14,48 8,01 7,42 7,81 7,29 6,45 7,24 12,42 11,44 12,35 7,07 7,17 6,93
10/22/2013
59
Setelah data digabung menjadi data panel maka langkah penyelesaian selanjutnya sama dengan regresi berganda apakah akan didekati dengan model penduga yang linear atau non linear, tergantung kepada teori yang dibangun sehubungan dengan pengaruh antara investasi dan tenaga kerja terhadap PDRB. Bentui model penduganya sbb: PDRB = a + b1Inv. + b2Tk Atau PDRB = aInvb1Tkb2 Interpretasi terhadap hasil analisis data panel sama dengan regresi berganda biasa dimana analis harus mengamati sejauhmana model yang dihasilkan dapat diterima secara statistik.
10/22/2013 60
10/22/2013
61
10/22/2013
62
No
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
10/22/2013
Y
1 0 1 0 0 0 1 1 1 0 1 0 1 1 1
X
15 2,5 9 10,25 4,3 3,75 12 11 13,25 2,3 5 6,3 7 9,9 9,3
No
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Y
0 0 0 1 0 0 1 0 0 0 0 1 0 1 0
X
2,8 8 8,2 10,2 8,1 3 9,5 3,2 4,1 4,5 3,25 14 4,9 10,35 4,8
63
1.
2.
3.
Kelemahan dari model probabiliti linear adalah: Residual (ei) tidak berdistribusi normal tapi distribusi binomial karena nilai variabel dependennya hanya 2 (binary) yaitu 1 dan 0.Oleh karena itu model probabiliti linear hanya dapat dipakai untuk sekedar estimasi parameter dan tidak bisa untuk memprediksi. Varian residual mengandung unsur Heteroskedatisitas karena ei mengikuti distribusi binomial. Hal ini menyebabkan varian tidak minimum. Nilai koefisien Determinasi (R) diragukan kebenarannya karena nilai variabel dependen yang bersifat binari sehingga sebaran datanya seperti gambar ini. Y
10/22/2013
64
Model Probit
Dalam model ini diasumsikan bahwa hubungan antara variabel independen dengan variabel dependen tidak linear. Misalnya dalam kasus pengolahan kakao, makin besar jumlah kakao yang dihasilkan maka kenaikan probabilitasnya akan makin besar dan sebaliknya makin kecil jumlah kakao makin kecil penurunan probabilitasnya. Hal ini dapat digambarkan sebagai berikut: P=1
p=0 Ketika nilai probabilitas mendekati 0 maka penurunan makin kecil . Demikian juga ketika probabilitas mendekati 1 maka kenaikannya makin kecil.
10/22/2013
65
Dalam model Probit variabel dependen dinyatakan dalam satuan indeks (Zi). Misalkan model penduga adalah: Zi = b0 + b1Xi Setiap individu akan memiliki nilai kritis dari indeks Zi (threshold) yang dinyatakan dalam Zi*. Jika Zi<Zi* maka probabilitas untuk mengolah makin kecil dan sebaliknya jika Zi> Zi* maka probabilitas untuk mengolah lebih besar. Dengan asumsi normalitas maka nilai Zi> Zi* dapat dihitung melalui distribusi normal Commulative Distribution Function (CDF) sebagai berikut: Pi = P(Yi=1|Xi) = P(Zi*< Zi) = P(Zi < (b0 + b1Xi) Dimana P(Yi=1|Xi) adalah probabilitas peristiwa untuk terjadi pada nilai X tertentu dan Zi adalah variabel standar normal. Hubungan antara nilai Zi dengan P(Z) pada standar normal dan logistik dapat dilihat pada tabel nilai fungsi probabilitas komulatif dibawah ini. Untuk mengestimasi model probit digunakan dua cara yaitu: (a) jika datanya merupakan hasil observasi pada grup atau kelompok, digunakan metode OLS. (b) jika datanya berupa hasil observasi pada individu, digunakan metode Maximum Likelihood atau menggunakan program EVIWS.
10/22/2013
66
Zi
-3,0 -2,0 -1,5 -1,0 -0,5 0 0,5 1,0 1,5 2,0 3,0
10/22/2013
Normal P(Zi)
0,0013 0,0228 0,0668 0,1587 0,3085 0,5000 0,6915 0,8413 0,9332 0,9772 0,9987
Logistik P(Zi)
0,0474 0,1192 0,1824 0,2689 0,3775 0,5000 0,6225 0,7311 0,8176 0,8808 0,9526
67
Misalkan data hypotetis pengaruh pendapatan terhadap peluang keluarga memiliki motor sebagai berikut. Hasil estimasi dengan metode OLS adalah: Z = -1,274247 + 0,189833X dimana X = Probabilitas memiliki motor t-hit b0 = -44,78467 dan t-hit b1 =47,41263 R = 0,9964 dan F-hit = 2247,957. Semua signifikan pada tingkat kepercayaan 100%.
Probab ilitas
(P=N/n)
Zi
2 3 4 5 6 7 8 9 10 11
30 66 80 80 100 80 75 62 40 30
6 16 24 28 45 41 45 41 30 24
0,20 0,24 0,30 0,35 0,45 0,51 0,60 0,66 0,75 0,80
-0,8416 -0,7063 -0,5244 -0,3853 -0,1257 0,0251 0,2533 0,4125 0,6745 0,8146
68
10/22/2013
Model Logit
Model Logit adalah sbb: Pi = F(Zi) = (b0 + b1Xi) = 1/(1+e ) atau 1 Pi = --------------(b0 + b1Xi)
-Zi
1+e Dimana e = logaritma natural yang nilainya 2,718 dan Pi adalah probabilitas seseorang untuk mengolah kakaonya pada tingkat produksi tertentu (X) Untuk estimasi maka persamaan di atas dikalikan kedua sisinya dengan 1+e kemudian dibagi Pi dan selanjutnya dikurangi 1 maka diperoleh:
Z
-Zi
Pi
Zi = ln(Pi/(1-Pi) = b0 + b1Xi
Penyelesaian selanjutnya sama dengan model probit.
10/22/2013
69
Model Tobit
Model Tobit digunakan dalam kasus dimana informasi mengenai variabel dependen tidak lengkap. Misalnya dalam kasus pembelian motor. Bagi keluarga yang telah memiliki motor kita dapat memperoleh data mengenai pengeluaran untuk membeli motor. Tetapi bagi keluarga yang belum punya motor kita tidak punya data pengeluaran untuk membeli motor. Oleh karena itu maka model yang digunakan adalah: Yi = b0 + b1Xi* + ei dimana: Yi = Pengeluaran untuk membeli motor Xi = Pendapatan Tetapi model tersebut tidak diselesaikan dengan metode OLS melainkan dengan metode Maximum Likelihood.
10/22/2013 70
0 = - 1X
(Xi X) (Yi - ) 1 = ---------------------(Xi X)
10/22/2013
71
10/22/2013
72
Dalam model ini pengurangan parameter dilakukan dengan menggunakan timbangan kelambanan positif dan menurun secara geometrik sebagai berikut: t = o dimana = derajat penurunan yang besarnya 0< <1. Cara estimasi menjadi:
t
10/22/2013
73
Model ini biasa digunakan untuk menganalisis permintaan suatu barang. Dalam model ini digunakan nilai ekspectasi variabel independen karena permintaan barang biasanya tergantung pada ekspectasi mengenai kondisi harga masa akan datang. Misalkan model penduga: Yt = oX*t + et dimana X*t adalah nilai ekspectasi terhadap Xt yang tergantung pada masa lalu sebagai berikut: X*t X*t-1= (Xt-X*t-1) atau X*t = Xt + (1-)X*t-1 dimana 0 < < 1 merupakan koefisien ekspectasi Dengan demikian model penduga menjadi: Yt = o (Xt + (1-)X*t-1) + et
10/22/2013
74
ANALISA TREND
Digunakan untuk menganalisis perkembangan variabel-variabel ekonomi dalam kaitannya dengan faktor waktu misalnya perkembangan produksi, perkembangan harga, perkembangan volume penjualan, perkembangan personil perusahaan dan perkembangan PDRB Penyelesaiannya sama dengan metode OLS biasa tetapi variabel independennya adalah waktu misalnya untuk menduga volume penjualan pada tahun t digunakan model penduga: Yt = a + bX dimana X = waktu (tahun, bulan atau minggu). Untuk melakukan perhitungan maka nilai variabel waktu harus sedemikian rupa sehingga nilai X-median = 0 Contohnya: Untuk n =3 maka X1 = -1, X2 = 0 dan X3 = +1 Untuk n = 4 maka X1 = -3, X2 = -1 X3 = 1 dan X4 = 3 Untuk n = 7 maka X1 = -3, X2 = -2 X3 = -1, X4 = 0, X5 = 1 X6=2 dan X7 =3. Jadi semua nilai yang berada di tengah diberi nilai = 0 Kalau n ganjil n = 2k+1 atau 2k = n-1 atau k = (n-1)/2 kalau n = 3 maka k = (3-1)/2 = 1 jadi X yang nilainya = 0 adalah Xk+1 = X2 = 0 Untuk n genap n = 2k atau k = n/2 misalkan n= 4 maka k = 4/2 = 2 jadi X yang nilainya = 0 adalah: {Xk+(k+1)}/2 = X5/2 = X2,5.
10/22/2013
76
Model penduga dengan OLS adalah: nXiYi XiYi b = ---------------------- dan a = - bX n Xi - (Xi)
Tetapi karena Xi = 0 dan X = 1/n Xi maka X = 1/n (0) = 0. Dengan demikian koefisien regresi untuk analisa trend adalah: a = dan b = (XiYi)/Xi Untuk memahaminya diberikan contoh sebagai berikut:
10/22/2013 77
X -7 -5 -3 -1 1 3 5 7 Xi=0
XY -23716,7 -18136,5 -12071,1 -4366,1 4726,4 15998,1 28426,0 41876,1 (XiYi) = 32736,2
X 49 25 9 1 1 9 25 49 Xi = 168
78
Berdasarkan data di atas maka: A = = 4641,5 B = (XiYi)/Xi2 = 32736,2/168 = 194,86 Jadi persamaan trend linearnya menjadi: Y = 4641,48 + 194,86X Misalkan kita memprediksi nilai penjualan pada tahun 2007 atau X = 9 maka: Y = 4641,48 + 194,86(9) = 6.395,22
10/22/2013 79
Model-Model Aplikasi
1. Model Permintaan Statik dari Nerlove LnQd = Ln A0 + A1LnPs + A2LnPr +A3LnPc + A4LnY + A5D + A6T + Ut dimana: Y = Pendapatan, Ps = Harga komoditas s, Pr = harga barang subtitusi r, Pc = harga barang subtitusi c, D = dummy selera dan t = tahun 2. Model Permintaan Dinamis: Qd* = Ln b0 + b1Qdst-1 + b2Y - b3Ps + b4Pc + b5T + b6D + Ut dimana: Qd* = jumlah komoditas yang diminta dalam jangka panjang Qdst-1 = permintaan komoditas s tahun sebelumnya Y = Pendapatan, Ps = Harga komoditas s, Pc = harga barang subtitusi c, D = dummy selera dan t = tahun
10/22/2013
80
S(t*) = pS(t*) + p
Dimana : S (t*) = nilai tegakan per satuan luas tanah pada saat pohon berumur t tahun. k = biaya penanaman kembali e = 1/(1+ r)t = tingkat diskonto yang sifatnya kontinyu. Pt = harga kayu pada tahun t P = koefisien regresi.
10/22/2013
81
E opt =
................................(3)
10/22/2013
82
Perhitungan nilai MSY dilakukan dengan memasukkan persamaan (3) kedalam persamaan (1) sehingga diperoleh kondisi MSY: a a2 C MSY = a (----) b (------) 2b 4b a2 ---2b a2 ----4b
a2 ----4b
C MSY =
.......................... (4)
Dimana: C MSY = total tangkapan pada kondisi lestari maksimum, C adalah hasil tangkapan ikan (catch), yaitu keseluruhan hasil tangkapan suatu jenis ikan, sedangkan E adalah upaya penangkapan ikan (effort), yaitu keseluruhan jumlah upaya penangkapan ikan yang digunakan untuk menangkap ikan. Biasanya untuk menunjukkan upaya penangkapan yang dimaksud digunakan jumlah trip penangkapan suatu armada penangkapan ikan. Akan tetapi bila jumlah trip penangkapan sulit ditemukan, maka yang dipergunakan adalah jumlah armada penangkapan ikan per unit waktu yang dianalisis.
10/22/2013
84
X X X
10/22/2013
Y I A
Y
85
Diagram Jalur
a. b. c. c. Untuk menyusun diagram jalur terdapat beberapa perjanjian yaitu: Hubungan antar variabel digambarkan oleh anak pana yang bisa berkepala satu ( ) atau berkepala dua ( ) Pana berkepala satu menunukkan pengaruh misalnya pengaruh X1 terhadap X2, X1, X2 Hubungan timbal balik X1 X2 Hubungan korelatif: X1 X2
d.
Tidak semua variabel berpengaruh dapat dideteksi oleh peneliti sehingga selalu ada variabel residu () Keempat ketentuan ini menimbulkan hubungan struktural antar variabel seperti contoh di bawah ini.
10/22/2013
86
X1
e X2 Y Pada persamaan struktur ini variabel Y dipengaruhi secara langsung oleh Variabel X1, X2, X3 dan e. Sedang kan variabel X1, X2 dan X3 saling Berpengaruh timbal balik antara Satu dengan lainnya.
X3
10/22/2013
87
BAHAN BACAAN
Agus Widarjono (2005). Ekonometrika. Teori dan Aplikasi Untuk Ekonomi dan Bisnis. Penerbit Ekonisia Yogyakarta. Alpha Chiang (1986). Dasar-dasar Matematika Ekonomi Penerbit Erlangga Jakarta. Amudi Pasaribu (1976). Ekonometrika. Penerbit Bortgorat Medan. Dominick Salvatore (1982). Theory and Problems Of Statistics and Econometrics. MC. Growhill Books Company. Donal A and Lucy Chiseer J (1975). Introduction to Statistics Purposes and Prosedure. Holt Reinhart and Winston. Draffer and Schmith (1986). Applied Regression Analysis. John Wilei and Sons. Inc. Gujarati D. dan S. zain (1988). Ekonometrika Dasar. Penerbit Erlangga Jakarta. Harry H. kelejien and Wallace E. Oates (1974). Introduction to Econometrics. Principle and Aplications. Happer and Row Publisher New York. Kout Soyiannis A. (1977). Theory of Econometrics and Introductory, Exposition of Econometrics. Macmillan Education Ltd. Sudrajat SW. (1984). Mengenal Ekonometrika Pemula. Penerbit Armiko Bandung. Supranto, MA. Statistik, Teori dan Apkasi. Penerbit Erlangga Jakarta. Robert D. Mason (1974). Statistical Teckniques in Business and Economis. Richard D. Irwin Inc. Win Van Zanten (1982). Statistik Untuk Ilmu-ilmu Sosial. PT. Gramedia Jakarta. Nirwana K. Sitepu (1994) Analisis Jalur (Path Analysis). Fakultas MIPA UNPAD Bandung
10/22/2013
88
TUGAS MAHASISWA
Carilah data mengenai permintaan dan penawaran komoditas pertanian tertentu (beras, jagung, kedelai,kelapa, cengkeh, kakao, lada, kopi, telur, Ayam potong, ikan kerapu, rumput laut dsb). Identifikasi faktorfaktor yang mempengaruhi permintaan, faktor-faktor yang mempengaruhi penawaran, dan analisis harga serta kuantitas keseimbangannya. Hasil analisis dijilid dan dimasukkan selambatnya pada Awal Desember 2011
10/22/2013 89
SOAL UJIAN SEMETER MATA KULIAH EKONOMETRIKA PROGRAM STUDI AGRIBISNIS PROGRAM PASCASARJANA UNHALU DOSEN: PROF.DR.IR.AYUB M.PADANGARAN, MS.
1.Diketahui tiga hypotesis sebagai berikut: a. Jika jumlah produksi cengkeh naik maka harga cengkeh di tingkat petani turun b. Permintaan kedelai di dalam ngeri dipengaruhi oleh jumlah penduduk, jumlah industri tahu tempe, harga kedelai, dan jumlah peternak unggas c. Jika jumlah tenaga kerja yang digunakan dalam usahatani padi sawah dinaikkan 100% maka hasil yang diperoleh dari usahatani tersebut akan naik sebesar 5% dan jika jumlah pupuk yang digunakan naik 100% maka produksi padi naik sebesar 3%. Rumuskan persamaan matematik untuk ketiga hypotesis tersebut. 2. Seorang peneliti menganalisis penaruh faktor-faktor produksi benur, pupuk, kapur, pestisida dan pakan terhadap jumlah produksi udang windu pada sebidang tambak dengan pendekatan fungsi CoobDoglass sebagai berikut: Y = aX1b1X2b2X3b3X4b4X5b5. Hasil analisis yang diperoleh seperti pada tabel berikut:
Jelaskan apa arti angka-angka yang diperoleh dari hasil regresi tersebut. Bagaimana maknanya jika model penduganya sebagai berikut: Y = a + b1X1+ b2X2 +b3X3 + b4X4 + b5X5
10/22/2013
90
a 172,4 7 2,91
b1 80,40 23,26
b2 30,346 22,891
b3 -0,05 -1,48
b4 40,08 80,60
b5 0,141 92,907
10/22/2013
91
3. Seorangmahasiswa hendak menganalisis: a. Hubungan antara pendidikan petani dengan keaktivannya dalam kelompok tani Z b. Pengaruh pendapatan terhadap konsumsi para petani kakao di desa Q c. Pengaruh luas tanam dan jumlah tenaga verja terhadap jumlah produksi pada usahatani kacang tanah di desa R d. Hubungan antara keuntungan preusan dengann jumlah karyawannya. e. Harga dan kuantitas keseimbangan permintaan beras di Sulawesi Tenggara Jelaskan alat analisis apa yang sesuai dengan digunakan untuk kelima hal yang ingin dianalisis oleh mahasiswa di atas. Kemukakan alasan anda. 4. Diketahui data hasil penelitian mengenai pengruh X1 dan X2 terhadap Y sbb: X12645791112X2618121521273336Y2255354768809299 bagaimana model penduga yang sesuai untuk data dalam tabel Masalah statistik apa yang bisa muncul dari regresi data tersebut dan bagaimana cara mengatasinya. 5. Jelaskan cara untuk menyelesaikan persoalan-persoalan regresi dimana: (a) fungsinya terdiri dari beberapa persamaan yang saling terkait (b) Variabel bebasnya ada yang bersifat kualitatif, (c) variabel dependennya bersifat kualitatif, (d) Terdapat hubungan langsung dan tidak langsung antar variabel (e) Kebijakan yang diambil memberikan penguh beberapa tahun ke depan. 6. Seorang peneliti menghipotesiskan bahwa produktivitas dipengaruhi oleh motivasi dan pengalaman, tetapi motovasi dipengruhi pula oleh upah dan pendidikan. Gambarkan struktur persamaannya dan jelaskn bagimana proses penyelesaian hubunganhubungan tersebut. -----------------Selamat menyelesaikan -----------------------
10/22/2013
92
10/22/2013
93
X12
Y2
1 2 3 4 5
9.1
10/22/2013
94