RESPON BUTIR
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
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)
, 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
Ket :
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
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
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
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.