ANALISIS ANOVA
ANALISIS ANOVA
Fungsi ANOVA
Digunakan dalam kajian sains tingkah laku
Membezakan skor-skor min bagi sampel-sampel kajian
Digunakan membandingkan dua,tiga,lima atau n skor min
Buat analisis ke atas dua atau lebih variabel bebas secara
serentak
2 Bentuk Ujian Anova
Ujian ANOVA Sehala
- Perbezaan Antara Kumpulan
- Pengukuran Berulangan
Ujian Anova Dua Hala
Cara Mengira ANOVA
- Secara manual
- Secara Excel
Contoh Situasi ANOVA25 orang yang melucur akibat terperangkap di
dalam satu kebakaran. Rawatan ubat A, B dan C diberikan. Di bawah
merupakan data dan purata bilangan hari sembuh pesakit selepas
menggunakan rawatan ubat.
UbatBilangan Hari SembuhPurata
A5 , 6 , 6, 7, 7, 8,9, 107.25
B7,7,8,9,9,10,10,118.875
C7,9,9,10,10,10,11,12,1310.11
Berdasarkan soalan tersebut, terdapat aras iaitu bilangan
kategori faktor atau rawatan. Contohnya 3 jenis ubat A,B dan C.
Bilangan hari untuk sembuh merupakan pembolehubah bersandar. Jadi,
soalan ini perlu diselesaikan dengan menggunakan analisi ANOVA.
Ujian ANOVA Sehala
- Satu Variabel
- Membandingkan min bagi satu kumpulan atau lebih berdasarkan
satu pembolehubah tidak bersandar.
- Syarat :
A) Variabel bersandar diukur dalam skala selang atau nisbah
B) Variabel bebas mempunyai dua atau lebih daripada dua aras
C) Skor-skor variabel bersandar bertaburan secara normal dalam
semua
D)Kumpulan dalam variabel bebas yang digunakan untuk
perbandingan dan kumpulan-kumpulan tersebut mempunyai nilai varians
yang hampir sama
E)Pada keadaan biasa, saiz sampel 15 subjek adalah cukup besar
untuk
mendapat keputusan yang tepat
F) Normaliti taburan - populasi kajian dan min-min sampel kajian
bertaburan normal
Prosedur ANOVA:
Menyatukan hipotesis nul
Menentukan aras signifikan
Menentukan normaliti semua taburan sampel
Menentukan sama ada menolak atau tidak menolak hipotesis
nul.
Salah satu daripada rekabentuk ujikaji yang mudah ialah
rekabentuk penuh rawak. Didalam rekabentuk penuh rawak subjek
adalah diletakkan secara rawak kepada rawatan. Rekabentuk penuh
rawak hanya mengandungi satu angkubah bebas, dengan dua atau lebih
paras rawatan, atau kelasifikasi. Jika terdapat hanya dua paras
rawatan, atau kelasifikasi angkubah bebas, rekabentuk ini adalah
sama dengan apa yang digunakan untuk menguji perbezaan min dua
populasi bebas sebagaimana yang dibincangkan didalam Bab 10,
menggunakan ujian t untuk menganalisis data.
Didalam bahagian ini, kita akan menumpukan keatas rekabentuk
penuh rawak dengan tiga aau lebih paras kelasifikasi. Analisis
varian, atau ANOVA, akan digunakan untuk menganalisis data yang
dihasilkan dari rawatan. Ujikaji rekabentuk penuh rawak mengandungi
hanya satu angkubah bebas. Rajah 11.1 menunjukkan rekabentuk
ujikaji ini.
Rajah 11.1
Skima Persampelan untuk Rekabentuk Penuh Rawak
Populasi 1Populasi 2Populasi 3
Saiz Saiz Saiz
sampel: n1 sampel: n2 sampel: n3
Setiap populasi mempunyai min (j dan varian , dimana kedua-dua
parameter ini tidak diketahui. Dari setiap populasi ini, kita
memilih sampel rawak bebas; dimana pemilihan satu sampel tidak
memberi kesan kepada pemilihan sampel yang lain. Bagi setiap sampel
kita mengira min, , dan varian, .
Analisis Varian Satu Arah
Sebagai contoh, pengeluar jus mangga telah megeluarkan keluaran
baru jus cecair yang pekat, apabila dicampur dengan air, akan
menghasilkan 1 liter jus mangga. Selepas menganalisis dengan
teliti, pengurus telah memutuskan untuk memasarkan keluaran
tersebut dengan menggunakan satu daripada 3 kaedah: menumpukan
kepada keselesaan, menumpukan kepada kualiti, menumpukan kepada
rasa, atau menumpukan kepada harga. Untuk membantu membuat
keputusan pengurus telah menjalankan ujikaji. Didalam empat bandar
yang berlainan, pengurus tersebut telah melancarkan pengiklanan
yang menumpukan kepada keselesaan di Juhor Bahru, kualiti di
Melaka, rasa di Ipoh dan harga di Kuantan. Bilangan pakej yang
dijual seminggu telah direkodkan untuk lapan minggu selepan kempen
pengiklanan dilancarkan; data tersebut ditunjukkan didalam Jadual
11.2. Bolehkah kita membuat kesimpulan pada paras keyakinan 5%
terdapat perbezaan didalam jualan mingguan keluaran tersebut
diantara empat bandar tersebut?
Jadual 11.2
Jualan Mingguan Jus Mangga (000 unit)
Johor Bahru (kemudahan)Melaka
(kualiti)Ipoh
(Rasa)Kuantan
(Harga)
15101320
17121918
22151816
20171619
18121721
16131616
14151515
19161823
Didalam contoh ini, adakah mungkin untuk menganalisis empat
sampel menggunakan ujian t untuk perbezaan didalam dua min sampel?
Empat sampel ini memerlukan 4C2 = 6 ujian t individu untuk
melengkapkan analisis dua kumpulan pada sesuatu masa. Ingat
kembali, jika ( = 0.05 untuk sesuatu ujian, terdapat 5% peluang
untuk menolak hipotesis nul apabila ia benar (iaitu, melakukan
ralat Jenis I). Jika cukup ujian yang dilakukan, sebenarnya hanya
satu atau lebih hipotesis nul yang salah ditolak melalui peluang.
Oleh itu, ( = 0.05 adalah sah hanya untuk satu ujian t. Didalam
masalah ini, dengan enam ujian t, kadar ralat adalah dikompaun,
oleh itu apabila penganalisis telah selesai dengan masalah maka
terdapat lebih besar daripada 0.05 peluang melakukan ralat Jenis I.
Sebenarnya, teknik yang akan dibincangkan untuk menganalisis min
sampel pada satu masa yang dapat menghindari ralat tersebut ialah
analisis varian (ANOVA). Rekabentuk penuh rawak adalah dianalisis
didalam ANOVA satu hala.
Secara amnya, jika k sampel yang dianalisis, hipotesis berikut
adalah diuji didalam ANOVA satu hala.
H0: (1 = (2 = (3 = = (kHa: Sekurang-kurangnya satu min adalah
berbeza dari yang lain.
Hipotesis nul menyatakan bahawa min populasi bagi semua paras
rawatan adalah sama. Disebabkan cara hipotesis alternatif
dinyatakan, jika hanya satu sahaja min populasi adalah berbeza dari
yang lain, hipotesis nul akan ditolak.
Menguji hipotesis ini menggunakan ANOVA satu hala adalah
dilakukan dengan menmisahkan jumlah varian bagi data kepada dua
varian berikut:
Varian yang dihasilkan oleh rawatan (lajur)
Ralat varian, atau bahagian dari jumlah varian yang tidak dapat
diterangkan oleh rawatan.
Sebagai bahagian daripada proses ini, nilai jumlah sisihan kuasa
dua (SST) disekitar min boleh dibahagikan kepada dua bahagian
addative (SSC) dan bahagian bebas (SSE).
SST = SSC + SSE
dimana
i= ahli tertentu didalam paras rawatan
j = paras rawatan
C = bilangan paras rawatan
nj = bilangan pemerhatian didalam paras rawatan
= min keseluruhan
= min kumpulan atau paras rawatan
Xij = nilai individu
Perhubungan ini ditunjukkan didalam Rajah 11.2. Perhatikan
jumlah keseluruhan kuasadua variasi adalah dipecahkan kepada dua
jumlah kuasadua rawatan (lajur) dan jumlah kuasadua ralat.
Formula yang digunakan untuk mengira ANOVA satu hala ini adalah
dibangunkan dari perhubungan ini. Tanda penjumlahan berganda
menunjukkan nilai adalah dijumlahkan diantara paras rawatan dann
disepanjang paras rawatan. Pada amnya, ANOVA membandingkan saiz
relatif variasi rawatan dan variasi ralat (variasi didalam
kumpulan). Variasi ralat ini adalah variasi yang tidak diambil kira
dan boleh dilihat sebagai variasi yang disebabkan oleh perbezaan
individu diantara kumpulan rawatan. Jika terdapat perbezaan didalam
rawatan, variasi rawatan sepatutnya relatif besar daripada variasi
ralat.
Rajah 11.2
Bahagian Varisai Jumlah Kuasadua Keseluruhan
ANOVA adalah digunakan untuk menentukan secara statistik sama
ada varian diantara min paras rawatan adalah lebih besar daripada
varian didalam paras rawatan (varian ralat). Terdapat beberapa
andaian yang penting disebalik analisis varian.
Pemerhatian adalah diambil dari populasi yang bertaburan
normal.
Pemerhatian mewakili sampel rawak daripada populasi.
Varian populasi adalah sama.
Andaian ini adalah sama sebagaimana yang digunakan untuk ujian t
untuk sampel bebas yang kecil didalam Bab 10. Ia diandaikan
populasi adalah bertaburan normal dan varian populasi adalah sama.
Teknik ini sepatutnya digunakan hanya untuk sampel rawak.
ANOVA adalah dikira dengan tiga jumlah kuasadua: keseluruhan,
rawatan (lajur) dan ralat. Ditunjukkan disini formula untuk mengira
ANOVA satu hala. Istilah SS mewakili jumlah kuasadua, dan sebutan
MS mewakili purata kuasadua. SSC ialah jumlah kuasadua lajur,
dimana hasil jumlah kuasadua diantara rawatan. Ia mengukur variasi
diantara lajur atau diantara rawatan oleh kerana ia angkubah bebas
paras rawatan yang ditunjukkan didalam lajur. SSE ialah jumlah
kuasadua ralat, yang dihasilkan dari variasi didalam rawatan (atau
lajur). Ia juga menyatakan pengukuran perbezaan individu yang tidak
diambil kira oleh rawatan. SST ialah jumlah kuasadua keseluruhan
dan ia mengukur semua variasi didalam angkubah sandar. Sebagaimana
yang ditunjukkan terdahulu, SST mengandungi kedua-dua SSC dan SSE
dan boleh dipisahkan kepada SSC dan SSE. MSC, MSE, dan MST adalah
min kuasadua lajur, ralat, dan keseluruhan. Min kuasadua ialah
purata dan dikira dengan membahagikan jumlah kuasadua dengan darjah
kebebasan. Akhir sekali, nilai F adalah ditentukan dengan
membahagikan min kuasadua rawatan (MSC) dengan varian ralat (MSE).
Sebagaimana yang telah dibincangkan didalam Bab 10, F ialah kadar
dua varian. Didalam situasi ANOVA, F ialah kadar varian rawatan
terhadap varian ralat.
Formula untuk Mengira ANOVA Satu Hala
SSC =
SSE =
SST =
dfC = C 1
dfE = N C
dfT = N 1
dimana
i= ahli tertentu didalam paras rawatan
j = paras rawatan
C = bilangan paras rawatan
nj = bilangan pemerhatian didalam paras rawatan
= min keseluruhan
= min kumpulan atau paras rawatan
Xij = nilai individu
Melengkapkan pengiraan ini untuk contoh pemasaran jus mangga
menghasilkan:
Johor Bahru (kemudahan)Melaka
(kualiti)Ipoh
(Rasa)Kuantan
(Harga)
15101320
17121918
22151816
20171619
18121721
16131616
14151515
19161823
Tj:141110132148=531
nj:8888N=32
17.6313.7516.5018.50=16.59
SSC =
= [8(17.63 16.59)2 + (13.75 16.59)2 + (16.50 16.59)2 + (18.50
16.59)2]
= (8.508 + 64.695 + 0.070 + 29.070)
= 102.344
SSE =
= [(15 17.63)2 + (17 17.63)2 + (19 17.63)2
+ (10 13.75)2 + 12 13.75)2 + + (16 13.75)2
+ (13 16.50)2 + (19 16.50)2 + + (18 16.50)2
+ (20 18.50)2 + (18 18.50)2 + + (23 18.50)2 ]
= 169.375
SST =
= [(15 16.59)2 + (17 16.59)2 + (19 16.59)2
+ (10 16.59)2 + 12 16.59)2 + + (16 16.59)2
+ (13 16.59)2 + (19 16.59)2 + + (18 16.59)2
+ (20 16.59)2 + (18 16.59)2 + + (23 16.59)2
= 271.719
dfC = C 1 = 4 1 = 3
dfE = N C = 32 4 = 28
dfT = N 1 = 32 1 = 31
= = 34.115
= = 6.049
= = 5.604
Dari pengiraan ini, carta ANOVA adalah berguna, sebagaimana
ditunjukkan didalam Jadual 11.3. Nilai F yang diperhatikan ialah,
5.604. Ia kemudiannya dibandingkan dengan nilai kritikal dari
jadual F untuk menentukan sama ada terdapat perbezaan yang
signifikan didalam rawatan atau kelasifikasi.
Jadual 11.3
Analisis Varian Contoh pemasaran Juus mangga
Sumber VariandfSSMSF
Rawatan3102.34434.1155.604
Ralat28169.3756.049
Jumlah31271.179
11.2.2 Membaca Jadual taburan F
Jadual taburan F ditunjukkan didalam Jadual A.7. Berpadanan
dengan setiap nilai F didalam jadual ialah dua nilai df yang unik:
darjah kebebasan didalam numerator (dfC) dan darjah kebebasan
didalam denominator (dfE). Untuk melihat nilai ini didalam jadual
taburan F, penyelidik mesti mengetahui pasangan unit darjah
kebebasan ini. Disebabkan setiap taburan F adalah ditentukan oleh
pasangan unik darjah kebebasan, terdapat banyak taburan F.
Disebabkan oleh ruang yang terhad Jadual A.7 hanya menunjukkan
nilai ( = 0.005, 0.01, 0.025, 0.05 dan 0.10 sahaja. Walau
bagaimanapun, pakej perisian komputer untuk mengira ANOVA selalunya
memberikan kebarangkalian untuk nilai F, dimana membolehkan
keputusan ujian hipotesis untuk sebarang nilai alpha berdasarkan
kepada kaedah nilai-p.
Didalam ANOVA satu hala, nilai dfC adalah darjah kebebasan
rawatan (lajur), C 1). Nilai dfE ialah darjah kebebasan ralat, N C.
Jadual 14.4 mengandungi sebahagian daripada jadual taburan F untuk
( = 0.05. Untuk contoh pemasaran jus mangga, dfC = 3 dan dfE = 28.
dari Jadual 11.4 ialah 2.95. Nilai ini ialah nilai kritikal ujian
F. Ujian ANOVA sentiasa satu hujung dengan kawasan penolakan adalah
dihujung kanan taburan. Peraturan keputusan ialah tolak hipotesis
nul jika nilai F yang dikira lebih besar daripada nilai kiritikal F
(). Didaalm kes ini, nilai F yang dikira ialah 5.604 adalah lebih
besar daripada nilai jadual F, 2.95, oleh itu hipotesis nul adalah
ditolak. Tidak semua min adalah sama, oleh itu terdapat perbezaan
yang signifikan didalam min jualan mingguan jus mangga diantara
bandar-bandar. Rajah 11.4 adalah menunjukkan nilai kritikal F untuk
contoh ini dan kawasan penolakan. Perhatikan bahawa taburan F
bermula dengan sifar dan tidak mengandungi nilai sifar. Ini
disebabkan nilai F adalah kadar diantara dua varian, dan varian
sentiasa positif.
Jadual 11.4
Sebahagian Jadual F dengan ( = 0.05
( = 0.05
v1Darjah Kebebasan Numerator
v2123456789
194.383.523.132.902.742.632.542.482.42
204.353.493.102.872.712.602.512.452.39
254.243.392.992.762.602.492.402.342.28
264.233.372.982.742.592.472.392.322.27
274.213.352.962.732.572.462.372.312.25
284.203.342.952.712.562.452.362.292.24
294.183.332.932.702.552.432.352.282.22
304.173.322.922.692.532.422.332.272.21
Menggunakan Komputer untuk ANOVA Satu hala
Kebanyakan penyelidik menggunakan komputer untuk menganalisis
data bagi ANOVA satu hala. Rajah 11.5 menunjukkan output Excel
untuk mengira ANOVA bagi contoh diatas. Output mengandungi jadual
analisis varian yang ditunjukkan di dalam Jadual 11.3. Excel ANOVA
menunjuukkan nilai F yang dikira, min kuasadua, jumlah kuasadua,
dan nilai p. Nilai p ialah kebarangkalian nilai F = 5.604 terjadi
melalui peluang didalam ANOVA dengan struktur ini (darjah kebebasan
yang sama) walaupun jika tidak terdapat perbezaan diantara paras
rawatan. Menggunakan kaedah nilai-p pengujian hipotesis yang
dibincangkan didalam Bab 9, kita dengan mudah melihat disebabkan
nilai p ini hanya 0.004, hipotesis nul adalah ditolak menggunakan (
= 0.05. Kebanyakan pakej komputer menghasilkan nilai p, oleh itu
tidak perlu melihat jadual F untuk membandingkan nilai F yang
dikira; kaedah nilai-p boleh digunakan untuk membandingkan nilai p
terhadap alpha. Output Excel juga memberikan nilai kritikal jadual
F bagi masalah ini, .
Rajah 11.4
Geraf Nilai F bagi Contoh Pemasaran Jus Mangga
Rajah 11.5
Analisis Excel untuk Contoh Pemasaran Jus Mangga
Anova: Single Factor
SUMMARY
GroupsCountSumAverageVariance
Johor Bahru (kemudahan)814117.6257.125
Melaka (kualiti)811013.7505.643
Ipoh (Rasa)813216.5003.714
Kuantan (Harga)814818.5007.714
ANOVA
Source of VariationSSdfMSFP-valueF crit
Between Groups102.344334.1155.6400.0042.947
Within Groups169.375286.049
Total271.71931
Ujian ANOVA Dua Hala
-Dua atau lebih variabel
- Rekabentuk blok rawak lengkap digunakan
- Lengkap menandakan bahawa setiap blok mengandungi semua
rawatan
- Matlamat rekabentuk ini adalah untuk mengurangkan varians
ralat bagi meningkatkan ketepatan ujikaji.
-Varians ralat adalah varians dalam pembolehubah bersandar yang
berpunca daripada faktor yang tidak diambil kira dalam reka bentuk
rawak lengkap.
- Dalam ujikaji rekabentuk blok rawak lengkap, variasi
keseluruhan bagi pembolehubah bersandar dibahagikan kepada 3
komponen iaitu:
Variasi yang dihasilkan oleh perbezaan rawatan
Variasi yang dihasilkan daripada perbezaan aras dalam blok
Variasi yang dihasilkan oleh faktor ralat
Secara umumnya hubungan ini boleh ditulis seperti berikut:
SS(Jumlah) = SS(Rawatan) + SS(Blok) + SS(Ralat)
Atau SS(Ralat) = SS(Jumlah) SS(Rawatan) SS(Blok)
Andaian-andaian bagi ANOVA 2 Hala
1. Untuk setiap sel, nilai cerapan diambil daripada populasi
yang bertaburan hampir normal.
2. Varians populasi adalah sama
3. Sampel yang diambil adalah sampel rawak mudah dan
saling tidak bersandar.
Terdapat 2 hipotesis yang diuji:
i): Semua rawatan yang berbeza mempunyai min yang sama
: Tidak semua rawatan mempunyai min yang sama
ii): Semua blok yang berbeza mempunyai min yang sama
: Tidak semua blok mempunyai min yang sama
Formula untuk mengira ANOVA dua hala adalah diberikan didalam
kota yang berikut. Formula ini adalah dikira didalam bentuk yang
sama sebagaimana mengira rekabentuk penuh rawak dan rekabentuk blok
rawak. Nilai F adalah ditentukan untuk tiga kesan berikut:
kesan baris
kesan lajur
kesan tindakbalas.
Kesan baris dan kesan lajur kadang-kadang dirujukkan sbagai
kesan utama. Walaupun nilai F adalah ditentukan untuk mesan utama
ini, nilai F juga dikira untuk kesan tindakbalas. Menggunakan nilai
F ini, penyelidik boleh membuat keputusan berkaitan hipotsis nul
bagi setiap kesan.
Setiap daripada nilai F yang dikira adalah dibandingkan dengan
nilai jadual F. Nilai jadual F adalah ditentukan oleh (,
dfnumerator dan dfdenominator. Darjah kebebasan untuk numerator
(dfnumerator) adalah ditentukan oleh kesan yang dikaji. Jika nilai
F dikira adalah untuk lajur, darjah kebebasan untuk numerator
adalah C 1. Jika nilai F dikira untuk baris, darjah kebebasan untuk
numerator iadalah R 1. Jika nilai F dikira adalah tindakbalas,
darjah kebebasan untuk numerator ialah (R 1)(C 1). Bilangan darjah
kebebasan untuk denominator nilai jadual bagi setiap tiga kesan
adalah sama, darjah kebebasan ralat RC(n-1). Jadual nilai F
(kritikal F) bagi ANOVA dua hala adalah sebagaimana berikut.
Nilai Jadual F ANOVA Dua Hala
Kesan baris: F(,R-1,RC(n-1)
Kesan lajur: F(,C-1,RC(n-1)
Kesan tindakbalas: F(,(R-1)(C-1),RC(n-1)
Formula Mengira ANOVA Dua Hala
SSR =
SSC =
SSI =
SSE =
SST = SSR + SSC + SSI + SSE =
Dimana
n = bilangan pemerhatian setiap sel
C = bilangan lajur rawatan
R = bilangan baris rawatan
i = baris paras rawatan
j = lajur paras rawatan
k = ahli sel
Xijk = pemerhatian individu
= min sel
= min baris
= min lajur
= min keseluruhan
dfR = R-1
dfC = C 1
dfI = (R 1)(C 1)
dfE = RC(n 1)
dfT = N 1
MSR =
MSC =
MSI =
MSE =
FR =
FC =
FI =
ContohJabatan Buruh telah memungut maklumat pendapatan bulanan
kaum lelaki dan wanita untuk jenis pekerjaan yang berbeza. Katakan
jabatan tersebut hendak menyiasat sama ada terdapat perbezaan gaji
butanan diantara kaum lelaki dan perempuan yang berkerja sebagai
Pengurus Kewangan, juruanalisa sistem dan ahli farmasi. Sampel lima
lelaki dan wanita adalah dipilih secara rawak bagi setiap tiga
jenis pekerjaan tersebut, dan gaji bulanan mereka telah direkodkan
seperti dibawah. Pada paras ( = 0.05 selang keyakinan, uji untuk
sebarang kesan yang siginfikan berkaitan dengan jenis pekerjaan,
jantina dan kesan tindakbalas.
JENISPEKERJAAN
PENGURUS
KEWANGANJURUANALISA
SISTEMAHLI
FARMASI
348829884420
343630644576
LELAKI411236044340
446827603612
JANTINA407635243992
207635363252
280830603940
PEREMPUAN322027404024
223228004136
236426843268
Penyelesaian:
Langkah 1: Hipotesis berikut adalah diuji.
Untuk kesan baris: (Jantina)
H0: (1 = (2Ha: Sekurang-kurangnya satu min berbeza dari yang
lain
Untuk kesan lajur: (Jenis pekerjaan)
H0: (1 = (2 = (3Ha: Sekurang-kurangnya satu min berbeza dari
yang lain
Untuk kesan tindakbalas:
H0: Kesan tindakbalas adalah sifar
Ha: Terdapat kesan tindakbalasMin = (3
Varian = EMBED Equation.3
Min = (2
Varian = EMBED Equation.3
Min = (1
Varian = EMBED Equation.3
Jumlah Kuasadua Keseluruhan
(SST)
Jumlah Kuasadua Ralat
(SSE)
Jumlah Kuasadua Rawatan
(SSC)
Kawasan penolakan
(=0.05
F=0.0 F0.05,3,28 = 2.95
F=5.604
EMBED Equation.3 \* MERGEFORMAT
EMBED Equation.3 \* MERGEFORMAT
EMBED Equation.3 \* MERGEFORMAT
EMBED Equation.3 \* MERGEFORMAT
_1234567905.unknown
_1234567921.unknown
_1234567929.unknown
_1234567937.unknown
_1234567941.unknown
_1234567943.unknown
_1234567945.unknown
_1234567946.unknown
_1234567944.unknown
_1234567942.unknown
_1234567939.unknown
_1234567940.unknown
_1234567938.unknown
_1234567933.unknown
_1234567935.unknown
_1234567936.unknown
_1234567934.unknown
_1234567931.unknown
_1234567932.unknown
_1234567930.unknown
_1234567925.unknown
_1234567927.unknown
_1234567928.unknown
_1234567923.unknown
_1234567924.unknown
_1234567922.unknown
_1234567913.unknown
_1234567917.unknown
_1234567919.unknown
_1234567920.unknown
_1234567918.unknown
_1234567915.unknown
_1234567916.unknown
_1234567914.unknown
_1234567909.unknown
_1234567911.unknown
_1234567912.unknown
_1234567910.unknown
_1234567907.unknown
_1234567908.unknown
_1234567906.unknown
_1234567897.unknown
_1234567901.unknown
_1234567903.unknown
_1234567904.unknown
_1234567902.unknown
_1234567899.unknown
_1234567900.unknown
_1234567898.unknown
_1234567893.unknown
_1234567895.unknown
_1234567896.unknown
_1234567894.unknown
_1234567891.unknown
_1234567892.unknown
_1234567890.unknown