MODEL-MODEL TEORI

RESPON BUTIR

Rifa Efendi 17302241007

Badrotul Ulum 17302241033
Tika Wahyuni 17302241058
Nini Noor Hafiza 17302241068
Khairul Putra 17302241007
Nurma Kartikasari 17302241026
Model Teori Respon Butir (TRB) Polikotomus

Model ini digunakan untuk memberi skor respons peserta

didik terhadap suatu butir tes. Terdapat beberapa model
polikotomus (Van der Linden & Hambleton, 1997)
 Nominal Respons Model (NRM)
 Rating Scale Model (RSM)
 Partial Credit Model (PCM)
 Graded Respons Models (GRM)
 Generalized Partial Credit Model (GPCM)
Nominal Respons Model (NRM)
 Diperkenalkan oleh Bock (1972).
 Cara untuk memodelkan respons terhadap item dengan
dua atau lebih kategori nominal.
 Penilaian psikologis yang mewakili konstruksi yang tidak
mungkin didistribusikan secara normal dalam populasi.
di mana hi menunjukkan respons nominal terhadap item i dan
Hi adalah himpunan semua hi, dan α hi ()> 0 dan
βhi adalah parameter kategori skor item.
Samejima (1972) menunjukkan bahwa Bock nominal model respon dapat
dianggap sebagai model respon bergradasi dalam kasus heterogen, jika
respon nominal hi dalam Persamaan digantikan oleh ui dan item dinilai-
dinilai parameter αui memuaskan
(A) Kurva respons kategori untuk item yang
dimodelkan di bawah model respons nominal
dengan menetapkan parameter diskriminasi
kategori 1 * = 2.0, 2 * = 2.0, 3 * = 0,70
(B) Informasi item dan kategori untuk
item yang dimodelkan di bawah model
respons nominal dengan pengaturan
parameter diskriminasi kategori 1 * = 2.0,
a 2 * = 2.0, 3 * = 0.70
Rating Scale Model


  Dikenakan pada butir-butir yang memiliki format respon sama.
 Masing butir digambarkan oleh satu parameter lokasi (
 Parameter lokasi ini mencerminkan tingkat kesulitan relative
dari butir tententu.
 RS Model Mengasumsikan bahwa kategori respons adalah
menetap untuk seluruh set butir dalam skala
 Jika item dalam skala memiliki format yang berbeda maka RS
Model tidak dapat diaplikasikan
 Persamaan RSM
 RSM termasuk pendekatan langsung (direct) seperti pada PCM dan GPCM
 Persamaan Operaating Charateristic Function (OCF) sebagai Berikut

 Sedangkan persamaan Category Respons Function (RCF) sebagai berikut

 Dengan ketentuan
 Misalnya sebuah skala memiliki 3 kategori dengan skor 0,1, dan
2. Maka didapatkan kategori (j) sebanyak 3 buah persamaan
yang probabilitas individu pada tiap kategori.
Grafik
 Secara umum, RSM memungkinkan kita untuk mengetahui
tingkat kesulitan setiap butir dan ambang batas maksimum
antar kategori dalam satu butir.
 Butir yang menunjukkan tingkat kesulitan yang tinggi
menunjukkan bahwa responden harus memiliki level trait laten
yang tinggi pula untuk mendapatkan skor tinggi pada butir
tersebut.
 Nilai parameter tingkat kesulitan yang tinggi menunjukkan
bahwa butir tersebut menggambarkan tingkat sifat laten yang
tinggi sementara itu parameter yang rendah menunjukkan
tingkat aten trait yang rendah pula.
Partial Credit Model (PCM)

 PCM merupakan model penskoran politomus yang

merupakan perluasan dari model Rasch pada data
dikotomi.
 Asumsi pada PCM yakni setiap butir mempunyai daya beda
yang sama
 PCM mempunyai kemiripan dengan GRM pada butir yang
diskor dalam kategori berjenjang, namun indeks kesukaran
dalam setiap langkah tidak perlu terurut, suatu langkah
dapat lebih sukar dibandingkan langkah berikutnya.
  Bentuk Umum PCM menurut Muraki dan Back (1997:16) sebagai berikut

, x=0,1,2,3…,m,….
Dengan:
(Probabilitas peserta berkemampuan memperolh skor kategori k pada butir j,
kemampuan peserta
X=skor peserta
j= Kategori / tahap dalam butir soal
i= butir soal
n= Peserta
bij= tingkat kesukaran tahap (j) pada butir (i)
  
 Dengan =
Dengan: = tingkat kesukaran tahap j pada butir i
= jumlah skor yang diperoleh peserta yang menjawab pada butir i
kategori j
= skor maksimal pada butir j

 Skor kategori pada PCM menunjukkan banyaknya langkah untuk

menyelesaikan dengan benar butir tersebut. Skor kategori yang
lebih tinggi menunjukkan kemampuan yang lebih besar daripada
skor kategori yang lebih rendah.
Graded Respons Models (GRM)
 Model GRM sangat tepat untuk digunakan untuk butir yang 
memiliki respons kategorikal  seperti skala Likert. 
 Model GRM tidak menghendaki kesamaan jumlah kategori r
espons antar  butir. Hal  ini  tidak  berlaku  untuk  model 
skala  rating  untuk  dijelaskan  pada  bagian  selanjutnya 
 Model GRM merupakan perluasan Model 2‐PL dimana 
setiap kategori  respons  pada  butir  diperlakukan 
layaknya  butir  dikotomi  sehingga  kurva  probabilitas 
jumlahnya  sebanyak jumlah kategori respons.
Persamaan
 GRM termasuk kedalam model politomi IRT.
 Model  GRM  dan  M‐ GRM  termasuk  dalam  pendekatan  tidak 
langsung
 Jenis pendekatan tidaklangsung adalah  sebelum  memasuki 
persamaan  utama  untuk  melihat  fungsi  respons  kategori 
(category response functions/CRF), kita  harus melihat  fungsi 
karakteristik  operasi  (operating characteristic functions/OCF) 
tiap  kategori  terlebih  dahulu.
 Jadi  dalam  model  ini  kita  harus 
mendapatkan OCF dulu untuk bahan dasar membuat CRF. 
 OCF dalam GRM diwujudkan dalam persamaan di bawah ini. 

 Ket :

 Artinya dalam sebuah butir I dengan  nilai lereng (slope) αi pada  kategori j dengan  lokasi

butir   maka  probabilitas  individu n dengan level trait sebesar
 OCF tidak dapat dipakai untuk melihat perbandingan probabilitas tiap kategori butir, oleh
karena itu kita perlu untuk meneruskan langkah kita dengan menghitung CRF butir.
 CRF untuk setiap kategori dinyatakan dengan persamaan berikut :

Dengan ketentuan bahwa :

 
 Persamaan di atas diberlakukan pada semua kategori dalam butir. Dengan menetapkan bahwa
Pix(θ) terendah adalah 1, sedangkan Pix(θ) tertinggi sama dengan 0,maka didapatkan sejumlah
kurva probabilitas category response curves seperti pada Gambar :

 Terlihat bahwa probabilitas katagori paling awal P i0(θ) ditetapkan dengan nilai 0 dan
kategori di atas kategori tertinggi Pi(x+1)(θ) sama dengan 1. Jika sebuah butir dengan tiga
kategori, maka kita perlu membuat satu kategori bayangan yang nilainya adalah 1.
Ilustrasi di bawah ini akan membuat gambaran kita lebih jelas.
Generalized Partial Credit Model (GPCM)

  Pada tahun 1992, Muraki mengembangkan kembali model
kredit parsial yang memungkinkan butir di dalam skala
memiliki perbedaan dalam hal parameter lereng. Model ini
kemudian diberi nama model generalisasi kredit parsial
(GPCM).
 GPCM memiliki kemiripan dengan PCM hanya berbeda
pada pelibatan parameter lereng (slope) yang disimbolkan
dengan . Dalam satu butir hanya ada satu parameter
lereng dan buah parameter persimpangan garis .
Persamaan

  

Keterangan :
level trait
ereng pada butir
perpotongan antara garis antar kategori pada butir

  Terdapat2 parameter butir dalam GPCM, yaitu parameter
lereng dan parameter perpotongan garis .
 Parameter lereng yang menunjukkan kemiringan kurva.
 Parameter perpotongan garis yang menunjukkan letak
perpotongan garis pada rentang level trait
 Grafik dibawah ini akan menunjukkan pengaruh besarnya
nilai terhadap bentuk kurva baik pada OCF maupun pada
CRF.
  
Pada grafik sebelah kiri menunjukkan dua kategori yang memiliki nilai
paramenter lereng yang sama yang mengakibatkan kemiringan garis sama.
 Pada grafik sebelah kanan menunjukkan dua kategori yang memiliki nilai
paramenter lereng yang dipadu dengan nilai lokasi yang berbeda , fungsi
karakteristik kategori menunjukkan bahwa perpotongan garis berada pada
titik dan .

  Sama seperti pada PCM, persamaan dapat dijabarkan berdasarkan
jumlah kategori di dalam butir. Misalnya sebuah skala memiliki 3
kategori dengan skor 0,1 dan 2. maka kita dapatkan kategori
sebanyak 3 buah persamaan yang probabilitas individu pada tiap
kategori.
Nominal Response Model

 Diperkenalkan oleh Bock (1972).

 Cara untuk memodelkan respons terhadap item dengan dua atau lebih
kategori nominal.
 Penilaian psikologis yang mewakili konstruksi yang tidak mungkin
didistribusikan secara normal dalam populasi.
di mana hi menunjukkan respons nominal terhadap item i dan
Hi adalah himpunan semua hi, dan α hi ()> 0 dan
βhi adalah parameter kategori skor item.
Samejima (1972) menunjukkan bahwa Bock nominal model respon dapat dianggap sebagai model
respon bergradasi dalam kasus heterogen, jika respon nominal hi dalam Persamaan digantikan oleh ui
dan item dinilai-dinilai parameter αui memuaskan
(A) Kurva respons kategori untuk item yang
dimodelkan di bawah model respons nominal
dengan menetapkan parameter diskriminasi
kategori 1 * = 2.0, 2 * = 2.0, 3 * = 0,70
(B) Informasi item dan kategori untuk
item yang dimodelkan di bawah model
respons nominal dengan pengaturan
parameter diskriminasi kategori 1 * = 2.0,
a 2 * = 2.0, 3 * = 0.70
 Model Teori Respon Butir (TRB)
Multidimensi
Pada teori respon butir multidimensi dikenal 2 model, yakni
compensatory dan noncompensatory.
 Model compensatory merupakan model yang membolehkan
kemampuan yang tinggi pada 1 dimensi memperoleh kompensasi pada
kemampuan pada dimensi lain dalma kaitannya dengan probbilitas
menjawab benar. Ada 2 type compensatory, yaitu MIRT logistik dan
model ogive normal (Reckase, 1997).
 Model nncompensatory merupakan model yang berkebalikan dari
model compensatory, yakni tidak membolehkan kemampuan tinggi
pada salah satu dimensi memperoleh kompensasi pada kemampuan
yang renda pada dimens lainnya
 Model Teori Respon Butir Logistik
Terdapat 3 jenis MIRT logistik, yaitu
 one-parameter logistic model (1PL)
 two-parameter logistic model (2PL)
 three-parameter logistic model (3PL)
one-parameter logistic model (1PL)

  
Merupakan model IRT yang paling sederhana dimana hanya terdapat satu item
parameter, yakni kesukaran item (b).
Indeks tingkat kesukaran biasanya berkisar antara kira-kira -2,0 hingga +2,0
Persamaan one-parameter logistic model (1PL)

Dimana:
: Tingkat kemampuan (ability) peserta tes
: Probabilitas peserta tes yang memiliki kemampuan dapat menjawab butir i
 dengan benar
: Indeks daya pembeda butir ke-i
: Indeks kesukaran butir ke-i
: bilangan natural yang nilainya mendekati 2,718
D : faktor penskalaan yang harganya 1,7
  

Grafik menunjukkan dua butir berbeda yang memiliki nilai

berbeda. Nilai b untuk butir 1 = -1 (= -1) dan nilai b untuk
butir 2 = 1 (= 1).
Two-parameter logistic model (2-PL)
 Model 2-PL menambahkan 1 parameter lain yang disebut
daya pembeda
 Model 2-PL mengatasi keterbatasan model ini dengan
menambahkan parameter kedua (dilambangkan dengan a)
yang mengontrol kemiringan fungsi respons butir
 Adapun rentang daya pembeda butir tes adalah sebagai
berikut(Baker, 2001):
  
Persamaan two-parameter logistic model (2PL)

Dimana:
 : Tingkat kemampuan (ability) peserta tes
 : Probabilitas peserta tes yang memiliki kemampuan
dapat menjawab butir i
 dengan benar
 : Indeks daya pembeda butir ke-i
 : Indeks kesukaran butir ke-i
 : bilangan natural yang nilainya mendekati 2,718
 D : faktor penskalaan yang harganya 1,7
Gambar menunjukkan fungsi respons butir dari dua butir
(butir 1 dan butir 2) yang memiliki nilai daya beda yang
berbeda. Nilai a untuk butir 1=2,5 (a1 = 2.5) dan nilai a untuk
butir 2=1 (a2 = 1).
Three-parameter logistic model (3PL)
 Model 3PL adalah model yang menambahkan parameter c,
mewakili peluang menebak jawaban
 Nilai c merefleksikan nilai terendah dari fungsi respon
butir saat kemampuan menjadi sangat rendah (dikenal
sebagai asimtot fungsi respons butir)
 Indeks tebakan semu pada tes pilihan ganda terletak di
sekitar seperbanyaknya pilihan jawaban
  
Persamaan Three-parameter logistic model (3PL)

Dimana:
: Tingkat kemampuan (ability) peserta tes
: Probabilitas peserta tes yang memiliki kemampuan dapat menjawab butir i
 dengan benar
: Indeks daya pembeda butir ke-i
: Indeks kesukaran butir ke-i
: Indeks tebakan semu (pseudoguessing) butir ke-i
: bilangan natural yang nilainya mendekati 2,718
D : faktor penskalaan yang harganya 1,7
Grafik menunjukkan fungsi respons butir dari dua butir
berbeda (butir 1 dan butir 2) yang memiliki nilai c yang
berbeda; nilai c untuk butir 1 ialah 0 (c1 = 0) dan nilai c
untuk butir 2 ialah (c2 = 0.2).
Normal Ogive Normal

 model compensatory membolehkan kemampuan tinggi pada

salah satu dimensi memperoleh kompensasi pada kemampuan
rendah pada dimensi lain dalam kaitannya dengan probabilitas
menjawab benar
 Model Teori Respon Butir (TRB)
Noncompesatory
 Tidak membolehkan kemampuan tinggi pada salah satu
dimensi memperoleh kompensasi pada kemampuan rendah
pada dimensi
lainnya.
 Probabilitas dari respons yang menguntungkan pada hasil
kali dari fungsi kemampuan sebanyak k dimensi dan
karakteristik butir.
 Model MIRT logistik tipe noncompensatory dapat ditulis sebagai :

dengan bim merupakan parameter butir ke-i pada dimensi ke-m. Terkait
dengan bentuknya yang merupakan hasil perkalian, model ini sering pula
dinamai dengan model multiplikatif.