1 / 70

METODE KUANTITATIF : PENDEKATAN EKONOMETRIK

METODE KUANTITATIF : PENDEKATAN EKONOMETRIK. EKONOMETRIKA Sebagai Suatu Ilmu. Statistik Ekonomi: Berhubungan dgn pengumpulan, pemrosesan dan penyajian data ekonomi dalam grafik dan tabel. . Statistik Matematis (Statistik Inferensi):

jeri
Download Presentation

METODE KUANTITATIF : PENDEKATAN EKONOMETRIK

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. METODE KUANTITATIF : PENDEKATAN EKONOMETRIK

  2. EKONOMETRIKA Sebagai Suatu Ilmu Statistik Ekonomi: Berhubungan dgn pengumpulan, pemrosesan dan penyajian data ekonomi dalam grafik dan tabel. Statistik Matematis (Statistik Inferensi): Didasarkan pada Teori Probabilitas melalui metode-metode pengukuran yang dibangun atas dasar ekperimen/percobaan yang terkendali dan terencana dengan cermat. Ekonometrika mengkombinasikan keempat ilmu diatas untuk mengetahui kondisi riil dari hubungan-hubungan kuantitatif di dlm kehidupan ekonomi modern.

  3. TUJUAN EKONOMETRIKA • Membantu dalam mencapai 3 tujuan berikut: • Membuktikan (verifikasi) atau menguji validitas Teori Ekonomi. • Menghasilkan dugaan-dugaan numerik bagi koefisien-koefisien hubungan ekonomi. • Meramalkan nilai besaran-besaran ekonomi berdasarkan probabilitas tertentu.

  4. M O D E L Penyederhanan dan abstraksi dari realitas perilaku ekonomi menjadi bentuk yang lebih sederhana dengan menerapkan prinsip kehati-hatian. Model tidak sama dengan Realitas Tapi model yang baik dapat menerangkan dan meramalkan sebagian besar dari apa yang terjadi dengan realitas. Bentuk-bentuk Model:  Matematis  Grafis  Skema  Diagram Model Ekonomi: Konstruksi teoritis atau kerangka analisis ekonomi yang terdiri dari himpunan konsep, definisi, asumsi, persamaan, kesamaan (identitas) dan ketidak-samaan darimana kesimpulan akan diturunkan.

  5. CIRI-CIRI MODEL EKONOMETRIKA • Theorytical Plausibility • Explanatory ability • Accuracy of the estimated of the parameters • Forecasting ability • Simplicity

  6. Metodologi Ekonometrika Pernyataan Teori Ekonomi  • Pengujian teori ekonomi yang menjadi dasar/acuan suatu penelitian. • Misal, Teori Keynes:  Pendapatan dan konsumsi mempunyai hubungan yang positif  Bila pendapatan seseorang meningkat maka konsumsinya meningkat, tetapi tidak sebesar peningkatan pendapatan.

  7. Spesifikasi Model  • Model Matematika:  Teori yang sudah dinyatakan dispesikasikan ke dlm bentuk model (persamaan) matematika Fungsi konsumsi Keynes: C = a + b Y a = parameter konstanta, a > 0. b = parameter slope, 0<MPC<1.  Model persamaan tunggal  Konsumsi berhubungan linear, positif  Bersifat deterministik (pasti)  Penetapan restriksi sangat penting

  8. Model Ekonometrika: C = a + b Y +   Hubungan antar variabel ekonomi bersifat Stochastik.   = error term, mrpk variabel random (stochastic) mewakili variabel2 lain yg tidak termasuk kedalam model. Pengumpulan Data   Sumber data  Definisi  Jenis  Cross section  Time series  Panel (Gabungan Cross section dan time series)

  9. Estimasi Model  Identifikasi Model: • Prosedur utk mendapatkan koefisien parameter • Menentukan apakah hubungan dpt diestimasi secara statistik • Berhubungan dg masalah perumusan model Misal: Qd = f(P) : Demand Qs = f(P) : Supply Qd = Qs : Market clearance  Model diatas meragukan, krn apakah koefisien parameter milik Qd atau Qs.  perlu penambahan variabel shifter

  10. Estimasi Model  Agregasi dalam Model: • Agregasi terhadap individual • Agregasi komoditi • Agregasi periode waktu • Agregasi spasial  Misagregasi dalam model menyebabkan:  agregasi yang bias  estimasi yang bias

  11. Estimasi Model  Pengujian derajat korelasi antar variabel: • Jika 2 variabel penjelas mempunyai korelasi yg tinggi maka secara statistik sulit menentukan pengaruh masing-masingnya. Misal: Qd = f(P, W) Qd = Demand P = harga W = upah  Sementara P dan W cenderung naik secara bersamaan, W = f(P).  Oleh krn itu, nilai estimasi tidak akurat.

  12. Estimasi Model  Pemilihan teknik yang tepat: • Single equation:  Ordinary Least Squares (OLS)  Indirect Least Squares (ILS)  Two Stage Least Squares (2SLS)  Limited Information of Max. Likelihood (LIML) • Simultaneous equation:  Three Stage Least Squares (3SLS)  Full Information of Max. Likelihood (FIML)

  13. Estimasi Model  Pemilihan teknik estimasi tergantung:  Bentuk hubungan dan syarat identifikasi  Persyaratan estimasi: - Unbiasedness - Consistency - Efficiency  Tujuan penelitian ekonometrika  Kesederhanaan teknik  Waktu dan biaya

  14. Evaluasi Model  • Kriteria a priori ekonomi  Didasarkan atas prinsip-prinsip ekonomi • Kriteria Statistik (first order test):  Didasarkan atas interpretasi nilai-nilai statistik Standar deviasi, Koefisien. Determinasi (R2) Nilai F dan nilai t. • Kriteria ekonometrika (second order test):  Didasarkan atas teori ekonometrika untuk apakah nilai estimasi memiliki sifat unbiasedness, consistency dan efficiency.

  15. Pengujian Hipotesis  • Menguji apakah hasil estimasi parameter sesuai dengan yang diharapkan teori. Misal: C = 230 + 0.45 Y Ini berarti selama periode pengamatan: 1. Meskipun tidak ada pendapatan, jumlah konsumsi rata-rata sebesar Rp. 230 (dissaving). 2. Kenaikan pendapatan sebesar Rp. 1000, maka konsumsi meningkat rata-rata sebesar Rp. 450.  Tapi apakah nilai-nilai tersebut secara statistik significant?

  16. Aplikasi Model  • Peramalan (forecasting) Misal: Berapakah pengeluaran konsumsi jika tingkat pendapatan masyarakat sebesar Rp. 2000. Model yang sudah dievaluasi: C = 230 + 0.45 Y C = 230 + 0.45 (2000) C = 1130. • Analisis kebijakan.

  17. Covariance Dan Korelasi Covariance merupakan ukuran yang berguna untuk mengidentifikasi keterkaitan antara X dan Y, atau merupakan ukuran bagi sensitifitas tiap unit X dan Y yang telah diamati. Yang terkait dengan covariance adalah korelasi, yang dirumuskan : rxy = xy / x. y =

  18. Model Regresi Linear PENGERTIAN KORELASI DAN REGRESI KORELASI dan REGRESI merupakan metode yang dapat digunakan untuk mengukur hubungan yang terjadi antar variabel-variabel ekonomi. Misal antara variabel X dan variabel Y. KORELASI • Korelasi mengukur derajat hubungan antara 2 atau lebih variabel. • Hubungan antara 2 Variabel (Misal X dan Y) dapat linear, non-linear, positif atau negatif.

  19. Y . . . . . . . . . . . . Korelasi Linear: If semua titik (X,Y) pd diagram pencar mendekati bentuk garis lurus. X Y . . . . . . . . . . . . . . Korelasi Non-linear: If semua titik (X,Y) pd diagram pencar tidak membentuk garis lurus. X Y . . . . . . . . . . . . Korelasi Positif: If jika arah perubahan kedua variabel sama  If X naik, Y juga naik. X Y Korelasi Negatif: If jika arah perubahan kedua variabel tidak sama  If X naik, Y turun. . . . . . . . . . . . . X

  20. Koefisien korelasi ini memiliki nilai yang berkisar antara –1 sampai 1. Bila yang diduga adalah koefisien korelasi sampel maka : rxy = sxy / sx. sy =

  21. Pengujian Korelasi Meskipun mungkin telah diperoleh nilai koefisien korelasi dari hasil perhitungan di atas, namun keberartian nilai tersebut perlu di uji secara statistik. Hipotesis yang diuji adalah : Ho : Koefisien korelasi adalah sama dengan nol Ha : Koefisien korelasi tidak sama dengan nol, atau berarti

  22. Pengujian koefisien ini dilakukan dengan uji-t, sehingga : ............. dengan derajat bebas = n – 2 Kriteria pengujiannya : Ho ditolak jika nilai t-hitung lebih besar daripada t-tabel dengan derajat bebas n-2, dan demikian pula sebaliknya.

  23. Beberapa catatan tentang nilai r: • Secara empiris, hampir tidak pernah ditemukan korelasi sempurna (semua titik terpencar tepat pada garis). • Nilai r yang mendekati nol menunjukkan derajat hubungan yang lemah. • Koefisien r merupakan estimasi sampel terhadap koefisien korelasi populasi, . • Nilai r mengandung error, sehingga perlu diuji reliabilitasnya.

  24. Langkah I: Kajian teori ekonomi dan penelitian terdahulu Langkah II: Formulasi model atau spesifikasi model Langkah III: Merancang metode dan prosedur untuk mendapatkan sampel representatif Langkah IV: Estimasi model No Langkah V:Menguji hipotesis/ verifikasi menggunakan statistik inferensi (Uji-t, Uji-F, dll) Yes Langkah VII:Interpretasi hasil Langkah VIII:Kesimpulan Ekonometrika merupakan suatu ilmu tersendiri yang merupakan penggabungan dariteori ekonomi, statistik dan matematik, dalam upaya untuk menggambarkan suatu fenomena. Konsep dasar Ekonometrik

  25. Model Persamaan Ekonometrik Model Persamaan Tunggal Model Persamaan Simultan Model Persamaan Sederhana Model Persamaan Berganda Bentuk Model Persamaan Persamaan Non-Linear Persamaan Linear

  26. Model Regresi Sederhana Yi = 0 + 1 Xi + i • 0 dan 1 : parameter dari fungsi yg nilainya akan diestimasi. • Bersifat stochastik  untuk setiap nilai X terdapat suatu distribusi probabilitas seluruh nilai Y atau Nilai Ytidak dapat diprediksi secara pasti karena ada faktor stochastik iyang memberikan sifat acak pada Y. • Adanaya variabel idisababkan karena:  Ketidak-lengkapan teori  Perilaku manusia yang bersifat random  Ketidak-sempurnaan spesifikasi model  Kesalahan dalam agregasi  Kesalahan dalam pengukuran

  27. Y . . . . . . . . Ÿi = b0 + b1 Xi Yi i Yi = 0 + 1 Xi + i Ÿi Variation in Y Systematic Variation Random Variation X 0 Asumsi-asumsi mengenai i: 1. i adalah variabel random yg menyebar normal 2. Nilai rata-rata i = 0, e(i) = 0. 3. Tidak tdpt serial korelasi antar i cov(i,j) = 0 4. Sifat homoskedastistas, var(i) = 2 5. cov(i,Xi) = 0 6. Tidak terdapat bias dalam spesifikasi model 7. Tidak terdapat multi-collinearity antar variebel penjelas

  28. Fungsi Regresi Populasi Y E(Yi) = 0 + 1 Xi Yi = 0 + 1 Xi + i Nilai rata2 Yi : E(Yi) = 0 + 1 Xi I = Yi - E(Yi) X X1 X2 X3

  29. ^ Yi METODE PENAKSIRAN PARAMETER DALAM EKONOMETRIK Metode estimasi yang sering digunakan adalah Ordinary Least Square (OLS). Dalam regresi populasi dikenal pula adanya istilah PRF (Population Regression Function) dan dalam regresi sampel sebagai penduga regresi populasi dikenal istilah SRF (Sample Regression Function). P SRF Y ei ui PRF Yi 0 Xi X

  30. Penaksir kuadrat terkecil adalah mempunyai varian yang minimum yaitu penaksir tadi bersifat BLUE (Best Linear Unbiased Estimator). Asumsi yang harus dipenuhi dalam penaksiran metode OLS adalah sebagai berikut : • 1. i adalah sebuah variabel acak atau random yang riil dan memiliki distribusi • normal. • 2. Nilai harapan dari i yang timbul karena variasi nilai Xi yang diketahui • harus sama dengan nol. E(i/ Xi) = 0 • 3. Tidak terjadi autokorelasi atau serial korelasi. Artinya, • Cov(i, j) = Ei – E(i)j – E(j) • = E(i,j) • = 0 .................... i  j • 4. Syarat Homoskedastisiti. Artinya bahwa varian dari i adalah konstan dan • sama dengan 2. • Var (i / Xi) = Ei – E(i)2 • = E(i)2 • = 2 • 5. Tidak terjadi multikolonieritas. Yaitu tidak ada korelasi antara  dengan • variabel bebasnya Xi atau : • Cov(i , Xi) = E(i – E(i))(Xi – E(Xi)) • = 0

  31. REGRESI LINEAR SEDERHANA Y = ß0 + ß1 X Pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis : Uji Konstanta Intersep H0 : ß0 = 0 H1 : ß0 ≠ 0 Uji Koeff. X H0 : ß1 = 0 H1 : ß1 ≠ 0 Pengujian statistik model secara keseluruhan dilakukan dengan uji-F. Uji F mendasarkan pada dua hipotesis, yaitu : H0 : Semua koefisien variabel bebas adalah 0 (nol) H1 : Tidak seperti tersebut di atas

  32. Contoh : Sehingga dapat disajikan hasil sebagai berikut : Konsumsi = 24.455 + 0.509*Income R2 = 0.962 S.E (6.414) (0.036) t-hitung = 3.813 14.243 F hit = 202,868 Df = 8 Dalam pengertian ekonomi dapat dikatakan bahwa jika terdapat kenaikan income sebesar $ 1 per bulan maka akan mempengaruhi kenaikan pula pada konsumsi sebesar $ 0.509. Demikian juga bila terjadi penurunan income sebesar $ 1 per bulan maka akan berdampak pada penurunan konsumsi sebesar $ 0.509.

  33. Estimasi Parameter Model Regresi Sederhana Yi = 0 + 1 Xi + i Metode Kuadrat Terkecil (Ordinary Least Square – OLS): Prinsip: Meminimumkan nilai error – mencari jumlah penyimpangan kuadrat (i2) terkecil. i = Yi - 0 - 1 Xi i2= (Yi - 0 - 1 Xi)2 i2 =  (Yi - 0 - 1 Xi)2 i2 minimum jika: i2 /0 = 0  2 (Yi - 0 - 1 Xi) = 0 i2 /1 = 0  2  Xi (Yi - 0 - 1 Xi) = 0

  34. Sederhanakan, maka didapat:  (Xi – X)(Yi – Y) b1 =  (Xi – X)2 b0 = Y - b1X dimana b0 dan b1 nilai penduga untuk 0 dan 1. X dan Y adlh nilai rata2 pengamatan X dan Y Standar error: 2½ SE(b1)=  (Xi – X)2  Xi2½ SE(b0)= N (Xi – X)2   diduga dengan s, dimana: s = (i2 /n-2)2 dan i2 = (Yi – Y)2

  35. Metode Ordinary Least Squares (OLS) Yi = 1 + 2 Xi + i Yi = 1 + 2 Xi + i Ŷi = 1 + 2 Xi Yi = Ŷi + i i =Yi - Ŷi (1) (2) (3) (4) (5) Persamaan umum Regresi sederhana 1 dan 2adalah nilai estimasi untuk parameter Ŷi = nilai estimasi model i = nilai residual n XiYi – Xi Yi 2 = n  Xi2 – (Xi)2 (Xi – X)(Yi – Y) = (Xi – X)2 n xiyi =  xi2 (Xi )2 Yi – Xi XiYi 1 = n  Xi2 – (Xi)2 = Y – 2X Koefisien parameter untuk 1 dan 2

  36. Standard error of the estimates Var(2) = 2 /  Xi2 2 Se(2) = Var(2) = =  Xi2  Xi2  Xi2 Var(1) = 2 n  xi2  Xi2 Se(1) = Var(1) = 2 n  xi2  i2 2 =  i2 =  yi2 – 22 xi2 n – 2  (xi yi)2 =  yi2 –  xi2

  37. Koefisien Determinasi 1 + 2 Xi Y • RSS TSS TSS = RSS + ESS ESS RSS 1 = + TSS TSS  (Ŷi - Y)2  i2 = +  (Yi - Y)2  (Yi - Y)2 ESS Y X ESS  (Ŷi - Y)2 r2 = = TSS  (Yi - Y)2 atau ESS  i2 = 1 – = 1 – TSS  (Yi - Y)2 Atau:  xi2 r2 = 22  yi2  (xi yi)2 =  xi2  yi2

  38. MODEL REGRESSI LINIER BERGANDA Model yg memperlihatkan hubungan antara satu variable terikat (dependent variable) dgn beberapa variabel bebas (independent variables). Yi = 0 + 1 X1i + 2 X2i + … + k Xki + i dimana: i = 1, 2, 3, …. N (banyaknya pengamatan) 0, 1, 2, …, k adalah parameter yang nilainya diduga melalui model: Yi = b0 + b1 X1i + b2 X2i + … + bk Xki

  39. REGRESI LINEAR BERGANDA Y = ß0 + ß1 X + ß2 X + …. + ßn Xn Dalam konsep dasarnya pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis : Uji Konstanta Intersep H0 : ß0 = 0 H1 : ß0 ≠ 0 Uji Koeff. Xi H0 : ßi = 0 H1 : ßi ≠ 0

  40. Contoh : Tujuanuntuk mengetahui pengaruh (kontribusi) proses/ mekanisme yang disusun dalam praktikum terhadap pencapaian nilai ujian akhir praktikum, yaitu melalui penilaian atas latihan di kelas dan penilaian atas laporan praktikum. Dengan demikian dapat dibuat spesifikasi modelnya sebagai berikut : Y = ß0 + ß1X1 + ß2X2 --------------------- (model 1) Dimana : Y : Nilai ujian akhir X1 : Nilai pretest X2 : Nilai Laporan

  41. Interpretasi Hasil : Dari hasil di atas selanjutnya dapat disusun persamaan berikut : N_Akhir = -25.450 + 0.542 Latihan + 0.771 Laporan R2 = 0.702 SE (9.351)(0.089) (0.132) T-Hit. 2.722 6.067 5.828 F-hit = 73,02 Df = 62 Pengujian statistik baik uji keseluruhan (Uji-F) dan uji koefisien variabel dalam model (Uji-t) memiliki kesamaan dengan analisis regresi linear sederhana. Hipotesis uji-F adalah : H0 : ß0 = ß1 = ß2 = 0 H1 : ß0, ß1, ß2 ≠ 0 Sedangkan uji koefisien atau pengujian secara parsial memiliki hipotesis sebagai berikut : Pengujian untuk intersep : H0 : ß0 = 0 H1 : ß0 ≠ 0 Pengujian untuk ß1 :H0 : ß1 = 0 H1 : ß1 ≠ 0 Pengujian untuk ß2 :H0 : ß2 = 0 H1 : ß2 ≠ 0

  42. Hasil analisis di atas menunjukkan bahwa model secara statistik adalah memang dapat digunakan, terbukti dari nilai F-hit sebesar 73.02 yang signifikan pada tingkat alpha 5% atau 0.05 Artinya bahwa ß0, ß1, ß2 mempengaruhi secara nyata terhadap N_Akhir (nilai Akhir). Kekuatan pengaruh dari kedua variabel dalam menjelaskan variabel N_Akhir sebesar 70.2 % sedangkan sisanya yaitu sekitar 29.8% merupakan pengaruh dari variabel lain yang tidak dipertimbangkan dalam model.

  43. Koefisien latihan 0.542 dapat diartikan jika Nilai Laporan tetap maka kenaikan 1 satuan nilai latihan akan cenderung menaikkan nilai ujian sebesar 0.542. Demikian juga untuk pengaruh nilai Laporan. Jika nilai laporan naik 1 satuan maka akan cenderung meningkatkan nilai ujian Akhir sebesar 0.771. Hal yang lebih menarik sebenarnya adalah faktor apa yang tersembunyi di balik angka-angka tersebut. Hal ini memerlukan informasi yang bersifat kualitatif untuk mengungkap :

  44. ESTIMASI MODEL REGRESSI LINIER BERGANDA Model: Yi = 0 + 1 X1i + 2 X2i + i Model penduga: Ŷi = b0 + b1 X1i + b2 X2i b0,b1 dan b2 nilai penduga untuk 0, 1 dan 2. (yi x1i) (x22i ) – (yi x2i) (x1i x2i) b1 = (x21i ) (x22i ) – (x1i x2i)2 (yi x2i) (x21i ) – (yi x1i) (x1i x2i) b2 = (x21i ) (x22i ) – (x1i x2i)2 b0 = Yi – b1X1i – b2 X2i

  45. ESTIMASI MODEL REGRESSI LINIER BERGANDA 1 X21x22i – X22x21i – 2 X1 X2x1i x2i var(b0)= + 2 n (x21i ) (x22i ) – (x1i x2i)2 x21i var(b1) = (x21i )(x22i ) – (x1i x2i)2 se(bi) = var(bi) Utk i = 0, 1, 2. 2 x21i var(b1) = (x21i )(x22i ) – (x1i x2i)2 2 i2 2 = n – 3 i2 = y2i– b1 yi x1i – b2 yi x2i

  46. Asumsi-asumsi Model Regresi Linier Berganda (Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE) • Nilai rata-rata disturbance term adalah nol, E(i) = 0. • Tidak tdpt serial korelasi (otokorelasi) antar i Cov(i,j) = 0 untuk i  j. • Sifat homoskedastisitas: Var(i) = 2 sama utk setiap i • Covariance antara i dan setiap var bebas adalah nol. Cov(i,Xi) = 0 • Tidak tdpt multikollinieritas antar variebel bebas. • Model dispesifikasi dengan baik

  47. Data Kualitatif dalam Model Regressi (Penggunaan Dummy Variable) Variabel Dummy adlh variabel yg merepresentasikan kuantifikasi dari variabel kualitatif. Misal: jenis kelamin, pendidikan, lokasi, situasi, musim, & kualitas. Jika data kualitatif tsb memiliki m kategori, maka jumlah variabel dummy yg dicantumkan didlm model adalah (m-1). Kesimpulan yg diambil dari keberadaan variabel dummy didlm model adlh perbedaan nilai antar kategori ybs. Variabel dummy sering juga disebut variabel boneka, binary, kategorik atau dikotom. Dummy memiliki nilai 1 (D=1) utk salah satu kategori dan nol (D=0) untuk kategori yang lain.

  48. MODEL REGRESI LINEAR DENGAN DUMMY VARIABEL Variabel dummy digunakan sebagai upaya untuk melihat bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh terhadap parameter pendugaan. Variabel dummy juga mencoba membuat kuantifikasi dari variabel kualitatif. Kita pertimbangkan model berikut ini: I. Y = a + bX + c D1 (Model Dummy Intersep) II. Y = a + bX + c (D1X) (Model Dummy Slope) III. Y = a + bX + c (D1X) + d D1 (Kombinasi)

  49. Model Dummy Intersep Model Dummy Slope Model Dummy Kombinasi Y= a + bX1 + cD1 Y= a + bX1 + cD1X1 Y= a + bX1 + cD1X1+ dD1 Y= (a+d) + (b+c).X1 Y Y= a + (b+c).X1 Y= (a + c) + bX1 Y’= a + bX1 Y’= a + bX1 Y’= a + bX1 0 Dummy Slope Dummy Kombinasi Dummy Intersep

  50. Dummy sebagai Variabel Bebas: ANOVA Model: Yi =  + Di +  Misal : Yi = Penghasilan Karyawan Di = 1 untuk laki-laki = 0 untuk wanita E(YiDi=0) =  E(YiDi=1) =  +  Yi o + o o o o o  x x x  O = L x x x x = P D=0 D=1 Interpretasi: Apakah jenis kelamin berpengaruh thdp penghasilan. Berapa perbedaan penghasilan antara laki2 dan wanita.

More Related