Yogyakarta
Yule (1936) dan Granger dan Newbold (1974) adalah orang pertama yang menarik
perhatian pada masalah korelasi palsu dan menemukan solusi tentang bagaimana
mengatasinya dalam analisis deret waktu. Memberikan dua seri waktu yang sama
sekali tidak terkait tetapi terintegrasi (tidak stasioner), analisis regresi satu sama lain
akan cenderung menghasilkan hubungan yang tampaknya signifikan secara statistik
dan seorang peneliti mungkin mengira telah menemukan bukti hubungan yang benar
antara variabel-variabel tersebut. Kuadrat terkecil biasa tidak lagi konsisten dan statistik uji
yang biasa digunakan tidak valid. Secara khusus, simulasi Monte Carlo menunjukkan
bahwa seseorang akan mendapatkan statistik t-kuadrat R yang sangat tinggi, sangat
tinggi dan statistik Durbin-Watson yang rendah. Secara teknis, Phillips (1986)
membuktikan bahwa estimasi parameter tidak akan konvergen dalam probabilitas,
intersep akan menyimpang dan kemiringan akan memiliki distribusi yang tidak merosot
ketika ukuran sampel meningkat. Namun, mungkin ada kecenderungan stokastik umum
untuk kedua seri bahwa seorang peneliti benar-benar tertarik karena mencerminkan
hubungan jangka panjang antara variabel-variabel ini.
Karena sifat stokastik dari tren, tidak mungkin untuk memecah seri terintegrasi
menjadi tren deterministik (dapat diprediksi) dan seri stasioner yang mengandung
penyimpangan dari tren. Bahkan dalam random walk detrended detrended random korelasi
akhirnya akan muncul. Jadi detrending tidak menyelesaikan masalah estimasi.
Untuk tetap menggunakan pendekatan Box-Jenkins, orang dapat membedakan
seri dan kemudian memperkirakan model seperti ARIMA, mengingat bahwa banyak seri
waktu yang umum digunakan (mis. Dalam ekonomi) tampaknya stasioner dalam
perbedaan pertama. Prakiraan dari model seperti itu masih akan mencerminkan siklus dan
musiman yang ada dalam data. Namun, informasi apa pun tentang penyesuaian jangka
panjang yang mungkin berisi data di tingkat level dan perkiraan jangka panjang akan tidak
dapat diandalkan. Ini mendorong Sargan (1964) untuk mengembangkan metodologi ECM,
yang mempertahankan informasi level
Sebelum melakukan estimasi ECM dan analisis deskriptif, harus dilakukan
beberapa tahapan seperti uji stasioneritas data, dan uji derajat kointegrasi. Setelah data
diestimasi menggunakan ECM. Langkah dalam merumuskan model ECM adalah sebagai
berikut:
GDPt = f(INF, LIR, KURS, AK, GFCF, IVA, TRADE, POP, TR)
GDPt = 0 + 1INFt + 2LIRt + 3KURSt + 5GFCFt + 6IVAt + 7TRADEt + 8AKt
+ 9TRt............................................................................................................................... (1)
Keterangan:
GDPt : Gross Domestic Product per tahun pada periode t
INFt : Inflation, consumer prices (annual %) pada periode t
LIRt : Lending interest rate (%)periode t
Kurst : Nilai Tukar Rupiah terhadap US dollar periode t
GFCFt : Gross Fixed Capital Formation pada periode t
Berdasarkan data diatas Ct adalah fungsi biaya kuadrat, GDPt adalah pendapatan
domestic bruto pada periode t, sedangkan Zt merupakan vector variabel yang
mempengaruhi pendapatan domestic bruto dan dianggap dipengaruhi secara linear
oleh inflasi, tingkat suku bunga, kurs, angkatan kerja, total investasi dalam ekonomi
negara tuan rumah, Industry, value added, nila total perdagangan, total populasi, dan
pendapatan dari pajak. b1 dan b2 merupakan vector baris yang memberikan bobot
kepada Zt - Zt-1.
Komponen pertama fungsi biaya tunggal di atas merupakan biaya ketidakseimbangan
dan komponen kedua merupakan komponen biaya penyesuaian. Sedangkan B
adalah operasi kelambanan waktu. Zt adalah faktor variabel yang mempengaruhi
permintaan uang kartal.
a.
Memiminumkan fungsi biaya persamaan terhadap Rt, maka akan diperoleh:
GDPt = GDPt + (1- e) GDPt-1 – (1 – e) ft (1-B) Zt.................................( 3)
b.
Mensubtitusikan GDPt – GDPt-1 sehingga diperoleh:
LogGDPt = b0 + b1INFt + b2LIRt + b3LogKURSt + b5LogGFCFt + b6LogIVAt +
B7LogTRADEt + b8LogAKt + b9Log0TRt.............................................................................................. (4)
Sementara hubungan jangka pendek dinyatakan dengan persamaan sebagai
berikut:
DLogGDPt = b0 + b1DINFt + b2DLIRt + b3DLogKURSt + b5DLogGFCFt
............................................................................................................................................................................. +
b6DLogIVAt + B7DLogTRADEt + b8DLogAKt + b9DLog0TRt....................................... (5)
Keterangan:
ECT : Error Correction Term
a. Konsep yang dipakai untuk menguji stasioner suatu data runtut waktu adalah uji
akar unit. Apabila suatu data runtut waktu bersifat tidak stasioner, maka dapat
dikatakan bahwa data tersebu tengah menghadapi persoalan akar unit (unit root
problem).
b. Keberadaan unit root problem bisa terlihat dengan cara membandingkan nilai t-
statistics hasil regresi dengan nilai test Augmented Dickey Fuller. Model
persamaannya adalah sebagai berikut:
c. ΔGDPt = a1 + a2 T + ΔGDPt-1 + i ∑mi=1GDPt-1 + et....................................................................... (9)
d. Dimana ΔGDPt-1 = (ΔGDPt-1 - ΔGDPt-2) dan seterusnya, m = panjangnya time-
lag berdasarkan i = 1,2....m. Hipotesis nol masih tetap δ = 0 atau ρ = 1. Nilai
t- statistics ADF sama dengan nilai t-statistik DF.
a. Apabila pada uji akar unit di atas data runtut waktu yang diamati belum stasioner,
maka langkah berikutnya adalah melakukan uji derajat integrasi untuk mengetahui
pada derajat integrasi ke berapa data akan stasioner. Uji derajat integrasi
dilaksanakan dengan model:
b. ΔGDPt = a1 + δΔGDPt-1 + i ∑mi=1GDPt-1 + et.................................................................................. (10)
c. ΔGDPt = β 1 + β 2 T + δΔGDPt-1 + i ∑mi=1GDPt-1 + et................................................................. (11)
d. Nilai t-statistik hasil regresi persamaan (10) dan (11) dibandingkan dengan nilai t-
statistik pada tabel DF. Apabila nilai δ pada kedua persamaan sama dengan satu
maka variabel ΔUKRt dikatakan stasioner pada derajat satu, atau disimbolkan
ΔGDPt ~I(1).
Uji Kointegrasi
Uji Kointegrasi yang paling sering dipakai uji engle-Granger (EG), uji augmented
Engle-Granger (AEG) dan uji cointegrating regression Durbin-Watson (CRDW). Untuk
mendapatkan nilai EG, AEG dan CRDW hitung, data yang akan digunakan harus
sudah berintegrasi pada derajat yang sama. Pengujian OLS terhadap suatu
persamaan di bawah ini :
LogGDPt = b0 + b1INFt + b2LIRt + b3 LogKURSt + b5LogGFCFt + b6LogIVAt + B7
LogTRADEt + b8 LogAKt + b9 Log0TRt........................................................................................................... (12)
Dari persamaan (12), simpan residual (error terms)-nya. Langkah berikutnya adalah
menaksir model persamaan autoregressive dari residual tadi berdasarkan persamaan-
persamaan berikut:
Apabila lolos dari uji kointegrasi, selanjutnya akan diuji dengan menggungkan model
linier dinamis ntuk mengetahui kemungkinan terjadinya peruabahn struktural, sebab
hubungan keseimbangan jangka panjang antara variabel bebas dan variabel terikat
dari hasil uji kointegrasi tidak akan berlaku setiap saat. Secara singkat, proses
bekerjanya ECM pada persamaan permintaan uang kartal (5) yang telah dimodifikasi
menjadi:
Studi Kepustakaan
(Teori dan Studi
Identifikasi
Gambar 1 Variabel Penelitian
dan Pembentukan Model
Langkah-Langkah Penelitian
Pengolahan Data
Uji Akar Unit, Uji Kointegrasi, Regresi Jangka Pendek dan Uji Asumsi Klasik
Memenuhi
Ya
Estimasi Model dan Pengujian Hipotesis
Tahun GDP (M) Kurs GFCF (M) LIR INF TR (M) Trade (M) AK (J) IVA (M)
1986 2,047,293 1,283 525,768 21.49 5.83 14,993 819,473 69 798,545
1987 2,155,799 1,644 554,681 21.67 9.28 18,827 998,819 71 848,963
1988 2,292,815 1,686 618,518 22.1 8.04 21,435 1,083,460 73 907,302
1989 2,501,111 1,770 710,782 21.7 6.42 26,678 1,227,592 75 1,053,730
1990 2,726,250 1,843 825,058 20.83 7.81 37,432 1,441,964 76 1,161,956
1991 2,969,644 1,950 931,494 25.53 9.42 39,098 1,628,540 77 1,277,017
1992 3,184,067 2,030 964,891 24.03 7.53 44,500 1,828,528 79 1,503,687
1993 3,415,042 2,087 1,028,570 20.59 9.69 47,344 1,725,393 82 1,482,120
1994 3,672,538 2,161 1,170,057 17.76 8.52 60,958 1,905,206 84 1,647,643
1995 3,980,898 2,249 1,333,805 18.85 9.43 68,017 2,148,036 88 1,819,329
1996 4,285,149 2,342 1,527,399 19.22 7.97 75,810 2,239,622 90 2,013,806
1997 4,486,546 2,909 1,658,266 21.82 6.23 100,506 2,512,192 90 2,117,949
1998 3,897,609 10,014 1,110,903 32.15 58.39 143,627 3,748,962 92 1,822,466
1999 3,928,444 7,855 908,769 27.66 20.49 179,430 2,472,717 97 1,858,334
2000 4,121,726 8,422 1,060,872 18.46 3.72 99,644 2,944,432 99 1,967,792
2001 4,271,900 10,261 1,129,749 18.55 11.5 190,614 2,981,496 100 2,021,590
2002 4,464,113 9,311 1,182,784 18.95 11.88 215,468 2,637,374 102 2,107,765
2003 4,677,514 8,577 1,189,885 16.94 6.59 249,404 2,507,919 103 2,186,913
2004 4,912,834 8,939 1,364,599 14.12 6.24 283,093 2,935,973 105 2,273,101
2005 5,192,501 9,705 1,513,165 14.05 10.45 312,488 3,322,574 107 2,380,027
2006 5,478,137 9,159 1,552,460 15.98 13.11 343,625 3,103,755 109 2,486,855
2007 5,825,727 9,141 1,697,210 13.86 6.41 374,763 3,194,202 111 2,604,235
2008 6,176,068 9,699 1,898,942 13.6 9.78 658,701 3,616,792 113 2,701,585
2009 6,461,951 10,390 1,961,482 14.5 4.81 619,922 2,940,971 115 2,798,526
2010 6,864,133 9,090 2,127,841 13.25 5.13 723,307 3,205,638 116 2,936,192
2011 7,287,635 8,770 2,316,359 12.4 5.36 873,874 3,656,936 119 3,122,633
2012 7,727,083 9,387 2,527,729 11.8 4.28 980,518 3,831,312 120 3,288,298
2013 8,156,498 10,461 2,654,375 11.66 6.41 1,077,310 3,967,106 122 3,431,081
2014 8,566,271 11,865 2,775,734 12.61 6.39 1,145,283 4,116,716 124 3,577,695
2015 8,976,932 13,389 2,916,602 12.66 6.36 1,164,555 3,764,720 127 3,672,596
Buka Eviews
Stasioneritas merupakan salah satu prasyarat penting dalam model ekonometrika untuk data runtut waktu
(time series). Data stasioner adalah data yang menunjukkan mean, varians dan autovarians (pada variasi
lag) tetap sama pada waktu kapan saja data itu dibentuk atau dipakai, artinya dengan data yang stasioner
model time series dapat dikatakan lebih stabil. Apabila data yang digunakan dalam model ada yang
tidak stasioner, maka data tersebut dipertimbangkan kembali validitas dan kestabilannya, karena hasil
regresi yang berasal dari data yang tidak stasioner akan menyebabkan spurious regression. Spurious
regression adalah regresi yang memiliki R2 yang tinggi, namun tidak ada hubungan yang berarti dari
keduanya.
Salah satu konsep formal yang dipakai untuk mengetahui stasioneritas data adalah melalui uji
akar unit (unit root test). Uji ini merupakan pengujian yang populer, dikembangkan oleh David Dickey dan
Wayne Fuller dengan sebutan Augmented Dickey-Fuller (ADF) Test.
Kita peroleh hasil uji akar unit untuk variabel GDP pada data level
Dari hasil Augmented Dickey-Fuller untuk variabel GDP pada data level tidak stasioner karena nilai
Augmented Dickey-Fuller t-Statistik masih bertanda positip, sehingga dilanjutkan dengan uji pada first
difference (turunan pertamanya).
Graph untuk data tidak stasioner dapat kita lihat dengan klik view Graph OK
Dari hasil Augmented Dickey-Fuller untuk variabel GDP pada data first difference D(GDP) sudah stasioner
karena nilai Augmented Dickey-Fuller t-Statistik (-3,104415) bertanda negative dan diatas -3,689194. Dan
bentuk graph stasioner seperti dibawah ini.
Lakukan uji akar unit untuk variabel inf, lir, kurs, GFCF, IVA, TRADE, AK dan TR
Karena semua variabel pada data level belum stasioner, maka kita lakukan uji akar unit untuk data first
differencenya
Stasioner Stasioner
Uji Kointegrasi
Dua seri waktu non-stasioner terkointegrasi jika cenderung bergerak bersama sepanjang waktu.
Sebagai contoh, tingkat suku bunga Fed Fund dan suku bunga obligasi 3 tahun adalah non-stasioner,
sedangkan perbedaannya stasioner. Dalam terminologi buram yang digunakan dalam literatur deret
waktu, setiap deret dikatakan “terintegrasi orde 1” atau I (1). Jika dua seri non-stasioner bergerak bersama
melalui waktu maka kita mengatakan mereka “terkointegrasi.” Teori ekonomi akan menyarankan bahwa
mereka harus diikat bersama melalui arbitrase, tetapi itu bukan jaminan, dengan melakukan uji statistik
formal. Prosedur tes sangat sederhana. Regres satu variabel I(1) pada variabel lain menggunakan
kuadrat terkecil. Kemudian uji residu (ECT) untuk nonstasioneritas menggunakan uji Dickey-Fuller
(augmented). Jika seri terkointegrasi, statistik uji Dickey-Fuller akan signifikan secara statistik. Hipotesis
nolnya adalah bahwa residualnya nonstasioner. Penolakan ini mengarah pada kesimpulan bahwa
residu adalah diam dan seri terkointegrasi
GDPt = f(INF, LIR, KURS, AK, GFCF, IVA, TRADE, POP, TR)
GDPt = 0 + 1INFt + 2LIRt + 3KURSt + 5GFCFt + 6IVAt + 7TRADEt + 8AKt + 9TRt
Blok variabel sesuai urutan GDP, INF, LIR, KURS, GFCF, IVA, TRADE, AK dan TR klik kanan Open
as Group
2. Simpan Resid
Kemudian dari persamaan jangka panjang kita simpan resid nya dengan cara klik Proc Make
residual Series… dan di simpan dengan nama ECT
Lakukan Uji akar unit untuk ECT dan harus lolos pada data level, dengan cara klik view Unit Root
Test…
t-Statistic Prob.*
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS)
meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun
demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan
pendekatan OLS.
1. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan
bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana
tingkat linieritasnya.
2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator)
dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.
3. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak
bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.
4. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel
bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.
5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke
ciri data cross section dibandingkan time series.
Uji Normalitas
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data pada sebuah
kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak. Uji
Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari
populasi normal.
Uji Linearitas
Klik OK
Uji Autokorelasi
Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (time
Series). Autokoreasi mengakibatkan varians residual yang akan diperoleh lebih rendah daripada
semestinya sehingga mengakibatkan R2 lebih tinggi dari seharusnya. Selain itu pengujian hipotesis dengan
menggunakan t-statistik dan F-statistik akan menyesatkan.
Atau
Uji Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model regresi bersifat BLUE adalah
var (ui) harus sama dengan σ2 (konstan), atau dengan kata lain, semua residual atau error mempunyai
varian yang sama. Kondisi seperti itu disebut dengan homoskedastis. Sedangkan apabila varian tidak
konstan atau berubah-ubah disebut dengan heteroskedastis. Uji formal untuk masalah ini salah satunya
adalah Uji Breusch-Pagan-Godfrey, Uji Harvey, Uji Glejsyer, Uji ARCH dan Custom Test Wizard. Uji ini
dapat dilakukan secara langsung dengan program EViews.
Pilih Breusch-Pagan-Godfrey
Atau
Uji Multikolinearitas
Multikolinier adalah adanya korelasi antara variabel bebas dengan variabel bebas lainnya. Konsekuensinya
meskipun hasil estimasi masih BLUE (Best Linear Unbiased Estimator), akan tetapi multikolinieritas dapat
menyebabkan standard error yang lebih besar, nilai koefisien determinasi (R 2 ) tetap tinggi dan uji F-stat
signifkan meskipun banyak variabel yang tidak signifikan. Dengan kata lain, dapat dikatakan bahwa sebuah
model persamaan dinyatakan terdapat gangguan multikolinear apabila R 2 -nya tinggi namun hanya sedikit
atau bahkan tidak ada variabel bebasnya yang signifikan pada pengujian t-statistik.
Klik OK
Model terhindar dari Multikolinearitas jika nilai Correlation kurang dari 0,8
Uji multikolinearitas digunakan untuk menilai adakah korelasi atau interkorelasi antar variabel bebas dalam
model regresi atau juga biasa digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Pada
Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation
Factor) dan Tolerance.
Hipotesis :
Nilai Centered VIF semuanya kurang dari 10, sehingga dapat disimpulkan model ECM tidak mengandung
Multikolinearitas.
Interpretasi Hasil Regresi
Model ECM yang kita hasilkan sudah memenuhi semua criteria, sehingga dapat dilanjutkan dengan
analisis hasil regresi jangka pendek dan jangka panjang.
Dalam jangka panjang yang mempengaruhi GDP adalah Kurs, GFCF, Trade, dan TR. Sedangkan
dalam jangka pendek yang mempengaruhi Pertumbuhan GDP adalah perubahan GFCF, Perubahan
IVA, Perubahan TR dan perubahan Trade.
Trade (perdagangan) dalam jangka pendek maupun jangka panjang mempengaruhi secara negatif, artinya
semakin tinggi nilai transaksi perdagangan Indonesia dengan Negara lain akan menurunkan GDP. Jika
nilai TRADE bertambah sebesar 1 Milyar Rupiah maka akan menurunkan GDP sebesar (1 M dikalikan -
0.160247) 160 juta rupiah, sedang dalam jangka panjang akan menurunkan sebesar (1 M dikalikan -
0.200752) 200 juta rupiah. Dalam jangka panjang pengaruh TRADE harus diperhatikan oleh pemerintah.
Nilai ECT
Menurut Widarjono (2007) koefisien koreksi ketidakseimbangan ECT disebut sebagai kesalahan
ketidakseimbangan (disequilibrium error). Oleh karena itu jika ECT sama dengan nol tentunya Y dan X
adalah dalam kondisi keseimbangan. Hasil nilai tersebut menjelaskan seberapa cepat waktu diperlukan
untuk mendapatkan nilai keseimbangan.
Pada prinsipnya, model koreksi kesalahan terdapat keseimbangan yang tetap dalam jangka panjang
antara variabel-variabel ekonomi. Bila dalam jangka pendek terdapat ketidakseimbangan dalam satu
periode, maka model koreksi kesalahan akan mengoreksinya pada periode berikutnya (Engle dan Granger,
1987). Untuk menyatakan apakah model ECM yang digunakan sahih atau tidak, maka koefisien Resid (-
1) atau ECT harus signifikan. Jika koefisien ini tidak signifikan, maka model tersebut tidak cocok dan
perlu dilakukan perubahan spesifikasi model lebih lanjut.
Berdasarkan Tabel diketahui nilai koefisien Error Correction Term (ECT) pada model tersebut signifikan =
0,0075 < 0,05 yang menunjukkan bahwa Error Correction Model (ECM) yang digunakan sudah valid.
Sedangkan nilai keseimbangannya sebesar -0.736953 dapat dimaknai bahwa proses penyesuian terhadap
ketidakseimbangan Perubahan GDP (Pertumbuhan Ekonomi) periode 1986-2015 relatif lambat.
Nilai ECT sebesar -0.736953 mempunyai arti bahwa apabila terdapat ketidakseimbangan masa lalu
sebesar 100 %, maka perubahan GDP (Pertumbuhan Ekonomi) akan menyesuaikan diri dengan menurun
sebesar 73,69 %. Dengan demikian dapat diinterpretasikan bahwa Pertumbuhan Ekonomi membutuhkan
waktu 7-8 tahun untuk mencapai keseimbangan penuh (100 %) perubahan GDP (Pertumbuhan Ekonomi).
Uji koefisien determinasi untuk melihat seberapa besar pengaruh perubahan variabel-variabel bebas
(independent Variabel) yang digunakan dalam model mampu menjelaskan pengaruhya terhadap variabel
tidak bebasnya (dependent Variabel). Uji ini melihat nilai koefisien determinasi (R2 ) yang diperoleh dari
persamaan yang diestimasi.
Referensi
Davidson, J. E. H.; Hendry, D. F.; Srba, F.; Yeo, J. S. (1978). "Econometric modelling of the aggregate time-
series relationship between consumers' expenditure and income in the United Kingdom".
Economic Journal. 88 (352): 661–692. JSTOR 2231972.
Phillips, Peter C.B. (1985). "Understanding Spurious Regressions in Econometrics" (PDF). Cowles
Foundation Discussion Papers 757. Cowles Foundation for Research in Economics, Yale
University.
Sargan, J. D. (1964). "Wages and Prices in the United Kingdom: A Study in Econometric Methodology", 16,
25–54. in Econometric Analysis for National Economic Planning, ed. by P. E. Hart, G. Mills, and
J. N. Whittaker. London: Butterworths
Yule, Georges Udny (1926). "Why do we sometimes get nonsense correlations between time series? –
A study in sampling and the nature of time-series". Journal of the Royal Statistical Society. 89 (1):
1–63. JSTOR 2341482.
Widarjono, A. (2007). Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis, edisi
kedua. Yogyakarta: Ekonisia FE Universitas Islam Indonesia.