ESTIMASI PARAMETER KEMAMPUAN

Agar informasi yang diperoleh berguna dalam pengskoran tes, parameter butir perlu di estimasi.
Estimasi parameter butir dan mengecek kecocokkan model sering sdisebut sebagai kalibrasi
butir. Kalibrasi ini dapat dilakukan jika data rspon peserta didik terhadap tes telah diperoleh.
Paling tidak ada 2 pendekatan yang dapat digunakan untuk estimasi parameter butir atau
melakukan kalibrasi butir, yakni estimasi Marginal Maximum Likelihood (MML) dan estimasi
Marginal Maximum A Posteriori (MMAP).

MML merupakan metode yang diyakini efisien untuk semua model respon butir dan untuk tes
yang panjang maupun yang pendek. MML mengasumsikan adanya respon yang berbeda dari
kemampuan yang sama. Asumsi ini memungkinkan untuk menghitung probabilitas dari
sebagian pola skor butir

X ( x1 , x 2 , x3 ,..., x n )

Pada seorang peserta tes dengan kemampuan , probabilitas dinyatakan dengan

P x j 1 Pj ( ) 1 P ( )
n xj
1 x j
j

P j ( ) 1 P j ( )
Dengan merupakan peluang menjawab benar butir soal ke-j dan peluang
P( x )
menjawab salah. merupakan probabilitas dari pola jawaban x dengan syarat pada suatu .
Hal ini membedakannya dengan probabilitas dari suatu pola x dari kemampuan yang belum
g ( )
diketahui dari suatu populasi acak dengan diperoleh dari suatu fungsi kerapatan kontinu .

Kondisi ini disebut dengan probabilitas tidak bersyarat yang diberikan oleh integral tertentu

P( x) P x g ( )d

Yang menunjukkan probabilitas marginal dari x. karena kemampuan telah dikeluarkan maka
besaran ini hanya ditentukan oleh parameter butir saja.

Pada penerapan teori respon butir, integral ini tidak dapat dinyatakan dalam bentuk tertutup
tetapi probabilitas marginalnya dapat diketahui menggunakan rumus kuadrat dari Gauss.
 q
Px P x X k A X k
k 1

A( X k )
Dengan x merupakan titik kuadratur dan merupakan pembobotan positif terkait dengan
g (X )
fungsi kerapatan . Banyaknya titik kuadratur yang direkomendasikan yakni 2 kali lipat dari
akar kuadrat banyaknya butir sebagai banyaknya titik kuadratur maksimum.

Dalam metode MML, nilai parameter butir dipilih yang dapat memaksimumkan logaritma dari
fungsi marginal maximum likelihood yang didefinisikan sebagai

log Lm i 1 ri log e P x i
S

Dengan ri merupakan frekuensi dari pola xi yang diamati dari ukuran sampel sebesar N peserta
dan S merupakan banyaknya pola yang berbeda. Pada model 3 parameter, kondisi maksimum
diberikan dalam persamaan likelihood

0
r jk N jk Pj ( X k ) Pj ( X k )

k 1 P ( X )(1 P ( X ) c 0
q

j k j k
j 0

a j
g
j

Dengan
s
r jk rl x lj P x i X k A X k / Pxl
l

s
N k rl P xl X k A X k / Pxl
l

yang berturut-turut merupakan ekspektasi posterior dari banyaknya jawaban benar dan
banyaknya usaha menjawab benar di titik Xk dan xlj skor 0-1 butir ke-j pada pola ke-i.

langkah untuk mengestimasi tersebut disebut algoritma E dan lanjutannya disebut algoritma M,
sehingga keseluruhannya disebut dengan EM algoritma.
Pada tes klasik, kemampuan peserta tes diestimasi berdasarkan kemampuan menjawab benar,
pada teori respon butir, kemampuan diestimasi dengan fungsi non linear yang kemudian disebut
dengan skor. Ada 3 metode estimasi yang sering digunakan yakni estimasi maksimum likelihood,
estimasi Bayes, dan estimasi Modal Bayes.

Likelihood maksimum dari skor kemampuan peserta diestimasi dengan memaksimumkan fungsi

log Li ( ) j 1 xij log e Pj ( ) 1 xij log e 1 Pj ( )
n

Dengan fungsi yang cocok dengan butir j.

Selanjutnya diselesaikan persamaan implicit likelihood

log Li ( ) xij p j ( ) Pj ( )
j 1
n
. 0

Pj ( ) 1 Pj ( ) ( )

Estimasi dihitung dengan metode pengskoran Fisher, yang biasa disebut dengan informasi dari
Fisher, misalnya pada model 2 parameter memenuhi rumus:

l ( ) j 1 a 2j Pj ( ) 1 Pj ( )
n

literasi dari penyelesaian penskoran Fisher yakni

log Li ()
i 1 i l 1 ()

Kesalahan standar dari estimator ML merupakan kebalikan dari akar kuadrat nilai informasi pada

1
SE ()
l ()

Estimasi Bayes merupakan rerata dari distribusi posterior , setelah diberikan pola respons
peserta hasil tes xi. dapat didekati secara akurat dengan
 X P( x X ) A( X )
q
k i k k
i k 1

P x X A X
q
k 1 i k k

A X k
Pembobotan pada formula tersebut didasarkan pada asumsi dari distribusi .

Estimasi dengan Bayes Modal mirip dengan estimasi Bayes, namun dengan kesalahan rerata
yang lebih besar. Estimasi ini sering disebut juga dengan Maximum a Posteriori (MAP).

Estimator MAP merupakan nilai yang memaksimumkan.

P xi j 1 xij log e Pj ( ) 1 xij log e 1 Pj ( ) log e g ( )
n

g ( )
Dengan fungsi kerapatan dari suatu distribusi populasi yang kontinu . Persamaan
likelihoodnya

xij p j ( ) Pj ( ) log e g ( )

n
. 0
j 1

Pj ( ) 1 Pj ( ) ( )

Analog dengan estimasi maksimum likelihood, MAP dihitung dengan penyekoran Fisher dengan
menggunakan informasi porterior.

2 log e g ( )
J ( ) l ( )
2

2
Pada kasus 2PL, dengan distribusi normal dari kemampuan yang memiliki varians ,
informasi posteriornya

l ( ) j 1 a 2j p j ( ) 1 Pj ( )
n
1
2

Dengan PSD dari estimasi MAP didekati dengan

1
PSD()
l