Upload
edmira-rivani
View
1.742
Download
3
Embed Size (px)
Citation preview
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