BAB I

PENDAHULUAN

1.1 Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder mengenai

tingkat suku bunga deposito (bulanan) negara-negara Asia Tenggara. Asia Tenggara

biasa dipilah dalam dua kelompok: Asia Tenggara Daratan (ATD) dan Asia Tenggara

Maritim (ATM).

Negara-negara yang termasuk ke dalam ATD adalah

1.  Kamboja

2.  Laos

3.  Myanmar

4.  Thailand

5.  Vietnam

Negara-negara yang termasuk ATM adalah

1.  Brunei

2.  Filipina

3.  Indonesia

4.  Thailand

5.  Singapura

6.  Timor Leste

Gambar Peta Wilayah Asia Tenggara

Dimana yang menjadi objek penelitian ini adalah tingkat suku bunga deposito

negara Filipina dan Thailand dari Januari 1990 sampai dengan Desember 1994.

Data dikumpulkan dari internet melalui situs yang beralamat www.ifs.go.id. IFS

(International Financial Statistic) merupakakan situs penyedia data keuangan

international yang resmi.

Dari data yang diperoleh lewat intenet dipilihlah variabel yang sesuai dan

dibutuhkan dalam penelitian. Data yang diperlukan adalah data tingkat suku bunga

deposito negara Filipina dan Thailand. Sehingga dipisahkanlah data tingkat suku bunga

negara Filipina, dan Thailand dari tahun 1990 bulan Januari sampai dengan 1994 bulan

Desember.

1.2 Definisi Operasional Variabel Tingkat bunga (Interest) merupakan masalah yang pokok dan selalu menjadi

perhatian dalam bidang ekonomi baik internasional maupun nasional. Tingkat suku

bunga sendiri dibagi menjadi dua yaitu tingkat suku bunga jangka panjang dan tigkat

suku bunga jangka pendek.

Tingkat suku bunga jangka panjang biasanya berlaku dalam pasar surat berharga

seperti saham dan obligasi. Hal ini terlihat dari masa berlakunya yang mencapai 1–5

tahun. Karena masa berlakunya yang lama maka bisa dikatakan tingkat suku bunga ini

tidak menunjukkan keadaan pasar uang suatu negara sebab suku bunganya yang tetap.

Meskipun demikian tingkat suku bunga dalam surat berharga berpengaruh dalam

bergeraknya surat berharga tersebut. Jadi secara tidak langsung

tingkat suku bunga jangka panjang juga mempengaruhi bergeraknya modal yang berarti

juga mempengaruhi pergerakan pasar uang.

Tingkat suku bunga yang kedua adalah tingkat suku bunga jangka pendek. Bentuk

tingkat suku bunga jangka pendek yang paling sering dibicarakan adalah tingkat suku

bunga deposito. Tingkat suku bunga deposito cepat sekali berubah dan sangat sensitif

untuk menyesuaikan pasar keuangan baik dalam negeri maupun luar negeri. Hal ini pula

yang membuat likuiditas dari deposito menjadi tinggi di bandingkan dengan saham atau

obligasi. Tingkat suku bunga jangka pendek kerap dijadikan pedoman dalam mengetahui

keadaan perekonomian suatu negara.

Dalam penelitian ini, variabel yang digunakan adalah tingkat suku bunga

deposito. Dari variabel deposito inilah ingin diketahui model peramalan deret waktu

antara Filipina dan Thailand yang mengikuti model VAR(p).

BAB II

HASIL ANALISIS DAN PEMBAHASAN

2.1 Statistik Deskriptif

> summary(ASIA) Filipina Thailand Min.:10.18 Min.: 9.52 1st Qu.:11.03 1st Qu.:10.37 Median:11.55 Median:10.84 Mean:11.62 Mean:10.78 3rd Qu.:12.32 3rd Qu.:11.27 Max.:13.20 Max.:11.95

Dari output diatas dapat kita lihat bahwa tingkat suku bunga deposito Thailand

lebih rendah dibandingkan Filipina(kondisi perekonomian Thailand lebih baik

dibandingkan Filipina, karena semakin tingginya tingkat suku bunga deposito membuat

para nasabah tertarik untuk menyimpan uangnya dalam bentuk deposito yang akan

digunakan pemerintah sebagai cadangan simpanan negara, sehingga semakin tinggi

tingkat suku bunga deposito menggambarkan kondisi perekonomian negara yanag tak

menentu), hal ini bisa dilihat dari nilai rata-rata, kuartil pertama, median, kuartil ketiga

dan nilai maksimum Filipina yang lebih kecil. Berdasarkan hasil di atas, diperoleh

informasi bahwa tingkat suku bunga deposito bulanan terbesar di Filipina adalah 13.20

sedangkan tingkat suku bunga bulanan terbesar di Thailand adalah 11.95.

> cor(ASIA) Filipina Thailand Filipina 1.0000000 0.1081373Thailand 0.1081373 1.0000000

Dari output diatas dapat kita lihat bahwa besarnya hubungan antara Filipina dan

Thailand adalah sebesar 0.108. Hal ini menunjukkan hubungan tingkat suku bunga

deposito antara Filipina dengan Thailand positif, artinya ketika tingkat suku bunga

deposito Filipina naik, maka tingkat suku bunga Thailand juga naik, meskipun

hubungannya cukup lemah (karena R=0.108 < 0, 5). Hal ini mungkin dikarenakan

Filipina merupakan kepulauan dan Thailand merupakan daratan serta kondisi, dan

kebijakan ekonomi antara dua negara tersebut yang berbeda.

2.2 Plot Data Tingkat Suku Bunga Deposito Filipina dan Thailand

Langkah awal yang baik untuk menganalisis data deret berkala adalah dengan

memetakan nilai data tersebut atas waktu secara grafis. Bentuk visual dari suatu plot deret

berkala seringkali cukup untuk mengetahui apakah data tersebut adalah stasioner atau

tidak. Kestasioneran data merupakan kondisi yang diperlukan dalam analisis data deret

waktu, karena dapat memperkecil kekeliruan model. Selain itu, plot data deret berkala

dapat menelaah keberadaan komponen musiman, ataupun trend.

Grafik Pola Tingkat Suku Bunga Deposito Untuk Negara Filipina

Grafik Pola Tingkat Suku Bunga Deposito Untuk Negara Thailand

Plot di atas menunjukkan bahwa :

Data pada tingkat suku bunga Filipina dan tingkat suku bunga Thailand stasioner

dalam rata-rata dan varians Hal ini ditunjukkan oleh pola trend yang mendatar

(sejajar sumbu waktu) dan tidak membentuk pola melebar.

2.3 Fungsi autokorelasi (ACF) dan PACF

Untuk keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa

metode seperti autocorrelation function (correlogram), uji akar-akar unit dan derajat

integrasi.

Dalam penelitian ini, untuk menguji kestasioneran data, selain melaui plot data

asli digunakan autocorrelation function (correlogram).

Pengujian stasioneritas berdasarkan correlogram merupakan suatu pengujian

sederhana terhadap stasioneritas data adalah dengan menggunakan fungsi koefisien

autokorelasi (autocorrelation function / ACF). Koefisien ini menunjukkan keeratan

hubungan antara nilai variabel yang sama tetapi pada waktu yang berbeda. Correlogram

merupakan peta / grafik dari nilai ACF pada berbagai lag.

Secara matematis rumus koefisien autokorelasi adalah (Sugiharto dan Harijono,

2000:183) :

Untuk menentukan apakah nilai koefisien autokorelasi berbeda secara statistik

dari nol dilakukan sebuah pengujian. Suatu runtun waktu dikatakan stasioner atau

menunjukkan kesalahan random adalah jika koefisien autokorelasi untuk semua lag

secara statistik tidak berbeda signifikan dari nol atau berbeda dari nol hanya untuk

berberapa lag didepan. Untuk itu perlu dihitung kesalahan standard dengan rumus :

Dimana n menunjukkan jumlah observasi. Dengan interval kepercayaan yang

dipilih, maka batas signifikansi koefisien autokorelasi adalah :

Suatu koefisien autokorelasi disimpulkan tidak berbeda secara signifikan dari nol

apabila nilainya berada diantara rentang tersebut dan sebaliknya. Apabila koefisien

autokorelasi berada diluar rentang, dapat disimpulkan koefisien tersebut signifikan, yang

berarti ada hubungan signifikan antara nilai suatu variabel dengan nilai variabel itu

sendiri dengan time lag 1 periode.

Tabel Identifikasi Model Time Series: AR(p), MA(q), dan ARMA(p,q)

  AR(p) MA(q) ARMA(p,q)

ACFEksponensial menurun

Cut off pada lag ke-q

Eksponensial menurun mulai lag ke-p

PACFCut off pada lag ke-p

Eksponensial menrun

Eksponensial menurun mulai lag ke-q

Gambar Korelogram ACF dan PACF Tingkat Suku Bunga Deposito Negara Filipina

Gambar Korelogram ACF dan PACF Tingkat Suku Bunga Deposito Negara Thailand

Berdasarkan korelogram di atas, dapat kita simpulkan bahwa data tingkat suku

bunga deposito Filipina dan Thailand stasioner hal ini dapat dilihat dari nilai-nilai

autokorelasi yang menurun hingga nol sesudah time lag ketiga. Dari plot ACF dan PACF

juga dapat diidentifikasikan bahwa model yang digunakan adalah model autoregresif,

AR. Hal ini dikarenakan bentuk dari plot ACF adalah eksponensial, sedangkan plot

PACF memberikan bentuk cut-off. Ini merupakan cirri dari model autoregresi. Pada plot

PACF, terlihat bahwa cut-off terjadi pertama kali pada lag pertama dan setelah lag-1,

nilai autokorelasi tidak ada yang di luar batas. Maka model yang digunakan untuk negara

Filipina dan Thailand adalah model autoregresi orde satu, AR(1).

2.4 Penaksiran Model AR(1)

Model AR(1) merupakan model time series univariat paling sederhana, karena

menyatakan pengamatan waktu sekarang dipengaruhi pengamatan satu waktu

sebelumnya dan unsur galat.

Model AR(1) dituliskan sebagai:

Z(t) = Z(t-1) + e(t) , dengan e(t) N(0,2)

Di mana:

• Z(t) adalah hasil pengamatan ke-t

• t adalah waktu pengamatan

• adalah parameter model

• e(t) adalah galat

> ar.yw(ASIA[, 1])$ar

, , 1 [,1] [1,] 0.2922661> ar.yw(ASIA[, 2])$ar

, , 1 [,1] [1,] 0.2872833

Berdasarkan hasil di atas, diperoleh model AR(1) untuk masing-masing negara

sebagai berikut.

Filipina :

Artinya:

Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh tingkat suku bunga

deposito 1 bulan sebelumnya, sebesar 29.2%

Thailand :

Artinya:

Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh tingkat suku bunga

deposito 1 bulan sebelumnya, sebesar 28.7%

Menurut Wei, apabila maka model AR(1) stasioner. Dilihat dari

taksiran model diatas maka dapat kita simpulkan bahwa tingkat suku bunga deposito

Filipina dan Thailand stasioner.

Model time series yang dapat dibangun dan baik digunakan untuk peramalan, bisa

lebih dari satu buah. Sehingga untuk menentukan model terbaik bisa didasarkan pada

nilai residu, salah satunya adalah Kriteria Akaike (Akaike’s information criterion,

AIC(M)).

AIC(M) = n ln s2r + 2M

Dengan:

n = ukuran sampel

s2r = varians residu

M = banyaknya parameter model

Didapat masing-masing besaran AIC sebagi berikut:

> ar.modelFit1$aic[1] 3.357391 0.000000> ar.modelFit2$aic[1] 3.168243 0.000000

Untuk Filipina sebesar 3.357. Sedangkan untuk Thailand sebesar 3.168.

2.5 Analisis Residual

Analisis residual diperlukan untuk menelaah besarnya kekeliruan jika model yang

telah dibangun digunakan sebagai model peramalan. Besaran yang digunakan sebagi

acuan untuk menyimpulkan bahwa model yang dibangun cocok dan baik untuk

peramalan adalah residu.

Berikut ini disajikan QQ-plot serta plot ACF dan PACF residual untuk masing-

masing negara.

QQ-plot residu untuk Tingkat Suku Bunga Deposito Negara Filipina

Dari grafik QQ plot diatas dapat dilihat bahwa sebaran titik-titik diatas

membentuk pola yang hampir linier, Sehingga dari gambar diatas dapat disimpulkan

bahwa asumsi residu normal untuk data tingkat suku bunga deposito Filipina terpenuhi.

Diagnostik Model AR(1) untuk Tingkat Suku Bunga Deposito Negara Filipina

Berdasarkan plot diatas dapat dilihat bahwa residu data tingkat suku bunga Filipina

berdistribusi normal dan independen, karena pada korelogram ACF dan PACF residu

tidak ada yang keluar batas.

QQ-plot residu untuk Tingkat Suku Bunga Deposito Negara Thailand

Dari grafik QQ plot diatas dapat dilihat bahwa sebaran titik-titik diatas membentuk pola

yang hampir linier, Sehingga dari gambar diatas dapat disimpulkan bahwa asumsi residu

normal untuk data tingkat suku bunga deposito Thailand terpenuhi.

Diagnostik Model AR(1) untuk Tingkat Suku Bunga Deposito Negara Thailand

Berdasarkan plot diatas dapat dilihat bahwa residu data tingkat suku bunga Thailand

berdistribusi normal dan independen, karena pada korelogram ACF dan PACF residu

tidak ada yang keluar batas.

2.6 Time Series Plot Multivariat

Grafik Pola Tingkat Suku Bunga Deposito Untuk Negara Filipina dan Thailand

Berdasarkan plot di atas, hasil tingkat suku bunga Filipina dan Thailand

berhimpit. Sehingga dapat disimpulkan bahwa secara bersama dua negara tersebut

mempunyai hubungan dan dapat dibangun model VAR untuk kedua kelompok negara

trsebut. Secara bivarit, tingkat suku bunga Filipina dan Thailand bersama-sama telah

stasioner.

2.7 Penakisran Model VAR(1)

Model bivariat VAR(1) dinyatakan sebagai:

atau dapat dituliskan sebagai berikut:

dengan

Misalkan vektor bivariat autoregresi {z (t)}={z1(t), z2(t)}' diamati pada t=1,…,

T. Elemen diagonal dari menunjukkan taksiran parameter untuk masing-masing

negara. Sedangkan elemen lainnya merupakan parameter interaksi dua pengamatan.

Berikut ini merupakan matriks taksiran koefesien parameter untuk model VAR(1)

dengan menggunakan metode Momen Yule Walker.

> ar.yw(ASIA)$ar

, , 1 [,1] [,2] [1,] 0.2833167 0.02752735

, , 2 [,1] [,2] [1,] 0.1066977 0.2834456

> Matrik.Var$aic[1] 2.658508 0.000000

Untuk setiap negara dapat dituliskan model VAR dengan interaksi yang

bersesuaian sebagai berikut:

Dengan AIC sebesar 2.658

Artinya:

1. Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh Tingkat suku bunga

deposito 1 bulan sebelumnya, dari Filipina sendiri sebesar 28.3% dan dari Thailand

sebesar 0.028%.

2. Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh Tingkat suku

bunga deposito 1 bulan sebelumnya, dari Filipina sebesar 10.7% dan dari Thailand

sendiri sebesar 28.3%.

2.8 Kestasioneran Model VAR(1)

Kestasioneran model AR(1) diperoleh melalui xu sebagai solusi persamaan xu-

= 0. Karena xu terletak di dalam lingkaran satuan atau xu<1, maka untuk u = 1

didapat syarat kestasioneran, yaitu <1.

(Wei,1994, h.339) menyatakan bahwa proses VAR(1) dikatakan stasioner, jika

akar-akar B dari terletak di luar lingkaran satuan.

Misalkan , maka didapat . Kriteria

bersesuaian dengan mencari nilai eigen . Misalkan adalah

nilai eigen dan adalah vektor eigen yang bersesuaian dengan , sehingga

untuk .

Persamaan memiliki akar-akar B di luar lingkaran satuan jika dan

hanya jika semua nilai eigen terletak di dalam lingkaran satuan. Pernyataan tersebut

ekuivalen untuk kestasioneran proses VAR, bahwa jika semua nilai eigen terletak di

dalam lingkaran satuan, maka untuk .

Untuk model VAR(1) dengan matriks parameter dari permasalahan diatas

terbentuk persamaan:

Dimana diperoleh nilai eigen matriks parameter sebagai

berikut:

> pi1 <- matrix(c(0.2833167, 0.1066977, 0.02752735, 0.2834456), 2, 2)> pi1 [,1] [,2] [1,] 0.2833167 0.02752735[2,] 0.1066977 0.28344560

> eigen(pi1)$values:[1] 0.3375763 0.2291860

Karena nilai mutlak eigen dari matriks kurang dari satu yaitu x1= 0,338 <1 ,

dan x2= 0,229 <1 maka model VAR(1) dikatakan stasioner.

BAB III

KESIMPULAN

3.1 Kesimpulan

Berdasarkan hasil analisis yang sudah diperoleh pada bab sebelumnya, maka

diperoleh beberapa kesimpulan berikut:

1) Berdasarkan hasil analisis terhadap data tingkat suku bunga deposito, ternyata

data untuk negara Filipina dan Thailand bersifat stasioner, acak, tidak terdapat

komponen trend, dan tidak terdapat komponen musiman (baik secara univariat,

maupun multivariat). Sehingga bisa disimpulkan bahwa jika Jika data deret waktu

untuk masing-masing variabel stasioner maka model VAR stasioner.

2) Model AR(1) untuk masing-masing negara sebagai berikut.

Filipina :

Artinya:

Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh tingkat suku

bunga deposito 1 bulan sebelumnya, sebesar 29.2%

Thailand :

Artinya:

Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh tingkat suku

bunga deposito 1 bulan sebelumnya, sebesar 28.7%.

Sedangkan Model Var(1) untuk interaksi yang bersesuaian antara Filipina dan

Thailand adalah:

Artinya:

1. Tingkat suku bunga deposito Filipina bulan ini dipengaruhi oleh Tingkat suku

bunga deposito 1 bulan sebelumnya, dari Filipina sendiri sebesar 28.3% dan dari

Thailand sebesar 0.028%.

2. Tingkat suku bunga deposito Thailand bulan ini dipengaruhi oleh Tingkat suku

bunga deposito 1 bulan sebelumnya, dari Filipina sebesar 10.7% dan dari

Thailand sendiri sebesar 28.3%.

3) Jika suatu data deret waktu memiliki model VAR(1), maka masing-masing data

deret waktu tersebut mengikuti model AR(1).

4) Besaran AIC masing-masing negara untuk model AR(1) sebagi berikut:

> ar.modelFit1$aic[1] 3.357391 0.000000> ar.modelFit2$aic[1] 3.168243 0.000000

Untuk Filipina sebesar 3.357. Sedangkan untuk Thailand sebesar 3.168.

Sedangkan besaran AIC negara Filipina dan Thailand untuk model VAR(1)

sebagi berikut:

> Matrik.Var$aic[1] 2.658508 0.000000

Dengan AIC sebesar 2.658

Karena AIC model VAR(1) lebih kecil dibandingkan dengan nilai AIC model

AR(1) maka untuk data ini model VAR(1) lebih baik digunakan untuk estimasi

dan peramalan dibandingkan model AR(1).

DAFTAR PUSTAKA

Makridakis, Spyros. 1991. Forcasting. 2th edition. John Willey & Sons, INC.

Mulyana. 2004. Analisis Data Deret Waktu. Bandung : Universitas Padjadjaran FMIPA

Statistika.

Nurani R, Budi. 2007. Pengolahan data dengan S-Plus 2000. Universitas Padjajaran

Bandung.

Nurani R, Budi. 2007. Kestasioneran Model VAR. Universitas Padjajaran Bandung.

Wei William W.S, 1994, Time Series Analysis, Addison Wesley Publishing Company,

Inc.

LAMPIRAN 1

Data Tingkat Suku Bunga Negara Filipina dan Thailand

Periode Januari 1990 - Desember1995

t Bulan INA MALAY1 Januari'90 12.98 11.292 Februari'90 12.5 11.623 Maret'90 12.6 11.684 April'90 13.2 10.725 Mei'90 12.76 11.536 Juni'90 11.45 10.787 Juli'90 11.78 11.418 Agustus'90 11.03 11.569 September'90 12.11 11.29

10 Oktober'90 12.92 11.5611 November'90 11.24 10.5712 Desember'90 11.71 10.913 Januari'91 11.33 11.5614 Februari'91 12.27 10.2715 Maret'91 11.42 9.7316 April'91 12.16 10.9917 Mei'91 11.56 11.2618 Juni'91 11.32 10.8419 Juli'91 12.32 10.2720 Agustus'91 11.17 11.221 September'91 11.55 10.7222 Oktober'91 12.32 9.8523 November'91 10.83 10.9324 Desember'91 10.8 9.8525 Januari'92 10.65 10.3926 Februari'92 11.96 11.3527 Maret'92 11.48 10.9328 April'92 10.83 10.6929 Mei'92 11.89 10.930 Juni'92 11.33 10.63

31 Juli'92 10.34 11.5632 Agustus'92 11.57 10.4533 September'92 10.34 10.4534 Oktober'92 10.97 10.2735 November'92 12.99 9.7936 Desember'92 11.57 10.9937 Januari'93 11.3 10.8438 Februari'93 11.55 10.6939 Maret'93 12.43 10.940 April'93 12.32 10.341 Mei'93 11.03 10.0342 Juni'93 11.03 9.7343 Juli'93 10.83 11.244 Agustus'93 10.27 10.6645 September'93 11.66 11.7146 Oktober'93 11.48 11.3547 November'93 12.5 11.1148 Desember'93 11.55 9.9449 Januari'94 10.47 10.4550 Februari'94 10.54 11.7151 Maret'94 10.18 11.9552 April'94 11.89 11.0253 Mei'94 11.26 9.6154 Juni'94 12.5 10.2755 Juli'94 12.97 10.9956 Agustus'94 11.78 10.6357 September'94 10.43 9.7958 Oktober'94 11.03 9.5259 November'94 12.5 10.4560 Desember'94 12.72 10.96

Sumber: www.ifs.go.id

Lampiran 2

Syntak Software S-Plus 2000

ASIAsummary(ASIA)cor(ASIA)

par(mfrow=c(2,1))tsplot(ASIA[,1])title("INA")tsplot(ASIA[,2])title("MALAY")

par(mfrow=c(1,1))tsplot(ASIA[,1],xlim=c(1,60), ylim=c(8,14), xlab="waktu (bulan)",

ylab="%",col=1)par(new=T)tsplot(ASIA[,2],xlim=c(1,60), ylim=c(8,14), xlab="waktu (bulan)",

ylab="%",col=2)par(new=T)title("TSPlot FILIPINA-THAILAND")typ.names <- c("INA", "MALAY")legend(locator(1), legend = typ.names, fill = 1:2)

par(mfrow=c(1,2))acf(ASIA[,1],lag.max=50,type="correlation")acf(ASIA[,1],lag.max=50,type="partial")

par(mfrow=c(1,2))acf(ASIA[,2],lag.max=50,type="correlation")acf(ASIA[,2],lag.max=50,type="partial")

ar.yw(ASIA[,1])$arar.yw(ASIA[,2])$arar.modelFit1<-ar.yw(ASIA[,1], aic=T, order=1)ar.modelFit2<-ar.yw(ASIA[,2], aic=T, order=1)ar.modelFit1$aicar.modelFit2$aic

ASIA2.arma<-arima.mle(ASIA[,1],model=list(ar=0,ma=0))arima.diag(ASIA2.arma)

ASIA3.arma<-arima.mle(ASIA[,2],model=list(ar=0,ma=0))arima.diag(ASIA3.arma)

Matrik.Var<-ar.yw(ASIA, aic=T, order=1)Matrik.Var$arMatrik.Var$aic

pi1<-matrix(c(0.2833167,0.1066977,0.02752735,0.2834456),2,2)pi1eigen(pi1)

MODEL VAR(1)

TINGKAT SUKU BUNGA DEPOSITO FILIPINA DAN THAILAND

Diajukan untuk memenuhi salah satu tugas mata kuliah Analisis Data Deret Waktu

Disusun oleh :

Edmira Rivani

140720070041

MAGISTER STATISTIKA TERAPAN

PROGRAM PASCA SARJANA

UNIVERSITAS PADJADJARAN

2009