Anda di halaman 1dari 41

ESTIMASI METODE PENYETARAAN SKOR (EQUITING) EXAM 1, EXAM 2, DAN

EXAM 3 UNTUK DATA DIKOTOMUS DENGAN PROGRAM R

Weiss (1983) mendefinisikan pe- nyetaraan skor sebagai suatu prosedur empiris
karena data skor diperoleh dari hasil pekerjaan peserta didik yang selanjutnya
diperlukan untuk mentranformasi skor. Menurut Hambleton (1991) penyetaraan skor
adalah membandingkan skor yang diperoleh dari perangkat tes yang satu (X) dan
perangkat tes lainnya (Y) yang dilakukan melalui proses penyetaraan skor pada
kedua perangkat tes tersebut. Crocker dan Algina (1986), menyatakan bahwa dua
skor hasil pengukuran yang menggunakan instrumen X dan instrumen Y dapat
disetarakan skornya jika kedua instrumen mengukur kemampuan atau trait yang
sama. Menurut Kolen (2004) penyetaraan skor dapat dilakukan jika kelompok
peserta tes setara, karena kesetaraan yang ekstrim akan berpengaruh dalam
perhitungan.
Berdasarkan pengertian di atas dapat disimpulkan bahwa penyetaraan equating
merupakan prosedur secara empiris dalam rangka menyetarakan skor dari perangkat
tes yang satu ke perangkat tes lainnya sehingga dapat melakukan per- bandingan
atau konversi secara langsung hasil-hasil individu yang mengikuti perangkat tes
yang berbeda tersebut.

Menurut Hambleton, Swaminathan, & Roger (1991), pada teori tes klasik dikenal
dua metode, yaitu penyetaraan linear (linear equating) dan penyetaraan
ekuipersentil (equipercentile equating). Penyetaraan linear akan menghubungkan
skor konversi dengan skor asalnya melalui suatu fungsi linear. Prinsip dasar
metode ini adalah distribusi skor pada dua perangkat tes sama dalam hal rerata dan
simpangan baku. Angoff (1971) menyatakan bahwa definisi untuk penyetaraan
linear adalah skor dua perangkat tes menjadi ekuivalen jika ada hubungan yang
setara dengan standar skor deviasinya. Penyetaraan skor yang menggunakan
metode linear memung- kinkan adanya tingkat kesulitan relatif bervariasi pada skor
di antara beberapa perangkat tes tersebut. Pada penyetaraan linear diperlukan
kesamaan distribusi probabilitas antara skor X dan skor Y. Jika skor X dan skor Y
memilki rerata dan simpangan baku yang berbeda, maka distribusi probabilitas
yang sama dari kedua skor tersebut dapat digunakan untuk mentransformasi nilai
dari satu distribusi probabilitas ke distribusi probabilitas berikutnya.
Berdasarkan analisis dengan program R dengan menggunakan data dalam
bentuk file .txt (Exam1.txt; Exam2.txt; Exam3.txt) maka diperoleh sintak dan hasil
output dengan menggunakan program R untuk penyetaraan skor (equating) sebagai
berikut,

1. Desain equiting
Pada latihan equating ini, peserta terdiri dari 822 siswa yang mengambil satu dari
tiga paket kemampuan aritmetika. Ketiga paket dibuat untuk mengurangi
kemungkinan kecurangan. Setiap paket terdiri dari 10 item . terdiri dari 5 item bentuk
umum dan 5 item unik. Respon siswa disimpan dalam file dengan nama Exam1.txt,
Exam2.txt dan Exam3.txt. deain ini akan diimplementasikan menggunakan program
R. Mengambil file yang tersimpan dalam exam1, exam2 dan exam 3, dengan
perintah :
 Form1 <-read.table ("Exam1.txt", header = T)
 Form2 <-read.table ("Exam2.txt", header = T)
 Form3 <-read.table ("Exam3.txt", header = T)
Mengumpulkan tiga frame data form1, form2 dan form3 dalam satu list dengan
memberi perintah

L <-list (form1, form2, form3)

Output dari perintah tersebut adalah sebagai berikut :

- ----------
……………………………….
Dari hasil output diatas, terlihat bahwa ketiga form yaitu form1, form 2 dan
form 3 sudah terkumpul dalam satu file yang diberi nama “ L”

2. Kalibrasi
Kalibrasi dua atau lebih paket tes dapat dilakukan secara terpisah maupun
secara bersamaan. Dengan program R data untuk kalibrasi secara bersamaa
dilakukan dengan perintah :

X <-testEquatingData (L)
……………………………..
Metode Scaling

Metode scaling yang akan dibahas berikut ini tidaklah diperlukan jika 1) diterapkan
desain equating kelompok tunggal ataupun kelompok random atau 2) estimasi
parameter diperoleh dengan cara kalibrasi bersamaan. Di luar situasi tersebut, maka
beberapa metode scaling dapat dilakukan dan diklasifikasikan ke dalam moment
atau metode kurva karakteristik. Karena dalam latihan ini digunakan kalibrasi
bersamaan maka tidak dilakukan scaling

Melakukan Equating
Estimasi MML secara berturut-turut model Rasch, model 2PL, dan model 3PL,
dengan asumsi sifat laten normal dan simpan hasilnya dengan nama m1, m2, dan
m3.
…………………………………….
Dari proses estimasi 1Pl atau model Rasch diatas, terlihat bahwa dari 855
siawa, terbentuk pola respon 535. Butir anchor ada pada nomor butir I1, I2, I3, I4
dan I5. Setidaknya terdapat empat hal yang harus dipertimbangkan saat memilih
butir soal untk dijadikan tes anchor; 1) panjang tes anchor, 2) keterwakilan konten, 3)
statistik butir soal, dan 4) penempatan pada paket tes.
………………………………………..
………………………………………………
Dari data diatas dapat dilihat data mengenai nilai kasar (raw score) yaitu nilai
yang didapat jika siswa tertentu dapat menjawab sejumlah butir soal tertentu dan
nilai estimasi kemampuan siswa yang berkisar antara -3.146072484 sampai dengan
3.137993194. Siswa yang jawabannya salah semua (ditunjukkan dengan raw score
0) dan siswa yang dapat menjawab semua butir dengan benar (ditunjukkan dengan
raw score 10)
REGRESSI

Data yang akan dilakukan uji regresi adalah dalam bentuk spps, sehingga perintah
untuk mengimpor data adalah :
Numerical <- read.spss(file="DATA EXERCISE3.sav",to.data.frame=TRUE)

Selanjutnya pembentukan model dapat menggunakan


perintah >lm(GROUP_1~group_2+group_3, Numerical)
Pada model1 tersebut terdapat intersep, dan untuk melihat model yang terbentuk
maka digunakan perintah >summary(Hasil).

Hasil ini menunjukkan intercept dan koefisien dari kedua variabel group2 dan
group3. Sehingga persamaan garis regressi linier yang diperoleh adalah:
Group1 = 0.06991 -3.26354 group2 + 4.12650 group3
Hasil lengkap dapat dimunculkan dengan perintah sebagai berikut :
Hasil Residu
Sebelum menggambarkan plot ini, nilai-nilai residu dan nilai estimasi perlu
ditentukan. Untuk mendapatkan nilai residu digunakan fungsi residuals, untuk kasus
di atas cukup ditulis dengan :

Residu (ri) adalah perbedaan antara nilai data pengamatan (yi) dengan nilai

esitmasi data dari model (yi*), sehingga ketepatan (keakuratan) dari suatu model
dapat dilihat dari residu. Oleh karena itu langkah selanjutnya dilakukan dalam
analisis regressi adalah analisis residu, yaitu pengujian terhadap residu dari model
yang sudah diperoleh.

Hasil Prediksi

Untuk mendapatkan niai estimasi digunakan fungsi predict, pada kasus di atas
perintahnya ditulis dengan perintah :
Dengan memperoleh nilai residu yang tersimpan dalam Hasil.res, dan nilai estimasi
dalam Hasil.prd, maka pembuatan grafik (plot) residu yang diinginkan sudah dapat
dilakukan, hanya saja residu yang diperoleh dalam hal ini belum dalam bentuk yang
baku, hingga perlu ditentukan nilai baku residu ini.

Nilai Baku Residu

Dalam R hal ini dapat dilakukan sebagai berikut :

Perintah pada baris kedua adalah untuk mendapatkan nilai diagonal matrik dari
t -1 t
matrik H = X(X X) X .

Perintah pada baris ketiga adalah menghitung nilai residu baku.


Plot Residu dengan Variabel Terikat
Penggambaran plot residu sudah dapat dilakukan, hal ini dapat dilkukan sebagai
berikut:
Yang dimaksud dengan residu disini adalah residu baku. Plot ini dapat
dilakukan dalam R dengan perintah sebagai berikut:
> plot(mfrow=c(2,1),DataReg[,"n.usm"],Hasil.res,xlab="Nilai USM",ylab="Residual
Baku")
> abline(h=0,lty=2)
> title("Residu Baku Vs Nilai USM")

plot(mfrow=c(2,1),Numerical[,"GROUP_1"],Hasil.res,xlab="GROUP_1",ylab="Residu
al Baku")

> abline(h=0,lty=2)
> title("Residu Baku VS GROUP 1")

>plot(mfrow=c(2,1),Numerical[,"GROUP_2"],Hasil.res,xlab="GROUP_2",ylab=
"Residual Baku")

> abline(h=0,lty=2)

> title("Residu Baku Vs GROUP 2")


>plot(mfrow=c(2,1),Numerical[,"GROUP_3"],Hasil.res,xlab="GROUP_3",ylab=
"Residual Baku")

> abline(h=0,lty=2)

> title("Residu Baku Vs GROUP 3")


Plot residu baik dengan variabel n.usm maupun f.absn di atas menunjukkan tidak
adanya masalah yang mendasar dari model, hal ini ditunjukkan dengan tidak adanya
kenaikan/penurunan variance maupun hubungan curvilinier antara residu dengan
kedua variabel terikat.

> plot(mfrow=c(1,1),Hasil.prd,Hasil.res,xlab="Nilai Estimas",ylab="Residual Baku")


> abline(h=0,lty=2)
> title("Residu Baku Vs Nilai Estimasi")
Plot Residu vs nilai estimasi ini juga menunjukkan tidak ada masalah yang
mendasar terhadap model yang diperoleh, karena tidak ada suatu pola yang jelas
dapat ditunjukkan dari plot tersebut.

Plot Peluang Normal Residu


Untuk menampilkan plot residu baku dengan nilai estimasi dalam R dapat
dilakukan dengan perintah berikut:
> par("pty")
> qqnorm(Hasil.res,ylab="Residu Baku")
Interpretasi plot ini tidak cukup jelas, terlebih untuk sampel yang kecil.
Walaupun demikian kita bisa menyatakan tidak ada indikasi ketidak normalan dari
residu. Hal ini kita nyatakan dengan melihat kecenderungan plot yang hampir linier.

Kesimpulan dan Saran

Dari analisis dapat dilihat bahwa model regressi linier dengan menggunakan
kedua variabel bebas adalah:
N. Aritmatika = 0.06991 – 3.26354 Group2 + 4.12650 Group3
dimana sesungguhnya variabel saling berpengaruh secara statistik, sehingga tidak
variabel yang dapat dikeluarkan dari model. Namun persamaan di atas setelah
dianalisis tidak akan memberikan kekurang tepatan hasil peramalan. Hal ini
sesungguhnya dapat dipahami karena dalam model regressi jika suatu variabe
penduga yang independent secara nyata sekalipun dengan variabel penjelas diikut
sertakan dalam model maka tidak akan memberikan pengaruh yang lebih jelek
terhadap peramalan.