P. 1
ANALISIS_REGRESI

ANALISIS_REGRESI

|Views: 541|Likes:
Dipublikasikan oleh gus_motivation6947

More info:

Published by: gus_motivation6947 on Sep 20, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/14/2012

pdf

text

original

ANALISIS

REGRESI &
KORELASI
Dalam kehidupan sehari Dalam kehidupan sehari- -hari, seringkali hari, seringkali
dijumpai hubungan antara suatu variabel dijumpai hubungan antara suatu variabel
dengan satu atau lebih variabel lain. dengan satu atau lebih variabel lain.
C Contoh ontoh: :
* D * Dosis dan jenis pupuk yang osis dan jenis pupuk yang diberikan diberikan
berhubungan dengan berhubungan dengan hasil pertanian hasil pertanian
yang diperoleh yang diperoleh. .
* J * Jumlah pakan yang diberikan umlah pakan yang diberikan pada pada
ternak berhubungan ternak berhubungan dengan berat dengan berat
badannya, badannya,
* D * Dan an sebagainya sebagainya
Ide dasar analisis regresi :
 Dikenalkan oleh Sir Francis Galton
 Ada kecenderungan bhw ortu yg tinggi akan
memiliki anak yg tinggi dan sebaliknya.
 Ada kecenderungan tinggi anak bergerak
menuju rata-rata tinggi populasi.
 Galton menyebut : Regresi menuju mediokritas
(regression toward mediocrity)
Regresi modern :
Regresi modern :
  Studi mengenai ketergantungan 1 variabel Studi mengenai ketergantungan 1 variabel
dependen dengan 1 atau lebih variabel dependen dengan 1 atau lebih variabel
independen, dengan tujuan untuk independen, dengan tujuan untuk
mengestimasi dan atau memprediksi rata mengestimasi dan atau memprediksi rata- -rata rata
populasi atau nilai rata populasi atau nilai rata- -rata variabel dependen rata variabel dependen
berdasarkan nilai variabel independen yang berdasarkan nilai variabel independen yang
diketahui. diketahui.
  Hasil analisis adalah koefisien regresi untuk Hasil analisis adalah koefisien regresi untuk
masing masing- -masing variabel independen. masing variabel independen.
Hubungan Statistik vs
Deterministik
  Analisis regresi hanya menitik beratkan pada Analisis regresi hanya menitik beratkan pada
hubungan statistik. hubungan statistik.
  Hubungan Statistik pada dasarnya menggunakan Hubungan Statistik pada dasarnya menggunakan
variabel stokastik (random), yaitu variabel yang variabel stokastik (random), yaitu variabel yang
memiliki distribusi probabilitas. memiliki distribusi probabilitas.
  Hubungan Deterministik bukan merupakan Hubungan Deterministik bukan merupakan
hubungan statistik karena bersifat eksak. hubungan statistik karena bersifat eksak.
  Jika regresi diterapkan pd model dengan Jika regresi diterapkan pd model dengan
hubungan deterministik, akibatnya model akan hubungan deterministik, akibatnya model akan
menderita gejala menderita gejala “ “Multikolineariti Multikolineariti” ” yang yang
mendekati sempurna. mendekati sempurna.
Macam hubungan antara
Macam hubungan antara
2 atau lebih variabel :
2 atau lebih variabel :
 
Keeratan hubungan
Keeratan hubungan


Korelasi
Korelasi
 
Bentuk hubungan
Bentuk hubungan


Regresi
Regresi
Regresi vs Korelasi
Regresi vs Korelasi
  Analisis Korelasi : Analisis Korelasi :
► ► Bertujuan unt mengukur kekuatan Bertujuan unt mengukur kekuatan
asosiasi (hubungan) linier antara dua asosiasi (hubungan) linier antara dua
variabel. variabel.
► ► Tidak menunjukkan hub. Fungsional. Tidak menunjukkan hub. Fungsional.
► ► Tidak membedakan variabel dependen dan Tidak membedakan variabel dependen dan
variabel independen. variabel independen.
  Analisis Regresi : Analisis Regresi :
► ► Mengukur kekuatan hubungan antar variabel Mengukur kekuatan hubungan antar variabel
► ► Menunjukkan arah hubungan antara variabel Menunjukkan arah hubungan antara variabel
independen dengan variabel dependen. independen dengan variabel dependen.
KORELASI
Koefisien Korelasi Pearson
(Product Moment Coefficient)
( ) ( )
)
`
¹
¹
´
¦
)
`
¹
¹
´
¦
=
¯ ¯ ¯ ¯
¯ ¯ ¯
2
2
2
2
Y - Y n X - X n
Y X - XY n
r
Pengelompokan Regresi :
Pengelompokan Regresi :
 
Regresi Linier Sederhana
Regresi Linier Sederhana
 
Regresi Linier Berganda
Regresi Linier Berganda
 
Regresi Non Linier
Regresi Non Linier
 
Regresi dengan Variabel Dummy
Regresi dengan Variabel Dummy
 
Regresi Logistik
Regresi Logistik
 
Regresi Simultan
Regresi Simultan
• REGRESI LINIER SEDERHANA
Regresi Linier dengan :
# 1 variabel dependen
# 1 variabel independen
15.6 10
13.0 9
12.5 8
10.1 7
8.8 6
7.0 5
5.0 4
4.2 3
3.5 2
1.3 1
Y X
Contoh:
Contoh:
  Analisis Regresi mendasarkan pada model Analisis Regresi mendasarkan pada model
probabilistik, yang terdiri atas komponen probabilistik, yang terdiri atas komponen
deterministik dan kesalahan random. deterministik dan kesalahan random.
Y Y : variabel dependen : variabel dependen
X X : variabel independen : variabel independen
b b
0 0
: intersep (konstanta) : intersep (konstanta)
b b
1 1
: slope (koefisien regresi) : slope (koefisien regresi)
c c : komponen kesalahan random (error) : komponen kesalahan random (error)
E(Y) = E(Y) = b b
0 0
+ b + b
1 1
X = komponen X = komponen
deterministik deterministik
Y = b Y = b
0 0
+ b + b
1 1
X + X + c c
Metode Kuadrat Terkecil
Biasa (OLS)
  Diperkenalkan oleh : Carl Friedrich Gauss Diperkenalkan oleh : Carl Friedrich Gauss
  Digunakan unt mengestimasi garis regresi dgn jalan Digunakan unt mengestimasi garis regresi dgn jalan
meminimalkan jumlah dari kuadrat kesalahan setiap meminimalkan jumlah dari kuadrat kesalahan setiap
observasi thd garis tersebut. observasi thd garis tersebut.
  Tujuan utamanya mengestimasi fungsi regresi Tujuan utamanya mengestimasi fungsi regresi
populasi berdasarkan fungsi regresi sampel. populasi berdasarkan fungsi regresi sampel.
¯
=
=
n
1 i
2
i i
) Y
ˆ
- (Y SEE
i 1 0 i
X β β ) (Y/X + = E
a.n + b ¯ X = ¯ Y  Persamaan Normal I
a ¯ X + b ¯ X2 = ¯ XY  Persamaan Normal II
( )
X n - X
Y X n - XY
X - X
n
Y X
- XY
b
2 2
¯
¯
¯
¯
¯ ¯
= =
X b - Y a =
( ) ( )
¯ ¯ ¯
= = X b - a - Y Y
ˆ
- Y e
2
2
a
Q
c
c
= - 2 ¯ (Y - a - b X) = 0
b
Q
c
c
= - 2 ¯ (Y - a - b X) (X) = 0
¯ Y - a.n - b ¯ X = 0
¯ XY - a ¯ X - b ¯ X2 = 0


• REGRESI LINIER BERGANDA
Regresi Linier dengan :
# 1 variabel dependen
# Lebih dari 1 variabel independen
Y = a + b
1
X
1
+ b
2
X
2
+ e
Persamaan Normal :
I  E Y = n.a + b
1
E X
1
+ b
2
E X
2
II  E YX
1
= a E X
1
+ b
1
E (X
1
)
2
+ b
2
E X
1
X
2
III  E YX
2
= a E X
2
+ b
1
E X
1
X
2
+ b
2
E (X
2
)
2
Statistik dalam Regresi Linear :
R
2
= koefisien determinasi
R
2
menunjukkan besarnya sumbangan variabel
bebas terhadap variasi tidak bebas.
R
2
adjusted = R2 yang disesuaikan dengan
banyaknya variabel bebas (k) dan banyaknya
observasi elemen sampel (n).
R
2
adjusted dapat digunakan untuk
membandingkan 2 regresi berganda dengan Y yang
sama, tetapi banyaknya variabel bebas tidak sama.
Uji F (Uji Simultan)
Hipotesis yang digunakan adalah :
H
0
: Semua variabel bebas secara bersama-sama
tidak mempengaruhi variabel tidak bebas (Y)
H
1
: Semua variabel bebas secara bersama-sama
mempengaruhi variabel tidak bebas (Y) atau
paling tidak ada 1 variabel bebas yang
mempengaruhi variabel tidak bebas (Y).
Kriteria uji F  H
0
ditolak jika F hitung ≤ F tabel
H
0
diterima jika F hitung > F tabel.
n – 1 JKT Total
KTG =
JKG/(n – k)
n – k JKG Galat
F(o ; v
1
; v
2
) KTR/KTG KTR =
JKR/(k – 1)
k – 1 JKR Regresi
F tabel F hitung KT db JK Sumber Variasi
Tabel ANOVA
Uji t (Uji parsial)
Hipotesis yang digunakan adalah :
H
0
: |i = 0  Variabel bebas Xi tidak berpengaruh
terhadap variabel tdk bebas (Y)
H
1
: |i ≠ 0  Variabel bebas Xi berpengaruh
terhadap variabel tdk bebas (Y)
Kriteria uji t  H
0
ditolak jika t hitung ≤ t tabel
H
0
diterima jika t hitung > t tabel.
t hitung =
) (
i
i
b Se
b
¯
÷ ÷
=
} ) ( 1 }{( ) )( ( ) {(
) (
2
) 2 ( 1
2 2
r X n X
S
b Se
i i
i
S =
KTG
{ }{ }
¯ ¯ ¯ ¯
¯ ¯ ¯
÷ ÷
÷
=
2
2
2
2
2
1
2
1
2 1 2 1
) 2 ( 1
) ( ) ( ) ( ) (
) )( ( ) (
X X n X X n
X X X X n
r
UJI ASUMSI KLASIK :
(Khususnya untuk masalah ekonomitri)
• Autokorelasi
• Multikolineariti
• Heteroskedastisitas
Uji Autokorelasi
• Bertujuan menguji apakah dalam model regresi
linier ada korelasi antara kesalahan pengganggu
(error) pada periode t dengan error pada periode
sebelumnya.
• Diuji dengan Uji Durbin-Watson (DW test)
• Nilai DW hitung dibandingkan dengan DW tabel
• Secara umum, tidak ada korelasi jika
DW hitung ± 2
Uji Multikolineariti
• Bertujuan menguji apakah dalam model regresi linier ada
korelasi antar variabel bebas
• Dideteksi dengan :
* Nilai R
2
tinggi, tetapi banyak variabel yang
tidak signifikan.
* Dilihat nilai Tolerance dan atau VIF (Variance
inflation factor)nya
Jika tolerance > 0,1  bebas multikolineariti
Jika VIF < 10  bebas multikolineariti
Cara mengobati :
1. Transformasi variabel  dlm bentuk log atau ln, dsb.
2. Mengeluarkan 1 atau lebih variabel bebas yang mempunyai
korelasi tinggi
3. Gunakan metode analisis regresi lain.
4. Atau yang lain.
Uji Heteroskedastisitas
• Bertujuan menguji apakah dalam model regresi
linier terjadi ketidaksamaan variance dari residual
1 pengamatan ke pengamatan yang lain.
• Dideteksi dengan :
* Melihat plot antara prediksi variabel terikat
dengan residualnya.
* Uji Park : ln e
2
= a + b
i
ln X
i
* Uji Glejser : |e| = a + b
i
X
i
* Uji White : e
2
= a + b
i
X
i
+ b
j
X
j
2
Cara mengobati :
1. Melakukan transformasi bentuk model,
misalnya membagi regresi dengan salah satu
variabel bebasnya.
2. Melakukan transformasi log.
Regresi Dengan Variabel Dummy
 Kita bisa menggunakan variabel bebas dengan skala
ukuran non metrik.
 Caranya dengan menempatkan variabel tersebut sebagai
variabel dummy.
 Koefisien regresi dari variabel dummy ini bukan
menjelaskan pengaruh variabel dummy terhadap variabel
Y , tetapi akan menjelaskan perbedaan dari variabel tidak
bebas berdasarkan kategori dalam variabel dummy
tersebut
 Jika variabel dummy berkategiri n, maka digunakan
sebanyak (n-1) variabel dummy.
 Masing variabel dummy diberi nilai 0 atau 1.
 Model regresi dengan variabel dummy 2 kategori,
ditulis dengan :
Y = o + o D + e
 Model regresi dengan 1 variabel bebas dan variabel
dummy 2 kategori, ditulis dengan :
Y = o + | X + o D + e
 Model regresi dengan k variabel bebas dan variabel
dummy 2 kategori ditulis dengan :
Y = o + |
1
X
1
+ |
2
X
2
+ ……….. + |
k
X
k
+ o D + e
 Model regresi dengan 1 variabel bebas dan variabel
dummy 3 kategori, ditulis dengan :
Y = o + | X + ………….. + o
1
D
1
+ o
2
D
2
+ e
 Model regresi dengan k variabel bebas dan variabel
dummy 3 kategori ditulis dengan :
Y = o + |
1
X
1
+ |
2
X
2
+ ……….. + |
k
X
k
+ o
1
D
1
+
o
2
D
2
+ e
Misalnya :
Misalnya :
Pekerjaan : Pekerjaan : Petani, Pedagang, Pegawai Petani, Pedagang, Pegawai
* * Dummy D1 Dummy D1
D1 = 1 jika Petani D1 = 1 jika Petani
D1 = 0 jika yang lain D1 = 0 jika yang lain
* * Dummy D2 Dummy D2
D2 = 1 jika pedagang D2 = 1 jika pedagang
D2 = 0 jika yang lain D2 = 0 jika yang lain
Contoh variabel dummy 3 kategori
Contoh variabel dummy 3 kategori
Contoh variabel dummy 3 kategori
Contoh variabel dummy 3 kategori
Pekerjaan : Petani, Pedagang, Pegawai Pekerjaan : Petani, Pedagang, Pegawai
0 0 0 0 Pegawai Pegawai
1 1 0 0 Pedagang Pedagang
0 0 1 1 Petani Petani
Nilai Variabel Nilai Variabel
dummy D1 dummy D1
Nilai variabel Nilai variabel
dummy D2 dummy D2
Pekerjaan Pekerjaan

Dalam kehidupan sehari-hari, seringkali dijumpai hubungan antara suatu variabel dengan satu atau lebih variabel lain. Contoh: * Dosis dan jenis pupuk yang diberikan berhubungan dengan hasil pertanian yang diperoleh. * Jumlah pakan yang diberikan pada ternak berhubungan dengan berat badannya, * Dan sebagainya

Ide dasar analisis regresi :
 Dikenalkan oleh Sir Francis Galton  Ada kecenderungan bhw ortu yg tinggi akan

memiliki anak yg tinggi dan sebaliknya.  Ada kecenderungan tinggi anak bergerak menuju rata-rata tinggi populasi.  Galton menyebut : Regresi menuju mediokritas (regression toward mediocrity)

dengan tujuan untuk mengestimasi dan atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui. .Regresi modern :  Studi mengenai ketergantungan 1 variabel dependen dengan 1 atau lebih variabel independen.  Hasil analisis adalah koefisien regresi untuk masing-masing variabel independen.

. yaitu variabel yang memiliki distribusi probabilitas. Jika regresi diterapkan pd model dengan hubungan deterministik. Hubungan Statistik pada dasarnya menggunakan variabel stokastik (random). akibatnya model akan menderita gejala “Multikolineariti” yang mendekati sempurna. Hubungan Deterministik bukan merupakan hubungan statistik karena bersifat eksak.Hubungan Statistik vs Deterministik     Analisis regresi hanya menitik beratkan pada hubungan statistik.

Macam hubungan antara 2 atau lebih variabel : Keeratan hubungan  Korelasi Bentuk hubungan  Regresi .

Fungsional. .  Analisis Regresi : ► Mengukur kekuatan hubungan antar variabel ► Menunjukkan arah hubungan antara variabel independen dengan variabel dependen. ► Tidak membedakan variabel dependen dan variabel independen.Regresi vs Korelasi  Analisis Korelasi : ► Bertujuan unt mengukur kekuatan asosiasi (hubungan) linier antara dua variabel. ► Tidak menunjukkan hub.

KORELASI Koefisien Korelasi Pearson (Product Moment Coefficient) r  n  XY  n X2    2 X Y . Y    2 2    . X    n  Y .

Pengelompokan Regresi :  Regresi  Regresi  Regresi  Regresi  Regresi  Regresi Linier Sederhana Linier Berganda Non Linier dengan Variabel Dummy Logistik Simultan .

• REGRESI LINIER SEDERHANA Regresi Linier dengan : # 1 variabel dependen # 1 variabel independen .

0 7.Contoh: X 1 2 3 4 5 6 7 8 9 10 Y 1.1 12.0 8.6 .2 5.8 10.5 4.0 15.3 3.5 13.

yang terdiri atas komponen deterministik dan kesalahan random. Y = b0 + b1 X +  Y : variabel dependen X : variabel independen b0 : intersep (konstanta) b1 : slope (koefisien regresi)  : komponen kesalahan random (error) E(Y) = b0 + b1 X = komponen deterministik . Analisis Regresi mendasarkan pada model probabilistik.

Metode Kuadrat Terkecil Biasa (OLS)  Diperkenalkan oleh : Carl Friedrich Gauss  Digunakan unt mengestimasi garis regresi dgn jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi thd garis tersebut. E (Y/X i )  β 0  β1 X i .Y i ) 2  Tujuan utamanya mengestimasi fungsi regresi populasi berdasarkan fungsi regresi sampel. SEE   n i 1 ˆ (Y i .

nXY .n + b  X =  Y  Persamaan Normal I a  X + b  X2 =  XY  Persamaan Normal II b   XY n  X .b  X = 0  XY .b X) = 0   Y .b  X2 = 0 Q b = .a .a .bX .2  (Y .a .X  X Y 2   XY X .a.nX 2 a  Y .b X) (X) = 0  a.b  X  2 2 = .e  Q a  ˆ Y-Y    Y .2  (Y .a  X .n .

• REGRESI LINIER BERGANDA Regresi Linier dengan : # 1 variabel dependen # Lebih dari 1 variabel independen .

Y = a + b1 X1 + b2 X2 + e Persamaan Normal : I   Y = n.a + b1  X1 + b2  X2 II   YX1 = a  X1 + b1  (X1)2 + b2  X1X2 III   YX2 = a  X2 + b1  X1X2 + b2  (X2)2 .

tetapi banyaknya variabel bebas tidak sama. . R2 adjusted = R2 yang disesuaikan dengan banyaknya variabel bebas (k) dan banyaknya observasi elemen sampel (n).Statistik dalam Regresi Linear : R2 = koefisien determinasi R2 menunjukkan besarnya sumbangan variabel bebas terhadap variasi tidak bebas. R2 adjusted dapat digunakan untuk membandingkan 2 regresi berganda dengan Y yang sama.

Uji F (Uji Simultan) Hipotesis yang digunakan adalah : H0 : Semua variabel bebas secara bersama-sama tidak mempengaruhi variabel tidak bebas (Y) H1 : Semua variabel bebas secara bersama-sama mempengaruhi variabel tidak bebas (Y) atau paling tidak ada 1 variabel bebas yang mempengaruhi variabel tidak bebas (Y). . Kriteria uji F  H0 ditolak jika F hitung ≤ F tabel H0 diterima jika F hitung > F tabel.

Tabel ANOVA Sumber Variasi Regresi Galat Total JK JKR JKG JKT db k–1 n–k n–1 KT KTR = JKR/(k – 1) KTG = JKG/(n – k) F hitung KTR/KTG F tabel F( . v2) . v1 .

Uji t (Uji parsial) Hipotesis yang digunakan adalah : H0 : i = 0  Variabel bebas Xi tidak berpengaruh terhadap variabel tdk bebas (Y) H1 : i ≠ 0  Variabel bebas Xi berpengaruh terhadap variabel tdk bebas (Y) Kriteria uji t  H0 ditolak jika t hitung ≤ t tabel H0 diterima jika t hitung > t tabel. .

bi t hitung = Se(bi ) Se(bi )  S {( X i2 )  (n)( X i ) 2 }{(1  (r1( 2 ) ) 2 } S = KTG r1( 2 )   n(  X n( X 1 X 2 )  ( X 1 )( X 2 ) 2 1 )  ( X 1 ) 2  n( X 2 2 )  ( X 2 ) 2  .

UJI ASUMSI KLASIK : (Khususnya untuk masalah ekonomitri) • Autokorelasi • Multikolineariti • Heteroskedastisitas .

tidak ada korelasi jika DW hitung ± 2 .Uji Autokorelasi • Bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu (error) pada periode t dengan error pada periode sebelumnya. • Diuji dengan Uji Durbin-Watson (DW test) • Nilai DW hitung dibandingkan dengan DW tabel • Secara umum.

2.Uji Multikolineariti • • Bertujuan menguji apakah dalam model regresi linier ada korelasi antar variabel bebas Dideteksi dengan : * Nilai R2 tinggi.1  bebas multikolineariti Jika VIF < 10  bebas multikolineariti Cara mengobati : 1. 4. Transformasi variabel  dlm bentuk log atau ln. Gunakan metode analisis regresi lain. Atau yang lain. . Mengeluarkan 1 atau lebih variabel bebas yang mempunyai korelasi tinggi 3. * Dilihat nilai Tolerance dan atau VIF (Variance inflation factor)nya Jika tolerance > 0. tetapi banyak variabel yang tidak signifikan. dsb.

* Uji Park : ln e2 = a + bi ln Xi * Uji Glejser : |e| = a + bi Xi * Uji White : e2 = a + bi Xi + bj Xj2 .Uji Heteroskedastisitas • Bertujuan menguji apakah dalam model regresi linier terjadi ketidaksamaan variance dari residual 1 pengamatan ke pengamatan yang lain. • Dideteksi dengan : * Melihat plot antara prediksi variabel terikat dengan residualnya.

2. Melakukan transformasi bentuk model. misalnya membagi regresi dengan salah satu variabel bebasnya.Cara mengobati : 1. . Melakukan transformasi log.

 Caranya dengan menempatkan variabel tersebut sebagai variabel dummy.  Koefisien regresi dari variabel dummy ini bukan menjelaskan pengaruh variabel dummy terhadap variabel Y . . tetapi akan menjelaskan perbedaan dari variabel tidak bebas berdasarkan kategori dalam variabel dummy tersebut  Jika variabel dummy berkategiri n. maka digunakan sebanyak (n-1) variabel dummy.  Masing variabel dummy diberi nilai 0 atau 1.Regresi Dengan Variabel Dummy  Kita bisa menggunakan variabel bebas dengan skala ukuran non metrik.

ditulis dengan : Y=+D+e Model regresi dengan 1 variabel bebas dan variabel dummy 2 kategori... ditulis dengan : Y=+X+D+e Model regresi dengan k variabel bebas dan variabel dummy 2 kategori ditulis dengan : Y =  + 1 X1 + 2 X2 + ………. ditulis dengan : Y =  +  X + …………. + 1 D1 + 2 D2 + e Model regresi dengan k variabel bebas dan variabel dummy 3 kategori ditulis dengan : Y =  + 1 X1 + 2 X2 + ………. + k Xk +  D + e Model regresi dengan 1 variabel bebas dan variabel dummy 3 kategori. + k Xk + 1 D1 + 2 D2 + e ..     Model regresi dengan variabel dummy 2 kategori.

Pegawai * Dummy D1 D1 = 1 jika Petani D1 = 0 jika yang lain * Dummy D2 D2 = 1 jika pedagang D2 = 0 jika yang lain .Contoh variabel dummy 3 kategori Misalnya : Pekerjaan : Petani. Pedagang.

Contoh variabel dummy 3 kategori Pekerjaan : Petani. Pegawai Pekerjaan Petani Pedagang Pegawai Nilai variabel dummy D2 1 0 0 Nilai Variabel dummy D1 0 1 0 . Pedagang.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->