DY | | & ft ff
~ BAA AN SV _ SV SV SV VN SV SV SV _ VG VA BB AN
=_:
MULTIVARIATE
ANALYSIS
TRAINING
cOl3
c=
Plann a Ute ization
Insti nis Bandung
naAneaaeaeaeaaaa A A A A A A A A DA WD
a ry Multivariate Analysis Training i
DAFTAR ISI
DAFTAR ISI sss |
DAFTAR GAMBAR
DAFTAR TABEL . v
BAB 1 ANALISIS FAKTOR. . 1
1.1, PENDAHULUAN reno |
1.2. TAHAPAN ANALISIS FAKTOR, 2
112.1, Masalah Peneltan... 3
1.2.2 Tipe Analisis Faktor.. “a
1.2.3. Asumsi.. 4
1.2.4, Desain Peneltian.. 8
1.2.5. Model Faktor. 7
1.2.6 Interpretasi Output Analisis Faktor. "
1.2.7. Valdas. a 7
12.8, Kegunaan Tambahan dari Hasl Analisis Faktor 7
1.3, STUDI KASUS sores 16
1.3.1, Pendauluan. 16
1.3.2. Metode Pengolahan Data, 19
13.3, Ringkasan Hasil Analisis Faktor si ee
BAB 2 ANALISIS REGRESI LINER MAJEMUK a 1
2.1. PENDAHULUAN, 23
2.2 TAHAPAN ANALISIS REGRESI MAJEMUK (Hair, etal, 1987) 24
2.2.1. Masalah Penelitian 25
2.2.2 Desain Peneltian 26
2.2.3. Asus. 28
2.2.4. Estimasi Model Regrest 29
2.2.5 Interpretasi Hasil Analisis Regres.. 33
2.2.8. Validasi Hasil Analisis, 33
2.8, STUDI KASUS. 34
23.1. Tema. a4
2.3.2. Latar Belakang a4
2.3.3. Tuuar sso 34
2.3.4, Batasan Masalah dan Asumsi 35
2.3.8. Input. 38
2.8.8. Pengujian Asums 38 fi | Multivariate Analysis Training
2.8.7. Estimasi Model Regres! a“
2.3.8. Pengujian Significanei Model 2
2.3.9. Interpretasi Hasil Analisi Regresi Majomuk. 43
BAB 3 ANALISIS KLASTER
31 PENDAHULUAN
32 HUBUNGAN DENGAN TEKNIK REDUKS! DATA LAINNYA, 45
3.3. TAHAPAN ANALISIS KLASTER... 46
3.3.1, Tentukan Tujuan Analisis Klastet sa 46
33.2. Desain Penelitian.. 48
93.9 Asumel Model 5s
2.3.4. Pengelompokan. 52
3.3.5. Jumiah Klaster yang Dibentuk. 56
33.6. Tahap Interpretas! 56
3.3.7. Tahap Vatidasi 37
3.4, STUDI KASUS. oT
3.4.1. tustrasi., 7
3.4.2. Menentukan Tujuan.. 87
4.4.3. Dosain Penaitian, 59
2.4.4. Asums! 59
3.4.5, Pengelompokan Perusahaan . 59
3.4.6. Validasi 6
3.4.7. Interpretasi.. oe i «2
BAB 4 ANALISIS DISKRIMINAN ..cneninnintnnntnninnninninmnnnennn 6
4.1, PENDAHULUAN. 66
4.2. TAHAPAN ANALISIS DISKRIMINAN, 70
4.2.1, Menentukan Tyjuan Analisis Diskriminan n
42.2. Menentukan Desain Peneliian yang Relovan.. n
42.3. Menguii Asumei Dasar n
4.2.4. Estimasi model diskriminan,
42.5. Interpratasi Has Analisis 18
4.2.6. Validasi Hasll Analisi. 16
43 STUDIKASUS a
2, Desain Peneltian. 78
43.3. Asumsi. 79
4.3.4, Analisis Diskeiminan 19
BAB 5 ANALISIS KONJOIN 83 Multivariate Analysis Training iti
5.1. PENDAHULUAN, a
5.2. ISTILAH ry
5.8. TAHAPAN ANALIS'S KONJOIN (HAIR, ET AL,, 2010)... 85
5.9.1. Tahapan Awal a 86
5.9.2. Menentukan Tujuan Analisis Diskriminan .. a7
5.3.3. Perancangan Analisis Kenjin. a8
5.3.4, Mengastimasi Model Kenjoin dan Menghitung Overall Fit. ey
5.3.5. Menginterpretasi Hasi 94
5.3.6. Vaidasi Hail Kenjoia 96
5.3.5. Apikasi Lanjtan 96
5.4, STUDI KASUS, 7
5.4.1. Tema... 7
5.4.2, Latar Belakang.. 7
54.3. Tujuan 7
5.4.4, Asumsi Analisis Konjoin 101
5.4.5, Mengestimasi Model Konjoin dan Menghitung Overall Fil. vo 101
5.4.8, Mengintespretasikan Has 103
DAFTAR PUSTAKA. 105 iv | Multivariate Analysis Training
DAFTAR GAMBAR
ANALISIS FAKTOR
Gambar 1. 1Tanap Analisis Faktor. 2
Genier | 2 fetniemiamngn rebel eee deta dint 8
Gambar 1, 3 Contoh Scree Plot. 1
Gambar 1. 4 Rotasi Faktor Orthogonal (a) dan Rotasi Faktor Oblique (b). 4
ANALISIS REGRESI MAJEMUK
GGambar 2, 1 Tahapan Murtible Regression Analysis. 24
‘Gamat 2. 2 Analisis Gratis Tethadap Residual (E170n. 29
Gambar 2, 3 Scatterpiot Regression Standardized Residual nu 39
Gambar 2, 5 Normal P-P plot of Regression Standard. 3 a)
Gambar 2. 4 Normal Plot Residual 40
ANALISIS KLASTER
Gambar 3. 1Tshapan Analisis Klaster a7
Gambar 3, 2 Dua Jenis Varlansi n 52
Gambar 2, 9 lustasi Perbedaan Beberapa Metode Klaster. 54
ANALISIS DISKRIMINAN
(Gambar 4, 1Tahapan Pengerjaan Analisis Diskrminan a 70
|ANALISIS KONJOIN
Gambar 5. 1 Tahapan Analisis Konjoin as
Gambar 5, 2 Hubungan Part-Worth (sumiver: Hair et. al, 2010} .noreens 90 Multivariate Analysis Training v
DAFTAR TABEL
ANALISIS FAKTOR
4. 1Matriks Korelasi Antar Vaviabal Awal 6
1, 2 Bobot Faktor (Tanpa Rotas!) : 12
1. 3 Bobot Faktor (Rotasi Variman) 13
41.4 Nila Eigan dari Masing-Masing Komponen Utama 18
1 Saran Yang Talahan oleh Masng-Masing Fak 5
1,6 Koafsion Skor Faktor 7 5
4.7 Skor Faktor. 16
1.8 Atrbut Pelayanan Bengkel 20
41,9 Nilai Komponen . -_ 21
4.10 Hacil Analisis Faktor 22
ANALISIS REGRESI MAJEMUK
Tabel2. 1 Minimum R2 yang Dapat Dinyatakan Sebagal Signikan dengan Power 0.80 untuk
Berbagal Jumiah Variabal Independen dan Ukuran Sampel smn 26
abel 2.2 Variabel yang Digunakan. 38
TTabol2. 3 Data Responden, 36
Tabel2. 4 ANOVA. a 38
Tabel2. § Model Summary 40
Tabel2. 6 Coefficients dalam Analisis Signifikansi Modal 4
Tabel 2.7 Variabe! yang Dimasukkan dalam Model. 41
abel 2. 8 Variabel yang Tidak Dimasukkan ke dalam Model ss 42
Tabel 2. 9 KorelasiAntar Veriabel 4a
ANALISIS KLASTER
abel 3, +Variabel Performansi Perusahaan.
Tabel 3. 2 Hasl Klat2 on
abel 3. 3 Varlabel Lain Yang Digunakan,
4 Case Processing Summary.
65 Proximity Matrix.
6 Hasil Agglomeration Schedule.
7 Custer Membership ..
ANALISIS DISKRIMINAN
abel 4, 1 Perbedaan Analisis Regresi dengan Analisis Diskriminan, 68
abel 4,2 Variabe! Yang Digunakan dalam Penelitian 78
Tabel 4, aWiks’ Lambda a0
Tabel 4. 4 Fungsi Kanonik Diskeiminan a vi_ | Multivariate Analysis Training
Tabel 4. 5 Signifkxansi Fungei Diskriminan a
[ANALISIS KONJOIN
Tabel 5. 1Karakteristik Metodologi Analisis Kenjoin 28
Tabol 5. 2 Karaktoristk Metode Pengumpulan Data dalam Analisis Konjolt.rv.smesennse 1
Tabel 5. SNlal Pat-WortA ne snsn 8
Tabel 5. 4 Part-Worth Hasil Konversi 93
Tabel 5. § Deskripsi Level dalam Setiap Atribut 98
Tabol§. 6 Tabet Profi. Bab 1 Analisis Faktor 1
BAB 1
ANALISIS FAKTOR
1.1. PENDAHULUAN
[Analisis faktor merupakan pendekatan statistika yang dapat digunakan untuk menganalsis
Interrolavonship i antara banyak varlabel dan menjelaskan varlabel-varlabel_tersebut
Dberdasarkan dimensi umumnya (fakton. Semua variabel berstatus sama, tidak ada variabel
Independen yang menjadi prediktor bagi variabel dependen. Analisis faktor tergolong metode
interdependence, sama halnya dengan analisis Klaster dan muttidemension scaling. Pada
» Menyeleksi variabel-variabel yang tepat untuk digunakan dalam analiss lanjutan,
‘misalnya untuk analiss regres, Koreas), atau diskriminan,
> Scaling : transformasi data -+ skor faktor, yatu membentuk sot variabel baru yang
berukuran lebih kecil daripada set variabel awal untuk digunakan dalam analisis
lanjutan.
3. Mengidentinkasi struktur hubungan antarvariabel ataupun antarresponden.
> Dengan meihat korelas! antarvariabel, penelti dapat mengetahul dimens|-cimensi
laten yang mendasari hubungan tersebut. Misal : Variabel ‘pekerjaa’, ‘pendapatan’
ddan ‘kekayaan’ dapat disatukan menjadi ‘kelas sosia’. Analisis faktor dapat menolong
‘penelit| untuk menemukan dimensi-dimensi yang mendasarl sejumlah variabel Multivariate Analysis Training
1.2. TAHAPAN ANALISIS FAKTOR.
‘Secara garis besar, terdapat 6 tahap dalam melakukan anaisis faktor
Gambar 1. 1Tahap Analisis Faktor Bab 1 Analisis Faktor 3
1.2.1. Masalah Penelitian
Tahap pertama analisis faktor adalah menentukan masalah peneliian yang dikaitkan dengan
‘ujuan penggunaan analisisfaktor
1.2.2 Tipe Analisis Faktor
Apabila tujuan analisis faktor adalah untuk mencari dimensi-dimensi laten yang mewakil
variabel-variabel, maka analsis faktor yang dilakukan disebut analisis faktor R(R. factor
‘analysys). Analisis faktor juga dapat digunakan untuk mencarikorelasi antarresponden. Dengan
kata lain, dengan analisis faktor, peneiti dapat mengetompokkan responden berdaserkan
kesamaan karakteristk yang dimiikinya, misalnya jka peneliti menggunakan analsis faktor Q
(@ factor analysis). Segmentasi dengan analisis faktor Q_jarang cilakukan. Untuk tujuan
tersebut, umumnya para peneliti menggunaken analsis Kaster (cluster analysis). Perbedaan
‘antara analisis Kester dengan analisis faktor dapat clihat dari gratk berkut ini
=P Respondent A
Respondent B
a Respondent C
SS Respondent D
vA va 8
Jka pengelompokkan objek atau responden diakukan dengan menggunakan analisis Kuster,
‘maka anggota Kaster prtama adalah responden C dan D, sedangkan anggota Klaster kedua
‘adalah responden A dan B. Sedangkan, dengan menggunakan analisis faktor Q, anggota 4 | Multivariate Analysis Training
kolompok pertama adalah responden A dan C, dan anggota kelompok kedua adalah responden
B dan D.
Perbedaan hasil pengelompokkan ini terjadi karena pada analisis Klaster, pengelompokkan
responden berdasarkan kedekatan antar respondennya sedangkan pada analisis faktor Q
pengelompokkan cilakukan berdasarkan karakteristk respondennya yang terlhat dari
esamaan valve untuk tap variabelnya.
1.23, Asumsi
TTerdapat 2 jenis asumsi yang digunakan dalam analisis faktor yaitu asumsi berdasarkan
conceptual sues dan asumsi berdasarkan statistical issues.
‘Asumsi berdasarkan conceptual issues
Dalam analisis faktor, asumsi berdasarkan isu konseptual lebih kris dibandingkan dengan
‘asumei berdasarkan isu statistik. Asumsi ini berhubungan dengan adanya struktur yang
‘mendasari set varlabet atau sampel yang apn olen penelt,dimana penal dsini betanggung
Jawab untuk memastikan bahwa variabel-variabel yang dlanalisis dengan menggunakan analisis
{faktor ini vac dan layak untuk cipelajari secara konseplual. Hal ni panting karena penggunaan
‘analisis faktor hanya menentukan korelasi antar variabel-varlabel yang dlanalisis tanpa
‘memperhatikan apakah variabel-veriabel tersebut layak untuk dikorelasikan, Sebagai contoh,
terdapat satu jonis set variabel yang penilaiannya mempunyai perbedaan karakterstk untuk
gender yang berbeda, Set variabel tersebut akan diambil sampelnya sebanyak 100 buah
dengan cara 50 sampel clambil dari populas! respoden yang berienis Kelamin pria dan 50
lainnya diambil dari responden yang berjenis Kelamin want. Dalam kasus ini, tidak boleh
diakukan analsis faktor untuk set varlabel tereebut dengan cara menggabungkan semua
‘sampel. Hel ini dikarenakan, telah diketahui sebelumnya bahwa karakterstik variabel akan
berbeda berdasarkan gender. Analisis faktor tidak bisa mengidentifkasi kesalahan ini, jadi
disinlah pontingnya peran penolt untuk mengort asums konseptual i
sums! berdasarkan statistical issues
‘+ Varianst dart tap varlabolnya berdistibusi normal
‘+ Data berasal dari populasi yang berdistribusi normal univarit, bersifat homoscedasticly,
dan lingarty. Yang dimaksud dengan asumsi homoscedastcity adalah kesamaan variansi
atau error antarvariablenya
‘+ Dalam set data terdapat mutkolinesritas Karena tujuan dari analsis taktor ini adalah
mengukur keterkatan antar variabel. Yang dimaksud dengan multkolinesritas. adalah Bab 1 Analisis Faktor 5
adanya keterkaitan atau hubungan antar variabelnya. Salah satu metode yang digunakan
Untuk meinat Korelasi antar variabel dengan Bartlet’s Test of Spheriity. Bartlett's Test of
Sphericity manguj hipotesis bahwa matike korelasi adalah matriks identitas. Jica hipotesis
ini diterima, maka penggunaan analsis fektor perlu cipertimbangkan {model faktor yang
dipergunakan tidak sesual) karena apabla matriks Korelasi antar vatiabelnya berupa
identitas artinya tidak ada kolorasi atau kolerasi antarvariabelnya diragukan.
Pengujian multkotinearitas ini merupakan hal yang penting dalam analisis faktor. Cara lain
Untuk menguj asume! ni adalah dangan menggunakan nll KMO (Kaiser-Meyer-Olkin)
1.24, Desain Penelitian
Dosain analsis faktor moliput tga hal berikut :
1. Penentuan input untuk analisisfaktor.
Penentuan variabel-variabel dlakukan sesual dengan landasan tecrts tertentu dan relevan
dengan tujuan peneltian, serta sebaikrya satuan yang digunakan untuk mengukur
vatiabel-varlabel tersebut adalah sama. Jika tidak dimungkinkan digunakan satuan
engukuran yang sama, input nila ini harus distandardisastkan terlebih dahuly (mem
rataan sama dengan nol dan deviasi standar sama dengan satu). Sebisa mungkin jenis
skala yang digunakan adalah metrik (interval atau rasio), namun dalam kondisi tertentu
variabel dummy (variabel yang nilainya 0 atau 1) dapat digunakan,
Input data mentah pada analisis faktor pada umumnya berupa satu set nial variabel
variabel untuk masing-masing individu atau objek dalam sampel. Kemudian diolah menjadi
mmatriks bujur sangkar berukuran p umlah varlabel orisina) yang akan menjadi input
algoritma dalam analisisfaktor. Matriks data mentah n x p (n objek dan p variabel)diubah
‘menjadt matriks varans-kovarlans| atau matrks Korolasl. Pada umumnya pendekatan yang
digunakan adalah menggunakan matriks Korelasi. Penggunaan matrks korelesi
menghilangkan perbedaan yang diakibatkan oleh rataan dan dispersi variabel karena
biasanya variabel yang digunakan beluim distandardisasl. Penggunaan matiks kovavlansi
dapat cllakukan Jka variansi pada masing-masing variabel tidak jauh berbeda atau pada
data mentah telah dilakukan standardidas!(sedemikian hingga variansi dari masing-masing
variabel menjadi seragam).
Perbandingan penggunaan antara matrks korelasi dan matrks kovarlansi
4. Alasan utamanya adalah karena variabel-variabel yang diukur biasanya mempunyel
‘unit dan skala pengukuran yang berbeda, Penggunaan matrks korelasi menghitangkan 6 | Multivariate Analysis Training
perbedaan yang diakibatkan oleh rataan dan dspersi variabel. Jadi variabel yang
tadinya mempunyai skala dan satuan yang berbeda siap untuk dibandkingkan,
b Penggunaan matrks kovariansi dapat dilskukan jka variansi pada masing-masing
vvarlabol tidak jaun berbeda atau pada data montah tolan diakukan standardidas|
(edemikian hingga veriansi dari masing-masing variabel menjadi seragam),
© Pendekatan dengan matriks kovariansi lebih jarang digunakan, walaupun input ini
memberkan keuntungan, antara_ Iain sifat-sifat sampling Principal Component
(arlabl) yang diperolah dart matrks Kavarlans! lebih dapat dltelusun,
ol 1. 1Matriks KorolasiAntar Variabol Awal
| Tana0o | o-so08s | “oaesTo | —oniT8s | ~o.o8eaz
% a EE)
% Tana | TeaTIE
% TOOT
Koefision korelasi
Koefisien orelasi yang ditampikan dalam Tabel 1.1 menggambarkan seberapa kuat
hubungan antar dua variabel, Nilai Korelasi 1 menunjukkan hubungan linier sempurna dar
dua buah variabel (nial satu variabel dapat diramalkan secara tepat dari lal varlabel
Ppasangannya). Tanda (-) menunjukkan hubungan tersebut berlawanan, Di sini terhat
bahwa variabel X, barkorelasi kuat dengan variabel X, (dalam arah negati) dan 2X.
Responden yang member lai tinggi pada varlabel X, pada umumnya memberikan rial
tinggi pada variabel x, dan sebatinya member nilal rendah pada variabelX;.
tergabung dalam faktor bersama, maka koatislen Korelas! parsial antar-pasang varlabel
seharusnya kecil jka efek linler dari varabel lain dihiangkan. Pengertian dari korelasi
parsial adalah total variansi dari satu variabel yang tidak dijelaskan oleh variabellainnya.
Korelasi parsial merupakan estimas! korelaslantar-faktor unk dan seharusnya mendekati 0
agar asumsl analiss faktor terpenuhi.
2. Penentuan jumlah variabel, pengukuran variabel, dan tie variabel Bab 1 Analisis Faktor 7
Variabel yang diplih adalah yang relevan dengan peneltian yang dlakukan, Sekalipun
Pponeliti memeriukan sebanyak-banyaknya variabel untuk setiap faktor, variabel_ yang
dllbatkan dalam analisis faklor minimal berjumiah lima. Data mentah variabel ini
lasumsikan merupakan hasl pengukuran motrk. Untuk kasus Khusus, variabol dummy
(nominal, ordinal) dapat digunakan meskipun vatiabel ni termasuk kategori data nonmetrk.
8, Pengukuran sampel.
‘Sebuah peneltan aval dengan menggunakan analsis faktor sebaiknya memiliki sampel
tidak kurang dar $0 buah. Hal tersebut berati saat sampel yang digunakan a bawah
jumlan 50 maka analisis faktor tak dapat cliakukan, Namun, selain jumiah minimum
rsebut,terdapat aturan umum yang dapat dipegang, yaitujumlah sampel micimum lima,
all dari jumiah variabel yang ada (S : 1). Ukuran sampel yang lebfn balk lagi jka meni
rasio 10 : 1. Beberapa penilti bahkan berpendapat bahwa ukuran sampel yang dapat
tera adalah 20 : 1. Pada dasamya, Kecukupan sampel inl akan menyangkut dengan
interpretesi yang diiakukan terhadap bobot faktor yang terbentuk di aki.
Secara statistk, Kecukupan jumlan sampel secara keseluruhan dapat dithat dari angka
Kaiser-Meyer-Olkin (KMO). Nilsiukuran KMO yang kecil mengindikasikan bahwa,
Penggunaan analss faktor periu dipertimbangkan. Kaiser (1974) mencinkan ukuran KMO
sebagai bert
+ Marvous (0.90) + Meio (060)
+ Morons (30) + tera (0.50)
+ teins (0.70) + Unsesptase (2080)
Selain angka KMO, kecukupan data pada analisis faktor dapat diihat pada matriks korelasi
antisimage (antiimage correlation matrix). KMO menggambarkan kecukupan data secara
keseluruhan, sedangkan diagonal matriks korelasi ant-image menunjukkan kecukupan
data_untuk masing-masing veriabel, Jika nilainya kurang dari 0,50 maka penyertaan
variabel tersebut peru dipertimbangkan kemball
1.2.8, Model Faktor
Pada tahap keempat ini dllakukan dua hal yaity menentukan model fektor dan menentukan
jumlah faktor. Terdapat dua prosedur analisis faltor yang paling banyak digunakar
‘princioal component analysis dan common factor analysis. Principal component analysis
digunakan apabila penelti ingin mengekstraksi sejumlah besar variabel penelitian menjadi
bbeberapa variabel peneitian saja agar lebih mudah tertangani (tujuan yang kedua ot atas).
‘Adapun common factor analysis digunakan mengidentifikasikan strukturhubungan
vita 8 | Multivariate Analysis Training
‘antarvarabel dengan mengungkapkan korstruksi(dimensi-dimensi) yang mendasari hubungan
tersebut(tuluan pertama di atas). Perbedaan antara principal component analysis dan common
factor analyse digambarkan pada Gambar 1.2.
Sacara garis besar, metodolog! analsis faktor beruna proses transformasi variabel-varlabel
orisinal (awal) menjadi variabel-variabel baru yang saling tidak berkorelasi. Variabel baru ini
Cieabut dengan faktor. Masing-masing faktor merupakan kombinasi lnier dar variabel oisinal
‘Salah satu ukuran jumlah informasi yang cipawa atau diteruskan oleh masing-masing faktor
‘adalah variansinya. Sehubungan dengan hal ini, faktorfaktor disusun dangan urutan variansi
yang menurun. Faktor pertama merupakan faktor yang paling Informatit (memiiki variansi
terielaskan yang maksimum) dan faktor terakhir adalah faktor yang paling sedikit meneruskan
Informasi (momilk varlans! terotaskan yang minimum),
Jumlah faktor yang dibangkitkan adalah maksimum sabanyak jumiah variabel awal. Namun
lkaltkan dengan tujyannya, pada umurmnya jumiah faktor yang dibangkikan adalah sejumilah
kecil faktor yang dinilai mencukupi oleh penelii. Cara penentuan jumlah faktor yang
bangktkan ini akan dibahas lebin lant
Gambar 1.2 Perbedaan antara Principal Component Analysis dan Factor Analysis
Perbedaan antara PCA dan CFA
> Principal Component Analysis CA)
‘Secara matematis madel PCA (perhatikan kembal gambar 1.2), dapat ditulskan sabagal Bab 1 Analisis Faktor 9
PO eX ot
POE WK + Wk a Mk
POs i Haak ot We
di mana,
PC, = Skor faktor untuk faktor ko-mn
We _*oefisien skor faktor untuk faktorke-m
x, variabel aval (risinal) kexp
Perhatikan bahwa masing-masing principal component (Komponen utama) merupakan
ombinae! liner ar variabel-variabel ori
Common Factor Analysis (CFA)
Secara matematis model CFA (perhatikan kembal gambar 1.2, dapat dituiskan sebagai
X, 20,0, + Un0F, ++ Vig #0
Nye VnOF, + UnOF: ++ VonOF, +O:
WGP, + YOR ot Ye OF +e
i mana,
OF, = Skor faktor untuk faktor ke-m
bobot (loading) faktor kevm untuk variabel ke-p
= Variabel aval orsina) ke-p
Pethatikan bahwa masing-masing variabel-variabel orsinal merupakan kombinas! liner ari
principal component (komponen utama},
‘Ada beberapa kolemahan yang terdapat pada Common Factor Analysis (OFA):
1. Factor indeteminancy, yaitu setiap responden dapat memilki beberapa skor yang
berbeda yang dihasilkan dari model yang dihasiixan (faktor loading dapat berbeda
antar responder),
2. Communaites tidak selalu dapat dicar, Kalaupun bisa, hasiinya dapat invalid febih
bbesar dari 1). Dengan adanya kelemahan-kelemahan tersebut, pemakaian principal
component analysis menjad lebih luas. 10 | Multivariate Analysis Training
Penentuan Jumiah Faktor yang Diakstraksi
Terdapat beberapa krteria yang dapat digunakan dalam menentukan jumlah faktor yang akan
dibentuk, antara lain
a. Kfiteria nila eigen
Nia eigen menggambarkan jumian variansi yang dapat dijlaskan oleh sebuah taktor.
TTelah cibahas bahwa nilsi-nisi dari sebuah variabel, setelah distandardisasikan akan
rmemiliki variansi sebesar 1. Hal ini berimplikasi
eigen < 1, artinya faktor tersebut membawa informasi yang lebih sedikit dibandingkan
veariabel awa. Atau dengan kata lain, Kemampuan menjelaskan variansi data (yang diukur
dengan variane) oleh faktor tersebut lebih buruk dibandingkan dengan kemampuan
variabel awal. vika faktor ini dimasukkan dalam analisis lebih lanjut, maka akan
wahwa jka sebuah faktor memilik nila
bertentangan dengan tujuan penggunaan analsis faktor. Kesimpulannya, akan sangat
boratasan jk faktor yang iokstraks!cbatasi pada faktor-faktor dengan nilal eigen > 1.
b. Kfieria scree plot
Sebuah scree plot adalah plot dari nial eigen terhadap nial faktor, dalam urutan proses
ckstraksi (gobagal contoh lihat Gambar 1.3). Bentuk dari plot dapat digunakan untuk
‘menentukan jumiah faktor yatu dengan memperhatikan Kecuraman garis yang ada. Proses
cekstraksi berhent! pada tte di mana garis menjadi reatf lebih landal. Proses ekstraks!
bberhenti pada tik yang merupakan pangkal garis yang mengalami penurunan yang paling
tajam. Pada Gambar 1.3, teihat bahawa setelah faktor 2 terjad! penurunan eigen value
yang cukup tajam ke faktor 3. Hal tersebut berart!jumlah faktor maksimum yang dapat
diekstrak adalah 3 buah. Namun peru cihat juga rill eigen yang ada. Jka faktor yang
diekstrak adalah 9, maka tidak memenuhi krteria nilal eigen di atas 1. Oleh Karena itu
faktor yang valid hanya sampai faktor 2. Bab 1 Analisis Faktor 11
Gambar 1.3 Gontoh Seree Plot
Kritra varians yang teyelaskan
Pade kritera in faktoraktor akan diekstraksi sampai dengan jumish proporsi nila eigen
kumulatifnya melebihi suatu batas yang dianggap cukup memuaskan (salah satu padoman
tumum: untuk imu pastl 80 % dan untuk ilmu sosial 65 %).
Kritoria a prion
‘Analisis faktor dapat digunakan pada penelilan yang bersifat eksplorator atau Konfiemator
Pada peneltian yang bersifateksploratori, penelt belum mengetahui terdapat berapa faktor
yang akan terbentuk. Sabalkaya, pada peneliian yang bersifat konfiematori sudah terdapat
Peneltian atau teor atau hipotesis tertentu yang menyatakan bahwa akan terdapat sekian
faktor. Pada penelitian konfirmator ini, secara a prior (sesuai kerangka teoriis)ditetapkan
Jumlah faktor yang akan diekstraksi, Contoh : konsep ServQual dari Zoltham! dan
Parasuraman menyatakan bahwa dimensi kualtas layanan ada lima, yaitu keandalan
(reliabinty, aspek-aspek berwujud (tangles), daya tangkep (responsiveness), jaminan
(assurance), dan empati (empathy). Dalam hal in, jka diakukan analsis fektor terhadan
atribut-atribut kualtas layanan, maka jumiah faktor yang diminta adalah lima, Karena konsop
mengatakan demikien,
1.26. Interpretasi Output Analisis Faktor
‘Tordapat tiga tahap dalam melakukan interprotasl faktor =
1
PPerhtungan matrks faktoriisial (yang belum dirotasikan)
Matriks faktor 12 | Multivariate Analysis Training
‘Tabel 1.2 Bobot Faktor (Tanpa Rotasi
oT 7
‘Bobo! Faktor Faktor loading)
Bobet faktor menggambarkan hubungan (korelas) antara suatu variabel dengan suatu
{aktor. Pada Tabel 1.2 angka -0.30 menunjukkan bahwa variabel awal X, memiliki Koreas
regatif yang tidak cukup besar dengan Faktor 1. Sebaliknya, variabel awal X, meri
korolasi yang cukup besar (0.88) dengan Faktor 2. Ini menunjukkan bahwa Faktor 2 lebih
‘mampu menjelaskan varians rilal yang terjaci pada variabel awal x, cibandingkan dengan
Fakior 1, Pada umumnya, pada bobot faktor 0.3 masih dapat dianggap bahwa terdapat
korelasi yang signifan. Beberapa variabel dengan bobot faktor yang significan dapat
digabungkan dan diberinama baru yang sedapat mungkin mencerminkan variabel-varlabel
Penyusunnya tersebut.
Komunalitas (Communal
‘Masing-masing variabel awal memiiki nila variansi yang terkait dengan variailtas respons
dari tiap responden. Jumlah variansi variabel X, yang dijelaskan atau diteruskan oleh
faktor-faktor yang ada (Faktor + dan Faktor 2) disebut dengan komunaltas. Darl oufout
pada Tabel 1.2 tampak bahwa 81% variansi variabel X, dapat dijlaskan oleh faktor-faktor
yang ada. Jaci, komunaltas, adalah perseniase variansi dari sebuah varabel_ yang
berkontibusi terhadap korelasi dengan variabel-variabel lain atau yang umum (common)
‘bagi varlabel yang lan. Nia Kemunaltas ini cihtung dari tota-kuadrat dar factor loading
‘lap veriabelny
2. Ekstraksifaktor
[Ekstraksifaktor adalah tahap yang bertujuan untuk menghasikan sejumiah faktor dari data,
yang ada, Matrks faktor setelah dirotasi dapat mempermudah interpretasi dalam
‘menentukan variabel-variabel mana saja yang dapat tercakup dalam suatu faktor. Rotasi
faktor dapat menghasikan output beberapa solusi (bobot dan nila faktor). Solust in tidak
selalu mudah dinterprotasikan. Idealnya sustu variabel memilki bobot faktor yang tinggi
Untuk sebuah faktor dan bobot faktor yang rendan untuk faktor-faktorlainnya. Ini dapat Bab 1 Analisis Faktor 13
dlinterpretasixan bahwa variabel tersebut dapat divakil oleh faktor dengan bobo faktor
yang tinggi tersebut
Solusi dengan variabel-variabel berilai bobot faktor menengah untuk semua faktor akan
sult dinterpretasikan. Untuk mengatasi hal inl dlakukanlah rotas| faktor. Rotas! faktor
berarti merotasikan dimensi, Hasil rotasi ini tidak mengurangi komunalitas, Arinya,
informasi masing-masing variabel yang diteruskan oleh keseluruhan faktor tidak berubah,
‘Yang dapat berubah adalah rial eigen. Namun, umumnya tidak berbeda jauh. Karena lebih
‘muda dinterpretasikan, pada umumnya has rotas faktor inlah yang digurakan untuk
‘analisis lebih larut.
abel 1.3 Bobot Faktor (Rotasi Varimax)
i ar oo
otasl Orthogonal vs Rtas! Obliou
FRotasi dapat dllakukan secara orthogonel(siku-siku) atau obfique (tidak siku-siku). Rotas!
orthogonal menghasilkan faktor-faktor baru yang independen atau mernlki korelas! no
‘Sedangkan pada rotesi oblique, masing-masing faktor dapat memiki korelsi yang nilainya
kecil dan sifatnya lebih floksibel. Terdapat banyak sokali metode rotasi, misalnya varimax,
‘quartimax, dan equimax untuk rotasi orthogonal dan oblimex, quartimin, oblimin, dan
promax untuk rotasi oblique. Berikut adalah penjolasan untuk masing-masing metoda,
kususrya metoda rotasi orthogonal
+ Rotasi Orthogonal
‘2 Quartimax. Merupakan metoda rotasi orthogonal yang bertujyan untuk
menyederhanakan baris dari matriks faktor. Jac cara Kerja quartimax fokus pada
rmerotasikan faktor inisial sahingga bobot faktor pada masing-masing variabel
tinggi di eslah eatu faktor dan serendah mungkin pada faktor laine
© Varimax, Berbeda dengan quartimax, metoda verimax ini fokus pada
rmenyederhanakan kolom dari matriks faktor. Dengan metoda varimax ini, maka 14 | Multivariate Analysis Training
penyederhanaan yang paling optimal dicapal apabila terdapat hanya ts dan Os
pada setiap kolom. Dengan kata lain, metoda varimax akan memaksimumkan
jumiah variansi yang terdapat dalam matriks faktor. Jka dibandingkan dengan
metode quartimex, metoda varimax ini lebih banyak digunakan Karena
kemampuannya untuk menghasikan diferensiasi antar faktor yang lebih jelas
sibandingkan quartimax.
© Equimax. Merupakan metoda yang mengkompromisas! antara quartmax dan
varmex. Dibandingkan dengan hanya fokus pada salah satu baris atau kolom,
fequimax berusaha untuk menyederhakan sebagian dari kedua hal tersebut
'Metoda ini belum dapat diterima secara luas dan sangat jarang digunakan.
‘+ Rotasi Oblique. Yang termasuk dalam jenis rotas! ini adalah oblimax, ablimin, promax,
{dan quartimin, Penjelasan untuk masing-masing metoda ini tidak dibahas karena
‘metoda ini berkembang dinamis dan banyak variansi analisis faktor. hstrasi untuk
‘kodua jens rotas! digambarkan pada Gambar 1.4
) ©
Gambar 1,4 Rotasi Faktor Oblique (a) dan Rotasi Faktor Orthogonal (b)
3. imerpretas! matriks faktor
Setelah diolah (dengan bantuan beberaps jenis program statistika), out data mentah akan
‘menghasikan beberapa output sebagai berkut Bab 1 Analisis Faktor 15
Tabel 1.4 Nii Eigen dari Masing-Masing Komponen Utama
T 4 r
a
Fraparion | TH a
CaRaTE | TSO | ORT | OO | OaaS | THOT
‘abe! 1.5 Variansi Yang Terjlaskan oleh Masing-Masing Faktor
Tan Raa 5 175
Fakir] FaktorZ
% Tass | — oa
% DORE] —TaTORE
% THR THT
% Tse] OS
% Dae —] —aTaTa 16 | Multivariate Analysis Training
‘Tabet 1.7 Skor Faktor
Beberapa interpretasi dapat dilakukan atas output analsisfaktor yang ditampilkan dalam
‘abel 1.4 sampai dengan Tabel 1.7 datas.
Nila Eigen Eigen valve)
Niki eigen menggembarkan jumlah variansi yang diteruskan olen sebuah faktor. Nila eigen
dapat diperoleh dengan menjumlahkan kuadrat dari bobot faktor untuk seluruh variabel
(jumiah kuadrat dalam satu kolom faktor pada Tabel 1.2 dan Tabel 1.2) Nial eigen Faktor 1
yang sebesar 2,7546 menunjukkan bahwa variansi yang terelaskan oleh Faktor 1 adalah
ssebesar 2,7546 dari keseluruhan nial variansi awal yang sebesar 5 (karena terdapat § buah
variabel yang masing-masing memiliki ili variansi sama dengan 1), Atau proporsi variansi
yang terlaskan oleh Faktor 1 adalah sabesar 0.5509 atau 85,0995 (hat baris proportion).
Varianst sisanya dijslaskan oleh Faktor 2 (0.9550 atau 35.59) dan faktor-aktor lain
Faktor 1 dan Faktor 2 secara bersama-sama mampu menjelaskan 0.9059 atau (90.59%)
dari total variansi yang ada (that bars cymufatve). Dari sini tampak cukup beralasan untuk
rmenggunakan Faktor 1 dan Faktor 2 sebagai variabel penggantikelima variabel awa
Variansi Terjelaskan (Explained Variance]
AAngka pada Tabel 1.5 ini menunjukkan jumiah variansi yang dapat dielaskan atau
dlteruskan oleh masing-masing faktor. Sebelum rotas,v
ni teyslaskan ini sama dengan
rilalelgen (that Tabel 1.4) dan sesudah rotasi sadikt berkurang, Total varians! torolaskan
dari kedua faktor setelah rotasi adalah sebesar 4,529 atau masih terdapat 0.471 variansi Bab 1 Analisis Faktor 17
yang bolum terjelaskan. Ini berarti apabila digunakan kedua faktor untuk menggantixan
kalima variabel awal maka akan terjadi kehilangan informasi sebesar 0.471 rilal variansi
yang menjadi tidak terjelaskan,
‘Skor Faktor (Factor Scores
“Meskipun faktor-fakior yang diperoleh tidak teramatiterukur sebagaimana kelima variabel
‘awal, namun faktor-faktor ni juga dapat berlaku sebagai variabel. Pada analisis lebih lanjut,
hast dari analisisfaktor ini dapat digunakan untuk menggantikan kelima variabel awal tal
Nila dari masing-masing faktor yang menggantikan informasi dari Kelima variabel aval ini
disebut dengan skorfaktor
‘Kosfisien Skor Faktor
Menunjukkan nial koefision dart masing-masing variabel awal (yang telah
sistandardisasikan) pada model faktor yang digunakan. Contohnya untuk Responden 1
pada Faktor 1
0.916
0.028X, + 0.088X, ~0.918X, + 0.959X, + 0.959%,
1.27. Validasi
‘Salah satu cara memvaiidas! hasil analiss faktor adalah dengan metnat repycabilty asl
‘nalisis faktor. Hal ini dapat dilakukan dengan menggunakan data yang sama dengan data
yang dianalss yaitu dengan membagi dua data tersebut, atau dengan menggunakan data lain
yang terpisah. Kemudian bandingkan hasiinya dengan has analiss fakior yang telah didapat
sebelumnya,
1.2.8, Kegunaan Tambahan dari Hasil Analisis Faktor
Penelti memiiki phan untuk menggunakan analisis faktor tidak sebagai lal untuk merangkum
data, seperti pada penjelasan sebelumnya, tetapl analiss faktor dapat juga digunakan sebagal
‘lat mereduksi data. Dalam Konteks ini, analisis faktor dapat membantu mereduksi jumiah
variabel, baik dengan cara memiih satu set surrogate variables (one per factor) atau dengan
‘membuat composite variables yang baru untuk setiapfektor.
‘Surrogate variables merypakan variabel yang dapat mewakil variabel-varabel awal dalam satu
faktor. Cara memilh surrogate variables adalah dengan memith varlabel dengan faktor loading
terbesar untuk caclkan wakll dar faktor. Dalam mamilh surrogate variables tersebut, sangat 18 | Multivariate Analysis Training
dlanjurkan untuk menggunakan rotasi orthogonal. Metoda ini dipiih apabila penelt berorientasi
pada simmpilfikasi penelitian,
‘Summated scales merupakan nial komposit dari suatu set variabel yang diperolen dengan cara
mencarirata-rata dari nial variabel awal dalam suatu skala, Metoda ini dipith apabla penal
tertark untuk melakukan replikasi pada analsis anjutan,
Factor scores dibuat berdasarkan besar bobot faktor yang ada. Metoda ini dipiih apabila
pponoltl tertark untuk menghaslikan ortogonalitas dalam pongukuran.
Pengqunaan untuk Analisis Lebih Lanjut
(Output deri anaiisis faktor(skor faktor) dapat digunakan sebagai input untuk anailsis-analisis,
Statistika multvariat lainnya (misalkan analisisklaster, analisie diskriminan, dan analisis ragcesi
liner berganda). Dengan menggunakan analsis faktor (principal component analysis) jumlah
variabel awal akan direduksi menjadi sejumiah faktor yang berhasildickstraksi sehingga akan
Jebin memudahkan perhtungan.
1.3. STUDI KASUS
Judul permasalahan: “IDENTIFIKASI SEGMEN DAN PREFERENS! KONSUMEN BENGKEL
‘SEPEDA MOTOR DI KOTA BANDUNG”. Diadaptasi dari thesis MM-ITB oleh Wiguna
(28199146,
1.3.1, Pendahuluan
‘Sepeda motor merupakan salah satu alat transportasi yang populer di Indonesia. Setiap
‘sepeda motor tentu saja memeriukan perawatan berkala dan juga sewaktu-waktu harus digantl
Suku cadangnya, Perawatan dan penggantian suku cadang ini pada umumnya dilakukan ci
bbongkel
Di kota Bandung terdapat banyak sekali bengkel motor, mula dari bengkel resmi suatu merek
‘motor sampai bengkel yang bersfat umum untuk semua jenis merek. Walaupun secara sekilas
‘bengkel resmi tampaknya akan lebih ciminatl Konsumen Karena adanya jaminan kualtas servis,
tetapi Kenyataan i lapangan menunjukkan pula banwa terdapat bengkel resmi yang usahanya,
Jesu. Di sis lain tampak pula beberapa bengkel uum yang maju usahanya.
Dari fenomena ini kemudian muncul pertenyaan yang ingin dicoba cijawab melalui peneitian in
yaitu Bab 1 Analisis Faktor 19
‘+ Hal-hal apa saja yang menjadi perimbangan Korsumen dalam memilih bengkel untuk
‘merawat darVatau memperbsiki sepeda motornya?
‘+ Bagaimana segmentasi konsumen bengkel sepeda motor ini?
1.3.2. Metode Pengolahan Data
Data cikumpulkan melalui Kuisioner yang bersikan 39 pertanyaan berkaitan dengan atribut-
atribut pelayanan sebuah bengkel. Responden diminta untuk member rating tingkat
kepentingan dari masing-masing atribut dari sangat penting sampai dengan sangat tidak
penting.
Pengolahan data selanjutnya dllakukan mengikuti langkah-langkah berkut
4. Pengukuran validtas dan relabiltas alat ukur. Untuk mangukur valiitas alat ukur
digunakan rilal Koefisien korelasi dan untuk menggunakan reliabiltas alat ukur digunakan
Alpha- Cronbach,
Setelah validitas dan refabiltes lat ukur teruj, langkeh selanjutnya adalah
mengelompokkan ke-39 atribut menjadi beberapa faktor. Dalam istilah lain : menggal
faktor-faktor yang dipertimbangkan konsumen dalam memith bengkel sepeda motor
Derdasarkan penilsian atas ke-99 atribut yang diukur. Proses ini menggunakan metode
analisisfaktor.
8. Selanjutnya berdasarkan faktorfaktor yang berasil Giekstraksi dari tahap 2 di atas,
dllakukan pengelompokan konsumen berdasarkan preferensi mereka terhadap masing-
masing faktor.
Langkah 1, 2, dan 3 di atas menggunakan analisis mulivaiat 20 | Multivariate Analysis Training
1
6 Atribut Pelayanan Bengkel
Desks
T ET
7 eal
7 Talia
77 EST
Ta | aR IRN
Ta TE
8 aT
Ta pana a
2 rapa
ca Tae Soa
23 RT a SIT
Trang ape pat a
2 Bab 1 Analisis Faktor 21
1.3.3, Ringkasan Hasil Analisis Faktor
Rotated Component Matrix dari analisis faktor adalah sebagai berikut
abel 1.9 Mia Komponen
‘Camponert
7 t TET ST Opry
VARS | 205
var24 726
varza | 719
var 18 | 640 333
vvar ae | 50 482
var 17 | 542
vvar23 | 498 | 340 352
VAR 16 m2
VAR 08 728
vaR11 s18
aR 09 56s
VAR 33 ssc | 222
aR 32 ara
VAR 26 450 | 201
vaR27 rer
VAR 06 708
VAR 36 sr | 350
var 25 | 04 06 287
vaRo2 20
vaRot 553 225
AR 03 783
VAR 04 138
vaR21 m
VARI9 x2
VAR 13 et
VAR14 702
aR 22 29
vaR12 462 428
vaR 10 748
VAR 05 590
vaRo7 a | 60
VAR 16 m
VAR 19 599
VAR 708 22 | Multivariate Analysis Training
Ringkasan hasil anaisisfaktor i atas adalah sebagai berkut
110 Haeil Analisis Faktor
V35_— | Administrasitahu pokeraannya
Vea | Raminarasrramah
‘Administrasi [W281] Komunikaat dengan administra
Vid | Acminietrast dapat menjawab
Vas | Keramanan petogas fan
iT | Tafa car amine
Vas Pendataan bak
FavtorZ Vis] Wontirani
‘kualitssTeknis dan [VE | Kualitas toramin
soM vat | Rea
Va__| Tanagay dan respons
Vas] Pahiungan aya boner
Vaz] emaat can mone
vas] Garanar
Vas] Natmambants
Faktors Vat | Tokasteojaian
Kemudshan Akses [VE] Lokal deka
Vie] Farm baka Th Tama
Favors Vz] Nama terkenat
Keoaibittas Fisk [Vi | Gedung modern
Vad] Fasiias ibaran
vai Adanya worse
Favor’ ve aTayanan Copal
Kecepaten [VE] Tepatanit
Favor Vai | Peralatan mode
Porlengkapan | Vad | PeralatanTengkap
Beengkel Via] Kapaattas banyak
FaKtor7 Via] Konuniias dengan nani
Komunikasi dengan [VEZ | Want dapat meniawa
Montir Viz__| Aéanya ivormasr trian bongrer
vi | Nontrraman
Fakir Vio Bengkerresm
Formalites [VS | Ruang tunggu nyamar
FaKtor Vis | Fasiltas Komunikaal Tengkap
roaibiiias Kasat_ [VIG] Bengrelpenmh
Mata Bab 3 Analisis Klaster, 23
BAB 2
ANALISIS REGRESI LINIER MAJEMUK
2.1. PENDAHULUAN
Multiple Regression Analysis (Analisis Regresi Malemuk) adalah salah satu teknik mutivarat
yang digunakan untuk mengestimas! hubungan antara satu variabel dependen metrik
(kuantitatif) dengan satu himpunan variabelindependen metrk atau nonmetrik. Dengan analisis
regresi majemuk penelti dapat mengestimasi dan alau memprediksi nial rata-rata (populas)
satu variabel dependen berdasarkan dua atau lebih variabel Independen. Analisis regresi akan
‘menghasikan sebuah persamaan/modelregresi
[Analisis regresi majemuk berbeda dengan analsis korelasi yang hanya menghasikan ia
korelasi. Pada analisis korelasi, yang dianalsis ialah keberadaan hubungan antara dua varlabel
ddan seberapa kuat hubungan tersebut, sedangkan pada analisis regresi majemuk yang
lanalisis adalah seberapa besar pengarun suatu variabel (Golanjutnya disebut variabel
independen) techadap variabellainnya (selanutnya disebut variabel dependen)
‘Sebagai contoh, seorang paneli menduga bahwa tingkst penjuslan produk tertentu
Vous aimerez peut-être aussi
- The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good LifeD'EverandThe Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good LifeÉvaluation : 4 sur 5 étoiles4/5 (5813)
- The Perfect Marriage: A Completely Gripping Psychological SuspenseD'EverandThe Perfect Marriage: A Completely Gripping Psychological SuspenseÉvaluation : 4 sur 5 étoiles4/5 (1131)
- The 7 Habits of Highly Effective PeopleD'EverandThe 7 Habits of Highly Effective PeopleÉvaluation : 4 sur 5 étoiles4/5 (353)
- The 7 Habits of Highly Effective People Personal WorkbookD'EverandThe 7 Habits of Highly Effective People Personal WorkbookÉvaluation : 4 sur 5 étoiles4/5 (2515)
- The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good LifeD'EverandThe Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good LifeÉvaluation : 4.5 sur 5 étoiles4.5/5 (20074)
- How to Win Friends and Influence People: Updated For the Next Generation of LeadersD'EverandHow to Win Friends and Influence People: Updated For the Next Generation of LeadersÉvaluation : 4 sur 5 étoiles4/5 (2327)
- Pride and Prejudice: Bestsellers and famous BooksD'EverandPride and Prejudice: Bestsellers and famous BooksÉvaluation : 4.5 sur 5 étoiles4.5/5 (20479)
- Remarkably Bright Creatures: A NovelD'EverandRemarkably Bright Creatures: A NovelÉvaluation : 4.5 sur 5 étoiles4.5/5 (5708)
- Never Split the Difference: Negotiating As If Your Life Depended On ItD'EverandNever Split the Difference: Negotiating As If Your Life Depended On ItÉvaluation : 4.5 sur 5 étoiles4.5/5 (3309)
- Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of StrategyD'EverandArt of War: The Definitive Interpretation of Sun Tzu's Classic Book of StrategyÉvaluation : 4 sur 5 étoiles4/5 (3321)
- American Gods: The Tenth Anniversary EditionD'EverandAmerican Gods: The Tenth Anniversary EditionÉvaluation : 4 sur 5 étoiles4/5 (12954)
- How To Win Friends And Influence PeopleD'EverandHow To Win Friends And Influence PeopleÉvaluation : 4.5 sur 5 étoiles4.5/5 (6537)
- The 7 Habits of Highly Effective PeopleD'EverandThe 7 Habits of Highly Effective PeopleÉvaluation : 4 sur 5 étoiles4/5 (2571)
- Habit 1 Be Proactive: The Habit of ChoiceD'EverandHabit 1 Be Proactive: The Habit of ChoiceÉvaluation : 4 sur 5 étoiles4/5 (2559)
- Habit 3 Put First Things First: The Habit of Integrity and ExecutionD'EverandHabit 3 Put First Things First: The Habit of Integrity and ExecutionÉvaluation : 4 sur 5 étoiles4/5 (2507)
- Habit 6 Synergize: The Habit of Creative CooperationD'EverandHabit 6 Synergize: The Habit of Creative CooperationÉvaluation : 4 sur 5 étoiles4/5 (2499)
- Orgueil et Préjugés - Edition illustrée: Pride and PrejudiceD'EverandOrgueil et Préjugés - Edition illustrée: Pride and PrejudiceÉvaluation : 4.5 sur 5 étoiles4.5/5 (20391)
- Wuthering Heights (Seasons Edition -- Winter)D'EverandWuthering Heights (Seasons Edition -- Winter)Évaluation : 4 sur 5 étoiles4/5 (9974)
![American Gods [TV Tie-In]: A Novel](https://imgv2-1-f.scribdassets.com/img/audiobook_square_badge/626321117/198x198/22ab6b48b6/1718315036?v=1){kind=icon}
