Institutional Repository | Satya Wacana Christian University: Faktor Penyebab Guru Bimbingan & Konseling SLTA di Salatiga Tidak Melakukan Evaluasi Perencanaan Program T2 942011087 BAB IV

(1)

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:

(2)

Kalibening, Salatiga laki. 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

(3)

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. ,535

Bartlett's Test of Sphericity

Approx. Chi-Square 692,639

df 300

Sig. ,000

Sumber: Output SPSS

(4)

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

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of

Sampling Adequacy. ,734

Approx. Chi-Square

388,09 6

df 120

Sig. ,000

Sumber: Output SPSS

(5)

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

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 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of

Sampling Adequacy. ,758

Approx. Chi-Square

361,63 3

df 91

(6)

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

(7)

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%

(8)

Item_13 nlainya 0.697 = kontribusi variabel item_13 terhadap faktor yang terbentuk adalah sebesar 69.7%

(9)

Item_24 nilainya 0.672 = kontribusi variabel item_24 terhadap faktor yang terbentuk adalah sebesar 67.2.0%

(10)

Tabel 4.6 Faktor yang Terbentuk

Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared

Loadings Rotation Sums of Squared Loadings

Total

% of Variance

Cumulative

% Total

% of

Variance

Cumulative

% Total

% of

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)

(12)

Tabel Total Variance Explained berguna untuk menunjukkan besarnya persentase keragaman total yang mampu diterangkan oleh keragaman faktor-faktor yang terbentuk. Untuk menentukan berapa komponen/faktor yang dipakai agar dapat menjelaskan keragaman total maka perlu memperhatikan besar nilai eigenvalue. 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 “cumulative %” merupakan

(13)

Berdasarkan nilai eigenvalue keempat faktor/komponen yang lebih besar dari 1 dan besarnya persentase kumulatif keempat faktor sebesar 71,868%, dapat disimpulkan bahwa keempat faktor dapat mewakili 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 faktor berisi/memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dinyatakan dalam faktor (factor

loading). Faktor loading merupakan korelasi dari

(14)

Tabel 4.7

Rotation Method: Varimax with Kaiser Normalization.a

(15)

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

(16)

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

Sumber: Output SPSS

(17)

Tabel 4.9

Faktor yang Terbentuk (uji ulang)

Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings

Rotation Sums of Squared Loadings

(18)

Setelah rotasi ulang dengan menghilangkan item_17, item_21, dan item_22, maka berdasarkan nilai 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)

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.

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.

(19)

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

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 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 ,579 ,411

Rotation Method: Varimax with Kaiser Normalization.

Nomor

(20)

Faktor 1

5 Sebagai guru BK saya mendapat kesempatan yang cukup untuk mengikuti seminar/workshop tentang penelitian termasuk evaluasi program BK.

dapatkan, saya memahami berbagai jenis dan metode konseling dengan mengakses jurnal pendidikan dan bimbingan dan konseling. 24 Tidak mudah menentukan

ketrampilan apa yang seharusnya siswa kembangkan dalam program BK.

gender dan orientasi seksual siswa.

15 Terdapat data mengenai etnisitas, keadaan ekonomi keluarga, latar belakang pendidikan orang tua, dan komunitas asal.

(21)

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

(22)

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

(23)

matriks korelasi memiliki korelasi-korelasi yang signifikan antara setidaknya beberapa dari item yang ada.

Langkah ketiga adalah melakukan ekstraksi. Tabel yang pertama muncul adalah tabel communalities. 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. Jika sebuah item dengan 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,

(24)

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).

(25)

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.