See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/327464012

Analisis Data Dengan Eviews

Preprint · September 2018

CITATIONS READS

0 18,971

1 author:

Maulida Nurhidayati
Institut Agama Islam Negeri Ponorogo
26 PUBLICATIONS 55 CITATIONS

SEE PROFILE

All content following this page was uploaded by Maulida Nurhidayati on 06 September 2018.

The user has requested enhancement of the downloaded file.

 DAFTAR ISI
BAB I Mengenal Eviews ........................................................................................... 1
BAB II Statistika Deskriptif ........................................................................................7
BAB III Analisis Korelasi .............................................................................................. 15
BAB IV Analisis Regresi ................................................................................................ 19
BAB V Pengujian Diagnostik .......................................................................................25
BAB VI Model Two State Least Square ........................................................................31
BAB VII Vector Autoregression ....................................................................................34
BAB VIII Vector Error Correction ...................................................................................43
Lampiran .........................................................................................................................48
BAB I
Mengenal Eviews

A. Membangun Workfile
Dalam analisis data dengan menggunakan eviews, hal yang perlu dilakukan
terlebih dahulu adalah membuat suatu workfile. Workfile dimanfaatkan sebagai
tempat untuk memasukkan dan menyimpan data, membuat suatu data baru, serta
untuk menyimpan hasil analisis yang dilakukan.
1. Membuat suatu workfile baru

2. Memilih jenis data yang akan dianalisis

Pada eviews, terdapat 3 macam data yang dapat dianalisis yaitu

a. Unstructured/Undate : berupa data cross section
Pada jenis data ini, kita cukup memasukkan jumlah data yang akan dianalisis.

1|
b. Dated : berupa data time series
Pada jenis data ini, kita harus terlebuh dahulu menentukan frekuensi
pengukuran dari data series tersebut. Apakah data diukur harian, mingguan,
bulanan, triwulanan, semesteran, atau tahunan. Selain itu, perlu juga
memasukkan tahun awal dan akhir data yang dianalisis.

2|
 c. Balance Panel : berupa data panel
Pada jenis data ini, kita harus terlebuh dahulu menentukan frekuensi
pengukuran dari data series, awal dan akhir tahun pengukuran, dan jumlah
data untuk masing-masing variable.

3. Misalkan dipilih data Dated-regular frequency dengan frekuensi pengukuran

adalah tahunan dan data yang dianalisis dimulai dari tahun 1990 sampai dengan
2015.

4. Selanjutnya klik ok dan diperoleh hasil dibawah ini.

3|
 Berdasarkan hasil tersebut diperoleh informasi bahwa data yang akan dianalisis
sejumlah 26 obs dengan observasinya adalah tahunan. Variable c menyatakan
konstanta yang berfungsi untuk menyimpan hasil estimasi parameter dari data
yang akan dianalisis. Sedangkan resid berfungsi sebagai tempat penyimpanan
residual/sisaan dari analisis data yang dilakukan. Workfile sudah siap untuk
digunakan sabagai tempat penyimpanan data yang akan dianalisis.

B. Menambahkan data / import data

Untuk menambahkan data pada workfile, terdapat 2 cara yang dapat dilakukan
yaitu :
1. Menambahkan secara langsung
Langkah-langkah menambahkan data secara langsung sebagai berikut:
a. Klik quick – empty group

b. Selanjutnya akan keluar kolom yang siap diisi dengan data.

4|
 c. Copy data yang akan dianalisis pada kolom tersebut

d. Selanjutnya beri nama variable. Klik ok dan data sudah siap dianalisis.

2. Menambahkan data melalui import data

Selain manambahkan data secara langsung, kita juga dapat menambahkan data
melalui perintah import dengan catatan kita telah menyimpan data yang akan
dianalisis dalam excel. Untuk lebih memahami cara menambahkannya
perhatikan langkah-langkah berikut:
a. Klik file - import – import from file

5|
b. Selanjutnya klik next pada step 1, next lagi pada step 2, dan terakhir finish.
Setelah selesai, akan diperoleh hasil sebagai berikut dan workfile siap.

6|
BAB II
Statistika Deskriptif

Pada bab ini akan dijelaskan bagaimana mendeskripsikan data dengan menggunakan
eviews. Eviews memiliki fasilitas yang memungkinkan kita untuk membuat deskripsi dari
data yang dimiliki meliputi menghitung mean, median modus, nilai maksimum, nilai
minimum, kurtosis, dan ukuran deskriptif lainnya. Selain nilai-nilai tersebut, kita dapat
pula menampilkan grafik berdasarkan data yang dimiliki.

A. Menampilkan diskripsi statistic dari data

Untuk menampilkan diskripsi statistic dari data dapat memanfaatkan salah satu
fasilitas yang ada di eviews. Berikut ini diberikan contoh cara menampilkan diskripsi
statistic dari data. Untuk lebih memahami cara analisis data diskriptif perhatikan
langkah-langkah berikut:
1. Klik Quick-group statistics-descriptive statistics-individual samples

2. Masukkan variable yang akan dicari nilai deskriptifnya

3. Klik ok dan diperoleh hasil seperti terlihat pada gambar dibawah ini. Untuk
memudahkan dalam mengcopi hasilnya dapat dipilih menu freeze.

7|
 4. Untuk memberi nama, klik name dan beri nama sesuai dengan yang diinginkan.
Misalkan deskriptif_data.

B. Menampilkan grafik untuk 1 variabel / 1 data

1. Diagram garis
Berikut adalah langkah-langkah menampilkan diagram garis dari suatu data.
a. Klik quick-graph

b. Selanjutnya pilih variable yang akan digambarkan grafiknya. Misalkan data

pendapatan ingin dibuat diagram garisnya. Ketik pendapatan pada kolom
series.

8|
c. Klik ok dan pilih line & symbol untuk menampilkan diagram garis.

d. Klik ok diperoleh hasil diagram garis seperti pada gambar dibawah ini.
Sumbu X menyatakan tahun dan sumbu Y menyatakan nilai dari
pendapatan. Untuk memberi nama, klik name dan beri nama sesuai dengan
yang diinginkan. Misalnya diagram_pendapatan.

9|
2. Diagram batang
Untuk merubah diagram garis menjadi diagram batang, perhatikan langkah
langkah berikut
a. Klik template kemudian pilih graph type dan pilih bar.

b. Klik ok dan diperoleh hasil sebagai berikut

10 |
 3. Diagram Area
Untuk merubah diagram garis menjadi diagram area, perhatikan langkah
langkah berikut
a. Klik template kemudian pilih graph type dan pilih bar.

b. Klik ok dan diperoleh hasil sebagai berikut

C. Menampilkan diagram untuk 2 variabel

1. Diagram garis
Untuk menggambar 2 data pada 1 bidang gambar perhatikan langkah-langkah
berikut
a. Klik quick-graph

b. Masukkan data pendapatan dan belanja pada kolom series.

11 |
c. Pilih line & symbol

d. Klik ok dan diperoleh hasil sebagai berikut

Garis merah menunjukkan data belanja pemerintah sedangkan garis biru

meunjukkan penerimaan pemerintah. Dari diagram garis tersebut dapat
diperoleh informasi bahwa belanja negara lebih dari pendapatan
pemerintah.

12 |
2. Diagram Area
Untuk menggambar diagram area dari diagram garis yang dimiliki, perhatikan
langkah-langkah berikut
a. Klik template. Kemudian pilih area dan centang pada multiple series.

b. Klik ok dan diperoleh hasil sebagai berikut.

3. Scatter plot
Untuk menggambar scatter plot dari diagram garis yang dimiliki, perhatikan
langkah-langkah berikut
a. Klik template. Kemudian pilih scatter.

13 |
b. Klik ok dan diperoleh hasil sebagai berikut.

Scatter plot dapat dimanfaatkan sebagai sarana untuk mengetahui pola

hubungan antara 2 buah variable. Pola hubungan ini lebih jauh akan dibahas
pada materi analisis korelasi.

14 |
BAB III
Analisis Korelasi
Analisis korelasi adalah analisis yang digunakan untuk mengetahui pola hubungan
antar variable. Untuk melihat pola hubungan antara 2 variabel digunakan korelasi
bivariate, untuk lebih dari 2 variabel digunakan korelasi multivariate, dan untuk parsial
digunakan korelasi parsial. Eviews memberikan fasilitas pada kita untuk dapat
menentukan nilai koefisien korelasi, akan tetapi koefisien korelasi yang disediakan
hanya untuk korelasi bivariate. Untuk lebih memahami cara untuk mendapatkan nilai
koefisien korelasi perhatikan langkah-langkah berikut ini.
1. Untuk dapat melihat korelasi antara 2 variabel terlebih dahulu dapat dibuat scatter
plot untuk mengetahui arah dari hubungan antara 2 variabel tersebut.
a. Klik quick-graph

b. Ketik pendapatan dan belanja di series list kemudian klik ok.

c. Pilih scatter dan klik ok. Sehingga diperoleh hasil scatter plot seperti di bawah
ini.

15 |
2. Untuk melihat besarnya koefisien korelasi berikut langkah-langkahnya
a. Klik quick-group statistics-correlation

b. Masukkan variable pendapatan dan belanja pada kolom series list

c. Klik ok dan diperoleh hasil sebagai berikut

Untuk memudahkan dalam mengopi hasil koefisien korelasi, klik freeze dan hasil
koefisien korelasi siap untuk dicopi. Dari hasil tersebut diketahui bahwa nilai
koefisien korelasi antara belanja dan pendapatan adalah 0,9999 artinya korelasi
yang terjadi antara belanja dan pendapatan sangat kuat karena mendekati nilai
1. Koefisien korelasi memiliki tanda + yang artinya semakin tinggi pendapatan
semakin tinggi pula belanja dan semakin rendah pendapatan maka semakin
rendah belanja.

16 |
3. Berikut ini akan disajikan hasil analisis korelasi untuk data pada lampiran 2.
a. Membuat scatter plot dari data.
b. Klik quick-graph

c. Pada series list ketik variable yang akan dibuat grafiknya

d. Pilih scatter kemudian klik ok dan diperoleh hasil di bawah ini.

Berdasarkan hasil tersebut, diketahui bahwa hubungan antara kedua variable

tersebut adalah negative. Hal ini dapat dilihat dari semakin tinggi pertumbuhan
ekonomi panganggurannya semakin kecil. Selanjutnya hitung koefisien korelasi.

17 |
e. Klik quick-group statistics-correlations

f. Pada series list ketikkan variable yang akan dihitung koefisien korelasinya.

g. Klik ok dan diperoleh hasil sebagai berikut.

Berdasarkan hasil yang diperoleh diketahui bahwa nilai koefisien korelasi

bertanda negatif artinya hubungan antara kedua variable adalah saling
berkebalikan. Artinya semakin tinggi pertumbuhan ekonomi maka semakin
rendah penggangguran.

18 |
BAB IV
Analisis Regresi
Analisis regresi digunakan sebagai alat untuk memperoleh suatu hubungan antara
variable.
Untuk lebih memahami analisis regresi, perhatikan langkah-langkah berikut
1. Memasukkan data pada workfile berdasarkan data pada lampiran 3.

2. Melakukan estimasi pada data

a. Klik quick-estimate equation

b. Kemudian masukkan variable Y, C, X1, X2, X3, X4 dengan metode yang

digunakan adalah LS (Least Square). Perhatikan bahwa C ditulis setelah Y dan C
merupakan konstanta dari model yang akan terbentuk.

19 |
 c. Klik ok dan diperoleh hasil estimasi sebagai berikut

3. Melakukan interpretasi terhadap hasil yang diperoleh

Hasil dari estimasi model regresi adalah sebagai berikut

Dependent Variable: Y
Method: Least Squares
Date: 03/19/17 Time: 06:04
Sample: 1 38
Included observations: 38

Variable Coefficient Std. Error t-Statistic Prob.

C -15.08464 1.687141 -8.940949 0.0000

X1 0.806233 0.074237 10.86023 0.0000
X2 0.363134 0.026718 13.59143 0.0000
Koef Determinasi X3 0.545072 0.029008 18.79026 0.0000
Pengujian
X4 0.217056 0.019565 11.09393 0.0000
Parsial
R-squared 0.996580 Mean dependent var 68.14026
Adjusted R-squared 0.996166 S.D. dependent var 5.077967
S.E. of regression 0.314441 Akaike info criterion 0.646041
Sum squared resid 3.262822 Schwarz criterion 0.861513
Log likelihood -7.274784 Hannan-Quinn criter. 0.722704
F-statistic 2404.110 Durbin-Watson stat 2.368030
Prob(F-statistic) 0.000000

Pengujian serentak

20 |
a. Model Regresi yang diperoleh
Berdasarkan hasil di atas, diperoleh model regresi sebagai berikut

Yˆ  15, 085  0,806 X 1  0,363 X 2  0,545 X 3  0, 217 X 4

Dimana :

Yˆ : Y duga / Y prediksi dari model yang dibentuk

X 1 : Rata-rata lama sekolah

X 2 : Pendapatan Perkapita

X 3 : Angka harapan hidup

X 4 : Angka melek huruf

b. Uji signifikansi model untuk pengujian serentak

Pengujian serentak adalah pengujian yang dilakukan untuk melihat apakah suatu
model regresi yang terbentuk secara keseluruhan adalah suatu model yang
signifikan.
Hipotesis :
H 0 : 1   2  3   4  0

H1 : minimal ada 1  j  0 dimana j=1,2,3,4

Statistik Uji
F-statistic =2404,110 dan Prob(F-Statistic) =0,000
Daerah Penolakan
Jika Prob(F-statistic)<0,05 maka tolak H 0

Kesimpulan
Karena nilai Prob(F-statistic)=0,000<0,05 maka tolak H 0 .

Jadi dapat disimpulkan bahwa model regresi yang terbentuk adalah

signifikan.

21 |
c. Uji signifikansi model untuk pengujian parsial
Pengujian parsial adalah pengujian yang dilakukan untuk melihat apakah suatu
variable pada model regresi yang terbentuk memiliki pengaruh secara individu.
 Pengujian untuk X1
Hipotesis :
H 0 : 1  0
H1 : 1  0
Statistik Uji
t-statistic =10,860 dan Prob(t-Statistic) =0,000
Daerah Penolakan
Jika Prob(t-statistic)<0,05 maka tolak H 0

Kesimpulan
Karena nilai Prob(t-statistic)=0,000<0,05 maka tolak H 0 .

Jadi dapat disimpulkan bahwa X1 memiliki pengaruh yang signifikan

terhadap Y.

 Pengujian untuk X2
Hipotesis :
H0 : 2  0
H1 :  2  0
Statistik Uji
t-statistic =13,591 dan Prob(t-Statistic) =0,000
Daerah Penolakan
Jika Prob(t-statistic)<0,05 maka tolak H 0

Kesimpulan
Karena nilai Prob(t-statistic)=0,000<0,05 maka tolak H 0 .

Jadi dapat disimpulkan bahwa X2 memiliki pengaruh yang signifikan

terhadap Y.

22 |
 Pengujian untuk X3
Hipotesis :
H 0 : 3  0
H 1 : 3  0
Statistik Uji
t-statistic =18,790 dan Prob(t-Statistic) =0,000
Daerah Penolakan
Jika Prob(t-statistic)<0,05 maka tolak H 0

Kesimpulan
Karena nilai Prob(t-statistic)=0,000<0,05 maka tolak H 0 .

Jadi dapat disimpulkan bahwa X3 memiliki pengaruh yang signifikan

terhadap Y.

 Pengujian untuk X4
Hipotesis :
H0 : 4  0
H1 :  4  0
Statistik Uji
t-statistic =11,093 dan Prob(t-Statistic) =0,000
Daerah Penolakan
Jika Prob(t-statistic)<0,05 maka tolak H 0

Kesimpulan
Karena nilai Prob(t-statistic)=0,000<0,05 maka tolak H 0 .

Jadi dapat disimpulkan bahwa X4 memiliki pengaruh yang signifikan

terhadap Y.

d. Koefisien determinasi
Berdasarkan hasil estimasi parameter regresi, diperoleh nilai R-squared 0,996
yang artinya variable X1, X2, X3, dan X4 mempengaruhi variable Y sebesar 99,6%
sisanya sebesar 0,4% dipengaruhi oleh variable lain yang tidak masuk di dalam
model.

23 |
e. Interpretasi Model
Berdasarkan hasil di atas, diperoleh model regresi sebagai berikut

Yˆ  15, 085  0,806 X 1  0,363 X 2  0,545 X 3  0, 217 X 4

Dimana :

Yˆ : Y duga / Y prediksi dari model yang dibentuk

X 1 : Rata-rata lama sekolah

X 2 : Pendapatan Perkapita

X 3 : Angka harapan hidup

X 4 : Angka melek huruf

Interpretasi model
- Untuk setiap kenaikan 1 satuan dari X1 akan menaikkan Y sebesar 0,806
dengan asumsi bahwa factor yang lain tetap.
- Untuk setiap kenaikan 1 satuan dari X2 akan menaikkan Y sebesar 0,363
dengan asumsi bahwa factor yang lain tetap.
- Untuk setiap kenaikan 1 satuan dari X3 akan menaikkan Y sebesar 0,545
dengan asumsi bahwa factor yang lain tetap.
- Untuk setiap kenaikan 1 satuan dari X4 akan menaikkan Y sebesar 0,217
dengan asumsi bahwa factor yang lain tetap.

f. Prediksi nilai Y dari nilai X1, X2, X3, dan X4

Jika dikatahui nilai X1, X2, X3, dan X4 kita dapat melakukan prediksi nilai untuk Y.
X1 X2 X3 X4 Yˆ
5.6 55.89 72.08 94.01 69.40044
6.41 59.08 70.66 87.66 69.05942
7.89 60.12 72.77 92.41 72.81052
7.08 61.87 71.09 93.12 72.03138
Ket :

Yˆ  15,085  0,806(5,6)  0,363(55,89)  0,545(72,08)  0, 217(94,01)  69, 40044

…

Yˆ  15,085  0,806(7,08)  0,363(61,87)  0,545(71,09)  0, 217(93,12)  72,03138

24 |
BAB V
Pengujian Diagnostik

Pada analisis regresi yang estimasinya menggunakan metode OLS, memerlukan

beberapa asumsi yang harus dipenuhi antara lain uji asumsi normalitas,
multikolinieritas, heteroskesdatisitas, dan autokorelasi. Berdasarkan hasil yang
diperoleh pada BAB IV, selanjutnya akan dilakukan pengujian asumsi klasik. Berikut
adalah pengujian asumsi klasik untuk hasil yang diperoleh pada BAB IV.

A. Uji asumsi normalitas

Uji asumsi normalitas adalah salah satu uji yang digunakan untuk mengetahui apakah
distribusi dari residual/sisaan mengikuti distribusi normal atau tidak. Karena metode
estimasi data menggunakan metode OLS maka residual/sisaan harus mengikuti
distribusi normal. Berikut ini langkah-langkah uji asumsi normalitas dan cara
menginterpretasikan hasilnya.
1. Klik view →residual diagnostics→histogram-Normality test

2. Diperoleh hasil sebagai berikut

12
Series: Residuals
Sample 1 38
10 Observations 38

8 Mean 8.14e-15
Median 0.014688
Maximum 0.881541
6 Minimum -0.591659
Std. Dev. 0.296959
Skewness 0.517123
4
Kurtosis 4.065232

2 Jarque-Bera 3.490272
Probability 0.174621
0
-0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8

25 |
 Untuk membaca hasil yang diperoleh dari pengujian normalitas perhatikan
langkah-langkah pengujian berikut ini
Hipotesis :
H 0 : Residual/Sisaan Mengikuti Distribusi Normal
H1 : Residual/Sisaan tidak mengikuti distribusi Normal
Statistik Uji
Jarque-Bera =3,490 dan Probability=0,175
Daerah Penolakan
Jika Probabilitaty<0,05 maka tolak H 0

Kesimpulan
Karena nilai Probability=0,175>0,05 maka gagal tolak H 0 .

Jadi dapat disimpulkan bahwa residual/sisaan mengikuti distribusi normal.

B. Uji asumsi multikolinieritas

Uji asumsi multokolinieritas digunakan untuk melihat apakah terdapat kolinieritas
diantara variable independen dalam model. Apabila terdapat kolinieritas yang tinggi,
hasil estimasi yang diperoleh biasanya kurang dapat menggambarkan keadaan yang
sebenarnya.
1. Klik view→coefficient diagnostics→ Variance Inflation Factors

26 |
 2. Diperoleh hasil sebagai berikut
Variance Inflation Factors
Date: 03/19/17 Time: 20:30
Sample: 1 38
Included observations: 38

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 2.846445 1093.974 NA
X1 0.005511 117.4144 5.555694
X2 0.000714 911.4659 1.821068
X3 0.000841 1489.607 3.460939
X4 0.000383 1195.672 7.474829

Untuk membaca hasil yang diperoleh dari pengujian multikolinieritas perhatikan

langkah-langkah pengujian berikut ini
Hipotesis :
H 0 : tidak terdapat multikolinieritas
H1 : terdapat multikolinieritas
Statistik Uji
VIF X1=5,555
VIF X2=1,822
VIF X3=3,461
VIF X4=7,475
Daerah Penolakan
Jika terdapat minimal 1 nilai VIF>10 maka tolak H 0

Kesimpulan
Karena semua nilai VIF<10 maka gagal tolak H 0 .

Jadi dapat disimpulkan bahwa tidak terjadi kasus multikolinieritas.

C. Uji asumsi heteroskesdatisitas

Uji asumsi heteroskesdatisitas adalah uji asumsi residual yang digunakan untuk
mengetahui apakah suatu residual tersebut homogeny atau heterogen. Dalam suatu
penelitian yang menggunakan metode OLS sebagai metode estimasinya
mengharuskan terpenuhi residual adalah homogeny.

27 |
1. Klik view→residual diagnostics→heteroskesdaticity Test

2. Kemudian pilih metode yang digunakan. Pada contoh ini, digunakan pengujian
dengan menggunakan white. Pembaca diperbolehkan memilih metode yang lain
seperti Breuce-pagan-godfrey atau Glejser.

3. Klik ok dan diperoleh hasil sebagai berikut

Heteroskedasticity Test: White

F-statistic 1.877162 Prob. F(14,23) 0.0873

Obs*R-squared 20.26471 Prob. Chi-Square(14) 0.1220
Scaled explained SS 23.42256 Prob. Chi-Square(14) 0.0537

Untuk membaca hasil yang diperoleh dari pengujian heteroskedastisitas

perhatikan langkah-langkah pengujian berikut ini
28 |
 Hipotesis :
H 0 : varian residual/sisaan konstan (tidak terjadi heteroskedastisitas)
H1 : varian residual/sisaan tidak konstan (terjadi heteroskedastisitas)
Statistik Uji
Obs*R-square=20,265 dan Prob. Chi-Square=0,1220
Daerah Penolakan
Jika nilai Prob.Chi-square>0,05 maka tolak H 0

Kesimpulan
Karena semua nilai Prob.Chi-square=0,1220>0,05 maka gagal tolak H 0 .

Jadi dapat disimpulkan bahwa varian residual/sisaan konstan sehingga tidak

terjadi heteroskedastisitas.

D. Uji asumsi autokorelasi

Uji asumsi autokorelasi adalah uji asumsi yang digunakan untuk mengetahui apah
suatu residual bebas atau saling bergantung satu dengan yang lain. Penggunaan
metode OLS untuk analisis mengharuskan residual yang dimiliki saling bebas atau
tidak terdapat hubungan satu dengan yang lain atau tidak terdapat autokorelasi
pada sisaan.
1. Klik view→residual diagnostics→serial correlation LM test

29 |
2. Klik Ok dan diperoleh hasil sebagai berikut

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.834795 Prob. F(2,31) 0.0740

Obs*R-squared 5.875289 Prob. Chi-Square(2) 0.0530

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 03/19/17 Time: 21:32
Sample: 1 38
Included observations: 38
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C 0.307870 1.605830 0.191720 0.8492

X1 0.000472 0.070543 0.006697 0.9947
X2 0.004184 0.025412 0.164637 0.8703
X3 -0.019259 0.028683 -0.671463 0.5069
X4 0.008329 0.018911 0.440438 0.6627
RESID(-1) -0.336673 0.177633 -1.895331 0.0674
RESID(-2) -0.338499 0.177452 -1.907553 0.0658

R-squared 0.154613 Mean dependent var 8.14E-15

Adjusted R-squared -0.009010 S.D. dependent var 0.296959
S.E. of regression 0.298293 Akaike info criterion 0.583344
Sum squared resid 2.758348 Schwarz criterion 0.885004
Log likelihood -4.083532 Hannan-Quinn criter. 0.690672
F-statistic 0.944932 Durbin-Watson stat 1.934336
Prob(F-statistic) 0.477693

Untuk membaca hasil yang diperoleh dari pengujian autokorelasi perhatikan

langkah-langkah pengujian berikut ini
Hipotesis :
H 0 : tidak terdapat autokorelasi pada residual/sisaan
H1 : terdapat autokorelasi pada residual/sisaan
Statistik Uji
Obs*R-square=5,875 dan Prob. Chi-Square=0,0530
Daerah Penolakan
Jika nilai Prob.Chi-square>0,05 maka tolak H 0

Kesimpulan
Karena semua nilai Prob.Chi-square=0,0530>0,05 maka gagal tolak H 0 .

Jadi dapat disimpulkan bahwa tidak terdapat autokorelasi pada

residual/sisaan.

30 |
BAB VI
Model Two State Least Square

Model persamaan tunggal yang kita pelajari sebelumnya mengabaikan

interdependensi antara kegiatan ekonomi yang merupakan karakteristik dunia ekonomi
sekarang, padahal dalam banyak kasus suatu peristiwa ekonomi sangat dipengaruhi oleh
peristiwa ekonomi yang lain. Contoh yang sangat umum adalah model permintaan dan
penawaran dimana harga barang ditentukan secara serentak (simultan) oleh kekuatan
interaksi antara produsen dan konsumen di dalam pasar barang itu. Contoh yang
lainnya adalah model penentuan tingkat penghasilan dalam makro ekonomi.
Sesungguhnya hampir semua pendekatan-pendekatan utama pada makro ekonomi dari
model-model permintaan agregat Keynesian sampai dengan model-model harapan
nasional (rational expectation), memiliki sifat simultan.
Metode ini digunakan untuk menggantikan metode OLS yang tidak dapat digunakan
untuk mengestimasi suatu persamaan dalam sistem persamaan simultan, terutama
karena adanya saling ketergantungan antara variabel error dengan variabel eksplantory
endogennya atau adanya pelonggaran terhadap asumsi klasik. Berikut ini disajikan
contoh penerapan metode TSLS pada kasus ekonomi.
Data yang digunakan pada contoh ini dapat dilihat pada Lampiran 4.
Ada dua fungsi pendapat dan money supply sebagai berikut :
Y1t  10  11Y2t  11 X1t  12 X 2t  1t

Y2t   20   21Y1t   2t
Dimana :
Y1 : Pendapatan/GDP
Y2 : Stock of Money
X1 : Pengeluaran Investasi
X2 : Belanja Negara
Variabel endogen = Y1 dan Y2
Variabel Eksogen = X1 dan X2

31 |
m  Y1 dan Y2  2
K  10 ,  20 , X 1 , X 2  4
k1  3, k2  2

Persamaan 1 : K  k1   4  3   2  1  m  1 → teridentifikasi secara tepat

Persamaan 2 : K  k2   4  2    2  1  m  1 → teridentifikasi secara berlebihan

Karena persamaan 2 mengalami identifikasi secara berlebihan, maka metode TSLS dapat
digunakan untuk analisis contoh di atas.
1. Masukkan data pada workfile

2. Klik quick-estimate equation

3. Pilih method TSLS

32 |
4. Pada kolom specification masukkan Y2, c, dan Y1
Pada kolom instrument list masukkan variable eksogennya yaitu X1 dan X2

5. Klik ok dan diperoleh hasil sebagai berikut

Dependent Variable: Y2
Method: Two-Stage Least Squares
Date: 03/21/17 Time: 11:22
Sample: 1 15
Included observations: 15
Instrument specification: X1 X2
Constant added to instrument list

Variable Coefficient Std. Error t-Statistic Prob.

C 60.82764 2.985035 20.37753 0.0000

Y1 0.162320 0.003353 48.40400 0.0000

R-squared 0.994571 Mean dependent var 198.3867

Adjusted R-squared 0.994153 S.D. dependent var 46.25894
S.E. of regression 3.537102 Sum squared resid 162.6442
F-statistic 2342.948 Durbin-Watson stat 1.302169
Prob(F-statistic) 0.000000 Second-Stage SSR 645.6300
J-statistic 0.054414 Instrument rank 3
Prob(J-statistic) 0.815554

33 |
BAB VII
Vector Autoregression

Seringkali teori ekonomi belum mampu menentukan spesifikasi yang tepat untuk
model, disebabkan:
a. Teori ekonomi terlalu kompleks sehingga perlu dilakukan penyederhanaan
dalam model
b. Atau fenomena yang ada terlalu kompleks sehingga tidak cukup hanya
dijelaskan dengan teori yang ada.
c. Model Vector Autoregression (VAR) menawarkan alternatif pemodelan sebagai
solusinya
d. Model VAR dibangun dgn pendekatan meminimalkan teori agar mampu
menangkap fenomena ekonomi dgn baik.
e. Model VAR disebut model non-struktural/tidak teoritis

Misalnya
inflasi (INF) pada periode t dipengaruhi oleh suku bunga SBI pada waktu t dan suku
bunga SBI pada t-1.
INFt  1   2 SBIt  3 INFt 1  e1t
Disisi lain pergerakan INF akan mempengaruhi pergerakan SBI dimasa y.a.d.
SBIt  1  2 INFt 1  3 SBI t 1  e2t
Substitusi pers. 2 ke pers. 1 dan pers 1 ke pers 2 diberikan dalam bentuk sederhana
sebagai berikut
INFt  11  12 INFt 1  13 SBIt 1  v1t

SBIt   21   22 INFt 1   23 SBIt 1  v2t

 INFt  11  12 13   v1t 

Yt    ; A0    ; A     ; v  v 
 SBI t   21   22 23   2t 

Yt  A0  AYt 1  vt
Persamaan tsb disebut Vector Autoregresion berordo 1 dengan dua peubah (bivariate).
Lazim ditulis VAR(1).

34 |
Untuk melakukan analisis dengan menggunakan VAR lakukan langkah-langkah berikut
1. Import data.
2. Lakukan pengujian stasioneritas pada data. Hal ini dilakukan karena model VAR
mengharuskan data yang dimasukkan merupakan data yang stationer.
a. Klik quick-series statistics-unit root test

b. Masukkan variable yang ingin dilihat stasioneritasnya

c. Pilih metode ADF dengan test for unit root in level. Maksud dari level adalah
menggunakan data asli. Data yang sebenarnya.

d. Klik ok dan diperoleh hasil sebagai berikut

Null Hypothesis: INFLASI has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.696229 0.4297

Test critical values: 1% level -3.505595
5% level -2.894332
10% level -2.584325

*MacKinnon (1996) one-sided p-values.

Berdasarkan hasil tersebut, karena Prob=0,4297>0,05 maka data mengandung

akar unit yang artinya data tidak stasioner. Syarat dari VAR adalah data

35 |
 haruslah tidak mengandung akar unit (stasioner) sehingga perlu dilakukan
difference.
e. Klik view-unit root test. Pilih 1st difference dan klik ok.

f. Sehingga diperoleh hasil sebagai berikut

Null Hypothesis: D(INFLASI) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.788610 0.0000

Test critical values: 1% level -3.506484
5% level -2.894716
10% level -2.584529

*MacKinnon (1996) one-sided p-values.

Berdasarkan hasil tersebut, karena Prob=0,000<0,05 maka data difference dari
inflasi tidak mengandung akar unit yang artinya data stasioner.

g. Lakukan langkah yang sama untuk data SBI dan diperoleh hasil sebagai berikut
Null Hypothesis: SBI has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.572900 0.1025

Test critical values: 1% level -3.506484
5% level -2.894716
10% level -2.584529

*MacKinnon (1996) one-sided p-values.

36 |
 Berdasarkan hasil tersebut, karena Prob=0,1025>0,05 maka data mengandung
akar unit yang artinya data tidak stasioner. Syarat dari VAR adalah data
haruslah tidak mengandung akar unit (stasioner) sehingga perlu dilakukan
difference.

Null Hypothesis: D(SBI) has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.744448 0.0049

Test critical values: 1% level -3.506484
5% level -2.894716
10% level -2.584529

*MacKinnon (1996) one-sided p-values.

Berdasarkan hasil tersebut, karena Prob=0,0049<0,05 maka data difference dari

SBI tidak mengandung akar unit yang artinya data stasioner.

3. Setelah pengujian stasioneritas, dilanjutkan dengan menentukan lag optimum

model.
a. Klik quick-estimation VAR

b. Masukkan variable d(inflasi) d(sbi). d(inflasi) dan d(sbi) maksudnya adalah data
yang digunakan dalam VAR ini adalah data hasil difference.

37 |
c. Klik ok dan diperoleh hasil sebagai berikut

d. Kemudian klik view-lag structure-lag length criteria untuk mengetahui berapa

lag maksimum yang dapat digunakan.

e. Berikut disajikan hasil lag optimum

VAR Lag Order Selection Criteria
Endogenous variables: D(INFLASI) D(SBI)
Exogenous variables: C
Date: 03/21/17 Time: 19:59
Sample: 2003M01 2010M06
Included observations: 81
Lag LogL LR FPE AIC SC HQ
0 -180.3100 NA 0.309044 4.501481 4.560603 4.525201
1 -146.4235 65.26287* 0.147763 3.763543 3.940909* 3.834705*
2 -141.4839 9.269291 0.144410* 3.740344* 4.035955 3.858947
3 -138.6169 5.238449 0.148589 3.768319 4.182175 3.934364
4 -137.8072 1.439587 0.160924 3.847091 4.379190 4.060576
5 -133.7856 6.950893 0.161086 3.846558 4.496902 4.107484
6 -132.2614 2.559130 0.171621 3.907689 4.676277 4.216057
7 -129.2926 4.838010 0.176584 3.933151 4.819984 4.288960
8 -128.9654 0.517140 0.194125 4.023836 5.028914 4.427086

38 |
Dengan menggunakan kriteria AIC terkecil, dapat dipilih lag 2 sebagai panjang lag
model. Artinya model VAR(2) yang akan digunakan untuk estimasi model.
f. Klik estimate dan tentukan panjang lag adalah 2.

g. Klik ok dan diperoleh hasil sebagai berikut

Vector Autoregression Estimates
Date: 03/21/17 Time: 20:01
Sample (adjusted): 2003M04 2010M06
Included observations: 87 after adjustments
Standard errors in ( ) & t-statistics in [ ]

D(INFLASI) D(SBI)

D(INFLASI(-1)) 0.098997 0.059929

(0.11246) (0.02151)
[ 0.88032] [ 2.78656]
D(INFLASI(-2)) -0.217830 -0.004417
(0.11743) (0.02246)
[-1.85492] [-0.19668]
D(SBI(-1)) 0.330497 0.654280
(0.59983) (0.11471)
[ 0.55098] [ 5.70358]
D(SBI(-2)) 1.085272 -0.029925
(0.54236) (0.10372)
[ 2.00103] [-0.28851]
C 0.071127 -0.014514
(0.15390) (0.02943)
[ 0.46218] [-0.49314]

R-squared 0.138622 0.570620

Adj. R-squared 0.096603 0.549675
Sum sq. resids 162.3522 5.937862
S.E. equation 1.407091 0.269097
F-statistic 3.299067 27.24328
Log likelihood -150.5856 -6.669334
Akaike AIC 3.576679 0.268261
Schwarz SC 3.718398 0.409979
Mean dependent -0.024368 -0.059080
S.D. dependent 1.480413 0.401001

Determinant resid covariance (dof adj.) 0.126213

Determinant resid covariance 0.112123
Log likelihood -151.7104
Akaike information criterion 3.717480
Schwarz criterion 4.000918

39 |
4. Dilanjutkan dengan pemeriksaat kestabilan dari model VAR.
a. Klik view-lag structure- AR root table

b. Diperoleh hasil sebagai berikut

Berdasarkan hasil tersebut, jika diperoleh hasil

No root lies outside the unit circle.
VAR satisfies the stability condition.

maka model VAR yang dibentuk sudah memenuhi stabilitas VAR.

40 |
5. Pada pemodelan data dengan menggunakan model VAR biasanya dilakukan
pengujian kausalitas untuk mengetahui hubungan sebab akibat pada data yang
dianalisis. Berikut langkah-langkahnya
a. Klik quick-group statistics-grenger causality test

b. Masukkan variable inflasi dan sbi. klik ok dan masukkan lag adalah 2.

c. Klik ok dan diperoleh hasil sebagai berikut

Pairwise Granger Causality Tests

Date: 03/22/17 Time: 08:22
Sample: 2003M01 2010M06
Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

SBI does not Granger Cause INFLASI 88 5.29639 0.0068

INFLASI does not Granger Cause SBI 5.70147 0.0048

berdasarkan hasil diatas, diketahui bahwa semua nilai Prob<0,05 artinya

terdapat granger causalitas antara SBI dan inflasi.
6. Berikut adalah langkah-langkah peramalan data dengan menggunakan VAR
a. Klik proc-make model

41 |
b. Dan diperoleh model sebagai berikut

c. Klik solve

d. Klik ok dan diperoleh hasil sebagai berikut.

Data inflasi_0 dan sbi_0 merupakan data peramalan dari model VAR(2) yang
telah diestimasi.

42 |
BAB VII
Vector Error Correction

Vector Error Correction model adalah pengembangan dari vector autoregression

model dimana terdapat kointegrasi antar variable.
1. Memeriksa stasioneritas dari data
2. Menentukan lag optimum
3. Mencari hubungan kointegrasi
Untuk menentukan hubungan kointegrasi perhatikan langkah-langkah berikut
a. Klik quick-group statistics-johansen cointegration test

b. Masukkan data inflasi dan sbi

c. Klik ok sehingga muncul dialog dibawah ini. Masukkan lag yang digunakan 1 1

43 |
d. Klik ok dan diperoleh hasil sebagai berikut

Date: 03/21/17 Time: 21:09

Sample (adjusted): 2003M03 2010M06
Included observations: 88 after adjustments
Trend assumption: Linear deterministic trend
Series: INFLASI SBI
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.200528 25.95260 15.49471 0.0009

At most 1 * 0.068643 6.257896 3.841466 0.0124

Trace test indicates 2 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.200528 19.69471 14.26460 0.0063

At most 1 * 0.068643 6.257896 3.841466 0.0124

Max-eigenvalue test indicates 2 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

INFLASI SBI
-0.561917 1.050820
0.072986 0.406654

Unrestricted Adjustment Coefficients (alpha):

D(INFLASI) 0.405134 -0.284659

D(SBI) -0.061635 -0.059282

1 Cointegrating Equation(s): Log likelihood -148.5643

Normalized cointegrating coefficients (standard error in parentheses)

INFLASI SBI
1.000000 -1.870061
(0.20883)

Adjustment coefficients (standard error in parentheses)

D(INFLASI) -0.227652
(0.08305)
D(SBI) 0.034634
(0.01579)

44 |
4. Mengestimasi model VEC
a. Klik estimate

b. Pilih VEC dan masukkan data yang akan dianalisis yaitu inflasi dan sbi. untuk lag
yang digunakan pilih 1 2 karena VAR maksimum yang diperoleh pada langkah
sebelumnya adalah 2.

c. Klik cointegration dan masukkan banyak kointegrasi adalah 1.

45 |
d. Klik ok dan diperoleh hasil sebagai berikut
Vector Error Correction Estimates
Date: 03/22/17 Time: 08:45
Sample (adjusted): 2003M04 2010M06
Included observations: 87 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: CointEq1

INFLASI(-1) 1.000000

SBI(-1) -1.584370
(0.19103)
[-8.29394]

C 5.931919

Error Correction: D(INFLASI) D(SBI)

CointEq1 -0.316806 0.021393

(0.08676) (0.01775)
[-3.65136] [ 1.20535]

D(INFLASI(-1)) 0.243212 0.050191

(0.11204) (0.02292)
[ 2.17075] [ 2.18996]

D(INFLASI(-2)) -0.102705 -0.012191

(0.11394) (0.02331)
[-0.90141] [-0.52307]

D(SBI(-1)) 0.464161 0.645254

(0.56045) (0.11464)
[ 0.82820] [ 5.62837]

D(SBI(-2)) 1.483521 -0.056817

(0.51729) (0.10582)
[ 2.86786] [-0.53695]

C 0.121976 -0.017947
(0.14416) (0.02949)
[ 0.84612] [-0.60863]

R-squared 0.260364 0.578186

Adj. R-squared 0.214708 0.552148
Sum sq. resids 139.4062 5.833233
S.E. equation 1.311893 0.268357
F-statistic 5.702678 22.20557
Log likelihood -143.9572 -5.896003
Akaike AIC 3.447292 0.273471
Schwarz SC 3.617354 0.443534
Mean dependent -0.024368 -0.059080
S.D. dependent 1.480413 0.401001

Determinant resid covariance (dof adj.) 0.100920

Determinant resid covariance 0.087480
Log likelihood -140.9143
Akaike information criterion 3.561249
Schwarz criterion 3.958062

46 |
5. Diagnostik Model dengan Portmanteau Autocorelation
a. Klik view-residual test-portmanteau autocorrelation test

b. Masukkan lag yang digunakan adalah 12

c. Klik ok dan diperoleh hasil sebagi berikut

VEC Residual Portmanteau Tests for Autocorrelations

Null Hypothesis: no residual autocorrelations up to lag h
Date: 03/22/17 Time: 08:52
Sample: 2003M01 2010M06
Included observations: 87

Lags Q-Stat Prob. Adj Q-Stat Prob. df

1 0.224993 NA* 0.227609 NA* NA*

2 1.025150 NA* 1.046594 NA* NA*
3 3.610203 0.7293 3.723970 0.7140 6
4 4.890559 0.8984 5.066030 0.8867 10
5 11.18505 0.6714 11.74433 0.6268 14
6 18.02500 0.4540 19.09094 0.3862 18
7 20.49976 0.5518 21.78224 0.4729 22
8 21.09705 0.7369 22.44002 0.6644 26
9 23.36482 0.8000 24.96945 0.7265 30
10 31.66186 0.5827 34.34404 0.4513 34
11 34.25938 0.6431 37.31751 0.5008 38
12 44.88621 0.3518 49.64464 0.1949 42

*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution

47 |
Lampiran 1

Penerimaan Dalam
Tahun Belanja Negara
Negeri dan Hibah
1990 31584.0 36143.0
1991 40184.0 43091.0
1992 46508.0 50288.0
1993 52769.0 52018.0
1994 59737.0 59228.0
1995 66265.0 67303.0
1996 78203.0 78500.0
1997 88061.0 89391.0
1998 149302.0 230627.0
1999 40184.0 43091.0
2000 194146.1 223907.1
2001 299851.0 354578.0
2002 305151.0 345605.0
2003 342812.0 377248.0
2004 400955.0 427226.0
2005 540126.0 565070.0
2006 659115.0 699099.0
2007 694088.0 752373.0
2008 894990.6 989493.8
2009 870999.0 1000843.9
2010 992398.8 1126146.4
2011 1169914.4 1320751.3
2012 1358205.0 1548310.3
2013 1502005.0 1726191.3
2014 1633053.4 1876872.8
2015 1758330.9 1984149.7
Sumber :SEKI

48 |
Lampiran 2
Pertumbuhan Ekonomi Pengangguran
(%) (%)
2.5 6.4
3.6 6.2
4.2 6.0
5.4 5.4
6.4 5.0
2.6 6.6
4.0 5.6
7.0 4.0
Sumber : Buku Statistika Ekonomi dan Bisnis

49 |
Lampiran 3
Data Indeks Pembangunan Manusia dan Faktor-faktor yang mempengaruhi

Y X1 X2 X3 X4
69.52 6.73 54.98 71.41 95.55
68.17 6.57 58.71 69.6 86.88
71.02 7.14 57.81 71.56 93.97
Y : Indeks Pembangunan Manusia
72.07 7.48 60.21 71.07 94.34
70.87 7.14 58.38 71.43 92.31 X1 : rata-rata lama sekolah
69.28 7.2 56.67 68.64 93.44 X2 : Pendapatan Perkapita
67.45 6.66 56.92 67.55 90.71
65.15 6 55.02 66.59 85.93 X3 : angka harapan hidup
62.33 6.03 54.8 62.99 84.3 X4 : angka melek huruf
66.88 6.82 58.39 66.53 88.21
59.12 5.32 52.15 63.18 77.89
60.2 5.48 54.49 61.96 78.02
58.89 5.28 53.82 60.45 81.45
64.07 6.54 55.89 62.66 88.46
73.3 9.48 59.06 69.75 97.83
70.9 7.51 58.53 69.69 94.83
71.36 7.61 59.49 70.44 93.54
68.7 7.27 58.12 67.76 92.71
68.91 7.32 59.58 68.53 89.77
70.4 7.61 59.06 70.06 91.34
66.83 6.21 56.01 69.22 86.34
66.21 6.24 57.95 67.12 85.92
66.3 6.15 57.89 67.28 85.87
67.98 7.09 58.8 67.84 88.6
72.2 8.25 58.92 70.82 94.74
61.94 4.65 57.26 62.68 81.56
55.77 3.8 55.17 61.45 67.94
61.25 6.02 53.91 62.96 83.75
62.15 5.25 55.63 64.9 76.22
73.39 9.89 58.66 69.83 97.68
74.97 9.8 59.82 72.1 97.92
73.13 10.48 55.64 70.22 97.3
70.78 8.09 58.52 69.54 92.87
71.42 8.71 60.76 66.95 96.19
74.91 9.69 61.18 71.33 97.38
74.93 10.09 61.15 70.46 97.79
76.1 10.07 65.24 70.05 97.76
70.48 8.48 53.5 69.37 97.68
Sumber : BPS (Badan Pusat Statistik)

50 |
Lampiran 4

Y1 Y2 X1 X2
503.7 144.2 74.8 53.4
520.1 148.7 71.7 57.4
560.3 150.9 83 63.4
590.5 156.5 87.1 64.2 Y1 GDP
632.4 163.7 94 65.2 Y2 Stock of Money
684.9 171.3 108.1 66.9 X1 Investment
749.9 175.4 121.4 77.8 X2 Government Expenditure
793.9 186.9 116.6 90.7
864.2 201.7 126 98.8
930.3 208.7 139 98.8
977.1 221.4 136.3 96.2
1054.9 235.3 153.7 97.6
1158 255.8 179.3 104.9
1294.9 271.5 209.4 106.9
1396.7 283.8 208.9 116.4
Sumber : Ekonometrika (Setiawan)

51 |
Lampiran 5
Inflasi M1 SBI
No Bulan-Tahun
(%) (Milyar Rp) (%)
1 Jan-03 8.68 180112 12.69
2 Feb-03 7.60 181530 12.24
3 Mar-03 7.17 181239 11.40
4 Apr-03 7.62 182963 11.06
5 May-03 7.15 191707 10.44
6 Jun-03 6.98 194878 9.53
7 Jul-03 6.27 196589 9.10
8 Aug-03 6.51 201859 8.91
9 Sep-03 6.33 207587 8.66
10 Oct-03 6.48 212614 8.48
11 Nov-03 5.53 224318 8.49
12 Dec-03 5.16 223799 8.31
13 Jan-04 4.82 209113 7.86
14 Feb-04 4.60 208161 7.48
15 Mar-04 5.11 209153 7.42
16 Apr-04 5.92 208169 7.33
17 May-04 6.47 215861 7.32
18 Jun-04 6.83 226147 7.34
19 Jul-04 7.20 231007 7.36
20 Aug-04 6.67 232642 7.37
21 Sep-04 6.27 234676 7.39
22 Oct-04 6.22 240495 7.41
23 Nov-04 6.18 243536 7.41
24 Dec-04 6.40 245946 7.43
25 Jan-05 7.32 242373 7.42
26 Feb-05 7.15 244668 7.43
27 Mar-05 8.81 244003 7.44
28 Apr-05 8.12 240477 7.70
29 May-05 7.40 246669 7.95
30 Jun-05 7.42 261814 8.25
31 Jul-05 7.84 261120 8.49
32 Aug-05 8.33 268856 9.51
33 Sep-05 9.06 267762 10.00
34 Oct-05 17.89 280270 11.00
35 Nov-05 18.38 268694 12.25
36 Dec-05 17.11 271140 12.75
37 Jan-06 17.03 274069 12.75
38 Feb-06 17.92 270338 12.75
39 Mar-06 15.74 270425 12.75
40 Apr-06 15.40 273594 12.75
41 May-06 15.60 296101 12.50
42 Jun-06 15.53 303803 12.50
43 Jul-06 15.15 303156 12.25
44 Aug-06 14.90 319018 11.75
45 Sep-06 14.55 323885 11.25
46 Oct-06 6.29 336273 10.75
47 Nov-06 5.27 332316 10.25
48 Dec-06 6.60 347013 9.75
49 Jan-07 6.26 335700 9.50
50 Feb-07 6.30 336393 9.25

52 |
 51 Mar-07 6.52 331736 9.00
52 Apr-07 6.29 342141 9.00
53 May-07 6.01 343309 8.75
54 Jun-07 5.77 371768 8.50
55 Jul-07 6.06 386234 8.25
56 Aug-07 6.51 391960 8.25
57 Sep-07 6.95 400075 8.25
58 Oct-07 6.88 404018 8.25
59 Nov-07 6.71 413429 8.25
60 Dec-07 6.59 450055 8.00
61 Jan-08 7.36 410752 8.00
62 Feb-08 7.40 401410 7.93
63 Mar-08 8.17 409768 7.96
64 Apr-08 8.96 414390 7.99
65 May-08 10.38 426283 8.31
66 Jun-08 11.03 453047 8.73
67 Jul-08 11.90 445921 9.23
68 Aug-08 11.85 440336 9.28
69 Sep-08 12.14 479738 9.71
70 Oct-08 11.77 459116 10.98
71 Nov-08 11.68 463590 11.24
72 Dec-08 11.06 456787 10.83
73 Jan-09 9.17 437844.98 9.50
74 Feb-09 8.60 434761.14 8.74
75 Mar-09 7.92 448033.62 8.21
76 Apr-09 7.31 452937.48 7.59
77 May-09 6.04 456954.83 7.25
78 Jun-09 3.65 482621.35 6.95
79 Jul-09 2.71 468943.79 6.71
80 Aug-09 2.75 490127.56 6.58
81 Sep-09 2.83 490501.65 6.48
82 Oct-09 2.57 485537.9 6.49
83 Nov-09 2.41 495061.39 6.47
84 Dec-09 2.78 515824.08 6.46
85 Jan-10 3.72 496526.84 6.45
86 Feb-10 3.81 490083.79 6.41
87 Mar-10 3.43 494460.84 6.27
88 Apr-10 3.91 494717.69 6.20
89 May-10 4.16 514005.04 6.30
90 Jun-10 5.05 545405.37 6.26
Sumber : BI

53 |

View publication stats