KAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA
DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL
PADA ANALISIS MULTIRESOLUSI WAVELET
SKRIPSI
Oleh:
EBEIT DEVITA SIMATUPANG
NIM J2E009032
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
i
KAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA
DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL
PADA ANALISIS MULTIRESOLUSI WAVELET
Oleh:
EBEIT DEVITA SIMATUPANG
NIM J2E009032
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Sarjana Sains pada Jurusan Statistika
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
iv
Puji syukur kepada Tuhan Yang Maha Esa yang telah memberikan
karunia-Nya sehingga penulis dapat menyelesaikan penulisan tugas akhir dengan
judul
flasi Tahunan Kota Sibolga dengan ARIMA dan
Pendekatan Regresi Polinomial pada Analisis Multiresolusi Wavelet.
Pada kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Ibu Dra. Dwi Ispriyanti, M.Si selaku Ketua Jurusan Statistika Fakultas Sains
dan Matematika Universitas Diponegoro.
2. Ibu Dra. Suparti, M.Si dan Ibu Rita Rahmawati, S.Si, M.Si selaku dosen
pembimbing I dan pembimbing II.
3. Bapak dan Ibu dosen Jurusan Statistika yang telah memberikan arahan dan
masukan demi perbaikan penulisan tugas akhir ini.
4. Semua pihak yang membantu dalam penulisan tugas akhir ini.
Saran dan kritik dari semua pihak sangat diharapkan demi kesempurnaan
penulisan selanjutnya. Semoga tugas akhir ini dapat bermanfaat bagi pembaca
pada khususnya maupun ilmu pengetahuan pada umumnya.
Semarang,
Februari 2014
v
t
! " #r
$% ! &!tu
't
()$ '" # * #((" !$tu
#r
+Oleh karena itu, prediksi terhadap nilai inflasi menjadi penting dalam
mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. Dalam
mengkaji model inflasi, umumnya digunakan metode parametrik ARIMA
Box-Jenkins yang mensyaratkan data stasioner dan residual
white noise
. Namun, data
inflasi yang sangat fluktuatif seringkali tidak memenuhi asumsi parametrik.
Dalam penelitian ini, diusulkan analisis multiresolusi (MRA) wavelet sebagai
metode alternatif. Transformasi dari wavelet mampu merepresentasikan informasi
waktu dan frekuensi secara bersamaan sehingga dapat digunakan untuk
menganalisis data nonstasioner. Salah satu bentuk tranformasi wavelet adalah
transformasi wavelet diskrit (DWT) yang menyatakan ukuran data N sebagai
2
untuk suatu bilangan bulat positif . Analisis DWT didukung MRA yang membagi
data X menjadi komponen detail (
) dan komponen pemulusan ( ) untuk
mendapatkan hasil estimasi. Estimasi terbaik MRA akan didekati dengan regresi
polinomial. Model regresi dibentuk dengan menjumlahkan pengaruh
masing-masing variabel prediktor yang dipangkatkan meningkat sampai derajat ke-
k
.
Dengan menggunakan data inflasi yoy Kota Sibolga periode Juli 2008-Oktober
2013, menghasilkan model terbaik parametrik ARIMA (0,1,[12]) dengan
MSE=1,15411 dan model terbaik pendekatan regresi polinomial derajat ke-13
pada MRA yang menggunakan filter la18 dengan level resolusi
= 1
yang
memiliki MSE=1,238816. Kedua model digunakan untuk memprediksi inflasi yoy
Kota Sibolga tahun 2014.
6789 :6
C
9;< =>?
t
5 @<r
?t
A5s
@<A @=t
B A =C<D? EA<F? >AG@<@E5 G 5<D5 G?to
rs o
=? G@C<Fry
H IB Ar
A=o
r
AJAD5 Gr
p
t
5@<@= 5 <=>?5@<t
r
?t
AK A G@EA5 E?<Fp
o
rt
t
B5 <L5<?M5< Lt
E @<At
?ry
to
E?5 <F ?5 < AG@<@Est
y
?K5 >5Hty
;< CDst
5 < Ly
5<=>?t
5 @< E@DA>J G@EE @<>y
CN AD EAt
B @D @= O??E Ar
tr
5GA
P;QRB
@S-
TA<M5<N UB5GB VAquires data is stationer and
residual is white noise. However, data inflation which is fluctuates often does not
meet parametric assumptions. In this study, it is proposed to use wavelet
Multiresolution Analysis (MRA) as alternative method. The transformation from
wavelet capable in representing time and frequencies simultaneously so that it can
be used to analyze nonstasioner data. One of wavelet transformation form is
discrete wavelet transformation (DWT) which expresses sized data N as
2
for
positive integer j. DWT analyses supported by MRA that divides data X become
detail component (
) and smoothing component ( ) to gain of estimating result.
The best of MRA estimation will be approached by polynomial regression. The
model of regression is formed by summing influence each variable
predictor which raised increasingly to
W-degress. By using yoy inflation data of
Sibolga City in July 2008-October 2013 period, obtain the best parametric model
ARIMA (0,1,[12]) with MSE=1,15411 and the best model of polynomial
regression approached 13-degress at MRA that use la18 filter in resolution level
= 1
which has MSE=1,238816. Both models are used to forecast yoy inflation
of Sibolga City in 2014.
cdef dg h ih
jklk mkn o
A
pA
qr stuD
up vvvvvvvvvvvvvvvvvvvwwwwwww b oA
pA
qr sxE
syE
zA
oA
s{www vvvvvv vvvvvvvvvvww b b oA
pA
qr sxE
syE
zA
oA
s{{vvvvvvv vvvvvvvvvww bb b |A
}rxE
syA
s}A
~ vvvvvvvvvvvvvvvvvvv vww baAB
z }~A
| vvvvv vvvvvvvvvvvvvvvvvvvvw aAB
z }~AC
}vvvvvvvvvvvvvvvvvvvvvvvvwww abDA
}r~{z {vvvv vvvvvvvvvvvvvvvvvvvvw ab bDA
}r~}rBE
pvv vvvvvvvvvvvvvvvvvvvvwx
DA
}r~yA
qA
~ v vvvvvvvvvvvvvvvvvvv vx
bDA
}r~pA
qx{~A
svvvvvvvvvvvvvvvvvvvvx
b bBAB
{xE
sDA
oupuA
sw p
B
v vvvvvvvvvvvvvvvvvvv vww w } x b vvvvvvvvvvvvvvvvvvvvww BAB
{{}{st
A
uA
sx uz}r|A
w { bvvvwwv vv vvvvvvvvvvvvvvvvvvww
¬¨ ¥ ®¤¯°¨§±²®£ ³ ©¦ ¥¨ ¥
White Noise
ªªª ªª ¡´ ´ °¦ ¨¯µ°¦ ¨¯¤¯¤¶¬®§ £ ®§· ¤ ²£®ªªª ªªªªª ¡¸ ´ ¡ °¦ ¨¯Autoregressive
(A
¬)
ªªªªªªªªªª ¡¸ ´ °¦ ¨¯Moving Average
(
°A)
ªªªªªªªªª ¡¹ ´ ´ °¦ ¨¯Autoregressive Moving Average
(A
¬°º)
¡¹ ´ » °¦ ¨¯Autoregressive Integrated Moving Average
(A
¬¼°º)
ªªªªªªª ªªªªªªªªª ª ¡½ » ¾¤¿¤À¤§
A
§ ¤¯ ¥ ¥¬®§ £®§· ¤ ²£®ª ªªª ªªªªª ¡Á ´ · ¤ ¨¯ ¨ £ªªªªªªª ªªªªªªªªªªªªªªª ª ¡Â ´ ¡ î§ ±¥ · ¤ ¨¯¨ £ªªªª ªªªªªªªªªªªª ª ¡Â ´ º§¤¯¥ ¥°®¯ £ ©¨ ¥¦¯®¥ ªªªªªªªªªªªªªª » ´ ´ ¾©¤§ ¥Ä¦ ©¶¤ ¥ · ¤ ¨¯¨ £D
¥ ²©£ªª ªªª ªªªªª ½ ´ ´ ¡  ©· ¤ ¨¯ ¨ £¤§Ã¯£¨ ©¢ ²¤ ¯¤ ªªªªªªª  ´ ´ º¯ ±¦ © £¶ ¤³ ©¤¶ ¤ªªªª ªªªªªªª ´´ » ¬¨±©¨ ¥ ³¦¯§¦¶¤¯ ªªªªªªªªªªªªªªªªªª » ¡ Å¥ £¶¤ ¥ ³¤ ©¤¶¨ £¨ © ªªªªªªª ªªªªªªªª ª » ³¨¶ ¯ ¿¤§°¦ ¨¯¾¨ ©Æ¤ ²ªªªªªªªªªªªªª ª
´¹ ´½ ´Á
BAB
¼¼¼°Å¾Ç
D
Ç ÈÇ É¼³E
ÊE
ȼ¾¼A
ÊÍ
x
BAB
ÎÏA
ÐA
ÑÎÒÎÒDA
ÐÓE
ÔÕA
ÖA
ÒA
Ð×ØÙ ÚÛÜÝÞÍ ß ÜÍ
D
àáàââ âââââââââââââââââââ ØØ ×× ×Øã Ô Ûáäå Ûæçè áçèéàÝ áçêëà ÜÍÝìæ ÎÔ ìB
äíîïÛèÝÍè Üââââââ ØØ ×ð ×ØãØÙ ñòÍÒ áà ÜÍ äè ÛÞÍáà ÜÚà áàââââââ ââââââââ ØØØØØØØØ ×ð ×ØãØã ÎåÛè áÍ óÍÝà ÜÍÔäå Ûëââââââââââââââââ â Ø ×ô ×ØãØõ öÜ áÍ ÷à ÜÍÓ àÞà÷ ÛáÛÞâââââââ âââââââââ â ×ø ×ØãØ× ÏÛÞÍ óÍÝà ÜÍÔ äå ÛëØØØââââââââââââââââ Øâ ù Ù ×Øõ æ ÛúÞ ÛÜÍÓ äë Íèä÷ ÍàëÜ Ûûà úàÍÓÛèå ÛÝ àáàèåàëà ÷A
èàëÍÜÍÜÔçëáÍ ÞÛÜäëç ÜÍ(
ÔæA)
å Ûè úàèÔÛáäå Ûéà üÛë Ûáâââââââ ØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØ ù ××Ø× ÓÛÞûàèåÍ è úàèÖà ÜÍ ëÔ Ûáäå Ûê ëà ÜÍ ÝìæÎÔ ì
B
äíîïÛèÝÍè ÜåàèÓÛèå ÛÝàáàèæ ÛúÞ ÛÜÍÓ äë Íèä÷ Íàëßàåà
A
èàë Í ÜÍ Ü(
Ô æA)
éàüÛëÛáââ ØØ ð ×BAB
ÏêE
Ò ÎÔÓñ ÑA
ÐDA
ÐÒA
æA
Ðù ØÙ ê ÛÜÍ÷ ßçëàè âââââââââââââââââââââ Øâ ØØ ð
8
ù Øã ÒàÞàèââ ØØØââ âââââââââââââââââ âââ ØØ ðø
DA
ýþìæÓñÒþìêA
â âââââââââââââââââââ ØØØ ÿ
1
-
12
2
!"#$! %&!!' (23
3
)'' '*+! * ,'- ((
45
4
)''' *. / ) # * 0!'!1! ((50
2
. / 3
Jarque-Bera
(
$)
51
4 5#*6 7! * 1 ! (((
53
7
0!" #Forecasting
1! 8 5-18(0,1,
912
:)
!#+'8 *'6 ((
54
;
W
&!!'3' ! 1)<=!& !5! 6 158..
55
>0!" # 1)< 0 1! 0 +! / '
*!
-k
63
?@ 0!" #
Forecasting
5!#! 0 +!/ '*!
-13
!#+'8*'664
?? 5#*6 8 1!'! A * 85-18
-
$! *0!!*'5! #! 0 , 158 (((
65
?B
Forecasting
- A ' )"# C62014
!# 1! 85 -18(0,1,
912
:)
5! #! 0 +! / 'FGHIG JKGLM GJ
NOPO QOR SOQT OUV
C
WXYW Z[ \]^_ ^Y`````````````````..
23
SOQT OUaD
E\bc\d
A
_ec(
fghijklm n) M
^Y Wo^A
X \_EpEp``````..
43
SOQT OUqD
WDr_ WYD
\Y\I
X s_ \pEtWt` ```````` ````...
45
SOQT OUu r_WYB
WD-C
WDI
Xs_\pEtWt`````````````...
46
SOQT OUvM
wA
o^Xb\XxE_ Y ^cZ \\cy^] ^_w ^pW_epE z1
`````{{56
SOQT OU|M
wA
o^Xb\XxE_ Y ^co}~y^] ^_w^pW_epE z1
`````...
56
SOQT OUM
wA
o^Xb\XxE_ Y ^c_\1
y^] ^_w^pW_epE z1
`````..
5
SOQT OU
M
wA
o^Xb\XxE_ Y ^c30
y^] ^_w^pW_epE z1
`````...
5
SOQT OU×ØÙÚÕÛÜÝ ÜÕÙ
ÞßÞ àáâáãä åæáçáè é
êëìíîï
t
ëìðñ ïs
ëò óru
ô ïî ïìs
ïñ ïõs
ïtu
ëìö ëîït
÷øðu
ìö ïò óìù ïñóî÷ì ÷ò ësu
ïtu
ì óí ïr
ïs
óñïëì ðïîù÷ø-
ðïîù÷ø ñïëììy
ïs
óô órt
ë úr
÷ö û îD
÷ò óst
ë î ürut
÷(
úD
ü),
ôór
îïô ët
ï ô órtu
ò ý ûõ ïì óî÷ì ÷òë,
óîþô ÷ø-
ëò ô ÷ø,
ÿ ïöïìí ïì ö óv
ës
ï, ut
ïì í ñu
ïr
ì óí ór
ë ö ïì îóst
ïý ëñ ïì ì ë ñïëtu
îïr (
êëò üër
÷u
ý ûì í ïì ö ïìtu
ö ë ìùór
ìïs
ë÷ì ïñ-
ü ïì î ìö ÷ìós
ëï,
).
ïîì ï ì ð ñ ïs
ë ïö ïñ ïõ ô órs
óìù ïs
ót
ëìíîït
îóì ïë î ïì õ ïr
í ïs
óu
ò ñ ïõý ïr
ïì íöïì ïs
ïy
ïì ís
óÿïr
ïu
òu
òö ëî÷ìþûòs
ëru
òïõt
ïìíí ï.
ì ö ëîït
÷øëì ë ö ëô ïîïë
s
óý ïíïë ëìð÷r
òïs
ë ö ïs
ïr u
ìùu
î ô óì í ïòý ë ñïì îóô ûùus
ïì ý ïëît
ëìíîït
óî÷ì ÷ò ë òëîø÷ ït
ïu
òïîø÷ ý ïë î ð ës
îïñ òïu
ô ûì ò ÷ì ót
ór.
ú ïö ït
ëìíîït
ò ë îø÷ru
ò ïõt
ïì íí ïït
ïu
ò ïsy
ïr
ïîït
ò ës
ïñìy
ï,
öïô ït
òóò ïìð ï ït
îïìïì íîïëì ð ñïs
ëu
ìùu
îö ï
s
ïr
ô óìy
ósu
ïëïì ì ëñ ïë ô óìíóñu
ïr
ïì îóý ûùu
õïìs
óõ ïr
ë-
õ ïr
ë ö óì í ïì ô óì ö ïô ït
ïì ò ór
óîïy
ïì ír
óñït
ëðt
ót
ïô ú ïö ït
ëìíîït
î÷øô ÷øïs
ë,
ïìíîï ëìð ñ ïs
ë ö ïô ït
ö ëô ïîïëu
ìùu
î ô ór
óìÿïì ïïì ôóò ý óñ ïì ïïì ö ïì î÷ìùr
ïî ýës
ì ës. D
ïñïò ñ ëìíîûôy
ï ìí ñ óý ëõñ
u
ïs (
ò ïîr
÷)
ïì íî ï ëìð ñïs
ë ò óì ííïòý ïr
î ïì î÷ì ö ës
ë ït
ïu st
ïý ëñ ët
ïs
ò ÷ì ót
ór
ö ïì ô ór
óî÷ì ÷òëïì(
üïöïìúus
ït
t
ït
ëst
ëîÓ).
ó
st
ïý ë ñïì ëìð ñïs
ë ò óru
ôïîïì ô ø ïsy
ïr
ït
ý ïíë ôórtu
òý ûõ ïì óî÷ì ÷ò ëy
ïì í ý ór
îós
ëì ïò ý ûì íïìy
ïì í ô ïö ï ïîõ ër
ìy
ï òóòý ór
ëîïì ò ïìðï ït
ý ïíë ô óì ëìíîït
ïì îós
ó ïõù ór
ïïì ò ïsy
ïr
ïî ït.
ïñ ëì ë ö ëö ïs
ïr
îïì ô ïö ï ô órt
ëòý ïì íïì ý ïõw
ï ëìð ñïs
ëy
ïìít
ëì ííë ö ïìt
ëö ïîst
ïý ëñ ò óò ý ór
ëîïì ö ïò ô ï î ì óí ït
ëð îóô ïöï î÷ìö ës
ës
÷þ ë ïñr
y
s
u
, t
rut
s
rt
s
Kedua
s
y
t
st
t
st
(
uncertainty
)
! !
us
"r
s
!
u
#s
y
t
st
yu
t
!us
sy
r
t
! $ !s
,
%st
s
,
!$y
r
y
!u
rtu
!.
Ketiga
t
t
s
st
y
t
t
t
s
r
t
t
t
t
!st
r
t
t
t
s
t
r
ru
(
&'s
,
()*).
+ ,
s
s
tu
yusu
s
s
r
66
'
s
.
-(
()*)
y
! # + ,y
u
s
. )(/00²
r
! !$t
r
1221 )w
.
3t
r
r
t
,
r
,
u
! " $ut
r
rsu
r
r
r
,
r
w
s
t
,
s
,
r
/ !$r
r
t
.
4
r
y
t
t
s
y
t
t
y
r
t
s
$r
sy
r
t
y
, t
t
r
t
s
s
r
s
.
5
r
y
t
rs
!,
$(
forecasting
) t
r
s
r
t
u
r
u
u
st
t
s
t
r
r
"r
$t
r
r
t
s
y
t
y
t
6
u
$t
s
t
!r
t
89
r
:;s
;r
<;=w
;<>u
;< ;= :?@9A ;B ;r
?@C A;=y
; :9= D; =E 9E89=>u
< EC :9Atime series
u
=>u
<E9=D9t
;FG ? HAu
<>u
;s
?y
;= Dt
9r
B ;:?@;: ;:;t
;.
I 9EC :9A ;=
ru
=>u
=w
;<>u
:9=D;= E9t
C :9 @ ;r
;E 9tr
? < <A;s
? < J K LMJ NC O -P9=<?=Q E 9ru
@;<;= E 9t
C :9y
; = D @;A? =Du
Eu
E :? Du
=;<;=R M 9t
C :9 ?=? E 9=Qy
;r
;t
<;= ;su
Es
?y
; =D F;rus
:? @ 9=GF ?y
;?tu
:;t
;F ;rus st
;s
?C =9r
:;=r
9s
?:G ;A E 9=D? <G> ? @SC Q9s
white noise
.
T9:;= D<;= :;t
; ?=H A;s
? E 9ru
@;< ;= :;t
;y
;= D U9=:9ru
= D8 9r
H Au
<>u
;s
?s
9F ? =DD;su
A ?t u
=>u
<E9E9=GF ?<9:G ;;su
Es
?t
9rs
9 8G>.
V=>
u
< E9=D<;B? EC :9A ?=H A;s
?,
@9=G A ?s
E9=;w
;r
<;= E 9t
C : 9 ;At
9r
= ;t
?H =C =@;r
;E9tr
?<y
;= Dt
?:;< E9E9r
Au
<;= ;su
Es
?t
9r
F ;:;@ FG 8G =D; = ;=> ;r
v
;r
? ;89A =y
;y
;?tu
;= ;A ?s
?s
Eu
At
?r
9s
C Aus
? ;t
;u
Multiresolution Analysis
(
M KJ)
w
;v
9A9t.
W S;=QHC SE;s
? : ;r
?w
;v
9A 9t
E ;E@G E9r
9@S9s
9=>;s
? <;= ?=HC SE;s
?w
;<>u
:;=H
r
9<G9=Q?s
9U;r
;89rs
;E ;;=RK9@S 9s
9=> ;s
?w
;<tu
:;=Hr
9<G 9=Q ?E9= D;<?8;t
<;=tr
;=QHC SE ;s
?w
;v
9A 9t
:;@ ;t
:? Du
=;< ;=u
=>u
< E 9= D;= ;A?s
?s
:;t
;-
:;t
; =C =Q>;s
?C =9r.
T;A;F
s
;tu
89=>u
<tr
;=HCr
E ;s
?w
;v
9A9t
;: ;A;Ftr
;=QHC SE ;s
?w
;v
9A9t
: ?s
<S?t
;t
;u
Discrete Wavelet Transform
(D
XW). D
;A;ED
XWYu
<G S;= :;t
;N
:;@;t
:?=
y
;t
;< ;=s
98 ; D;? Zu
=>u
<su
;tu
8?A ;=D;= 8G A;t
@C Q ?t
?H.
J=;A ?s
?s D
XW :?:G <G =DM KJu
=>u
<E9=DF;s
?A <;=9st
?E;s
?. D
; A ;EM KJ:;t
;[:? 8; D?E9=B;:? <CE @C =9= :9t
;?A(
)
:;=<C E @C =9= @9Eu
Aus
;=( )
y
;= Ds
9ru
@; :;A ;E ;=;A ?s
?s
D
XWy
;= DE 9E8; D?:;t
;:;A ;E<CE@C =9=s
<;A ;(
V
)
:;=<CE @C =9=w
;v
9 A9t (
W
).
\9E
u
:?;=9st
?E ;s
?t
9r
8;? <M KJ ;<;= :? :9<;t
?:9=D;=r
9 Dr
9s
?@C A? =CE ? ;A.
MC :9Ar
9Dr
9s
? :?89=>u
< :9= D;= E 9=Bu
EA;F <;= @9= D;ru
F E;s
?=D-
E ;s
?= Dv
;r
?;89A^_`ab `acdec ^f
E t
ar
gahi bt
ar
ji bik `ec bey
e gu
clu
gforecasting
ic mbes
it
ek ncec o_l ef ip_ bde.
^e
s
e bek ` ipet
es
i je`ev
er
ie paby
ec d ` i du
cegecy
eitu
`et
e ic mbes
it
ek nce c(
year on year
qy
_y)
g a b_ rj_gnru
ro_lef i p_ bde`e be rr
aclec dsu
b ituuvs
e r jeiwgl _ pa
r
tuxy `acdec jeczecds
ar
i6
] pnbe c.
{r
a` ig | i(
forecasting
) y
ec d ` ibeg ngect
i`eg ra b ipet
gecv
er
ie pa b-v
er
i e pa b `_ rast
ig `ecv
er
ie pab-v
er
ie pa b ag |l ar
ce by
ecd ra r jacderu
k it
icdg et
ic mbes
is
a jart
i }t
icdget su
g n pnc de,
zu
r beku
ecdy
ec dpar
a` er,
jac` e jet
ecc es
i_ce b,
c i be itu
g er ru
jiek ~`ect
ic dget
ic m bes
ibu
er
cada
r
i. D
et
e ic mb es
it
eku
cec(y
_y) y
ec d ` i du
c e gec ` iec dde jt
a bek racy
ir jec megl _-
megl_t
ars
a pnls
aher
e ir jbis
it.
{r
a` ig |iy
e c d ` i beg ng ec e` e bek ja` ig | iu
clu
g ic mbes
iy
_y
o_le f i p _ bdeu
clu
gt
ek nc tux ]y
e itu
pnbec a pru
er
i tux ]s
er je iD
as
a rpar
tux ].
`e jncl
u
zu
ecjac nbis
ectu
des
e g k ir
ic ie`e bek|apede ipar
ig nl}x ^ac`e je
t
gec r_`a bru
clu
cw
eglu
g bes
ig ^ _-
s acg ic |u
clu
g `et
e ic mbes
iy
_y
o_l efip_ b de.
t ^ac`e je
t
gec r_` a br
a dr
as
i j_ b ic_ r ie bs
a pe dei jac`aget
ec `e be r ece b is
is
ru
bt
ir
as
_ bus
i(
^ ) w
ev
a bat
je`e` et
eic mbes
iy
_y
o_lef i p_ bde.
y ^ar pec` icdg ec r_`a b