BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Subyek Penelitian Penelitian ini dilakukan kepada 47 orang guru BK SLTA (5, SMA, 1 MA, dan 9 SMK) di Salatiga, seperti yang dapat dilihat dalam tabel 4.1 di bawah ini: Tabel 4.1 Data obyek penelitian

JUMLAH GURU NO SEKOLAH

ALAMAT

BK

YANG MENJADI RESPONDEN

1

SMA Negeri 1

Jl. Kemiri 1 Salatiga

2

SMA Negeri 2

Jl.

Tegalrejo

4 orang

79 2 orang

Salatiga 3

SMA Negeri 3

Jl. Kartini 34 Salatiga

4

SMA Kristen 1

Jl.

Osamaliki

4 orang

32 3 orang

Salatiga 5

SMA Kristen 2

Jl.

Argoluwih

15 1 orang

Salatiga 6 7

Madrasah

Aliyah Jl. KH Wahid Hasyim 3 orang

Negeri

12 Salatiga

SMK Negeri 1

Jl. Nakula Sadewa I/3 6 orang Salatiga

8

SMK Negeri 2

Jl. Parikesit, Warak, 7 orang Salatiga

9

SMK Negeri 3

Jl.

Ja’far

Shodiq, 3 orang

49

Kalibening, Salatiga 10

SMK PGRI 1

Jl. Nakula Sadewa I 1 orang Salatiga

11

SMK PGRI 2

Jl. Nakula Sadewa I 2 orang Salatiga

12

SMK Saraswati

Jl.

Hasanudin

738 4 orang

Salatiga 13 14

SMK

Jl. KH Ahmad Dahlan 5 orang

Muhammadiyah

Salatiga

SMK TI Kristen

Jl. Kemiri Raya 7-11 1 orang Salatiga

15

SMK

Sultan Jl.

Fattah

Diponegoro115 1 orang

Salatiga

Dari 47 orang guru BK, 27 orang guru berjenis kelamin wanita dan 20 orang guru berjenis kelamin lakilaki. 46 orang guru BK memiliki pendidikan S1 Bimbingan Konseling dan 1 orang guru memiliki pendidikan S2 Psikologi.

16 orang guru (dari 8 sekolah) memiliki rasio

guru BK : Siswa ≥ 1 : 150, artinya satu orang guru melayani lebih dari 150 siswa.

4.2 Analisis Faktor Untuk analisis faktor mengikuti lima langkah, yaitu (a) Menguji kelayakan analisis, (b) menyajikan matriks korelasi, (c) melakukan ekstraksi, (d) melakukan rotasi, dan (e) memberi nama faktor.

50

a.

Menguji Kelayakan Analisis dan Menyajikan Matriks Korelasi Untuk

memenuhi

kelayakan

analisis,

data

diasumsikan cukup dan antar variabel memiliki korelasi.

Kecukupan data didentifikasikan melalui

nilai Measure of Sampling Adequacy (MSA) dan Kaiser-Meyer-Olkin

(KMO).

Data

dikatakan

memenuhi asumsi kecukupukan data jika nilai KMO dan MSA ≥ 0.5. Uji kelayakan 1. Tabel 4.2 Hasil KMO #1 KMO and Bartlett's Test Kaiser-Meyer-Olkin

Measure

of

Sampling

Adequacy. Bartlett's

Test

Sphericity

of Approx. Chi-Square

,535 692,639

df

300

Sig.

,000

Sumber: Output SPSS

Pada uji kelayakan data yang pertama, nilai KMO yang muncul sebesar 0.535 yang berarti data sudah memenuhi syarat kelayakan untuk difaktorkan.

Tabel di atas juga menunjukkan

data sudah memenuhi asumsi saling berkorelasi yaitu dengan melihat nilai Sig. 0.000 yang lebih kecil dari α 0.05.

51

Meskipun data memiliki nilai KMO yang memenuhi syarat, nilai MSA pada beberapa data, yang ditunjukkan dengan simbol “a” pada tabel Anti-image

Matrices

bagian

Anti-image

Correlation, memiliki nilai ≤ 0.5 (item 2, 3, 4, 9, 14, 16, 19, 23, dan 25) yang berarti data tersebut tidak dapat dianalisis lebih lanjut.

Untuk itu

data yang memiliki nilai MSA ≤ 0.5 tersebut dibuang dan data yang memiliki nilai MSA ≥ 0.5 ( item 1, 5, 6, 7, 8, 10, 11, 12, 13, 15, 17, 18, 20, 21, 22, dan 24) dilakukan pengujian dari awal lagi (hasil MSA #1 lihat di lampiran). Uji kelayakan 2 Tabel 4.3 Hasil KMO #2

KMO and Bartlett's Test Kaiser-Meyer-Olkin

Measure

Sampling Adequacy. Bartlett's Sphericity

Test

of Approx.

of

,734

Chi- 388,09

Square

6

df

120

Sig.

,000

Sumber: Output SPSS

Dari tabel di atas terlihat bahwa nilai KMO menjadi 0.734 yang berarti sudah memenuhi syarat untuk kecukupan untuk difaktorkan. Tabel di atas juga menunjukkan data sudah

52

memenuhi

asumsi

saling

berkorelasi

yaitu

dengan melihat nilai Sig. 0.000 yang lebih kecil dari α 0.05. Meskipun nilai KMO menjadi naik, hasil uji kedua masih menunjukkan terdapat dua data (item 18 dan item 20) yang memiliki nilai MSA ≤ 0.5 sehingga data belum dapat dianalisis lebih lanjut. Item 18 dan 20 dibuang dan dilakukan pengujian dari awal kembali (hasil MSA #2 lihat lampiran). Uji kelayakan 3 Tabel 4.4 Hasil KMO #3

KMO and Bartlett's Test Kaiser-Meyer-Olkin

Measure

Sampling Adequacy. Bartlett's

Test

Sphericity

of Approx.

of

,758

Chi- 361,63

Square

3

df

91

Sig.

,000

Sumber: Output SPSS

Tabel di atas menunjukkan nilai KMO yang semakin meningkat karena dihapusnya data-data yang memiliki nilai MSA ≤ 0.5. Nilai KMO yang tertera adalah 0,758 dan berarti data sudah memiliki kelayakan untuk difaktorkan. Tabel di atas juga menunjukkan data sudah memenuhi

53

asumsi saling berkorelasi yaitu dengan melihat nilai Sig. 0.000 yang lebih kecil dari α 0.05. Pada uji kelayakan ketiga semua

data

memiliki nilai MSA ≥ 0.5 sehingga uji kecukupan data telah terpenuhi dan analisis faktor dapat dilanjutkan ke tahap berikutnya. b.

Melakukan Ekstraksi Analisa faktor bertujuan untuk mencari variabel baru yang disebut faktor yang saling tidak berkorelasi, lebih sedikit jumlahnya dari variabel asli, tetapi menyerap sebagian informasi dari variabel asli.

Untuk kepentingan tersebut

data yang sudah memiliki kelayakan analisis di atas harus diekstraksi. Dari 25 item yang digunakan dalam skala sikap, tersisa 14 item yang lolos uji kelayakan data sebagai syarat awal analisis faktor, yaitu item 1, 5, 6, 7, 8, 10, 11, 12, 13, 15, 17, 21, 22, 24 yang kemudian akan diekstraksi.

Hasilnya

seperti di bawah ini: Tabel 4.5 Komunalitas

Communalities Initial

Extraction

item_1

1,000

,620

item_5

1,000

,566

item_6

1,000

,822

54

item_7

1,000

,758

item_8

1,000

,723

item_10

1,000

,714

item_11

1,000

,794

item_12

1,000

,841

item_13

1,000

,697

item_15

1,000

,749

item_17

1,000

,670

item_21

1,000

,778

item_22

1,000

,658

item_24

1,000

,672

Extraction Method: Principal Component Analysis. Sumber: Output SPSS

Tabel

Communalities

menunjukkan

seberapa besar kontribusi sebuah item terhadap faktor yang terbentuk.

Dari tabel di atas

diketahui bahwa: Item_1 nilainya 0.620

= kontribusi variabel

item_1 terhadap faktor yang terbentuk adalah sebesar 62.0% Item_5 nilainya 0.566






item_7 terhadap faktor yang terbentuk adalah sebesar 75.6%

55

Item_8 nilainya 0.723








item_12 terhadap faktor yang terbentuk adalah sebesar 84.1% Item_13 nlainya 0.697










item_22 terhadap faktor yang terbentuk adalah sebesar 65.8%

56

Item_24 nilainya 0.672


item_24 terhadap faktor yang terbentuk adalah sebesar 67.2.0% Semua variabel memiliki nilai > 50%, oleh karenanya

dapat

disimpulkan

bahwa

semua

variabel memiliki kontribusi yang besar terhadap faktor yang terbentuk.

57

Tabel 4.6 Faktor yang Terbentuk Total Variance Explained Extraction Initial Eigenvalues %

of

Sums

of

Squared

Loadings Cumulative

Rotation Sums of Squared Loadings %

of

Cumulative

%

of

Component

Total

Variance

%

Total

Variance

%

Total

Variance

Cumulative %

1

5,944

42,457

42,457

5,944

42,457

42,457

4,052

28,943

28,943

2

1,533

10,953

53,410

1,533

10,953

53,410

2,483

17,737

46,680

3

1,467

10,481

63,892

1,467

10,481

63,892

2,240

15,999

62,679

4

1,117

7,977

71,868

1,117

7,977

71,868

1,286

9,189

71,868

5

,817

5,838

77,706

6

,733

5,235

82,941

7

,595

4,247

87,189

8

,509

3,636

90,824

9

,398

2,845

93,669

10

,264

1,882

95,551

11

,212

1,513

97,064

12

,181

1,295

98,360

13

,147

1,052

99,411

14

,082

,589

100,000

58

Extraction Method: Principal Component Analysis. Sumber: Output SPP

59

Tabel Total untuk

Variance

menunjukkan

Explained berguna

besarnya

persentase

keragaman total yang mampu diterangkan oleh keragaman faktor-faktor yang terbentuk. menentukan

berapa

komponen/faktor

Untuk yang

dipakai agar dapat menjelaskan keragaman total maka

perlu

eigenvalue.

memperhatikan

besar

nilai

Kolom yang diperhatikan dalam

langkah ini adalah kolom “Initial Eigenvalues”. Suatu

eigenvalues

menunjukkan

besarnya

sumbangan dari faktor terhadap seluruh variabel asli.

Hanya faktor dengan varian > 1 yang

dipertahankan, oleh karena itu hanya komponen 1, 2, 3, dan 4 yang diikutsertakan dalam analisis selanjutnya. Kolom persentase

“cumulative kumulatif

%”

varian

merupakan yang

dapat

dijelaskan oleh faktor. Besarnya keragaman yang mampu diterangkan oleh faktor/komponen 1 sebesar 42,457%.

Besarnya keragaman yang

mampu diterangkan oleh faktor/komponen 2 sebesar 10,953% sehingga besarnya persentase kumulatif adalah 53,410%. Besarnya keragaman yang mampu diterangkan oleh faktor/komponen 3 sebesar 10,481% sehingga besarnya persentase kumulatif adalah 63,891%. Besarnya keragaman yang mampu diterangkan oleh faktor/komponen 4 sebesar 7,977% sehingga besarnya persentase kumulatif

menjadi

sebesar

71,868%.

60

Berdasarkan

nilai

eigenvalue

keempat

faktor/komponen yang lebih besar dari 1 dan besarnya persentase kumulatif keempat faktor sebesar

71,868%,

keempat

faktor

dapat dapat

disimpulkan mewakili

bahwa

keragaman

variabel-variabel asal. c.

Melakukan Rotasi Setelah mengetahui bahwa faktor maksimal yang bisa terbentuk adalah 4 faktor, langkah selanjutnya

adalah

melakukan

penentuan

masing-masing variabel akan masuk ke dalam faktor mana, apakah faktor 1, 2, 3, atau 4. Matriks yang

faktor

dipergunakan

berisi/memuat untuk

koefisien

mengekspresikan

variabel yang dinyatakan dalam faktor (factor loading). Faktor loading merupakan korelasi dari variabel dan faktor.

Variabel akan menjadi

bagian dari sebuah faktor apabila memiliki nilai berkorelasi 0,50 atau lebih untuk dapat dianggap signifikan. Semakin besar nilai korelasi, semakin penting

loading

menginterpretasikan

matriks

faktor.

61

Tabel 4.7 Rotasi Faktor

Rotated Component Matrixa S u m b

Component 1

2

3

4

item_6 e

,858

,271

-,068

,089

S item_8

,830

,156

,090

-,048

item_7

,792

,307

,177

-,070

item_5

,633

,090

,250

,307

item_21 e

,600

,275

,573

,119

item_15 r

,251

,824

-,050

,069

: item_12

-,124

,767

,484

-,048

item_13

,415

,724

,028

-,027

item_17

,523

,611

,151

,012

item_11 t

,025

-,041

-,881

,126

item_10 p

-,443

-,114

-,586

-,400

u item_22

,539

,108

,571

,172

item_1

,239

,055

,140

,735

item_24

,412

,118

,282

-,639

u

m b

O u

t

S

Extraction Method: Principal Component P S Analysis. u Rotation Method: Varimax with Kaiser m

Normalization.a b

a.e Rotation converged in 9 iterations. sumber: Output SPSS

Tabel Rotated Component Matrix di atas menjelaskan bahwa:

62

1. item_6 (0,858), item_8 (0,830), item_7(0,792), item_5

(0,633),

item_21

(0,600),

item_17

(0,523), dan item_22 (0,539) memiliki korelasi yang kuat dengan faktor 1. 2. item_15

(0,824),

item_12

(0,767),

item_13

(0,724), dan item_17 (0,611) memiliki korelasi yang kuat dengan faktor 2. 3. item_21 (0,573), item_11 (-0,881), item_10 (0,586), dan item_22 (0,571) memiliki korelasi yang kuat dengan faktor 3.

Tanda negatif (-)

menunjukkan arah korelasi. 4. item_1 (0,735) dan item_24 (-0,639) memiliki korelasi yang kuat dengan faktor 4. Dari tabel di atas terlihat item_17, item_21, dan item_22 termuat dalam lebih dari satu faktor,

untuk

itu

item-item

tersebut

harus

dihapus dan item yang tersisa dirotasi ulang. Karena dirotasi ulang dengan item yang berbeda, maka terdapat beberapa nilai yang berubah dari beberapa tabel. Hasilnya adalah sebagai berikut: Tabel 4.8 Komunalitas (uji ulang)

Communalities Initial Extraction item_1

1,000

,668

item_5

1,000

,615

item_6

1,000

,838

63

item_7

1,000

,774

item_8

1,000

,727

item_10

1,000

,735

item_11

1,000

,860

item_12

1,000

,878

item_13

1,000

,633

item_15

1,000

,821

item_24

1,000

,709


Semua item, setelah dirotasi ulang dengan menghilangkan item_17, item_21, dan item_22, masih tetap memiliki nilai > 50%, oleh karenanya dapat disimpulkan bahwa semua item memiliki kontribusi yang besar terhadap faktor yang terbentuk.

Jumlah item yang tersisa setelah

rotasi ulang adalah 11 item, yaitu item 1, 5, 6, 7, 8, 10, 11, 12, 13, 15, dan 24.

64

Tabel 4.9 Faktor yang Terbentuk (uji ulang) Total Variance Explained Extraction Sums of Squared

Rotation Sums of Squared

Loadings

Loadings

Initial Eigenvalues % of

Cumulative %

% of

Cumulative

Total

Variance

%

% of

Cumulative

Total

Variance

%

Component

Total

Variance

1

4,354

39,581

39,581

4,354

39,581

39,581

3,187

28,975

28,975

2

1,456

13,235

52,817

1,456

13,235

52,817

1,958

17,799

46,773

3

1,343

12,211

65,028

1,343

12,211

65,028

1,557

14,155

60,928

4

1,104

10,033

75,061

1,104

10,033

75,061

1,555

14,132

75,061

5

,717

6,522

81,582

6

,663

6,030

87,612

7

,496

4,510

92,122

8

,282

2,563

94,685

9

,245

2,227

96,912

10

,186

1,687

98,599

11

,154

1,401

100,000


65

Setelah item_21,

rotasi

dan

ulang

item_22,

dengan

maka

menghilangkan

berdasarkan

nilai

item_17, eigenvalue

keempat faktor/komponen yang lebih besar dari 1 dan besarnya persentase kumulatif keempat faktor sebesar 75,061%, dapat disimpulkan bahwa keempat faktor dapat mewakili keragaman item-item asal. Tabel 4.10 Rotasi Faktor (uji ulang)

Rotated Component Matrixa Component 1

2

3

4

item_1

,121

,042

,807

,006

item_5

,585

,070

,490

-,167

item_6

,853

,214

,226

,116

item_7

,817

,269

,116

-,147

item_8

,834

,128

,113

-,040

item_10

-,370

-,127

-,615

,451

item_11

-,009

-,062

-,123

,917

item_12

-,052

,816

,038

-,455

item_13

,465

,642

,057

-,028

item_15

,294

,845

,062

,131

item_24

,545

,068

-,432

-,470

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 8 iterations. Sumber: Output SPSS

Setelah dilakukan rotasi ulang dengan menghilangkan item_17, item_21, dan item_22, maka factor loading yang terbentuk adalah sebagai berikut: 1. item_5, item_6, item_7, item_8, dan item_24 memiliki korelasi yang kuat dengan faktor 1. 66

2. item_12, item_13, dan item_15 memiliki korelasi yang kuat dengan faktor 2. 3. item_1 dan item_10 memiliki korelasi yang kuat dengan faktor 3. 4. item_11 memiliki korelasi yang kuat dengan faktor 4. Hasil ini menunjukkan empat faktor dengan muatan masing-masing dan sudah tidak ada item yang termuat di dalam lebih dari satu faktor. Tabel 4.11 Matriks Transformasi Faktor Component Transformation Matrix Component

1

2

3

4

1

,788

,468

,307

-,257

2

,410 -,512

,306

,690

3

,175

,452 -,690

,538

4

-,425

,561

,411

,579

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Tabel Component Tranformation Matrix di atas berfungsi untuk menunjukkan apakah faktor-faktor yang terbentuk sudah tidak memiliki korelasi lagi satu sama lain.

Nilai-nilai korelasi

tersebut harus berada di atas 0,5. Nilai faktor 1 sebesar 0,788; nilai faktor 2 sebesar -0,512; faktor 3 sebesar -0,690; dan faktor 4 sebesar 0,411. Tanda negatif (-) menunjukkan arah korelasi. d.

Memberi Nama Faktor Tabel 4.15 Nama Faktor

Nomor Item

Item

Nama Faktor

67

5

Sebagai

guru

mendapat cukup

BK

saya

kesempatan untuk

yang

mengikuti

seminar/workshop

tentang

penelitian termasuk evaluasi program BK. 6

Dengan pelatihan yang saya dapatkan, berbagai

saya jenis

memahami dan

metode

penelitian. 7

Dengan pelatihan yang saya dapatkan,

saya

mampu

merancang

Faktor 1

penelitian

bimbingan dan konseling. 8

Dengan pelatihan yang saya dapatkan,

saya

mampu

Akses guru BK untuk mengembangkan kemampuan analitis

memanfaatkan hasil penelitian dalam

bimbingan

dan

konseling dengan mengakses jurnal

pendidikan

dan

bimbingan dan konseling. 24

Tidak

mudah

menentukan

ketrampilan

apa

yang

seharusnya

siswa

kembangkan dalam program BK. 12

Tidak terdapat data mengenai kemampuan bakat,

intelegensi,

minat,

dan

aspirasi

karier siswa. 13

Terdapat

data

mengenai

gender dan orientasi seksual

Faktor 2

siswa. 15

Terdapat

data

mengenai

etnisitas,

keadaan

ekonomi

keluarga,

latar

belakang

pendidikan

orang

tua,

Ketersediaan data pribadi dan sosial siswa

dan

komunitas asal. Faktor 3

1

Sebagai guru BK saya terlibat

Kebijakan

68

hampir

di

setiap

aspek

operasional sekolah. 10

Hanya

staf

tertentu

sekolah terhadap profesionalisme guru BK

yang

sudah mendapatkan pelatihan saja yang merencanakan dan melakukan penelitian. Faktor 4

11

Saya

tertarik

melakukan tetapi

untuk

penelitian

kurang

BK

mengetahui

sistematikanya.

Kurangnya pengetahuan guru

BK

mengenai penelitian BK

Dengan demikian terbentuk empat faktor dengan muatan yang beragam sehingga ketiga faktor tersebut harus diberi nama yang mewakili item-item yang termuat dalam faktor. Faktor 1 bernama “akses guru BK untuk mengembangkan kemampuan analitis”, faktor 2 bernama “ketersediaan data pribadi dan sosial siswa”, faktor 3 bernama “kebijakan sekolah terhadap profesionalisme guru BK”, dan faktor 4 bernama “kurangnya pengetahuan guru BK mengenai penelitian BK”. 4.3 Pembahasan Hasil Analisis Faktor Analisis faktor merupakan alat untuk mengetahui struktur korelasi antar sejumlah besar variabel dengan cara mendefinisikan seperangkat variabel yang berkorelasi tinggi yang disebut dengan faktor. Faktor yang terbentuk bukan lagi faktor asli karena terbentuk dari sekumpulan variabel yang mendukung.

Analisis faktor bertujuan bukan hanya untuk

mereduksi data tetapi lebih untuk mengetahui konsep dasar dari relasi antar variabel dalam sebuah faktor sehingga lebih memiliki makna. Lima alasan guru BK tidak melakukan evaluasi perencanaan yang dikemukakan oleh Shertzer & Stone (1981), yaitu kekurangan waktu, kurangnya pelatihan mengenai penelitian dan evaluasi, ketersediaan data 69

siswa, kebutuhan akan anggaran evaluasi, dan kesulitan menentuan kriteria, merupakan variabel asli yang tidak diketahui korelasinya. Tidak diketahui hal apa saja yang mendukung pernyataan tentang variabel “kekurangan

waktu”

misalnya.

Setelah

dilakukan

analisis

faktor,

terbentuk empat faktor yang masing-masing memiliki beragam item pendukung.

Empat faktor tersebut terbentuk setelah dilakukan proses

ekstraksi dan rotasi item. Untuk melakukan analisis faktor, terdapat lima urutan langkah yang harus dilalui.

Langkah pertama adalah menguji kelayakan analisis dan

langkah kedua adalah menyajikan matriks korelasi. Uji kelayakan analisis akan menunjukkan tingkat korelasi antar variabel atau item dan ketepatan analisis faktor. Standar yang digunakan adalah nilai KMO ≥ 0,5 dan nilai MSA ≥ 0,5.

Hair et al (2010) memberikan rentang nilai MSA sebagai

berikut: MSA ≥ 80

sangat tinggi

MSA ≥ 70

tinggi

MSA ≥ 60

sedang

MSA ≥ 50

rendah

MSA ≤ 50

tidak dapat diterima

Dalam penelitian ini uji kelayakan analisis dilakukan tiga kali karena meskipun nilai KMO ≥ 0,5 tetapi beberapa item masih memiliki nilai MSA ≤

0,5.

Item-item

yang

memiliki

nilai

MSA

≤

0,5

dihilangkan.

Menghilangkan item dengan nilai ≤ 0,5 akan meningkatkan nilai KMO. Nilai KMO pada uji yang pertama adalah 0, 535 dan meningkat menjadi 0,734 pada uji kedua setelah item-item dengan nilai MSA ≤ 0,5 dihilangkan dan pada akhirnya nilai KMO meningkat lagi menjadi 0,758. Pada uji yang ketiga, dengan nilai KMO 0,758, semua item yang tersisa memiliki nilai MSA yang beragam mulai dari rendah sampai sangat tinggi tetapi tidak terdapat item yang memiliki nilai MSA “tidak dapat diterima” atau dibawah 0,5. Dengan demikian item-item tersebut memenuhi syarat kelayakan dan kecukupan analisis. Langkah kedua (menyajikan matriks korelasi) dapat dilihat dari tabel Bartlett test of sphericity. Nilai signifikansinya harus < 0,05. Sejak awal pengujian, nilai signifikansinya adalah 0,000. Artinya, 70

matriks

korelasi

memiliki

korelasi-korelasi

yang

signifikan

antara

setidaknya beberapa dari item yang ada. Langkah ketiga adalah melakukan ekstraksi. muncul adalah tabel communalities.

Tabel yang pertama

Tabel communalities menjelaskan

kontribusi item terhadap faktor yang mungkin terbentuk. Semakin tinggi nilai extraction, semakin tinggi kontribusi item tersebut terhadp faktor yang mungkin terbentuk. Hasil yang muncul adalah setiap item memiliki nilai extraction > 0,5 yang berarti item-item tersebut memiliki kontribusi lebih dari 50% terhadap faktor yang mungkin muncul. Nilai tersebut dianggap sudah cukup untuk melanjutkan analisis. Dalam proses ekstraksi akan muncul

tabel

total

variance

explained

yang

menjelaskan

besarnya

keragaman total yang diterangkan oleh faktor-faktor yang terbentuk. Dalam proses ini, faktor yang memiliki eigenvalue di atas 1 yang dipertahankan.

Penelitian ini menghasilkan 14 komponen (faktor) tetapi

hanya empat komponen (faktor) yang memiliki nilai eigenvalue > 1. Komponen 1 (faktor 1) memiliki eigenvalue 5,944; komponen 2 (faktor 2) memiliki eigenvalue 1,533; komponen 3 (faktor 3) memiliki eigenvalue 1,467; dan komponen 4 (faktor 4) memiliki eigenvalue 1,117. Untuk mengetahui item apa saja yang mendukung tiap faktor baru yang terbentuk, maka dilakukanlah langkah keempat, yaitu rotasi terhadap item-item.

Item-item yang termuat dalam sebuah faktor harus

lebih besar dari 0,5. Rotasi akan memastikan tidak ada item yang termuat dalam lebih dari satu faktor sehingga menghilangkan ambiguitas. sebuah item dengan

Jika

nilai ≥ 0,5 termuat dalam lebih dari satu faktor maka

analisis menjadi ambigu. Dari hasil rotasi yang pertama terdapat tiga item dengan nilai ≥ 0,5 yang termuat dalam lebih dari satu faktor, yaitu item 17, 21, dan 22.

Setelah tiga item tersebut dihilangkan dan diekstraksi dan

dirotasi ulang maka terbentuklah 11 faktor (sebelum ekstraksi ulang terbentuk 14 faktor) tetapi tetap hanya terdapat empat faktor yang memiliki eigenvalue > 1. Eigenvalue faktor 1 berubah dari 5,944 menjadi 4,354. Eigenvalue faktor 2 berubah dari 1,533 menjadi 1,456. Eigenvalue faktor 3 berubah dari 1,467 menjadi 1,343. Eigenvalue faktor 4 berubah dari 1,117 menjadi 1,104. Dapat disimpulkan bahwa menghilangkan item 71

akan menurunkan nilai eigenvalue.

Setelah ekstraksi dan rotasi ulang,

tidak ada lagi item dengan nilai ≥ 0,5 yang termuat dalam lebih dari satu faktor. Dari hasil rotasi tersebut diketahui bahwa item pendukung faktor 1 adalah item 5, 6, 7, 8, dan 24; item pendukung faktor 2 adalah item 12, 13, dan 15; item pendukung faktor 3 adalah item 1 dan 10; dan item pendukung faktor 4 adalah item 11.

Dengan mengetahui item-item

pendukung sebuah faktor, kita akan lebih mampu memahami struktur sebuah variabel. Langkah kelima adalah memberi nama faktor. pemberian nama faktor ini berdasarkan karakter-karakter dari item-item yang termuat dalam sebuah faktor. Faktor 1 terbentuk dari item 5, 6, 7, 8, dan 24. Item 5, 6, 7, 8 merupakan item yang berkaitan dengan kesempatan guru BK untuk mengikuti pelatihan mengenai penelitian dan evaluasi program BK dan item 24 berkaitan dengan kesulitan guru BK menentukan ketrampilan yang seharusnya dikembangkan dalam program BK. Maka dari itu faktor itu diberi nama “akses guru BK untuk mengembangkan kemampuan analitis”. Faktor 2 terbentuk dari item 12, 13, dan 15. Item 12, 13, dan 15 adalah item yang berkaitan dengan data-data tentang siswa yang tersedia di sekolah sehingga faktor 2 dinamakan “ketersediaan data pribadi dan sosial siswa”.

Faktor 3 terbentuk dari item 1 (keterlibatan guru BK di

hampir setiap operasional sekolah) dan 10 (hanya staf tertentu saja yang melakukan evaluasi program BK) sehingga faktor 3 dinamakan “kebijakan sekolah terhadap profesionalisme guru BK”. Faktor 4 terbentuk hanya dari satu item, yaitu item 11 (minimnya pengetahuan guru BK mengenai evaluasi

program

BK),

sehingga

faktor

4

dinamakan

“kurangnya

pengetahuan guru BK mengenai evaluasi program BK). Hasil penelitian Moyer (2011) menunjukkan bahwa alokasi waktu guru BK dalam melakukan kegiatan non-BK menjadi faktor paling besar dalam menyebabkan burnout pada guru BK.

Asumsinya, burnout yang dialami

oleh guru BK ini akan berimbas juga pada tidak terlaksananya evaluasi perencanaan program BK. Hasil tersebut tidak sejalan dengan penelitian ini. Dalam penelitian ini, alokasi guru BK dalam melakukan kegiatan nonBK tidak menjadi faktor paling besar yang menyebabkan guru BK tidak 72

melakukan evaluasi perencanaan program.

Kegiatan non-BK yang

dilakukan oleh guru BK (item 1) menjadi item pendukung faktor ketiga dalam penelitian ini. Penelitian ini memperkaya teori dari Shertzer & Stone (1981) dengan menambahkan ide baru berupa empat alasan (faktor) baru yang menyebabkan guru BK SLTA di Salatiga tidak melakukan evaluasi perencanaan program. Jika membandingkan hasil skor skala sikap pada item 5, 6, 7, dan 8 dengan hasil faktor 1 terlihat kontradiktif. Item 5, 6, 7, dan 8 merupakan muatan dari faktor 1 sebagai penyebab guru BK tidak melakukan evaluasi perencanaan. Padahal item 5, 6, 7, dan 8 adalah pernyataan positif dan dijawab oleh responden dengan skor tinggi dan memiliki rata-rata hampir 2,8.

Artinya, responden merasa sudah cukup mendapatkan pelatihan

tetapi hasil analisis faktor menunjukkan item-item tersebut merupakan alasan paling tinggi dengan nilai eigenvalue 4,343 sebagai penyebab guru BK tidak melakukan evaluasi perencanaan program. Hal ini disebabkan skor skala sikap yang bervariatif dan item-item skala sikap telah melewati proses ekstraksi dan rotasi sehingga meskipun terlihat kontradiktif jika dibandingkan dengan analisis logika, item-item tersebut memang menjadi penyebab tidak terlaksananya evaluasi perencanaan program BK oleh guru BK.

73

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Recommend Documents