Panduan Lengkap Menguasai Metode Analisis

Faktor (Factor Analysis)

Analisis faktor merupakan metode analisis multivariat yang didasarkan pada korelasi antar
variabel.Analisis faktor termasuk salah satu teknik statistika yang dapat digunakan untuk
memberikan deskripsi yang relatif sederhana melalui reduksi jumlah variabel yang disebut faktor.

Analisis faktor dipergunakan untuk mereduksi data atau meringkas, dari variabel lama yang banyak
diubah menjadi sedikit variabel baru yang disebut faktor, dan masih memuat sebagian besar
informasi yang terkandung dalam variabel asli (Supranto, 2004).

Daftar Isi

1 Pengertian Analisis Faktor

1.1 Metode Analisis Faktor
2 Langkah-langkah Melakukan Analisis Faktor
2.1 1. Pemeriksaan matriks korelasi
2.2 2. Ekstraksi faktor
2.3 3. Rotasi faktor
2.4 4. Menghitung skor faktor

Pengertian Analisis Faktor

Analisis Faktor (Factor Analysis)

Variabel latent atau variabel untuk data-data kualitatif harus melalui pengujian kelayakan dan
keabsahan terlebih dahulu (validitas dan realibilitas) sebelum dikelompokkan menjadi variabel yang
akan di analisis faktor.
Baca: Berikut alasan pentingnya uji validitas dan realibilitas

Analisis faktor dalam analisis multivariate tergolong analisis interdependensi (interdependence

technique) dimana seluruh set hubungan yang interdependen diteliti.Variabel yang berada dalam satu
kelompok akan memiliki korelasi yang tinggi sedangkan variabel yang berbeda kelompok akan
memiliki korelasi yang rendah.

Dalam tulisan Supranto, dikatakan bahwa analisis faktor digunakan untuk mereduksi data/variabel.
Analisis faktor dipergunakan dalam kondisi sebagai berikut :

1. Mengenali atau mengidentikasi dimensi yang mendasari (underlying dimensions) atau faktor,
yang menjelaskan korelasi antara suatu set variabel.
2. Mengenali atau mengidentikasi suatu set variabel baru yang tidak berkorelasi (independent)
yang lebih sedikit jumlahnya untuk
3. menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat
selanjutnya.
4. Mengenali atau mengidentikasi suatu set variabel yang penting dari suatu set variabel yang
lebih banyak jumlahnya untuk dipergunakan dalam analisis multivariat selanjutnya.

Jika vektor acak (random vector)\(X=X_{1},X_{2},X_{3},X_{p}\) mempunyai vektor rata-rata dan

matriks ragam peragam , secara linear bergantung pada sejumlah faktor yang tidak teramati \
(F_{1},F_{2},F_{3},F_{m}\)yang disebut faktor umum (common factor) dan \
(\varepsilon_{1},\varepsilon_{2},\varepsilon_{3},\varepsilon_{p}\) yang disebut faktor khusus
(specic factors).

Maka model dari analisis faktor adalah:

\(X_{1}-\mu_1=l_{11}F_{1}+l_{12}F_{2}++l_{1m}F_m+\varepsilon_1\)

\(X_{2}-\mu_2=l_{21}F_{1}+l_{22}F_{2}++l_{2m}F_m+\varepsilon_1\)

\(\vdots\)

\(X_{p}-\mu_p=l_{p1}F_{1}+l_{p2}F_{2}++l_{pm}F_m+\varepsilon_p\)

Dan jika kita akan menuliskannya kedalam notasi matriks, bentuknya sebagai berikut:

\(X_{(p\times1)}-\mu=L_{(p\times m)}F_{(m\times1)}+\varepsilon_p\)

Keterangan:
X = vektor variabel asal
= vektor rata-rata variabel asal
L = matrik loading factor
F = vektor faktor bersama
\(\varepsilon\) = vektor faktor spesik

Pembentukan model di atas dilakukan berdasarkan asumsi-asumsi berikut:

1. \(E(F) = 0_{(m\times1)}\)

2. \(Cov(F) = E (FF^{}) =I_{(m\times m)}\)

3.\(E(\varepsilon) = 0_{(p\times1)}\)

4.\(Cov (\varepsilon) = E (\varepsilon \varepsilon^{}) =\Psi_{(p\times p)}=\begin{bmatrix} \Psi_{1} &

0 & \cdots & 0\\ 0 & \Psi_{1} & \cdots & 0\\ 0 & 0& \ddots & \vdots\\ 0 & 0& \cdots & \Psi_{p}\\
\end{bmatrix}\)
5.\(Cov(\varepsilon, F) = E (\varepsilon F^{}) = 0_{(p\times m)}\)

Adapun struktur kovarian untuk model faktor orthogonal adalah:

1.\(Cov (X) = LL^{}+\Psi\) ; atau

\(Var (X_{i}) =l_{i1}^{2} + l_{i2}^{2} + + l_{im}^{2}+\Psi_i\)

\(Cov (X_{i},X_{j}) = l_{i1}l_{j1} +l_{i2}l_{j2}++l_{im}l_{jm}\)

2.\(Cov (X, F)= L\) ; atau

\(Cov (X_i,F_j) =l_{ij}\)

Model \((X\mu) =LF+\varepsilon\) adalah linear dalam faktor umum. Bagian dari Var \(X_{i}\) yang
dapat diterangkan oleh m faktor umum disebut communality ke-i, sedangkan bagian-bagian dari Var \
(X_{i}\) yang merupakan faktor spesik disebut uniqueness atau keragaman spesik (spesic varians)
ke-i.

Maka variansya dapat ditulis sebagai berikut:

\(\sigma_{ii}=l_{i1}^{2}+l_{i2}^{2}+l_{i3}^{2}+\cdots+l_{im}^{2}+\psi_i=h_{i}^{2}+\psi_i\)

Keterangan:
\(l_{ij}=\) loading factor
\(l_{i}^{2}=\) Communality ke-i
\(\psi_{i}=\) keragaman spesik ke-i

Nilai loading menunjukkan korelasi antara faktor umum yang terbentuk dengan variabel asal,
semakin besar nilai loading maka semakin erat hubungan diantara keduanya.

Hair (1998) dalam tulisannya menyatakan bahwa nilai minimal loading yangdigunakan adalah lebih
besar dari 0.30; loading 0.40 dianggap penting; dan loading 0.50 atau lebih besar dinyatakan
signikan.

Metode Analisis Faktor

Terdapat dua cara yang dapat dipergunakan dalam melakukan analisis faktor khususnya koesien
skor faktor, yaitu Principal componentanalysis (PCA)dan Common factor analysis(CFA).

1. Principal component

Jumlah varian yang terdapat dalam gugus data harus dipertimbangkan. Diagonal matrik korelasi
terdiri dari angka satu dan full variance dibawa dalam matriks faktor. Principal component
direkomendasikan jika hal yang pokok adalah menentukan bahwa banyaknya faktor harus minimum
dengan memperhitungkan varians maksimum dalam data untuk dipergunakan di dalam analysis
multivariate lebih lanjut.

Baca Juga: Stochastic Frontier Analysis : Metode Untuk Estimasi Batas Produksi

2. Common factor analysis

Faktor yang diestimasi hanya didasarkan pada common variance dancommunalitiesyang

dimasukkan dalam matrik korelasi. Metode ini dianggap sangat tepat jika tujuan utamanya adalah
untuk mengenali/mengidentikasi dimensi yang mendasari dan common variance yang menarik
perhatian.

Langkah-langkah Melakukan Analisis Faktor

Supranto (2004) mengemukakan bahwa langkah-langkah dalam menentukan analisis faktor adalah
pertama merumuskan masalah dan mengidentikasi variabel asli yang akan dianalisis
faktor.Kemudian suatu matriks korelasi dari variabel dibentuk dan metode analisis faktor dipilih.
Peneliti menentukan banyaknya faktor yang akan dipilih (extracted) dari variabel yang banyak
tersebut dan metode rotasi akan dipergunakan. Selanjutnya menginterpretasikan faktor hasil rotasi.

Berikutnya tergantung pada tujuan penelitian, menghitung skor faktor ataukah memilih surrogate
variable, untuk mewakili faktor yang akan digunakan untuk analisis multivariat selanjutnya.Dengan
mengacu pada teori diatas, secara singkat, proses analisis faktor dapat dilakukan tahapan sebagai
berikut:

1. Mengelompokan variabel-variabel yang akan dianalisis faktor dalam suatu permasalahan dan
menyusun matriks korelasinya.
2. Melakukan Ekstraksi faktor.
3. Merotasi faktor.
4. Menghitung skor faktor

Interpretasikan Faktor

Pembuatan factor scores.

Pilih variabel surrogate atau tentukan summated scale.

1. Pemeriksaan matriks korelasi

Seperti dijelaskan sebelumnya bahwa analisis faktor didasari oleh korelasi antara variabel-variabel
yang digunakan.Variabel awal yang digunakan merupakan variabel yang saling berkorelasi
diharapkan setelah dilakukan analisis faktor akan terbentuk set variabel baru yang lebih sedikit dan
tidak berkorelasi.

Oleh karena itu, langkah pertama perlu dicek apakah terdapat korelasi antar variabel yang diteliti,
karena jika tidak terdapat korelasi maka analisis faktor yang digunakan menjadi tidak berguna.

Pemeriksaan matriks korelasi dapat dilakukan dengan tiga cara yaitu;

1. Uji Bartlett
2. Uji KMO
3. Uji MSA

Uji Bartlett (Bartlett Test of Sphericity)

Pengujian ini digunakan untuk melihat apakah matriks korelasi bukan merupakan matriks
identitas.Tujuan dari melihat apakah matriks korelasi merupakan matriks identitas atau bukan
adalah agar penyusutan dimensi peubahmenjadi lebih sederhana dan bermanfaat tanpa banyak
kehilangan informasi sebelumnya.

Apabila dari uji Bartlett hasilnya signicant, maka matriks korelasi bukan matriks identitas.Maka
penyusutan dimensi peubah tersebut bermakna untuk dilakukan analisis komponen utama. Dengan
kata lain, pengurangan peubah akan mempunyai arti dan kegunaan.

Tahapan dari pengujian ini adalah sebagai berikut:

\({\color{Red}\star}\) Hipotesis

\(H_0\): Matriks korelasi merupakan matriks identitas

\(H_1\): Matriks korelasi bukan merupakan matriks identitas

\({\color{Red}\star}\) Statistik Uji

\(\chi_{obs}^{2}=-[(N-1)-\frac{(2p+5)}{6}]ln|R|\)

Keterangan:

N = jumlah observasi

p = jumlah peubah

|R| = determinasi dari matriks korelasi

\({\color{Red}\star}\) Pengambilan Keputusan

Keputusan tolak \(H_0\) apabila nilai \(\chi_{obs}^{2}>\chi_{\alpha,p(p-1)/2}^{2}\) Setelah

dilakukan pengujian terhadap matriks korelasi, perlu diketahui apakah data layak untuk dianalisis
lebih lanjut menggunakan analisis faktor.

Untuk menguji kelayakan tersebut digunakan uji KMO (Kaiser Meyer Olkin).

Uji KMO (Kaiser Meyer Olkin)

KMO digunakan untuk mengukur kecukupan sampling (sampling adequacy). Nilai ini membandingkan
besarnya koesien korelasi terobservasi dengan koesien korelasi parsial. Nilai KMO yang kecil
menunjukkan bahwakorelasi antar pasangan variabel tidak bisa diterangkan oleh variabel lainnya
dan analisis faktor mungkin tidak tepat.

Rumusnya adalah:

\(KMO=\frac{\sum_i \sum_{i\neq j}r_{ij}^{2}}{\sum_i \sum_{i\neq j}r_{ij}^{2}+\sum_i \sum_{i\neq

j}\alpha_{ij}^{2}};i=1,2,..,p ;j=1,2,,p\)

Keterangan:

\(r_{ij}\) = koesien korelasi sederhana antara peubah i dan j

\(alpha_{ij}\) = koesien korelasi parsial antara peubah i dan j

Menurut Kaiser (1970) dalam Widarjono (2010) penilaian uji KMO adalah sebagai berikut :

Tabel Penilaian Uji KMO

Rentang Nilai KMO Kategori Penilaian
0,9KMO1,0 data sangat baik (marvelous) untuk analisis faktor
0,8KMO<0,9 data baik (meritorious) untuk analisis faktor
0,7KMO<0,8 data cukup (middling) untuk analisis faktor
0,6KMO<0,7 data kurang (mediocre) untuk analisis faktor
0,5KMO<0,6 data buruk (miserable) untuk analisis faktor
KMO0,5 data tidak dapat diterima (unacceptable) untuk analisis faktor
Kriteria diatas dapat anda jadikan acuan penentuan penilaian pada output SPSS
Pengujian dengan MSA

Baca Juga: Stochastic Frontier Analysis : Metode Untuk Estimasi Batas Produksi

Selanjutnya untuk menilai kelayakan setiap variabel untuk dianaisis faktor digunakan kriteria Measure
of Sampling Adequacy (MSA).

Hair dan Anderson (1998) menyatakan bahwa MSA merupakan ukuran lain yang digunakan untuk
mengukur interkorelasi antar variabel dan kesesuaian dari analisis faktor.

Santosa (2002) mengemukakan kriteria MSA yang digunakan adalah:

Tabel Kategori Nilai MSA

Rentang Nilai MSA KriteriaKategori Penilaian

MSA = 1 variabel dapat diprediksi tanpa kesalahan oleh variabel lain

MSA 0,5 variabel masih bisa diprediksi dan dianalisis lebih lanjut

MSA < 0,5 variabel dapat dieliminasi untuk tidak disertakan dalam analisis faktor

Kriteria diatas dapat anda jadikan acuan penentuan penilaian pada output SPSS

Hair (1998) menyatakan bahwa kenaikan nilai MSA ditentukan oleh: 1) kenaikan ukuran sampel, 2)
kenaikan korelasi rata-rata, 3) kenaikan jumlah variabel, atau 4) penurunan jumlah faktor.

2. Ekstraksi faktor

Ekstraksi faktor adalah proses mereduksi sejumlah variabel menjadi sejumlah set variabel baru atau
faktor yang jumlahnya lebih sedikit. Misal terdapat p variabel asal, setelah diekstraksi akan menjadi
m faktor dimana m<p. metode ekstraksi faktor berkaitan dengan penentuan jumlah faktor yang
menggambarkan struktur data. Supranto (2004) menyatakan bahwa terdapat 2 metode yang bisa
dipergunakan dalam analisis faktor, khususnya untuk menghitung timbangan atau koesisen skor
faktor, yaitu Pricipal Component Analysis dan Common Factor Analysis.

Dalam Principal Component Analysis, jumlah varian dalam data dipertimbangkan. Jika tujuan dari
penggunaan analisis faktor adalah untuk mereduksi data dan mendapatkan jumlah faktor minimum
yang dibutuhkan untuk merepresentasikan data asal, maka direkomendasikan menggunakanPricipal
Component Analysis.

Di dalam Common Factor Analysis faktor diestimasi berdasarkan common variance, communalities
dimasukkan dalam matriks korelasi. Metode ini dianggap tepat kalau tujuan utama penggunaan
analisis faktor adalah untuk mengidentikasi secara teoritis dimensi yang bermakna. Metode ini juga
dikenal sebagai principal axis factoring.

Hair dan Anderson (1998) menyatakan bahwa terdapat beberapa kriteria dalam menentukan
sejumlah faktor yang terbentuk, yakni:
 a. Kriteria akar ciri

Teknik yang paling sering digunakan adalah dengan melihat akar ciri. Alasan penggunaan akar
ciri adalah karena setiap variabel memiliki kontribusi nilai 1 terhadap total akar ciri. Sehingga
faktor dengan nilai akar ciri 1 yang dianggap signikan, sedangkan untuk faktor yang nilai akar
cirinya < 1 dianggap tidak signikan dan harus dikeluarkan dari model.

b. Kriteria persentase keragaman

Penentuan jumlah faktor dilihat dari nilai spesik dari persentase kumulatif keragaman yang bisa
dijelaskan oleh faktor yang terbentuk. Dalam penelitian ilmiah ekstraksi faktor tidak akan
dihentikan sebelum mencapai total keragaman 95%, namun dalam ilmu sosial batas total
keragaman yang digunakan hanya 60%.

c. Kriteria scree test

Teknik ini dilakukan dengan membuat plot antara jumlah faktor yang terbentuk (sumbu
horizontal) dengan akar ciri (sumbu vertikal). Dengan melihat bentuk dari kurva yang telah
diplotkan ditentukan jumlah faktor yang akan digunakan. Semakin melandai kurva maka
ekstraksi faktor dihentikan.

Setelah menetukan jumlah faktor yang terbentuk, tahap selanjutnya adalah melakukan estimasi nilai
loading untuk menetapkan variabel yang menyusun faktor. Johnson dan Wichern (2002) menuliskan
2 estimasi nilai loading, yaitu metode komponen utama (principal component analysis) dan metode
maximumlikelihood. Metode yang paling sering digunakan adalah metode komponen utama

karena metode maximum likelihood digunakan ketika faktor umum F dan faktor khusus
diasumsikan berdistribusi normal. Metode komponen utama memanfaatkan dekomposisi spektral
dari matriks covariance untuk mengestimasi nilai loading. Jika matriks covariance sampel S
mempunyai pasangan akar ciri dan vektor ciri (\(\hat{\lambda}_i,\hat{e}_i\)) dengan \
(\hat{\lambda}_1\) \(\hat{\lambda}_1\)\(\hat{\lambda}_p\)0, maka;

\(s=\sqrt{\hat{\lambda_1}\hat{e_1}}\sqrt{\hat{\lambda_2}\hat{e_2}}\cdots
\sqrt{\hat{\lambda_p}\hat{e_m}}\begin{bmatrix} \sqrt{\hat{\lambda_1}\hat{e^{}}_1}\\
\sqrt{\hat{\lambda_2}\hat{e^{}}_2}\\ \vdots \\ \sqrt{\hat{\lambda_p}\hat{e^{}}_m} \end{bmatrix}
+\begin{bmatrix} \hat{\psi _1} &0 &\cdots & 0\\ 0& \hat{\psi _2} & \cdots &\vdots \\ \vdots &\vdots &
\ddots & \\ 0& 0& \cdots & \hat{\psi _m} \end{bmatrix}\) \(s=\tilde{L}\tilde{L}^{}+\tilde{\psi }\)

dimana, \(\psi _i=s_{ii}-\sum_{j=1}^{m}\tilde{l}_{ij}^{2};i=1,2,..,p\)

Maka estimasi matriks loadingnya adalah :\

(\hat{L}=\sqrt{\hat{\lambda_1}\hat{e}_1}\sqrt{\hat{\lambda_2}\hat{e}_2}\cdots
\sqrt{\hat{\lambda_p}\hat{e}_m}\)

Dalam kasus dimana peubah memiliki satuan yang berbeda-beda, maka perlu dilakukan standarisasi
dengan cara :

Baca Juga: Stochastic Frontier Analysis : Metode Untuk Estimasi Batas Produksi

\(Z_j=\begin{bmatrix} \frac{x_{j1}-\bar{x}_2}{\sqrt{s_{22}}}\\ \frac{x_{j1}-\bar{x}_1}{\sqrt{s_{11}}}\\

\vdots \\ \frac{x_{j1}-\bar{x}_p}{\sqrt{s_{pp}}} \end{bmatrix} ; j=1,2,,n\)

sehingga matriks covariance yang digunakan adalah matriks korelasi R dari observasi x1, x2, , xn.
Standarisasi berguna untuk menghindari masalah peubah dengan variasi besar yang memengaruhi
nilai loading factors.

3. Rotasi faktor

Interpretasi hasil analisis yang dilakukan seringkali menyusahkan. Langkah penting dalam
interpretasi faktor adalah rotasi faktor (Hair, 1998) Rotasi dilakukan sampai struktur yang lebih
sederhana diperoleh. Dua jenis metode untuk rotasi faktor adalah Orthogonal dan Oblique (Rummel,
1970).

Rotasiorthogonal mengasumsikan bahwa faktor-faktor terbentuk adalah independent, proses

rotasinya dengan mempertimbangkan sudut 900 antar sumbu kedua faktor umum. Sedangkan rotasi
oblique tidak mengharuskan bahwa sudut yang digunakan adalah 900.

Beberapa ahli menyarankan untuk menggunakan rotasiorthogonal yakni varimax (variance of

maximum) karena menghasilkan struktur faktor yang sederhana dengan memaksimumkan jumlah
varians dari faktor yang memuat nilai loading kuadrat (Johnson dan Wichern, 2002).

Menurut Wijaya (2010) dengan metode varimax banyak variabel dapat memiliki loading tinggi atau
mendekati tinggi pada faktor yang sama karena fokus tekniknya untuk menyederhanakan baris,
sehingga kecenderungan memiliki loading tinggi dan beberapa loading mendekati 0 (nol) pada setiap
kolom matrik. Oleh karena itu, pada penelitian kali ini metode rotasi yang digunakan adalah rotasi
orthogonal dengan varimax.

Rotasi Varimax adalah rotasi yang memaksimalkan faktor pembobot dan mengakibatkan korelasi
peubah-peubah dengan suatu faktor mendekati satu serta korelasi dengan faktor lainnya mendekati
nol sehingga mudah diinterpretasikan. Rotasi tersebut menghasilkan matriks loading baru \(L^{*}\)
yaitu:

\(L^{*}_{(p\times q)}=L_{(p\times q)}.T_{(q\times q)}\)

Dimana T= matriks transformasi yang dipilih sehingga TT=TT = I

Matriks tranformasi T ditentukan sedemikian rupa sehingga total keragaman kuadrat loading L
menjadi maksimum.

Rotasi merupakan suatu upaya untuk menghasilkan faktor penimbang baru yang lebih mudah
diinterpretasikan. Yaitu dengan mengalikan faktor penimbang awal dengan matriks transformasi
yang bersifat orthogonal, sehingga matriks korelasinya tidak akan berubah. Dari merotasi matriks
loading menyebabkan setiap peubah asal mempunyai korelasi yang tinggi terhadap faktor tertentu
saja sedangkan faktor lain mempunyai korelasi relatif sehingga setiap faktor akan lebih mudah
diinterpretasikan.

4. Menghitung skor faktor

Skor faktor merupakan ukuran komposit dari masing-masing variabel asal pada masing-masing
faktor yang diekstraksi dalam analisis faktor (Hair, 1998). Skor faktor merupakan skor komposit yang
diestimasi untuk setiap responden pada faktor turunan (derived factors) (Supranto, 2004).

Skor faktor biasanya dihitung jika hasil dari analisis faktor akan digunakan untuk analisis lanjutan,
karena sebenarnya tanpa menghitung skor faktor hasil dari analisis ini sudah bermanfaat yaitu jika
tujuannya hanya ingin mereduksi variabel. Penghitungan skor faktor dalam penelitian ini digunakan
untuk mencari nilai penimbang dalam penyusunan indeks komposit.

Dalam penghitungan skor faktor terdapat beberapa metode estimasi yang sering digunakan yaitu
metode weight least square dan regresi. Metode weightleast square digunakan jika dalam
mengestimasi nilai loading digunakan metodemaximum likelihood (Johnson dan Wichern, 2002).
Oleh karena dalam penelitian ini estimasi nilai loading dilakukan dengan metode komponen utama
maka dalam mengestimasi skor faktor digunakan metode regresi. Estimasi skor faktor dengan
metode regresi dapat diperoleh dengan cara berikut :

\(\hat{f}_{(n\times m)}=(x_j-\bar{x})_{(n \times p)} S^{-1}_{(p\times p)}\hat{L}_{(p \times m)}\)

dimana, j=1, 2, n

Keterangan:

\(\hat{f}\) : skor faktor

S : matriks kovarian sampel
\(\hat{L}\) : estimasi nilai loading

Atau jika dengan matriks korelasi estimasi skor faktornya menjadi :

\(\hat{f}_{(n \times p)}=z_{(n \times p)}R^{-1}_{(p\times p)}\hat{L}_{z(p \times m)}\) dimana, j=1, 2,
n

Keterangan:

R: matriks korelasi sampel

\(z_{(n \times p)}=(x_j-\bar{x})_{(n\times p)}D^{-1/2}_{(p\times p)}\)

dimana;

\(D^{-1/2}_{(p\times p)}=\begin{bmatrix} \frac{1}{\sqrt{S_{11}}} & 0 & \cdots & 0\\ 0& \frac{1}
{\sqrt{S_{22}}} &\cdots & 0\\ \vdots & \vdots & \ddots & \vdots\\ 0& 0 & \cdots & \frac{1}
{\sqrt{S_{pp}}} \end{bmatrix}\)

Skor faktor yang telah diperoleh pada analisis faktor ini selanjutnya digunakan keperluan analisis dan
inferensia sesuai kebutuhan penelitian anda.

Apakah Artikel ini membantu anda?Mohon beri kan penilaian dengan memberi bintang.

print artikel ini!

Bagikan untuk disimpan

Tweet