Peringkat Kinerja Reksadana Dengan GRNN

image Untuk meningkatkan ketepatan dalam melakukan penlaian terhadap kinerja suatu produk reksadana, diperkenalkan teknik pemodelan menggunakan Generalized Regression Neural Network. Penilaian kinerja produk reksadana yang didasarkan pada selisih harga jual dan harga beli pada suatu periode tertentu belum secara akurat menggambarkan kinerja produk tersebut. Percobaan yang dilakukan menggunakan data-data transaksi pada Bursa Efek Indonesia dapat menghasilkan susunan peringkat kinerja produk yang lebih tangguh dari gejolak bursa. Peringkat ini dapat digunakan sebagai bahan pengambil keputusan lebih akurat oleh investor sehingga didapat keuntungan yang lebih optimal.


1. Pengantar

Penilaian kinerja suatu produk reksadana saat ini menggunakan perhitungan selisih antara harga jual dan harga beli pada suatu periode tertentu. Investor menggunakan dasar penilaian itu dalam menentukan perkiraan keuntungan yang akan diperoleh di masa depan. Mengingat fluktuasi harga saham bukan merupakan pola yang teratur, penilaian tersebut tidak secara tepat menggambarkan keadaan yang sesungguhnya.

Algoritma Generalized Regression Neural Network (GRNN) dapat digunakan untuk melakukan generalisasi terhadap fluktuasi harga dari tiap-tiap produk dan membentuk pemodelan yang tepat. Selanjutnya dari model-model yang dihasilkan akan dihitung dan diperbandingkan satu sama lain sehingga diperoleh peringkat dari masing-masing produk. Hasil uji coba menggunakan data-data transaksi harian dari Bursa Efek Indonesia menunjukkan penilaian kinerja yang lebih akurat sebagai acuan perkiraan kinerja di masa depan.

Pada bagian 2 akan dijelaskan keterbatasan dari penilaian dengan perhitungan selisih harga. Algoritma GRNN sebagai inti dalam pembuatan model diperkenalkan pada bagian 3. Pengolahan data dan uji coba yang telah dilakukan beserta hasil yang didapat dan analisanya akan diuraikan pada bagian 4.

2. Reksadana dan Penilaian Kinerja

2.1. Reksadana

Sesuai dengan UU Pasar Modal Nomor 8 tahun 1995, Pasal 1 Ayat 27, reksadana adalah suatu wadah yang dipergunakan untuk menghimpun dana dari masyarakat pemodal untuk selanjutnya diinvestasikan dalam portofolio efek oleh Manajer Investasi yang telah mendapat izin dari Bapepam. Portofolio investasi reksadana dapat terdiri dari berbagai macam instrumen surat berharga, seperti saham, obligasi, instrumen pasar uang atau campuran dari instrumen-instrumen tersebut.

Reksadana sebagai alternatif berinvestasi semakin berkembang di Indonesia, seiring dengan rendahnya suku bunga perbankan di Indonesia. Rata-rata suku bunga produk-produk Perbankan, seperti tabungan, deposito, dan obligasi, hanya memberi keuntungan maksimal sebesar 12% per tahun, dan masih mendapat potongan pajak terhadap bunga sebesar 15% – 20%. Keuntungan ini semakin kecil mengingat tingkat inflasi, misalnya pada tahun 2007, mencapai 6,59% per tahun. Per 8 Mei 2008 terdapat 62 produk Reksadana Saham (RDS) dengan portofolio minimal 80% pada saham, di mana 25 di antaranya berusia kurang dari 1 tahun.

2.2. Persentase Selisih Harga

Kinerja produk-produk reksadana selama ini dinilai secara statistik dengan melihat hasil investasi dalam jangka waktu tertentu, seperti 1 bulan, 3 bulan, 6 bulan, dan 1 tahun. Hasil investasi dihitung berdasarkan persentase selisih harga jual – harga beli. Harga di sini adalah harga per unit produk reksadana tersebut, disebut sebagai Nilai Aktiva Bersih (NAB, Net Asset Value), yang diperbaharui setiap hari bursa. Ketika membeli suatu produk, maka nilai rupiah dibagi dengan NAB tersebut, sehingga didapat sejumlah unit. Demikian pula ketika menjual produk, jumlah unit dikalikan dengan NAB yang berlaku di hari itu, sehingga didapat rupiah tertentu.

Misalnya bila produk X pada tanggal 1 Januari 2008 mempunyai NAB Rp 1.000, sedangkan per 1 Maret 2008 NAB-nya sebesar Rp. 1.300, maka persentase keuntungan dalam 3 bulan adalah (1.300 – 1000) / 1000 * 100 = 30%. Persentase keuntungan per bulan adalah 30% / 3 = 10%.

2.3. Penilaian Kinerja

Menghitung kinerja dari suatu produk reksadana berdasarkan persentase selisih harga tidaklah tepat, mengingat sifatnya yang sangat tergantung waktu seiring gejolak bursa saham. Misalnya pada periode 18 s/d 22 Januari 2008 Indeks Harga Saham Gabungan (IHSG) anjlok tajam hingga 12%, yang mempengaruhi NAB mayoritas RDS, hingga pulih kembali 2 hari kemudian. Per 22 Februari 2008 NAB RDS 1 bulan rata-rata di atas 12%, walaupun sebenarnya ini hanya semata-mata akibat gejolak bursa dan bukan keuntungan yang sebenarnya.

Laporan kinerja dari Manajer Investasi juga didasarkan mekanisme serupa, biasanya dalam jangka tahunan, yang memberikan hasil yang semu. Akibat hasil investasi akhir sangat ditentukan oleh NAB hari terakhir, untuk memperbaiki laporan kinerja Manajer Investasi mengusahakan sedemikian rupa pada akhir-akhir periode (seperti per bulan, per tahun) agar NAB produknya meningkat tajam. Ketika investor ingin membeli suatu produk RDS, maka mekanisme penilaian ini dapat menghasilkan keputusan yang tidak tepat.

3. Penghitungan Peringkat dengan Neural Network

Mengingat permasalahan pada bagian 2, perlu dibuat mekanisme baru dalam menilai kinerja suatu produk secara tepat. Tujuan yang diharapkan adalah meminimalkan penyimpangan dalam penilaian akibat gejolak bursa. Algoritma berdasarkan Neural Network dapat digunakan untuk keperluan ini.

3.1. Generalisasi dan Penghalusan

Generalisasi (generalization) adalah suatu cara untuk menghasilkan pemetaan input dan output secara tepat [1]. Generalisasi dapat disebut juga sebagai penghalusan (smoothing) atau pengepasan kurva (curve fitting). Generalisasi adalah baik bila pemetaan nilai input menghasilkan nilai output yang benar sesuai pelatihan data yang diberikan. Untuk menghasilkan nilai output yang tepat dilakukan proses penyisipan atau interpolasi terhadap nilai-nilai input. Bila proses interpolasi ini tidak secara tepat menggambarkan model kurva dinamakan overfitting.

Penghalusan data dilakukan dengan menghilangkan data-data liar (noise/outlier) dan mengisi data-data yang hilang. Penghalusan ini didasarkan pada asumsi bahwa model dari data tidak berisi struktur-struktur dengan skala kecil, yang pada dasarnya hanya harapan dari analis atas model yang dihasilkan. Diharapkan dari penghalusan ini dapat menghasilkan model yang lebih sederhana dan lebih kokoh terhadap gejolak data.

Sebagai contoh teknik sederhana dalam melakukan penghalusan yaitu dengan penghitungan rata-rata dan nilai tengah sekelompok data. Misalnya pada vektor [1, 1, 2, -1, 2, 3, 10, 11, 3]:

  • Rata-rata (mean / average): (1 + 1 + 2 + -1 + 2 + 3 + 10 + 11 + 3) / 9 = 3,5556.
  • Nilai tengah (median): dilakukan pengurutan sehingga dihasilkan [-1, 1, 1, 2, 2, 3, 3, 10, 11] dan kemudian nilai pada posisi tengah (yaitu 5) hingga didapat 2.

Penghalusan dengan rata-rata dapat menimbulkan masalah bila terdapat variasi data yang besar. Satu data yang salah dapat menyita keseluruhan hasil. Sedangkan dengan nilai tengah bila susunan data tidak pada pola yang teratur maka hasilnya tidak tepat. Pada contoh di atas nilai tengah 2 tidak mewakili dengan tepat vektor data.

3.2. Generalized Regression Neural Network

Generalized Regression Neural Network (GRNN) adalah suatu bentuk ternormalkan dari jaringan Radial Basis Function (RBF) di mana terdapat sebuah nilai tersembunyi terpusat pada tiap-tiap pelatihan [2]. Hasil dari GRNN adalah bobot rata-rata dari hasil pelatihan yang mendekati nilai input yang diberikan. Hanya bobot dari lebar unit-unit RBF yang dipelajari, yang merupakan parameter penghalusan atau lebar pita. GRNN dapat digunakan sebagai fungsi pengira (approximation).

Fungsi GRNN telah tersedia dalam perangkat lunak komputasi MATLAB yaitu newgrnn dengan sintaks: net = newgrnn(P, T, SPREAD) , di mana:

  • P = matriks R x Q dari Q vektor input.
  • T = matriks S x Q dari Q vektor target.
  • SPREAD = sebaran dari RBF, dengan default 1. Untuk mengepaskan data mendekati bentuk kurva aslinya, nilai ini lebih kecil dari jarak kebanyakan dari vektor-vektor input, sedangkan nilai lebih besar untuk mendapatkan bentuk kurva lebih halus.
  • net = hasil dari fungsi, yang kemudian digunakan untuk simulasi dengan Neural Network.

image Radial Basis Function adalah suatu fungsi bilangan real di mana nilainya bergantung dari jarak dari titik asalnya, sehingga Φ(x) = Φ(||x||); atau jarak dari titik lain c, disebut pusat, sehingga Φ(x, c) = Φ(||x–c||) [3]. Suatu fungsi φ yang memenuhi syarat φ (x) = φ (||x||) adalah sebuah fungsi radial. Jenis RBF yang digunakan GRNN adalah Gaussian, dalam bentuk Φ(r) = exp(-βr2) untuk β > 0; atau h(x) = exp(-(x – c)2 / r2).

RBF yang digunakan dalam fungsi pemerkiraan dalam bentuk:

clip_image004[4]

di mana y(x) berupa jumlah dari N RBF, masing-masing diasosiasikan terhadap pusat yang berbeda Ci, dan pembobotan melalui koefisien Wi yang tepat.

clip_image006

Beberapa keuntungan menggunakan GRNN sebagai fungsi pengira yaitu:

  • Waktu pelatihan yang cepat.
  • Dapat menangani data linear dan non linear.
  • Menambahkan contoh-contoh baru pada data pelatihan tidak membutuhkan kalibrasi ulang model.
  • Hanya memiliki 1 parameter yang dapat diubah sehingga overtraining jarang terjadi.

3.3. Penghitungan Peringkat

Penghitungan peringkat dilakukan melalui 2 tahap berikut:

  1. Suatu vektor (dalam hal ini produk RDS) dihaluskan dengan GRNN, dengan besar sebaran adalah ½ dari banyak elemen vektor. Nilai ½ adalah asumsi, dengan melihat bahwa bentuk kurva yang dihasilkan kehalusannya memadai.
  2. Skor dihitung dari nilai rata-rata keseluruhan elemen. Tiap elemen adalah selisih persentase keuntungan dari produk RDS terhadap IHSG. IHSG berfungsi sebagai parameter pembanding dari NAB produk.

Penghitungan peringkat melalui GRNN dan dihitung relatif terhadap IHSG bertujuan mendapatkan angka yang stabil dan tepat berdasarkan kondisi nyata, di mana fluktuasi IHSG turut mempengaruhi besar NAB. Semakin rendah tingkat gejolak NAB suatu produk maka bisa dinilai bahwa kinerja produk tersebut semakin baik, yang juga mencerminkan kepiawaian dari Manajer Investasi dalam menyusun portofolio.

4. Percobaan dan Hasil

4.1. Perangkat Yang Digunakan

Berikut perangkat lunak yang digunakan dalam percobaan ini:

  • MATLAB, sebagai bahasa utama dalam pengolahan data. MATLAB berkerja menggunakan struktur data berbentuk matriks, dilengkapi operator dan fungsi-fungsi pendukungnya. Fungsi GRNN tersedia dalam Neural Network Toolbox (nnet).
  • PHP, sebagai alat bantu dalam pengambilan data. Mengingat data mentah dalam bentuk HTML yang diambil dari situs penyedia data cukup besar, dibuat script kecil dalam PHP untuk penyaringan awal data tersebut di server yang terhubung Internet.
  • Microsoft Excel, sebagai alat bantu dalam pengolahan tambahan data, sekaligus membuat laporan akhir berupa pemeringkatan produk RDS.

Pelaksanaan ujicoba dilakukan pada sistem operasi Windows, kecuali penyaringan awal data menggunakan Linux. Seluruh data berbentuk teks dengan format Comma Separated Value (CSV).

4.2. Pengambilan dan Pengolahan Data

Periode pengambilan data adalah hari bursa antara 8 Mei 2007 s/d 6 Mei 2008, jangka waktu 1 tahun atau 240 hari kerja. Bila produk RDS yang diambil belum mencapai 1 tahun, maka tanggal awal merupakan tanggal di mana produk tersebut mulai tercatat. Data IHSG sebagai pembanding akan disesuaikan dengan ketersediaan data produk RDS.

Produk reksadana yang diambil adalah Reksadana Saham, dengan asumsi mendapat keuntungan terbesar tetapi juga fluktuasi yang lebih tinggi. Berdasarkan data dari situs Bisnis.com per 6 Mei 2008 didapat total 58 produk RDS dengan usia di atas 1 bulan. Daftar ini kemudian dicocokkan dengan kode produk tersebut pada situs Bapepam.go.id, untuk kemudian digunakan dalam mengambil data. Demi menjaga subyektivitas, hanya kode produk yang ditampilkan di makalah ini.

Data NAB harian diambil dari situs Bapepam.go.id sebagai penyedia data resmi untuk Bursa Efek Indonesia. Data ini awalnya berupa HTML, dengan bantuan script PHP disaring sesuai yang dibutuhkan dan disimpan dalam format CSV. Data IHSG sebagai perbandingan diambil dari situs finance.yahoo.com, tersedia dalam format CSV. Penyesuaian lebih lanjut dilakukan menggunakan editor teks maupun Microsoft Excel hingga didapat data akhir seperti di bawah.

IHSG;06/05/2008;2386.45;246969200;2371.83
IHSG;05/05/2008;2360.93;245974000;2387.99
MDNS;06/05/2008;52782587681.61;45673201.91;1155.66
MDNS;05/05/2008;51840799976.32;45730899.32;1133.61
035600493431;06/05/2008;309786905175.00;213678526.53;1449.78

4.3. Pembuatan dan Analisa Hasil

Untuk menyederhanakan bentuk model maka data dikelompokkan per 12 hari, sehingga didapat maksimal 20 titik kurva (240/12). Model yang didapat cukup mewakili untuk menggambarkan pergerakan NAB produk dalam 1 tahun. Pengaturan hasil ini dengan mengubah parameter fungsi sim (simulates neural networks) pada MATLAB.

Sebagai contoh dari bentuk kurva perbandingan antara produk RDS terhadap ISHG, dapat dilihat pada gambar di bawah.

image image 

Setelah semua data yang diperlukan tersedia, program kemudian dijalankan pada MATLAB dan menghasilkan file hasil berformat CSV. Pengolahan pada tahap akhir dilakukan menggunakan Microsoft Excel. Hasil pemeringkatan produk RDS yang dihasilkan dapat dilihat pada tabel berikut (diambil 10 produk teratas).

No.

Kode Produk

NAB

% NAB Selisih

% NAB GRNN

Skor Akhir

1

035600493431 (2)

449,78

44,98

30,96

21,17

2

0085290 (1)

455,36

45,54

37,21

20,97

3

FOIP (3)

419,43

39,12

36,84

17,87

4

0085480 (25)

182,53

18,25

29,12

14,57

5

0089763 (7)

2.066,64

31,59

32,02

13,05

6

0099424 (8)

491,70

30,90

31,83

12,86

7

00D42C (4)

561,16

34,02

29,52

10,55

8

OPTIMA (5)

376,91

32,94

29,21

10,24

9

0098566 (9)

651,99

30,39

28,62

9,65

10

RDEP (11)

510,80

29,77

27,83

8,86

Dari tabel hasil di atas, terjadi perubahan peringkat secara keseluruhan (peringkat yang dihitung dari selisih jual dan beli ditandai dalam kurung pada kode produk). Terjadi kenaikan tinggi pada peringkat nomor 4, di mana secara normal berada di posisi 25, maupun pada nomor 10 yang naik tipis. Hal ini menunjukkan meskipun rentang waktu cukup lebar, yaitu 1 tahun, tetapi dampak fluktuasi NAB produk tetap melekat.

Posisi strategis 1, 2, dan 3 mengalami pertukaran posisi yang bisa membawa dampak cukup besar mengingat dijadikan pertimbangan mendalam oleh investor dalam membeli produk RDS. Pertimbangan lanjutan adalah fluktuasi volume dari produk tersebut maupun syarat-syarat administratif, seperti minimal pembelian unit atau keterjangkauan penjualnya.

5. Kesimpulan

Penyusunan peringkat produk reksadana menggunakan algoritma GRNN diharapkan lebih tepat sebagai bahan penilaian, karena telah mengantisipasi gejolak bursa saham. Penilaian dengan melihat ketangguhan suatu produk berarti pula menilai kinerja dari Manajer Investasi sebagai pengelola aset investor dalam jangka panjang. Semoga bermanfaat.

Daftar Pustaka

  1. Simon Haykin. Neural Network, A Comprehensive Foundation, 2nd Edition. 1999.
  2. P.D. Wasserman. Advanced Methods in Neural Computing. New York: Van Nostrand Reinhold. pp. 155-61. 1993.
  3. R. J. May, et al. General Regression Neural Networks for Modeling Disinfection Residual in Water Distribution Systems. 2004.
  4. Wei Huang et al. Forecasting Foreign Exchange Rates with Artificial Neural Networks: A Review. International Journal of Information Technology & Decision Making, Vol. 3, No. 1 145–165. 2004.
  5. Wikipedia.org. http://en.wikipedia.org/wiki/Radial_basis_function. Diakses 29/04/2008.
  6. Mengenal Investasi Reksa Dana. Surat Kabar Sinar Harapan, tanggal 19/01/2007.

Lampiran

1. Perbandingan IHSG dan RDSH

% Perbandingan IHSG dan RDSH

fid = fopen(‘hasil_rd.csv’);
rds = textscan(fid, ‘%s %s %n %n %n’, ‘delimiter’, ‘;’);
fclose(fid);

% buat vektor per produk; kode, awal, akhir (urutan rec desc)
awal = 1; idx = 1; kode = rds{1}(awal); prod = ;
for i = 1:length(rds{1})
    if ~strcmp(kode, rds{1}{i})       
        prod{idx} = {kode awal i1};
        kode = rds{1}(i);
        awal = i; idx = idx + 1;
    end;
end;
prod{idx} = {kode awal i};

% Ambil produk RDSH sebagai contoh
[kode, a, b] = prod{3}{:};
RD = fliplr(rds{5}(a:b)‘);
jarak = 12; Hari = length(RD); X = 1:Hari;
titik = floor(Hari/jarak)+1;

% Ambil JKSE paling atas sebagai pembanding
[kode2, a2, b2] = prod{1}{:};
Y = fliplr(rds{5}(a2:a2+Hari1)‘);

hold on; grid on;
title([char(kode2), ‘ vs ‘, char(kode)]);
xlabel([‘Tanggal  ‘, char(rds{2}(b)), ‘ s/d  ‘, char(rds{2}(a))]);
ylabel(‘Nilai Aktiva Bersih’);

% perkiraan dengan NN
net = newgrnn(X, Y);
X2 = 0:jarak:titik*jarak;
Y2 = sim(net, X2);
net = newgrnn(X, RD);
RD2 = sim(net, X2);

% hitung selisih persentase RDSH dengan JKSE
RDSH_S = (RD2RD(1))/RD(1)*100;
JKSE_S = (Y2Y(1))/Y(1)*100;
IX = 1:length(RDSH_S);

plot(IX, JKSE_S, ‘-s’, IX, RDSH_S, ‘-o’, ‘linewidth’, 2);
legend(sprintf(‘%s (%.2f%%)’, char(kode2), mean(JKSE_S)), …
    sprintf(‘%s (%.2f%%)’, char(kode), mean(RDSH_S)), 2);

2. Pembuatan Peringkat Produk Reksadana dengan GRNN

% Pembuatan Peringkat Produk Reksadana dengan GRNN

fid = fopen('hasil_rd.csv');
rds = textscan(fid, '%s %s %n %n %n', 'delimiter', ';');
fclose(fid);

% Buat vektor per produk; kode, awal, akhir (urutan rec desc)
awal = 1; idx = 1; kode = rds{1}(awal); prod = '';
for i = 1:length(rds{1})
    if ~strcmp(kode, rds{1}{i})
        prod{idx} = {kode awal i-1};
        kode = rds{1}(i);
        awal = i;
        idx = idx + 1;
    end;
end;
prod{idx} = {kode awal i};
[kode_ihsg, a_ihsg, b_ihsg] = prod{1}{:};

% Hitung GRNN per produk RDSH; tulis ke file bentuk CSV
fid = fopen('rd_rank.csv', 'w');
fprintf(fid, ['KODE;NAB;NAB Selisih;NAB GRNN;Skor Akhir\r\n']);
for i = 2 : length(prod)
    [kode, a, b] = prod{i}{:};
    Y = fliplr(rds{5}(a:b)');
    jarak = 5; hari = length(Y); X = 1:hari;
    titik = floor(hari/jarak)+1;
    I = fliplr(rds{5}(a_ihsg:a_ihsg+hari-1)');
    
    net = newgrnn(X, Y, titik/2);
    X2 = 0:jarak:titik*jarak;    
    Y2 = sim(net, X2);
    net = newgrnn(X, I, titik/2);
    I2 = sim(net, X2);
    
    % hitung selisih persentase RDSH dengan IHSG
    nab = Y(1);
    RDSH = (Y2-nab)/nab*100;
    IHSG = (I2-I(1))/I(1)*100;
    BEDA = RDSH - IHSG;
        
    fprintf(fid, '''%s'';%.2f;%.2f;%.2f;%.2f\r\n', ...
        char(kode), rds{5}(a)-nab, (rds{5}(a)-nab)/nab*100, mean(RDSH), mean(BEDA));
end; 
fclose(fid);

3. Baca Data Reksadana ke Format CSV

<?php

// Baca Data Reksadana ke Format CSV

function AmbilXls($kode)
{
  global $FOut, $QRY;
  $str = file_get_contents($QRY. '&rd='. urlencode($kode));
  if (!($text = html_entity_decode(strip_tags($str)))) {
    print "Error: Get Content.\n"; return;
  }
  $text = str_replace(chr(0xA0), ' ', $text);  // karakter apa?
  if (!preg_match_all('/(\d{2}\/\d{2}\/\d{4})\s+([0-9,.]+)\s+([0-9,.]+)\s+([0-9,.]+)/',
    $text, $data, PREG_SET_ORDER)) {
    print "Error: Preg Match.\n"; return;
  }
  foreach ($data as $arr) {
    $str = $kode. ';'. $arr[1]. ';'. str_replace(',', '', $arr[2]). ';'.
      str_replace(',', '', $arr[3]). ';'. str_replace(',', '', $arr[4]);
    fwrite($FOut, $str. "\n");
    $baris++;
  }
  return $baris;
}

$url = 'http://www.bapepam.go.id/reksadana/Inquiry/NAVperRD_next.asp';
$tga = date('Ymd', strtotime('-1 year'));
$tgb = date('Ymd');
$QRY = $url. '?query=ok&xls=yes&tgl1='. $tga. '&tgl2='. $tgb;
$FOut = fopen('hasil_rd.csv', 'w');

// baca dari daftar reksadana saham
if ($fd = @fopen('reksa_saham.txt', 'r')) {
  while ($buf = fgets($fd, 4096)) {
    $arr = explode(';', $buf);
    if (!($rd = trim($arr[1]))) continue;
    print (++$cah). '. '. $arr[0]. ' ('. $rd. ') ... ';
    if ($besar = AmbilXls($rd)) print " [". $besar. "]\n";
   }
  fclose($fd);
}

fclose($FOut);

?>

2 Komentar »

  1. afifah said

    Asslm. Makasih ilmunya…

    Klo blh mnta source code atau referensinya. Bwt skripsi sy.
    Mksh sebelumnya…

  2. rajim said

    mantab tulisannya, ijin baca ya🙂
    terima kashi banyak

RSS feed for comments on this post · TrackBack URI

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s