Rasch Model: Riset Kuantitatif

Home » Rasch Model » Pengenalan Teori Respon Butir dan Pemodelan Rasch

Pengenalan Teori Respon Butir dan Pemodelan Rasch

Dengan berbagai keterbatasan yang didapat dalam teori tes klasik (CTT), maka kemunculan teori pengukuran lain memang tidak terhindarkan. Teori Respon Butir (atau item response theory, IRT) tidak lain merupakan kerangka umum dari fungsi matematika yang khusus menjelaskan interaksi antara orang (persons) dan butir soal (test items). Tidak seperti halnya CTT yang berfokus pada skor hasil yang didapat, IRT tidak tergantung pada sampel butir soal tertentu atau orang yang dipilih dalam suatu ujian (item free and person free). Dengan pola ini menyebabkan pengukuran yang dilakukan lebih tepat dan butir soal pun dilakukan kalibrasi. Sedangkan pemodelan Rasch (Rasch model) merupakan satu model IRT yang paling populer, dimana ini diperkenalkan oleh Georg Rasch pada 1950s dan 1960s. Pemodelan Rasch terus berkembang dari asalnya untuk analisis data dikotomi, ke bentuk data data skala peringkat (rating scale) oleh Andrich, partial model oleh Masters, sampei ke facets model oleh Linacre.

Kegagalan CTT untuk menjelaskan secara memuaskan berbagai hal yang berhubungan dengan pengukuran dan hasil ujian, menyebabkan banyak yang berpandangan pesimis bahwa dalam disiplin ilmu-ilmu sosial hampir tidak mungkin untuk menghasilkan data kuantitatif dan mengolahnya secara berkualitas seperti halnya dalam sains.  Namun melaporkan temuan yang bertumpu pada hal yang bersifat deskriptif seperti menjelaskan median dan persentase saja tentu tidak begitu menarik. Tentu akan lebih menarik bila dapat menjelaskan keterkaitan antara orang yang diuji dengan instrumen ujian yang diberikan. Dapatan kajian yang tidak sekedar menjelaskan nilai hubungan dan korelasi saja, namun memberikan gambaran yang lebih jelas tentang apa yang terjadi antara orang dan aksi yang dilakukan. Disinilah pemodelan Rasch membuat hal itu menjadi dilakukan melalui kalibrasi instrumen saat orang menjadi fokus utamanya. Dengan kata lain data hasil pengukuran yang didapat melalui penerapan sistem pengukuran standar yang digunakan (mengukur panjang dengan mistar centimeter, suhu dengan termometer, atau berat dengan timbangan kilogram), juga bisa dilakukan seperti halnya dalam penelitian ilmu sosial (pendidikan, psikologi, pemasaran dll).

Pemodelan pengukuran Rasch adalah satu cara untuk membuat mengukur sesuatu menjadi lebih berarti. Pengalaman bersifat kontinu, namun pada satu saat kita memperhatikan hal itu, maka ia menjadi suatu yang diskrit (berlainan). Demikian juga bila kita dimintai pendapat akan satu kejadian, misalnya kenaikan bahan bakar minyak, maka respon yang kita diberikan misalnya adalah tidak setuju. Ketika kita dapat membedakan satu skala sikap dalam hal persetujuan akan satu kejadian, misalnya dari tidak setuju, cenderung tidak setuju, cenderung setuju atau setuju; maka sikap yang diambil menjadi sesuatu yang diskrit. Untuk menjadikan sikap atan satu kejadian/pengamatan lebih berarti, kita merepresentasikan sikap/pengamatan tersebut dalam bentuk angka, misalnya, untuk sikap tidak setuju maka nilainya adalah 1, cenderung tidak setuju = 2, cenderung setuju = 3 dan setuju = 4.

Hal yang lumrah bila kita menganggap skor mentah yang didapatkan mengindikasikan hasil pengukuran. Namun, skor mentah pada dasarnya adalah hanyalah indikasi dari hasil ukur yang mungkin didapatkan. Skor mentah tidak bisa menjadi hasil pengukuran yang bersifat final karena memang masih bersifat sementara, dimana hal ini juga tidak mempunyai banyak info yang bisa disimpulkan darinya. Untuk membuatnya lebih berarti dalam hal pengukuran, proses lain harus dilakukan  yang menjadikan kesimpulan yang dibuatnya lebih stabil.

Kuesioner dengan butir soal dengan tipe jawaban yang tersedia 1, 2, 3 atau 4 untuk menyatakan skala sikap: tidak setuju, cenderung tidak setuju, cenderung setuju dan setuju, maka data yang didapat adalah jenis variabel ordinal. Pemisahan peringkat pada nilai yang dikorespondensikan yaitu antara 1, 2, 3 dan 4 pada dasarnya tidak memberikan interval yang sama, sehingga ini tidak bisa menjadikan dasar bahwa skala yang ditetapkan memang harus diterima apa adanya. Hal yang berbeda bila dibandingkan dengan pengukuran dalam fisika misalnya, dimana standar pengukuran ditetapkan sangat teliti dan intervalnya jelas dan terukur. Ketidaktahuan tentang protokol standar pengukuran membawa kita kepada situasi bagaimana kita sebaiknya mengkaji pengukuran seperti halnya yang biasa dipersepsikan dalam ilmu sosial.

Hal yang sama juga kita hadapi bahwa skor mentah membawa kita pada kesan bahwa ukuran interval yang ada menunjukkan hal yang setara dengan opini yang diberikan/pengalaman yang didapatkan. Kenyataannya itu hanyalah ilusi semata. Pilihan jawaban/sikap yang diberikan, yaitu tidak setuju, cenderung tidak setuju, cenderung setuju dan setuju dan diberikan nilai 1, 2, 3  dan 4; tentu tidak menjadikan angka-angka ini mempunyai ukuran jarak yang sama (dalam hal opini yang diberikan). Dampaknya, karena label kategori yang diberikan tidak mempunyai jarak yang sama, maka kita pun tidak dapat memberikan proses keabsahan terhadap jenis data non-interval ini, termasuk didalamnya adalah mendapatkan nilai rata-rata dan standar deviasi. Pada dasarnya dengan data ordinal yang dimiliki maka pengolahan data yang bisa dilakukan sangat terbatas, kita hanya dapat menghitung untuk median dan modus, percentile rank, dan korelasi Spearman.

Masalah yang suka muncul dalam penelitian kuantitatif yang menggunakan kuesioner adalah hilangnya data/ketidaklengkapan respon dari partisipan. Hilangnya data kemungkinan disebabkan karena kekeliruan, tidak mematuhi syarat yang diberikan atau insiden tidak terduga. Jika salah satu tujuan penelitian adalah untuk menggunakan data yang diperoleh untuk menghasilkan temuan apa yang memang belum diketahui, maka data yang hilang/tidak lengkap merupakan hal penting lainnya yang perlu diungkapkan. Artinya, suatu model proses pengukuran untuk menghasilkan temuan dari pengamatan yang dilakukan harus terus bisa dilakukan walaupun terdapat data yang hilang/tidak lengkap. Model pengukuran yang ada harus mampu secara tepat memberikan perkiraan yang dapat dioleh untuk memberikan indikasi dan evaluasi ketidaksesuaian perbedaan antara observasi dan ekspektasi. Dalam hal ini skor mentah tidak bisa menjadi patokan sebagai ukuran untuk data yang hilang/tidak lengkap.

Akurasi suatu pengukuran dapat diperoleh melalui pengulangan. ketika hasil yang sama didapatkan berulang kali, kita akan percaya bahwa hasil yang sama pun akan terjadi di masa depan nanti. Namun, replikasi tidak lah menjamin keakuratan pengukuran kecuali bila instrumen yang digunakan untuk menguji untuk tujuan tertentu dan hasilnya haruslah bersifat independen. Seperti halnya timbangan berat badan, ia akan menginformasikan hasil berat badan seseorang secara independen. Hal ini berarti instrumen pengukuran yang dikembangkan haruslah mampu untuk berfungsi secara sama. Suatu kuesioner atau soal ujian yang diberikan haruslah hasilnya tidak dipengaruhi oleh partisipan yang mengerjakan hal itu.

Oleh karena itu, untuk menghasilkan temuan dari observasi, maka model pengukuran haruslah memenuhi lima syarat ini, yaitu:

1). memberikan ukuran yang linier

2). mengatasi data yang hilang

3). memberikan estimati yang tepat

4). menemukan yang tidak tepat (misfits) atau tidak umum (outliers)

5). memberikan instrumen pengukuran yang independen dari parameter yang diteliti

Singkatnya, hanya pemodelan pengukuran Rasch lah yang memenuhi kelima syarat di atas.


4 Comments

  1. name says:

    terima kasih atas penjelasannya pak, apakah ada buku yang membahas khusus IRT/Rasch ?

  2. teacher says:

    Saya tertarik dengan bahasan IRT, saya ingin mengetahui step by step penerapan IRT (dari bagaimana membuat soal dengan pembobotan hingga mengetahui tingkat ability dari siswa), terima kasih sebelumnya

  3. deceng says:

    kalau yang ini bagusnya memang belajar dari buku tentang IRT dan Rasch Model. Kalau dijelaskan disini terlalu panjang dan tidak menarik🙂.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: