net/publication/327464012
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.
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
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|
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.
4|
c. Copy data yang akan dianalisis pada kolom tersebut
d. Selanjutnya beri nama variable. Klik ok dan data sudah siap dianalisis.
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.
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.
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.
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.
11 |
c. Pilih line & symbol
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.
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.
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
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
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
17 |
e. Klik quick-group statistics-correlations
f. Pada series list ketikkan variable yang akan dihitung koefisien korelasinya.
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.
19 |
c. Klik ok dan diperoleh hasil estimasi sebagai berikut
Dependent Variable: Y
Method: Least Squares
Date: 03/19/17 Time: 06:04
Sample: 1 38
Included observations: 38
Pengujian serentak
20 |
a. Model Regresi yang diperoleh
Berdasarkan hasil di atas, diperoleh model regresi sebagai berikut
Dimana :
X 2 : Pendapatan Perkapita
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 .
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 .
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 .
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 .
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 .
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
Dimana :
X 2 : Pendapatan Perkapita
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.
24 |
BAB V
Pengujian Diagnostik
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 .
26 |
2. Diperoleh hasil sebagai berikut
Variance Inflation Factors
Date: 03/19/17 Time: 20:30
Sample: 1 38
Included observations: 38
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
Kesimpulan
Karena semua nilai VIF<10 maka gagal tolak H 0 .
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.
Kesimpulan
Karena semua nilai Prob.Chi-square=0,1220>0,05 maka gagal tolak H 0 .
29 |
2. Klik Ok dan diperoleh hasil sebagai berikut
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.
Kesimpulan
Karena semua nilai Prob.Chi-square=0,0530>0,05 maka gagal tolak H 0 .
30 |
BAB VI
Model Two State Least Square
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
Karena persamaan 2 mengalami identifikasi secara berlebihan, maka metode TSLS dapat
digunakan untuk analisis contoh di atas.
1. Masukkan data pada workfile
32 |
4. Pada kolom specification masukkan Y2, c, dan Y1
Pada kolom instrument list masukkan variable eksogennya yaitu X1 dan X2
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
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
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
t-Statistic Prob.*
35 |
haruslah tidak mengandung akar unit (stasioner) sehingga perlu dilakukan
difference.
e. Klik view-unit root test. Pilih 1st difference dan klik ok.
t-Statistic Prob.*
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.*
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.
t-Statistic Prob.*
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
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.
D(INFLASI) D(SBI)
39 |
4. Dilanjutkan dengan pemeriksaat kestabilan dari model VAR.
a. Klik view-lag structure- AR root table
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.
41 |
b. Dan diperoleh model sebagai berikut
c. Klik solve
Data inflasi_0 dan sbi_0 merupakan data peramalan dari model VAR(2) yang
telah diestimasi.
42 |
BAB VII
Vector Error Correction
c. Klik ok sehingga muncul dialog dibawah ini. Masukkan lag yang digunakan 1 1
43 |
d. Klik ok dan diperoleh hasil sebagai berikut
INFLASI SBI
-0.561917 1.050820
0.072986 0.406654
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.
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 [ ]
INFLASI(-1) 1.000000
SBI(-1) -1.584370
(0.19103)
[-8.29394]
C 5.931919
C 0.121976 -0.017947
(0.14416) (0.02949)
[ 0.84612] [-0.60863]
46 |
5. Diagnostik Model dengan Portmanteau Autocorelation
a. Klik view-residual test-portmanteau autocorrelation test
*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 |