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 BK NO SEKOLAH ALAMAT YANG MENJADI RESPONDEN 1 SMA Negeri 1 Jl. Kemiri 1 Salatiga 4 orang 2 SMA Negeri 2 Jl. Tegalrejo 79 2 orang Salatiga 3 SMA Negeri 3 Jl. Kartini 34 Salatiga 4 orang 4 SMA Kristen 1 Jl. Osamaliki 32 3 orang Salatiga 5 SMA Kristen 2 Jl. Argoluwih 15 1 orang Salatiga 6 Madrasah Aliyah Jl. KH Wahid Hasyim 3 orang Negeri 12 Salatiga 7 SMK Negeri 1 Jl. Nakula Sadewa I/3 6 orang Salatiga 8 SMK Negeri 2 Jl. Parikesit, Warak, Salatiga 7 orang 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 Salatiga 2 orang 12 SMK Saraswati Jl. Hasanudin 738 4 orang Salatiga 13 SMK Jl. KH Ahmad Dahlan 5 orang Muhammadiyah Salatiga 14 SMK TI Kristen Jl. Kemiri Raya 7-11 Salatiga 1 orang 15 SMK Sultan Jl. Diponegoro115 1 orang Fattah 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.,535 Bartlett's Test of Approx. Chi-Square 692,639 Sphericity 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 of,734 Sampling Adequacy. Bartlett's Test of Approx. Chi- 388,09 Sphericity 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 Sumber: Output SPSS Tabel 4.4 Hasil KMO #3 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of,758 Sampling Adequacy. Bartlett's Test of Approx. Chi- 361,63 Sphericity Square 3 df 91 Sig.,000 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 = kontribusi variabel item_5 terhadap faktor yang terbentuk adalah sebesar 56.6% Item_6 nilainya 0.822 = kontribusi variabel item_6 terhadap faktor yang terbentuk adalah sebesar 82.2% Item_7 nilainya 0.756 = kontribusi variabel item_7 terhadap faktor yang terbentuk adalah sebesar 75.6% 55

Item_8 nilainya 0.723 = kontribusi variabel item_8 terhadap faktor yang terbentuk adalah sebesar 72.3% Item_10 nilainya 0.714 = kontribusi variabel item_10 terhadap faktor yang terbentuk adalah sebesar 71.4% Item_11 nilainya 0.794 = kontribusi variabel item_11 terhadap faktor yang terbentuk adalah sebesar 79.4% Item_12 nilainya 0.841 = kontribusi variabel item_12 terhadap faktor yang terbentuk adalah sebesar 84.1% Item_13 nlainya 0.697 = kontribusi variabel item_13 terhadap faktor yang terbentuk adalah sebesar 69.7% Item_15 nilainya 0.749 = kontribusi variabel item_15 terhadap faktor yang terbentuk adalah sebesar 74.9% Item_17 nilainya 0.670 = kontribusi variabel item_17 terhadap faktor yang terbentuk adalah sebesar 67.0% Item_21 nilainya 0.778 = kontribusi variabel item_21 terhadap faktor yang terbentuk adalah sebesar 77.8% Item_22 nilainya 0.658 = kontribusi variabel item_22 terhadap faktor yang terbentuk adalah sebesar 65.8% 56

Item_24 nilainya 0.672 = kontribusi variabel 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 Sums of Squared Initial Eigenvalues Loadings Rotation Sums of Squared Loadings % of Cumulative % 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 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 persentase kumulatif varian 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%, 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 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 u m Rotated S Component Matrix a b item_6 e,858,271 -,068,089 S u m b e item_15 r,251,824 -,050,069 : O u t item_10 p -,443 -,114 -,586 -,400 u t S P Analysis. S u m b e sumber: Output SPSS Component 1 2 3 4 item_8,830,156,090 -,048 item_7,792,307,177 -,070 item_5,633,090,250,307 item_21,600,275,573,119 item_12 -,124,767,484 -,048 item_13,415,724,028 -,027 item_17,523,611,151,012 item_11,025 -,041 -,881,126 item_22,539,108,571,172 item_1,239,055,140,735 item_24,412,118,282 -,639 Extraction Method: Principal Component Rotation Method: Varimax with Kaiser Normalization. a a. Rotation converged in 9 iterations. 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 Extraction Method: Principal Component Analysis. Sumber: Output SPSS 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 Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 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 Extraction Method: Principal Component Analysis. Sumber: Output SPSS 65

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) Rotated Component Matrix a 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 -,425,561,579,411 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 BK saya mendapat kesempatan yang cukup untuk mengikuti seminar/workshop tentang penelitian termasuk evaluasi program BK. 6 Dengan pelatihan yang saya dapatkan, saya memahami berbagai jenis dan metode penelitian. 7 Dengan pelatihan yang saya dapatkan, saya mampu Faktor 1 merancang penelitian bimbingan dan konseling. 8 Dengan pelatihan yang saya dapatkan, saya mampu 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 intelegensi, bakat, minat, dan aspirasi karier siswa. 13 Terdapat data mengenai Faktor 2 gender dan orientasi seksual siswa. 15 Terdapat data mengenai etnisitas, keadaan ekonomi keluarga, latar belakang pendidikan orang tua, dan komunitas asal. Akses guru BK untuk mengembangkan kemampuan analitis Ketersediaan data pribadi dan sosial siswa Faktor 3 1 Sebagai guru BK saya terlibat Kebijakan 68

hampir di setiap aspek operasional sekolah. 10 Hanya staf tertentu yang sudah mendapatkan pelatihan saja yang merencanakan dan melakukan penelitian. Faktor 4 11 Saya tertarik untuk melakukan penelitian BK tetapi kurang mengetahui sistematikanya. sekolah terhadap profesionalisme guru BK 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. 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, 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 non- BK 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