MAKALAH

TEORI RESPON BUTIR

ESTIMASI KEMAMPUAN DENGAN TEORI RESPON BUTIR

Dosen Pengampu : Dr. Edi Istiyono

Disusun oleh:

1. Julianty Siska Tandibua Batong (16726251033)

2. Desy Kumala Sari (16726251014)

PENDIDIKAN FISIKA

PROGRAM PASCASARJANA

UNIVERSITAS NEGERI YOGYAKARTA

2017
 KATA PENGANTAR

Segala puji bagi Allah SWT. atas karunia, nikmat serta perlindungan-Nya. Sholawat dan
salam semoga dilimpahkan kepada Nabi Muhammad SAW beserta keluarga, sahabat dan umat-
umatnya yang senantiasa mengikuti risalah yang dibawanya.

Alhamdulillah makalah ini telah diselesaikan dan diusahakan seoptimal mungkin untuk
menghilangkan kesalahan dan kekurangan dalam makalah ini. Dalam penulisan makalah ini
tidak sedikit hambatan dan kesulitan yang penyusun temukan, namun berkat ketabahan dan
dorongan dari semua pihak, maka tulisan ini dapat diselesaikan walaupun masih jauh dari
sempurna, serta masih terdapat banyak kesalahan baik cara penyusunan maupun isinya. Karena
kemampuan dan pengalaman penyusun yang masih sangat terbatas. Karenanya mohon maaf
apabila pembaca tidak ataupun kurang puas dengan makalah ini.

Namun sekalipun demikian, penyusun mengharapkan semoga makalah ini kiranya dapat
bermanfaat dan dapat menjembatani kearah kemajuan di masa-masa yang akan datang, dan
semoga dengan dibuatnya makalah ini para pembaca khususnya penyusun dapat lebih
memahami materi yang di bahas dalam makalah ini.

Oleh sebab itu penyusun mengharapkan kepada saudara-saudara pembaca untuk kritik
dan saran yang membangun untuk perbaikan dikemudian hari.

Yogyakarta, 11 April 2017

Penulis

2
 DAFTAR ISI

KATA PENGANTAR............................................................................................ ii
DAFTAR ISI........................................................................................................... iii
BAB I PENDAHULUAN
A. Latar Belakang Masalah............................................................................... 1
B. Rumusan Masalah........................................................................................ 1
C. Tujuan Masalah............................................................................................ 1

BAB II PEMBAHASAN
A. Fungsi Likelihood.................................................................................... 2
B. Syarat Maximum Likelihood Estimation....................................................... 4
Newton-Raphson method... 6
C. Sifat Maximum Likelihood Estimation.......................................................... 8
D. Estimasi Bayesian.......................................................................................... 9
E. Estimasi untuk skor sempurna dan skor nol.................................................. 10

BAB III PENUTUP

A. Kesimpulan................................................................................................... 12

DAFTAR PUSTAKA............................................................................................ 13

HASIL DISKUSI..................................................................................................... 14

3
 BAB I
PENDAHULUAN

A. Latar Belakang
Teori Respon Butir merupakan sebuah paradigma psikometri untuk pembuatan, penilaian
dan analisis bentuk tes dan butir. Teori Respon Butir memiliki keunggulan dibandingkan
dengan pendahulunya yakni teori tes klasik. Kecanggihan dalam TRB ini juga dapat dirasakan
sebagai suatu kerugian karena penggunaan matematika yang lebih kompleks. Salah satu
contoh dari hal ini adalah mencetak tujuan dari ujian peserta didik. Dengan TRB, peserta ujian
tidak lagi dilihat dari jumlah salah maupun benar dalam menjawab soal. Sebaliknya, TRB
memberikan perkiraan yang tepat seperti kemampuan, parameter butir, dan lain sebagainya.

Agar informasi yang diperoleh berguna dalam pengskoran tes, parameter butir perlu di
estimasi. Estimasi parameter butir dan mengecek kecocokkan model sering disebut sebagai
kalibrasi butir. Kalibrasi ini dapat dilakukan jika data respon peserta didik terhadap tes telah
diperoleh.

Kesimpulan dasar dari Teori Respon Butir adalah bahwa probabilitas respon yang benar
merupakan fungsi dari sifat yang mendasari atau kemampuan, dilambangkan dengan huruf
tetha () Yunani, dengan skala biasanya digambarkan mulai dari -3 ke 3, dengan 0,0 mewakili
kemampuan rata-rata.

B. Rumusan Masalah
Berdasarkan latar belakang tersebut, masalah-masalah yang dibahas dapat dirumuskan
sebagai berikut :
1. Apakah yang dimaksud dengan Fungsi Likelihood?
2. Apa syarat Maximum Likelihood Estimation?
3. Bagaimana sifat Maximum Likelihood Estimation?
4. Bagaimanakah Estimasi Bayesian itu?
5. Bagaimana estimasi untuk skor sempurna dan skor nol?

C. Tujuan Masalah
Sesuai dengan rumusan masalah yang akan dibahas maka penyusunan makalah ini
memiliki tujuan untuk memahami fungsi likelihood, syarat dan sifat Maximum
Likelihood Estimation, estimasi bayesian, dan estimasi untuk skor sempurna dan skor nol.

1
 BAB II
PEMBAHASAN

Setelah memilih model respon butir, maka perlu ditentukan nilai parameter butir dan
kemampuan yang menjadi ciri dari setiap item soal dan orang yang diuji. Sehingga diasumsikan
bahwa ruang laten bersifat unidimensional, hanya memiliki satu parameter yakni ciri peserta
ujian. Namun, beberapa parameter dapat mencirikan butir dan jumlah parameter butir yang
biasanya disisipkan dalam setiap model respon butir yang dipilih. Parameter butir dan
kemampuan biasanya diketahui pada beberapa tahap spesifikasi model. Biasanya, sebuah sampel
acak (atau sampel yang diuji) dari populasi target yang dipilih dan responnya selalu berpasangan
dengan item yang diperoleh. Respon yang diperoleh berupa estimasi (perkiraan) kemampuan dan
parameter butir. Parameter butir yang diestimasi dari sampel diasumsikan telah diketahui dan
dengan asumsi ini, butir soal dapat disusun. Dalam pengaplikasiannya, telah diketahui nilai
parameter butir soal yang diberikan kepada peserta ujian dan dan estimasi kemampuan mereka.
Masalah dasar ini kemudian yang menentukan parameter butir dan kemampuan dari respon dari
kelompok peserta ujian. Dalam Estimasi kemampuan, diasumsikan bahwa parameter butir
diketahui dari pengujian sebelumnya.

A. Fungsi Likelihood
Kemungkinan (Probabilitas) peserta ujian dengan kemampuan memperoleh respon Ui pada
butir i, dimana
1 untuk respon yang benar
Ui
0 untuk respon yang salah

PU i PU i 1
dilambangkan sebagai . Untuk respon yang benar, probabilitas adalah fungsi
Pi Pi Ui
respon butir dan biasanya ditunjukkan sebagai atau hanya sebagai . Karena adalah
Ui
variabel binomial, probabilitas respon dapat dinyatakan sebagai

P U i P U i 1 i P U i 0
U 1U i

2
 Pi i (1 Pi )1U i
U

U 1U i
Pi i Qi

Qi (1 Pi )
dimana, . Jika peserta ujian dengan kemampuan merespon butir ke n, probabilitas

U 1 ,U 2 ,...,U n P U 1 ,U 2 ,...,U n
keseluruhan dari dapat dinyatakan sebagai . Jika semua butir telah
terpenuhi, maka diperoleh daerah tersendiri untuk kemampuan , respon terhadap n butir yang
independen. Hal ini berarti bahwa

PU 1 ,U 2 ,...,U n PU 1 PU 2 ,..., PU n

n
PU i
i 1

n
Pi i Qi
U 1U i

i 1

Persamaan diatas merupakan gabungan respon dari n item. Ungkapan di atas adalah probabilitas
gabungan dari tanggapan n item. Pada respon yang diamati, yakni pada variabel acak
U 1 ,U 2 ,...,U n u1 , u 2 ,..., u n ui
diambil nilai-nilai tertentu di mana adalah satu atau nol, ekspresi di
atas akhirnya menjadi pernyataan probabilitas. Di sisi lain, hal ini merupakan fungsi matematis
dari yang dikenal sebagai fungsi likelihood (kebolehjadian) dilambangkan sebagai
n
L u1 , u 2 ,..., u n Pi i Qi
U 1U i

i 1

ui 1 Pi ui 0
Ketika (peluang menjawab benar), di istilahkan dengan , dan ketika (peluang
Qi
menjawab salah), di istilahkan dengan .

Pi Qi
Untuk probabilitas respon yang benar , dan salah diwakili oleh komplemen dari fungsi
pada gambar 1.

3
 Gambar 1 (a) fungsi probabilitas respon yang benar (b) fungsi probabilitas respon yang salah
Pada gambar 1(a), probabilitas kemampuan menjawab benar meningkat dari kiri kekanan.
Sebaliknya, pada gambar 1(b), probabilitas kemampuan menjawab salah menurun dari kiri
kekanan.
Untuk skor ujian dengan Teori Respon Butir, fungsi respon butir untuk respon yang benar dan
yang salah dikalikan untuk mendapatkan fungsi tunggal yang disebut sebagai fungsi likelihood.
Hal ini menyajikan kemungkinan setiap tingkat kemampuan diberikan dari respon peserta
ujian. Sebagai contoh, jika peserta ujian memiliki satu jawaban yang benar dan satu jawaban
yang salah seperti pada gambar 1, kedua fungsi pada gambar 1 ini dikalikan untuk menghasilkan
contoh fungsi likelihood seperti pada gambar 2.

Gambar 2 Fungsi Likelihood

B. Syarat Maximum Likelihood Estimation

Misalkan sekelompok peserta ujian N diberikan n butir soal dengan nilai parameter butir yang

a a 1,..., N
diketahui, dan perlu untuk diestimasi kemampuannya . Karena nilai parameter
butir harus diketahui terlebih dahulu, maka hal ini merupakan syarat dari estimasi kemampuan
(condition estimation of ).
Sehingga,

4
 u a [u1a , u 2 a ,..., u na ] ( a 1,..., N )

[1, 2 ,..., n ]
Menunjukkan respon dari peserta ujian pada butir n. Dan menunjukkan kemampuan

( Nn 1)
dari N peserta ujian. Fungsi likelihood untuk menunjukkan u untuk respon N peserta
ujian pada n butir dimana,
u [u1 , u 2 ,..., u a ,..., u N ]

adalah
N
L u L u1 , u 2 ,..., u a ,..., u N 1 , 2 ,..., N L u a a
a 1

N n N n
L uia Pia ia Qia
U 1U ia

a 1 i 1 a 1 i 1

Pia Pi ( a ).
dimana Logaritma dari fungsi likelihood dapat ditulis dengan
N n
L u1 , u 2 ,..., u N uia ln Pia 1 uia ln 1 Pia
a 1 i 1

1, 2 ,..., N
Maximum likelihood estimator (MLE) dari diperoleh dengan memecahkan

1, 2 ,..., N
persamaan likelihood untuk :

L u1 , u 2 ,..., u N 0
a ( a 1,..., N )

Persamaan ini akan dinyatakan sebagai

ln L n ln L Pia

a i 1 Pia a

n
uia 1 uia Pia

i 1 Pia 1 Pia a

5
 n
u ia Pia Pia
0
i 1 PiaQia a

a
Masing-masing dari persamaan ini hanya menyatakan , oleh karena itu, persamaan ini dapat
diselesaikan secara terpisah setelah fungsi respon butir ditentukan.
Untuk model satu parameter (IPL), persamaan likelihoodnya menjadi
ln L n
D uia Pia 0
a i 1

atau
n

D ra Pia 0 0
i 1

ra uia
dimana adalah skor nomor yang benar untuk peserta a yang diuji. Turunan keduanya
adalah
2 ln L n

a2
D 2

i 1
Pi Qi

a , oa
Nilai awal untuk untuk peserta uji ke a diperoleh dengan
oa ln ra /( n ra ) o

(dengan catatan ujian telah menurun sejak timbul kebingungan dalam kasus ini)
( m 1)
Nilai dari pada iterasi (pengulangan) ke dapat diperoleh dengan menggunakan
hubungan pengulangan
m1 m hm

hm
dalam hal ini faktor koreksi , diperoleh dengan
n
n

hm D r Pi ( m ) D Pi m Qi m
2

i 1 i 1

6
 hm
Ketika kurang dari nilai yang ditentukan, (umumnya dipilih 0.001), prosedur iterasi
dihentikan. Pada kasus ini,
hm m1 m

m 1
Ketika hal ini terjadi, nilai dari diambil dari maximum likelihood estimate dari dan

dilambangkan dengan .
Tabel 1 Turunan pertama dan kedua dari fungsi likelihood untuk tiga logistik Teori Respon Butir
One-Parameter Two-Parameter
Derivative Three-Parameter Model
Model Model
First ln L
n
D uia Pia
n
D ai uia Pia
n
D ai uia Pia Pia ci / Pia 1 ci

a i 1 i 1 i 1

Second 2 ln L

n n n
2
D 2 Pia 1 Pia D 2 ai2 Pia 1 Pia D 2 ai2 Pia ci uia ci Pia Qia / Pia 1 ci
2 2 2

a i 1 i 1
i 1

Newton-Raphson method
Prosedur pengulangan yang sering digunakan untuk mendapatkan estimasi kemungkinan
maksimum adalah prosedur Newton-Raphson. Prinsip dasar dari prosedur ini yakni
mengevaluasi turunan pertama dan kedua pada satu titik yang disebut estimasi berulang, dan
nilai-nilai ini dapat menjelaskan prosedur salah satu titik pada fungsi likelihood yang relatif
maksimal. Dengan demikian, pengulangan akan disesuaikan.

Prosedur Newton-Raphson yang baik dijelaskan secara grafis dengan membagi fungsi
likelihood menjadi empat bagian. Pertama, menggambar garis vertikal maksimum.
Berikutnya menggambar garis vertikal di masing-masing titik infleksi. Grafik yang dimaksud
dapat dilihat pada gambar 3.

7
 Gambar 3 Pembagian Fungsi Likelihood

Setiap bagian mencerminkan apa yang terjadi pada kemiringan fungsi:

Bagian 1: Kemiringan meningkat pada tingkat yang meningkat
Bagian 2: Kemiringan meningkat pada tingkat yang menurun
Bagian 3: Kemiringan menurun pada tingkat peningkatan
Bagian 4: Kemiringan menurun pada tingkat yang menurun.
Jika perkiraan berulang berada pada Bagian 1 atau Bagian 2, maka penyesuaian harus
dalam arah yang positif. Penyesuaian harus dalam arah negatif jika berada pada Bagian 3 dan
4. Hal ini terjadi secara alami ketika perkiraan tersebut berada pada Bagian 1 dan 4.
Masalah yang sama hadir ketika menggunakan fungsi log-likelihood daripada fungsi
likelihood. Namun, log dari fungsi likelihood tidak memiliki titik infleksi (Gambar 4),
sehingga hanya memiliki nilai yang sama dengan Bagian 2 dan 3. Karena ini adalah dua
bagian yang memerlukan modifikasi tanda, kendala yang sama harus ditempatkan pada
Newton-Raphson estimasi maksimum dari fungsi log-likelihood.

Gambar 4 Log natural dari Fungsi Likelihood

Keuntungan utama dari metode Newton-Raphson adalah bahwa ia menyediakan dasar

untuk perkiraan standard error yang diamati pengukuran dengan menggunakan turunan
kedua.

8
C. Sifat Maximum Likelihood Estimation
Maximum Likelihood Estimation memiliki beberapa sifat yang berguna dan penting. Secara
umum, sifat Maximum Likelihood Estimation adalah:
1. Konsisten; yaitu, sebagai ukuran sampel dan jumlah kenaikan butir, estimator berpusat
pada nilai-nilai yang benar.
2. Fungsi statistik yang cukup. Ketika terdapat statistik yang cukup; yaitu, statistik yang
berisi semua informasi tentang parameter. Tidak ada data lanjut diperlukan.
3. Efisien; yaitu Maximum Likelihood Estimation asimtotik (garis lurus yang makin
didekati oleh suatu lengkungan) memiliki varians terkecil.
4. Asimtotik terdistribusi normal.
Pada model logistik satu parameter (1PL), skor nomor yang benar memenuhi statistik yang
cukup untuk kemampuan . Untuk model logistik dua parameter (2PL), skor ra untuk peserta uji
ke a didefinisikan sebagai
n
ra aiU ia
i 1

U ia
dimana adalah repon butir I, memenuhi statistik yang cukup untuk . Tidak ditemukan
statistic yang cukup untuk model logistik tiga parameter (3PL), atau dalam kasus ini merupakan
model ogive yang normal.

Asimtotik sangat berguna dalam praktiknya. Maximum Likelihood Estimation dari , ,

[ I ( )] 1 I ( )
merupakan asimtotik normal dengan rata-rata dan variansi , dimana adalah fungsi
informasi.

n
I ( ) E 2 ln L / 2 Pi / Pi Qi
2

i 1

Disini, E dinotasikan sebagai nilai harap, dan Pi merupakan turunan dari fungsi respon butir yang
juga dapat diperoleh secara langsung dari turunan kedua.
Sesuai dengan evaluasi fungsi informasi pada kemampuan yakni variasi asimtotik pada
Maximum Likelihood Estimation . Hal ini dapat dinyatakan sebagai

V I
1

9

dimana V menyatakan variansi. Hal ini benar hanya jika merupakan estimator yang konsisten

pada , salah satu kondisi ini memenuhi situasi saat ini. Untuk menafsirkan variansi pada ,
perlu untuk mengetahui nilai dari parameter yang belum diketahui. Hal ini menunjukkan

sebuah masalah dalam menyusun jenis konfidensi untuk . Keuntungan dapat disubstitusikan

V I ()
terhadap , dan sebuah estimasi dari , biasanya dilambangkan dengan , yang
merupakan hasil dari situasi ini.
(1 )
Presentasi interval kepercayaan ke untuk diperoleh dengan

z I
1
2

z I
1
2

2 2

z 1
2
1
2 [ I ()] 2

dimana presentasinya lebih besar dari standar kurva normal. Jelas bahwa
merupakan standar eror dari Maximum Likelihood Estimatior.

D. Estimasi Bayesian
Jika terdapat informasi sebelumnya dari distribusi kemampuan kelompok peserta ujian,
prosedur Bayesian dapat menentukan estimasi kemampuan. Misalkan sebelum memperkirakan
kemampuan peserta ujian dalam kelompok, kita harus membuat asumsi bahwa informasi
mengenai salah satu kemampuan peserta ujian tidak berbeda dari yang dari yang lainnya
(informasi mengenai peserta ujian dapat ditukar). Asumsi ini menyiratkan bahwa kemampuan

a a 1,..., N
dapat dianggap sebagai sampel acak dari suatu populasi. Untuk melengkapi

a
informasi spesifikasi sebelumnya, maka perlu untuk menentukan distribusi dari . Misalnya,
jika diyakini bahwa sebagian kecil peserta ujian memiliki kemampuan luar dengan rentang
tertentu, proporsi yang cukup besar dari peserta ujian memiliki kemampuan luar rentang tertentu,

10
dari peserta ujian memiliki kemampuan dengan proporsi yang cukup besar dapat ditunjukkan
dengan menentukan distribusi kemampuan, atau biasa disebut normal, yaitu
a N ( , )

N ( , )
dimana menunjukkan distribusi normal dengan mean dan varians . Nilai dari

dan perlu ditentukan, atau parameter ini ditentukan melalui distribusi lanjut. Owen (1975)

0 1
mengasumsikan bahwa keadaan pada adaptive test, yakni dan .
Ditribusi normal sebelumnya merupakan sesuatu yang cocok. Birnbaum (1969) mengasumsikan

a f ( )
bahwa distribusi sebelumnya pada menjadi fungsi kepadatan logistik, , dimana
f ( ) exp( ) / 1 exp( )
2

Pokok dari prosedur Bayesian adalah teorema Bayes, yang berkaitan dengan syarat dan bagian
kecil probabilitas:

a
Dalam konteks estimasi kemampuan, A dapat dianggap sebagai , dan B sebagai himpunan
tanggapan diamati pada n butir, u. maka persamaan diatas dapat kembali dinyatakan sebagai
P a u P u a P ( a ) / P (u )

Dimana parameter kemampuan (ability, ) penggati B, dan skor butir soal untuk individu

u u u
peserta pengganti untuk A. P ( | 1, 2, n ) adalah sebaran posterior, P( u1, u2, u n| )

Adalah fungsi kemungkinan, dan p( adalah sebaran awal (prior distribution) dari .

selanjutnya penaksir Bayes untuk kemampuan peserta diperoleh dari mean sebaran posteriornya
yang berupa

(|)
E u = p u d

(|)
11
Untuk menyelesaikan system persamaan diatas dilakukan menggunakan prosedur pendekatan
Gauss-Hermite quadrature (Bock & Aitken, 1981)
X
q

Li ( X k ) W ( k )
k=1
q

X k Li ( X k ) W ( X k )
^ k=1
=

Xk Xk
Dimana adalah salah satu dari q quadrature points, W( adalah bobot yang berkaitan

X
Xk ( k )
dengan quadrate point (stroud &secherst, 1996) dan adalah fungsi dari jawaban
Li

Xk .
terhadap butir soal ke-I jika diberikan tingkat kemampuan, pada

E. Estimasi untuk skor sempurna dan skor nol

Estimator kemungkinan maksimum dari kemampuan yang sesuai dengan sempurna skor dan
skor nol adalah + dan - , masing-masing. Meskipun ini mungkin tidak akan menjadi
masalah dalam teori penyajiaan masalah, ketika melaporkan skor kemampuan yang diperlukan.
Salah satu solusi yang mungkin untuk masalah ini adalah dengan menggunakan estimator
kemampuan Bayes. Dengan spesifikasi informasi seperti menentukan distribusi normal untuk
, estimasi Bayes dari sesuai dengan skor sempurna atau skor nol skor.

Namun yang menarik dalam estimasi Bayes menarik, sebuah solusi sederhana untuk masalah
dalam hal ini adalah untuk melaporkan nilai pada metrik skor yang benar. Theskor yang benar

n
= Pi () (5,45)
i1

, Pi Pi
Ketika = + ( ) = 1, dan =n . Demikian pula, ketika =- , (
) = c i (untuk model tiga parameter). Dalam hal ini mejadi,

12
 n
= ci (5.46)
i1

Masalah dalam hal ini adalah bahwa saat ujian skor benar peserta yang mungkin dapat dengan
c i=0
mudah teramati dibandingkan memperkirakan skor nol-nya. Namun, ketika , untuk

model satu dan dua parameter =0

Atau, perkiraan sesuai dengan skor sempurna dan skor nol dapat diperoleh dengan
memodifikasi persamaan kemungkinan. Untuk nilai nol, kemungkinan persamaannya adalah
(persamaan 5.23)
n

k i Pi =0
i1

Persamaan ini dapat dimodifikasi sebagai berikut:

n

k i Pi (5.47)
i1

Dimana adalah kuantitas kecil positif. Demikian pula, persamaan likelihood sampel datanya
pada (persamaan 5.24) sesuai dengan nilai sempurna sehingga dapat dimodifikasi menjadi
n n

k i Pi = k i Pi (5.48)
i1 i 1

Pilihan adalah bebas pemilihan.

Pendekatan lain yang dapat digunakan mengeksploitasi hubungan antara skor yang benar dan
kemampuan seperti yang dijelaskan dalam bagian 4.7. Dalam hal ini, persamaan
n

Pi ()=n (5.49)
i1

Jika dipecahkan untuk nilai nol, nilai adalah bebas dipilih dari angka positif kecil.

Kedua metode tersebut mirip dengan solusi Bayesian, meskipun tanpa pembenaran.

13
14
 BAB III
PENUTUP

A. Kesimpulan

Ketika parameter butir diketahui, maka estimasi kemampuan dapat diselesaikan dengan
menggunakan prosedur Maximum Likelihood Estimation. Maximum Likelihood Estimation
memiliki beberapa sifat yang berguna, terutama yang dari bagian konsistensi dan normalitas
asomptotik. Cukup dengan menggunakan fungsi informasi, interval kepercayaan asimtotik untuk
dapat dibuktikan.

Maximum Likelihood Estimation tidak dapat digunakan ketika ditemui nilai sempurna atau
nol. Masalah ini dapat diselesaikan dengan menggunakan pendekatan Bayesian. Penilaian
menggunakan Bayesian memiliki standar eror yang lebih kecil dibanding Maximum Likelihood.
Namun, pendekatan Bayesian membutuhkan spesifikasi kepercayaan sebelumnya mengenai
kemampuan peserta ujian, oleh karena itu mungkin tidak dapat dipertimbangkan untuk semua
kasus.

Jika perlu untuk melaporkan nilai kemampuan dengan skor sempurna dan nol , Maximum

Likelihood Estimation tidak sesuai karena masing-masing merupakan atau . Dalam
kasus ini dapat digunakan Estimasi Bayesian. Alternatif lainnya, nilai-nilai kemampuan dapat
ditransformasikan ke metrik skor yang benar, dan diperkirakan nilai benar dilaporkan. Perkiraan
kemampuan juga dapat diperoleh dengan menyesuaikan persamaan kemungkinan, hal ini
merupakan salah satu prosedur yang mungkin tidak sepenuhnya dibenarkan.

15
 DAFTAR PUSTAKA

Hambleton, R. K, & Swaminathan, H. (1985). Item Respons Theory. Boston: Kluwer-Nijhoff Publ.

Assessment Sistem Corporation. (2009). Ability Estimation with Item Response Teory. University
Avenue, Suite 200.

16
HASIL DISKUSI

17