Alplikasi Teknologi

Dalam Pentaksiran
Analisis Item Dengan
QUEST-2

1. Pengenalan
Penganalisisan item menjadi sebahagian daripada perkara yang penting dalam pengujian
dan penilaian. Kesesuaian item yang digunakan dalam ujian akan dapat memainkan
peranan membezakan keupayaan calon. Calon-calon yang mencapai suatu tahap pretasi
akan diberi pertimbangan untuk proses pemulihan atau pengayaan.
Kualiti sesuatu ujian sebahagiannya bergantung kepada kualiti tiap-tiap item. Sebuah
panel adalah perlu untuk menggubal item-item yang baik. Semua item ini perlu melalui
pra-ujian terlebih dahulu untuk melihat sama ada item-item itu berfungsi ataupun tidak.
Proses memungut data, merumus dan menggunakan maklumat-maklumat daripada item
yang diuji dinamakan analisis item.
Hoffman(1995) mendefinisikan analisis item sebagai, meneliti tindak balas calon
terhadap tiap-tiap item untuk membuat pertimbangan tentang kualiti item-item tersebut.
Dengan itu analisis item ialah huraian statistik yang terperinci tentang sesuatu item itu
berfungsi semasa ia digunakan dalam sesuatu ujian. Ia juga memberikan maklumat
tentang kepayahan item, tarikan relatif setiap pilihan dan sejauh mana item
mendiskriminasikan calon-calon berdasarkan sesuatu kriteria. Kriteria yang kerap
digunakan ialah markah ujian itu sendiri. Secara umumnya analisis item bertujuan untuk
menapis, membuang atau membaiki item-item selepas diuji.
Quest dapat menganalisis item berasaskan teori pengukuran Rasch. Ia mudah digunakan
serta dapat membekalkan pelbagai maklumat serentak terhadap ujian objektif(beraneka
pilihan) dan ujian subjektif atau kedua-duanya sekali.

1.1 Konsep Asas

Beberapa perisian analisis item telah dibina berdasarkan analisis yang digubal oleh
George Rasch(1960) seperti Quest, Iteman dan Bigsteps. Quest ialah salah satu perisian
yang menggunakan teori pengukuran Rasch (Item Response Theory) ; dibina oleh ACER,
Australia untuk menganalisis item ujian atau soal selidik. Model Rasch menganggap
pretasi calon dalam sesuatu ujian dapat diramal mengikut ciri-ciri pembolehubah
terpendam (latent variable). Konsep asas teori pengukuran Rasch adalah berlandaskan
kepada
A person having a greater ability than another should have the greater
probability of solving any item of the type in question, and similarly one item
being more difficult than another one means that for any person the
probability of solving the second item correctly is the greater one.
Rasch(1960)

Quest menganggarkan kesukaran item dan kebolehan calon pada satu skala linear.
Untuk menjelaskan andaian tersebut, Rajah 1, menunjukkan satu skala yang
mengandungi satu item yang kesukarannya sederhana. Peluang calon kebolehan
tinggi untuk menjawab item ini dengan betul adalah lebih baik jika dibandingkan
dengan peluang calon yang berkebolehan rendah. Calon yang berkebolehan
sederhana pula sukar diramal keputusannya.

People of low

Medium

High ability

Item of medium difficulty

Rajah 1: Keadaan Ujian Bagi Satu Item
Anggaran digunakan untuk kebolehan kerana tiada ujian yang dapat menentukan
kebolehan seseorang calon. Ujian hanya memberi satu petunjuk yang baik tentang
kebolehan.
You may wonder why we find an ability estimate. In fact no test
(computerised or pencil-and-paper ) can exactly determine your ability.
A test can only give us a good indication of what your ability really is, in
other words.
(Linarce 1987)
Quest menghitung anggaran kebolehan calon dan kesukaran item dalam unit
Logits. Apabila perbezaan antara anggaran dengan keputusan yang diramalkan
itu kecil, data dikatakan memadani model(fit the model). Jika perbezaan itu
besar, ada kemungkinan item dan calon tidak bertindak seperti yang diramalkan.
Dalam keadaan demikian, skala tidak dapat menggambarkan kebolehan calon
dan kesukaran item dengan baik dan data pula dianggap tidak sesuai bagi
pengukuran linear.
Secara ringkas, model Rasch menerangkan bahawa kebangkalian seorang calon
menjawab sesuatu item itu dengan betul ialah fungsi perbezaan antara
kebolehan calon dengan kesukaran item berdasarkan formula matematik:

Formulanya diwakili:

p=f(b-d)

p=kebarangkalian
f=fungsi
b=kebolehan calon
d=kesukaran item
Analisis Quest memberi anggaran (estimate) item, anggaran calon(case) dan
statistik fit yang dapat disampaikan dalam bentuk jadual atau gambar rajah.
Quest dapat mengingatkan penggubal item tentang item yang mempunyai
jawapan yang salah, tekaan yang betul dan item yang isi kandungannya
heterogen. Model Rasch menganggap tekaan sebagai respons yang tidak
disangka(unexpected response). Jika item tekaan dikekalkan dalam analisis,
ukuran kebolehan calon berkenaan akan menjadi lebih tinggi daripada yang
sepatutnya.

1.2 QUEST
Pengguna tidak perlu mengetahui setiap opsyen atau perintah untuk
melaksanakan QUEST. Sebagai contoh; melalui fail kawalan(control) dan fail
data sudah cukup untuk membolehkan pengguna menganalisis item ujian
objektif dan subjektif yang ditadbirkan. Walau bagaimanapun, pengetahuan yang
mendalam akan memudahkan pengguna menjalankan kajian yang lebih
mendalam lagi.
Quest hanya memerlukan:

Fail data
Fail kawalan (control) iaitu perintah untuk melaksanakan
anggaran dan hasil(output)

Data

Quest
Quest commands

Quest output
(Rasch estimates
fit statistics
Summary tables
Count tables
Item maps with case distribution
Fit maps
Kitmaps
Distractor/category analysis
Reliability indices
Correlation matrices)

Rajah 2: Struktur Pelaksanaan QUEST

1.3 Langkah-langkah Melaksanakan Quest

Apabila fail data dan fail kawalan telah disediakan, kita boleh mengarahkan Quest untuk
menganalisis atau menghasilkan output yang dikehendaki dengan mengikut langkahlangkah berikut:
1.
2.
3.

Klik pada ikon Quest, apabila Quest memaparkan >

Taipkan
Submit MT2313.ctl (untuk memulakan analisis)
Tunggu beberapa ketika sehingga komputer berhenti membuat anggaran.
Analisis yang terhasil boleh dilihat dan dicetak dalam sebarang pemprosesan kata.

1.4 Menyediakan Fail Untuk QUEST

Sebelum program Quest dapat menganalisis item-item peperiksaan, Fail Data dan Fail
Kawalan perlu disediakan. Fail-fail tersebut dikenali sebagai Input file yang boleh
disediakan dengan menggunakan DOS Editor atau pemprosesan perkataan seperti MS
Word, professional Write dan lain-lain dan disimpan dalam format ASCII (American
Standard Code For International Interchange). Quest akan menggunakan arahan dari Fail
Kawalan untuk menganalisis data daripada Fail Data.
Program MS Excel boleh digunakan untuk menyediakan Fail Data kerana ia memudahkan
data yang dimasukkan dilihat secara keseluruhan dan bukan satu per satu. Fungsi kiraan
automatik MS Excel membolehkan angka giliran calon dan nombor-nombor item
dimasukkan dengan cepat. Markah yang lebih daripada 10 boleh dibahagi 2 dan markah
10 boleh digantikan dengan 9 dengan menggunakan formula. Untuk melaksanakan
analisis item dengan Quest, fail data yang disediakan dengan Excel ini perlu disimpan
dalam format ASCII yang boleh dibaca oleh MS-DOS.

1.5 Menyediakan Fail Data

Fail data mengandungi jawapan calon. Fail data boleh ditaipkan dalam bentuk angka
ataupun abjad. Susunan data dalam fail data adalah seperti yang diterangkan dibawah:
Ujian Objektif
Data di bawah mempunyai 23 lajur. Lajur 1 hingga 3 disediakan untuk nombor calon atau
nama calon, lajur 4 hingga 23 untuk jawapan yang dipilih oleh calon (sama ada
jawapannya betul ataupun salah) bagi semua item dalam ujian.
Contoh:
001ABDCBACDBBADDCBDABCD
002DDBCCDABDBAACBDBBDCA
(Teruskan masukkan data calon-calon yang lain sehingga ke calon yang
terakhir)
5

Maklumat-maklumat lain seperti jatina, nama sekolah, juga boleh dimasukkan seperti
berkut:
MASPMRSMABBDBBCCDBABDCBBAADCB
Sekiranya ada diantara calon yang tidak menjawab soalan, anda perlu mengosongkan
sahaja ruang data tersebut dengan menggunakan space bar. Manakala calon yang
menjawab satu soalan dengan menandakan dua jawapan, anda hendaklah menganggap
calon tersebut tidak menjawab soalan.
Ujian Subjektif
Untuk menyediakan fail data bagi ujian subjektif pula, kita perlu memasukkan markah
yang diperolehi oleh calon bagi setiap item atau pecahan item soalan yang ditetapkan.
Data dibawah mempunyai 12 lajur. Lajur 1 hingga 3 untuk nombor calon atau nama calon,
lajur 4 hingga 12 untuk markah yang diperolehi calon.
Contoh:
001167899732
002363754212
(Teruskan masukkan data calon-calon yang lain sehingga ke calon yang
terakhir)
Adalah diingatkan bahawa markah ujian subjektif yang digunakan dalam fail data Quest
dihadkan kepada angka 0-9 sahaja. Jika terdapat markah yang lebih daripada 9, markah
semua item subjektif terpaksa dibahagikan dengan satu angka supaya hasil bahaginya
menjadi kurang daripada 10. Contoh: Ujian subjektif yang ditadbirkan mengandungi 9 item
yang markah maksimum bagi setiap item adalah 10, 5, 15, 2, 8, 10, 3, 8, dan 14. Semua
item ini hendaklah dibahagikan dengan dua. Dengan itu hasil bahagi markah-markah
tersebut menjadi 5, 3, 8, 1, 4, 5, 2, 4 dan 7; markah ini yang dimasukkan sebagai data
ujian subjektif dalam fail data.

1.6 Menyediakan Fail Kawalan

Fail Kawalan
Beberapa perintah yang mudah sudah mencukupi untuk melaksanakan Quest. Quest
hanya memerlukan satu fail kawalan yang mengandungi perintah untuk melaksanakan
analisis data yang ada(berdasarkan fail data). Beberapa perintah Quest dan penjelasan
ringkasnya adalah seperti berikut:

_______________________________________________________________________
Perintah
Penjelasan
_______________________________________________________________________
Title

akan memaparkan tajuk mata pelajaran yang hendak dianalisis diatas

setiap muka surat dalam fail output.
Set logon
Merekodkan semua mesej yang dipaparkan pada skrin.
Mesej ini boleh disimpan dalam cakera dipemacu A
Contoh: >A:MT2313.log
data_file
membaca fail data daripada pemacu A
contoh: <<A:MT2313.dat
codes
kod yang digunakan untuk jawapan calon seperti yang terdapat
dalam fail data. Contoh: ABCD
format
kedudukan calon dan item dalam fail data berdasarkan lajur
Contoh: name1-3 items 4-23
key
jawapan sebenar seperti yang dinyatakan dalam PMM atau markah
maksimum(bagi ujian subjektif); bergantung kepada bilangan soalan;
boleh dalam bentuk angka atau huruf seperti dalam perintah kod.
Contoh: BDABDCBABBCA
item_names
membaca fail nama item, yang disimpan dalam cakera daripada
pemacu A. Contoh: <<A:MT2313.nam
estimate
menghitung anggaran kesukaran item/kebolehan calon(kes);
iter(iteration) adalah bilangan anggaran yang dilakukan oleh Quest.
Contoh: !iter=50
Set width
set lebar kertas, jika 132 semua output dipaparkan untuk cetakan
132 lajur
!page supaya dicetak dalam set width yang dinyatakan
Show !map
memaparkan hasil analisis dalam bentuk rajah: variable map, item fit
map dan case fit map; boleh disimpan di pemacu A.
Contoh: >A:MT2313.map
Show !table
memaparkan hasil analisis dalam bentuk jadual: summary tables
boleh disimpan dalam pemacu A. Contoh: >AMT2313.tbl
Show counts
memaparkan pengiraan jawapan calon bagi setiap item;
Contoh: >A:MT2313.itm
Show items !order memaparkan susunan Infit Mean Square berdasarkan calon;
Contoh: >A:MT2313.cas
Itanal
mamaparkan analisis klasik dan Model Rasch;
Contoh: >A:MT2313.ana
kidmap
mengilustrasikan pola jawapan setiap calon;
Contoh: 1-10>A:MT2313.kim (1-10 menunjukkan kita mahu
menyimpan untuk calon 1 hingga 10 sahaja)
quit
menamatkan proses analisis; boleh juga digunakan end atau bye

Contoh Fail kawalan

Ujian Objektif
Title PEPERIKSAAN Mei 2009 Science (OBJEKTIF)
Set logon >-SCE3109(O).log
data_file <<SCE3109(O).prn
codes "ABCDX"
format institut 1-2 calon 3-5 items 6-25
*
1
2
3
* 123456789012345678901234567890 23456789
key DCBBBABBDDBCBADCCBDD !score=1
*item_names << SCE3109(O).nam
*delete << SCE3109(O).dei
*delete << SCE3109(O).dep
estimate !iter= 80
set width = 132 !page
*show item !form=anchor >-SCE3109(O).anc
show item !form=export >-SCE3109(O).exp
show !map = 1,2,3 >-SCE3109(O).map
show !table = 1,2 >-SCE3109(O).tbl
show items !order = fit >-SCE3109(O).itf
show cases !order = fit >-SCE3109(O).caf
itanal >-SCE3109(O).ana
*kidmap 1-5 >-SCE3109(O).kim
quit

Ujian Subjektif
Title PEPERIKSAAN MEI 2009 PISMP SEM 5 ENERGETICS IN CHEMISTRY
SCE3109(S) (SUBJEKTIF)
Set logon >-SCE3109(S).log
data_file << SCE3109(S).prn
codes "0123456789X"
format nama 1-3 maktab 4-5 items 6-21
*
1
2
3
* 1234567890123456
key 1111111111111111 !score=1
key 22xx222222222222 !score=2
key x3xx33x3x3x33333 !score=3
key xxxx44xxx4x44444 !score=4
key xxxxxxxxxxxx5555 !score=5
key xxxxxxxxxxxxxx66 !score=6
key xxxxxxxxxxxxxxx7 !score=7
key xxxxxxxxxxxxxxx8 !score=8
key xxxxxxxxxxxxxxxx !score=9
item_names <<SCE3109(S).nam
*delete << SCE3109(S).dei
*delete << SCE3109(S).dep
estimate !iter= 80
set width = 120 !page
*show item !form=anchor >-SCE3109(S).anc
show item !form=export >-SCE3109(S).exp
show !map = 1,2,3 >-SCE3109(S).map
show !table = 1,2 >-SCE3109(S).tbl
show items !order = fit >-SCE3109(S).itf
show cases !order = fit >-SCE3109(S).cas
itanal >-SCE3109(S).ana
kidmap 1-37 >-SCE3109(S).kim
quit

Contoh Fail Nama Item

Fail Nama Item (Ujian subjektif)
1 B1a
2 B1b
3 B2a
4 B2b
5 B3
6 C1a
7 C1b
8 C1c
9 C2a
10 C2b

2. Hasil Analisis
Setelah Fail Data dan Fail Kawalan disediakan serta disimpan dalam cakera atau folder
yang sama. Anda boleh memulakan analisis Quest dengan menaipkan submit
A:MT2313.ctl pada tanda > QUEST memulakan analisisnya.
Semua hasil ESTIMATE akan dipaparkan atau disimpan ke dalam cakera melalui
perintah(berdasarkan Fail Kawalan anda). Hasil analisis yang diperolehi melalui Fail
Kawalan adalah seperti berikut:

10

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN

MT fit. Teliti
CalonMATEMATIK
yang tidak
------------------------------------------------------------------------------kidmap untuk melihat pola
Case Estimates In fit Order
all on all (N = 412 L = 30 Probability Level= .50)
jawapan.
------------------------------------------------------------------------------NAME
|SCORE MAXSCR | ESTIMATE
ERROR | INFIT OUTFT INFT
OUTFT
|
|
| MNSQ
MNSQ
t
t
------------------------------------------------------------------------------257 10
|
8 30
| -1.19
.44 |
1.60
2.29
2.51
2.57
260 109
|
7 30
| -1.40
.46 |
1.57
2.58
2.18
2.71
246 94
|
6 30
| -1.62
.48 |
1.55
2.94
1.88
2.81
269 118
|
9 30
| -1.00
.43 |
1.55
2.36
2.52
2.91
377 151
|
21 30
|
1.00
.43 |
1.51
1.87
2.32
2.11
248 96
|
8 30
| -1.19
.44 |
1.46
2.12
2.00
2.31
245 93
|
10 30
|
-.82
.42 |
1.45
1.80
2.31
2.10
251 99
|
9 30
| -1.00
.43 |
1.45
1.94
2.12
2.20
247 9
|
7 30
| -1.40
.46 |
1.43
2.35
1.71
2.42
275 124
|
7 30
| -1.40
.46 |
1.42
2.10
1.69
2.08
3 138
|
24 30 |
1.62
.49 |
1.42
1.46
1.48
1.00
249 97
|
7 30
| -1.40
.46 |
1.41
1.91
1.65
1.80
274 123
|
9 30
| -1.00
.43 |
1.40
1.92
1.92
2.16
343 031
|
11 30
|
-.65
.41 |
1.40
1.82
2.20
2.28
272 121
|
12 30
|
-.49
.41 |
1.40
1.48
2.30
1.57
402 177
|
22 30
|
1.19
.44 |
1.39
1.79
1.68
1.80
256 10
|
7 30
| -1.40
.46 |
1.36
2.29
1.48
2.34
261 110
|
7 30
| -1.40
.46 |
1.36
1.64
1.48
1.39
28 163
|
23 30
|
1.39
.46 |
1.35
1.36
1.41
.90
264 113
|
7 30
| -1.40
.46 |
1.35
2.31
1.44
2.36
151 127
|
22 30
|
1.19
.44 |
1.35
1.55
1.53
1.35
265 114
|
11 30
|
-.65
.41 |
1.35
1.63
1.95
1.85
253 102
|
4 30
| -2.15
.56 |
1.34
3.49
.97
2.60
345 033
|
11 30
|
-.65
.41 |
1.34
1.32
1.91
1.06
234 046
|
23 30
|
1.39
.46 |
1.34
1.65
1.36
1.41
252 100
|
7 30
| -1.40
.46 |
1.33
1.77
1.37
1.59
258 107
|
7 30
| -1.40
.46 |
1.33
1.72
1.36
1.52
277 12
|
7 30
| -1.40
.46 |
1.33
2.03
1.35
1.99
271 120
|
11 30
|
-.65
.41 |
1.31
1.57
1.77
1.71
164 106
|
19 30
|
.64
.41 |
1.31
1.27
1.71
.93
276 125
|
8 30
| -1.19
.44 |
1.30
1.44
1.40
1.13
270 119
|
5 30
| -1.87
.51 |
1.30
2.20
.99
1.80
255 104
|
7 30
| -1.40
.46 |
1.29
1.84
1.22
1.71
287 009
|
22 30
|
1.19
.44 |
1.29
1.19
1.30
.59
213 024
|
20 30
|
.82
.42 |
1.29
1.19
1.51
.66
262 111
|
3 30
| -2.51
.63 |
1.28
3.65
.73
2.33
387 161
|
22 30
|
1.19
.44 |
1.28
1.80
1.27
1.80
254 103
|
4 30
| -2.15
.56 |
1.28
1.48
.82
.86
273 122
|
11 30
|
-.65
.41 |
1.27
1.55
1.58
1.66
140 115
|
20 30
|
.82
.42 |
1.27
1.28
1.43
.90
263 112
|
6 30
| -1.62
.48 |
1.27
1.86
1.02
1.57
232 044
|
22 30
|
1.19
.44 |
1.26
1.16
1.18
.52
278 154
|
6 30
| -1.62
.48 |
1.24
1.63
.94

11

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT

-------------------------------------------------------------------------------Item Estimates (Thresholds) In fit Order
all on all (N = 412 L = 30 Probability Level= .50)
-------------------------------------------------------------------------------ITEM NAME
|SCORE MAXSCR| THRSH | INFT OUTFT INFT OUTFT
|
|
1
| MNSQ MNSQ
t
t
-------------------------------------------------------------------------------3
item 3
|
176 412 |
1.32 |
1.38 2.05 10.7 10.0
|
|
.11|
|
|
|
Item tidak fit (>1.3)
24 item 24
|
200 411 |
1.05 |
1.21 1.69
6.2
7.6
|
|
.11|
|
|
|
12 item 12
|
289 412 |
.03 |
1.19 1.21
3.2
2.2
|
|
.12|
|
|
|
Rujuk
23 item 23
|
358 412 | -1.17 |
1.17 1.12
1.5
.8
MT5191PO.map(b)
|
|
.16|
|
|
|
26 item 26
|
297 412 |
-.08 |
1.16 1.15
2.5
1.5
|
|
.12|
|
|
|
11 item 11
|
152 412 |
1.59 |
1.12 1.57
3.0
5.5
|
|
.11|
|
|
|
18 item 18
|
281 412 |
.13 |
1.11 1.11
2.0
1.2
|
|
.11|
|
|
|
8
item 8
|
303 412 |
-.17 |
1.08 1.10
1.2
1.0
|
|
.12|
|
|
|
13 item 13
|
256 412 |
.44 |
1.07 1.05
1.6
.7
|
|
.11|
|
|
|
7
item 7
|
150 412 |
1.61 |
1.06 1.14
1.6
1.5
|
|
.11|
|
|
|
4
item 4
|
279 412 |
.16 |
1.03 1.04
.5
.5
|
|
.11|
|
|
|
14 item 14
|
162 412 |
1.47 |
1.02 1.21
.7
2.3
|
|
.11|
|
|
|
17 item 17
|
266 412 |
.32 |
1.01 1.01
.3
.1
|
|
.11|
|
|
|
30 item 30
|
317 411 |
-.39 |
1.00
.96
.0
-.3
|
|
.13|
|
|
|
================================================================================

12

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT

-------------------------------------------------------------------------------Item Estimates (Thresholds) In fit Order
all on all (N = 412 L = 30 Probability Level= .50)
-------------------------------------------------------------------------------ITEM NAME
|SCORE MAXSCR| THRSH | INFT OUTFT INFT OUTFT
|
|
1
| MNSQ MNSQ
t
t
-------------------------------------------------------------------------------15 item 15
|
248 412 |
.53 |
.97
.98
-.7
-.2
|
|
.11|
28 item 28
|
208 412 |
.97 |
.95
.94 -1.6
-.7
|
|
.11|
|
|
|
6
item 6
|
200 412 |
1.06 |
.95
.90 -1.7 -1.3
|
|
.11|
|
|
|
29 item 29
|
282 412 |
.12 |
.93
.92 -1.3
-.9
|
|
.12|
|
|
|
================================================================================
*****Output Continues****

Item disusun mengikut

nilai infit MNSQ

13

PERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT

------------------------------------------------------------------------------Item Estimates (Thresholds)
all on all (N = 412 L = 30 Probability Level= .50)
------------------------------------------------------------------------------4.0
|
|
X
|
|
|
|
|
|
3.0
X
|
|
|
|
XX
|
|
XXXXXXXX
|
|
2.0
|
XXXXXXXXXX
|
|
XXXXXXXXXXXXXXXX
|
7
11
XXXXXXXXXXXXXXXXXX
|
14
|
3
XXXXXXXXXXXXXX
|
|
6
24
1.0
XXXXXXXXXXXXX
|
28
XXXXXXXXXXXXX
|
XXXXXXXXXXXXX
|
|
15
XXXXXXXX
|
13
XXX
|
17
XXXX
|
4
18
.0
XX
|
12
27
29
|
2
25
26
|
5
8
|
X
|
30
|
XX
|
1
20
|
-1.0
X
|
22
|
10
16
X
|
23
XXXX
|
19
|
21
X
|
9
|
X
|
-2.0
|
X
|
|
|
|
|
|
|
-3.0
|
------------------------------------------------------------------------------Each X represents
3 students
===============================================================================

Calon
berkeboleha
n tinggi

Item yang lebih

sukar

Item No. 11

14

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT

-------------------------------------------------------------------------------------------------------------------------------------Item Fit
8/ 7/ 4 16:20
all on all (N = 412 L = 30 Probability Level= .50)
-------------------------------------------------------------------------------------------------------------------------------------INFIT
MNSQ
.63
.67
.71
.77
.83
.91
1.00
1.10
1.20
1.30
1.40
1.50
1.60
----------+--------+--------+--------+--------+--------+--------+--------+--------+--------+--------+------+--------+--------+-------1 item 1
.
*
|
.
2 item 2
.
*
|
.
3 item 3
.
|
.
*
4 item 4
.
| *
.
5 item 5
.
*
|
.
6 item 6
.
*
|
.
7 item 7
.
|
*
.
8 item 8
.
|
*
.
9 item 9
*
.
|
.
10 item 10
*
.
|
.
11 item 11
.
|
*
.
12 item 12
.
|
*
.
13 item 13
.
|
*
.
14 item 14
.
| *
.
15 item 15
.
* |
.
16 item 16
*
|
.
17 item 17
.
|*
.
18 item 18
.
|
*
.
19 item 19
*
.
|
.
20 item 20
.
*
|
.
21 item 21
*
.
|
.
22 item 22
.
*
|
.
23 item 23
.
|
*
.
24 item 24
.
|
*
.
25 item 25
.
*
|
.
26 item 26
.
|
*
.
27 item 27
.
*
|
.
28 item 28
.
*
|
.
29 item 29
.
*
|
.
30 item 30
.
*
.
====================================================================================================================================

Item tidak fit

(Berdiskriminasi
rendah). Mungkin tidak
mengikut JPU

Item yang Fit

Item tidak fit

(Berdiskriminasi
tinggi). Mungkin item
yang redundant

15

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT

-------------------------------------------------------------------------------Item Analysis Results for Observed Responses
8/ 7/ 4 16:20
all on all (N = 412 L = 30 Probability Level= .50)
-------------------------------------------------------------------------------Item

Jawapan

1: item 1

Infit MNSQ =
Disc =

Categories

A [1]

B [0]

C [0]

Count
Percent (%)
Pt-Biserial
p-value
Mean Ability
StDev Ability

333
80.8
.52
.000
1.20
.68

22
5.3
.00
.000
.95
.78

26
6.3
-.13
.000
.50
.82

Step Labels

D [0]
31
7.5
-.66
.000
-1.05
.80

.87
.52

missing
0

NA
NA

Harus +ve bagi

jawapan dan ve
bagi distraktor
Tertinggi
bagi
jawapan

Thresholds
-.65
Error
.14
................................................................................
Item
2: item 2
Infit MNSQ = .89
Disc = .51
Categories

B [0]

C [0]

D [1]

Count
Percent (%)
Pt-Biserial
p-value
Mean Ability
StDev Ability

18
4.4
-.11
.000
.50
.78

95
23.1
-.49
.000
.17
1.19

298
72.3
.51
.000
1.26
.63

Step Labels

[0]
1
.2
-.01
.000
.64
.00

missing
0

A tidak berfungsi.

NA
NA

Thresholds
-.10
Error
.12
................................................................................
Item

3: item 3

Infit MNSQ = 1.38

Disc = -.16

Categories

A [0]

B [0]

C [1]

D [0]

Count
Percent (%)
Pt-Biserial
p-value
Mean Ability
StDev Ability

21
5.1
.02
.000
1.08
1.17

119
28.9
.21
.000
1.29
.68

176
42.7
-.16
.000
.82
1.03

96
23.3
-.06
.000
.85
.82

Step Labels
Thresholds
Error

Infit
MNSQ

missing
0

NA
NA

Indeks
Diskriminasi
DDDiskrimin
asi
A,B & C
bermasalah.

Threshold

1.32
.11

16

PEPERIKSAAN AKHIR SEMESTER MEI 2004 PENGAJIAN MATEMATIK MT5191P -SUBJEKTIF

-------------------------------------------------------------------------------Item Analysis Results for Observed Responses
all on all (N = 412 L = 12 Probability Level= .50)
-------------------------------------------------------------------------------Item

1: item 1

Categories
Count
Percent (%)
Pt-Biserial
p-value
Mean Ability
StDev Ability

Infit MNSQ =
Disc = .57
0 [0]

4
1.0
-.22
.000
-.62
.46

Step Labels

1 [1]

2 [2]

3 [3]

4 [4]

2
.5

20
4.9

104
25.2

268
65.0

-.11
.000
-.29
.34
1

-.17

-.14

missing
0

Susunan Menaik?

.42

.000
.02

Skor

.76

.000
.23

.000
.46

NA

.41

.33

.38

NA

Thresholds
-.84
-.77
-.62
-.08
Error
.28
.27
.27
.22
................................................................................
Item
2: item 2
Infit MNSQ = .98
Disc = .35
Categories

0 [0]

1 [1]

2 [2]

3 [3]

Count
Percent (%)
Pt-Biserial
p-value
Mean Ability
StDev Ability

17
4.1
-.19
.000
-.06
.49

44
10.7
-.23
.000
.07
.47

120
29.1
-.08
.000
.28
.43

227
55.1
.30
.000
.44
.37

Step Labels

[0]
4
1.0
-.02
.000
.24
.43

missing
0

NA
NA

Thresholds
-1.25
-.60
.21
Error
.25
.23
.18
................................................................................
Item

3: item 3

Categories
missing
Count
0
Percent (%)
Pt-Biserial
p-value
Mean Ability
NA
StDev Ability
NA
Step Labels
Thresholds
Error

Infit MNSQ = 1.10

Disc = .46
0 [0]

1 [1]

2 [2]

3 [3]

4 [4]

5 [5]

6 [6]

19

13

60

55

59

98

108

4.6
-.26
.000
-.16

3.2
-.09
.000
.13

14.6
-.39
.000
-.04

13.3
.08
.000
.40

14.3
.07
.000
.39

23.8
.06
.000
.37

26.2
.30
.000
.55

.54

.26

.42

.32

.30

.33

.41

-.68
.23

-.19
.18

.08
.16

.32
.16

.89
.15

-.97
.25

17

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT5191P
-OBJEKTIF
Item Estimates (Thresholds)
8/ 7/ 4 16:20
all on all (N = 412 L = 30 Probability Level= .50)
----------------------------------------------------------------------------------------------------------------------------------------------------------------Summary of item Estimates
=========================
Bil. calon
Bil. Item
Mean
.00
SD
.93
SD (adjusted)
.92
Reliability of estimate
.98

Kebolehpercayaan item ujian

Fit Statistics
===============
Infit Mean Square
Mean
SD

.97
.17

Infit t

Outfit Mean Square

Kesahan
Antara +1.3 dgn -0.8

Mean 1.01
SD
.32
Outfit t

Mean .10
SD
3.02

Antara +3 dgn -3

Mean .30
SD
2.96

0 items with zero scores

0 items with perfect scores
=============================================================================================
PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT
---------------------------------------------------------------------------------------------------------------------------------------------------------------Case Estimates
8/ 7/ 4 16:20
all on all (N = 412 L = 30 Probability Level= .50)
---------------------------------------------------------------------------------------------------------------------------------------------------------------Summary of case Estimates
=========================
Mean
SD
SD (adjusted)
Reliability of estimate
Fit Statistics
===============
Infit Mean Square
Mean 1.00
SD
.18

Infit t
Mean
SD

Kebolehan calon

.97
.93
.80
.75

Kebolehpercayaan
Kesahan

Outfit Mean Square

Mean 1.01
SD
.43

Antara +1.3 dgn -0.8

Outfit t
.03
.86

Mean
SD

Antara +3 dgn -3

.05
.85

0 cases with zero scores

0 cases with perfect scores

18

PEPERIKSAAN AKHIR SEMESTER MEI 2004 KDPM SEMESTER 5 PENGAJIAN MATEMATIK MT

--------------------------------------------------------- K I D M A P----------------------------------------------------Candidate: 3
ability:
1.62
group:
all
fit:
1.42
scale:
all
% score: 80.00
-------------------------Harder Achieved ------------------------------------------------Harder Not Achieved -----------------|
|
|
|
|
|
|
|
|
|
|
|
|
|
....................................................................
|
|
|
|
|
|
|
|
|XXX|
11
7
|
|
14
|
|
3
|
|
....................................................................
6
|
|
28
24
|
|
|
|
|
|
|
|
15
|
|
13
|
|
17
|
|
|
|
29
27
|
|
4(A)
18(A)
12
|
|
25(A)
2
|
|
26(D)
8
|
|
5(C)
|
|
30
|
|
|
|
1
|
|
20(C)

Paras Kebolehan Calon

Salah kerana cuai ?

|
|
22
|
|
16
|
|
10
|
|
23
|
|
19
|
|
21
|
|
9
|
|
-------------------------Easier Achieved ------------------------------------------------Easier Not Achieved ------------------

19

20

21

22