Analisis Instrumen AA Uji

validitas
(Uji CVR, CFA, dan Rasch Model)

DISUSUN OLEH:
ESTERLIN (A2L022008)
MIKA YANTI ARITA PASARIBU (A2L022011)
 VALIDITAS
Validitas merupakan suatu standar yang menunjukkan sejauh
mana alat ukur mampu mengukur apa yang ingin diukur. Semakin
tinggi nilai validitas maka semakin valid instrumen yang digunakan.
Sebaliknya, semakin rendah nilai validitas maka instrumen yang
digunakan kurang valid (Arikunto, 1998).
Syarat minimal uji coba validitas dilakukan kepada 30
responden dengan pengukuran menggunakan program Statistical
Products and Solution Services (SPSS), dengan syarat:

1. Jika rhitung ≥ rtabel dengan signifikansi 5%, maka instrumen

tersebut dinyatakan valid.
2. Jika rhitung ≤ rtabel dengan signifikansi 5%, maka instrumen
tersebut dinyatakan tidak valid.
JENIS VALIDITAS
 KOEFISIEN VALIDITAS

01 02 03
Uji CVR Uji CFA Uji Rasch Model
Content Validity Ratio Confirmatory Factor
analysis
 01
Content Validity Ratio (CVR)
 Content Validity Ratio (CVR)

Merupakan suatu cara untuk menghitung koefisien validitas isi yang dilakukan dengan meminta
ahli (expert) untuk menilai sejauh mana item pada instrumen tes sesuai dengan kontruk
teoritis/materi belajar.

Validitas isi biasanya dilakukan oleh minimal 3 ahli/Validator (DeVon et al 2007).

Validitas isi dilakukan untuk memastikan apakah isi kuesioner sudah sesuai dan relevan dengan
mata pelajaran yang telah diajarkan berdasarkan professional judgment.
 Content Validity Ratio (CVR)
Untuk mengukur Contect Validity Ratio (CVR), sejumlah ahli diminta untuk memeriksa setiap komponen
instrumen pengukuran. Masukan para ahli digunakan untuk menghitung CVR pada setiap komponen. Validasi
dilakukan dengan cara:

1. Kriteria Penilaian Tanggapan Validator

Pemberian skor pada tanggapan validator menggunakan kriteria sebagai berikut:

Kriteria Skor
Ya 1
Tidak 0

2. Pemberian Skor pada jawaban item diolah dengan CVR

Setelah semua item mendapatkan skor, skor tersebut diolah dengan cara:
 Content Validity Ratio (CVR)
A. Menghitung Nilai CVR Makna rumusan dari Lawshe (1975), yaitu:
1) jika validator yang menyatakan setuju
Validitas konten dihitung dengan menggunakan kurang dari setengah dari jumlah total
validator maka nilai CVR bernilai negatif;
2) jika validator yang menyatakan setuju tepat
rumus: setengah dari jumlah total validator maka
nilai CVR bernilai nol; dan
3) jika validator yang menyatakan setuju lebih
dari setengah jumlah total validator maka
nilai CVR berada antara 0 sampai dengan 1.
4) Nilai CVR yang diperoleh dari perhitungan
Lawshe (1975) dibandingkan dengan nilai kritis CVR

Keterangan:
ne = jumlah ahli yang setuju
N = jumlah semua ahli yang memvalidasi
 Content Validity Ratio (CVR)
Tabel Nilai kritis CVR

Validitas konten diterima jika memiliki

nilai sama dengan atau lebih besar dari nilai
CVR minimum dan ditolak apabila
memiliki nilai lebih rendah dari nilai CVR
minimum (Wilson et al, 2012)
 Content Validity Ratio (CVR)

Setelah mengidentifikasi pertanyaan pada lembar validasi dengan

menggunakan CVR, kemudian dihitunglah CVI (Content Validity Index).

Secara sederhana CVI merupakan rata-rata dari nilai CVR untuk item tes yang
dijawab “Ya”. Nilai CVI diperoleh dengan menggunakan rumus:
 Example Research
Content Validity Ratio (CVR)

Rancangan Penelitian ini dibagi menjadi tiga bagian, yaitu pengembangan alat KAP
awal melalui tinjauan literatur dan konsultasi ahli, indeks validitas isi untuk
memastikan penerapan dan kesesuaian item, dan studi percontohan untuk tes-tes
ulang reliabilitas dan kelayakan alat.
 Example Research
Content Validity Ratio (CVR)
Peneliti membuat instrumen Pengetahuan (21 item), sikap (15 item), dan praktik (15 item).
Kemudian peneliti mengirimkan instrumen tersebut kepada tiga ahli pertama dimana Pengetahuan dinilai
dengan 'Ya', 'Tidak', dan 'Tidak tahu'. Sikap dan praktik dinilai menggunakan skala 5 likert. Versi awal alat
KAP dikirim ke para ahli untuk ditinjau CVR dan CVI.
Tiga ahli (dokter gigi komunitas, dokter gigi psikolog, dan dokter gigi fakultas kedokteran gigi
universitas) diundang untuk mengevaluasi alat secara mandiri. Mereka mengevaluasi domain dan item
untuk kesesuaian, struktur dan kejelasannya, pertanyaan yang berlebihan, dan ambiguitas arti dalam
instrumen. Semua item dari versi awal ditinjau dan dikomentari oleh ketiga pakar ini dengan peringkat
dari 2 hingga 4 untuk CVR dan CVI. Modifikasi atau eliminasi dilakukan jika komentar naratif diberikan.
Hasil Tinjauan Pakar untuk Pemeriksaan Relevansi dan Komentar dapat dilihat pada Tabel 1.
 Setelah dilakukan validasi oleh 3 orang ahli, sebanyak enam item dihapus karena duplikasi makna atau
tidak esensial. Empat item dipindahkan ke domain yang lebih sesuai. Alat KAP versi kedua terdiri dari 19 item
pengetahuan, 13 item sikap, dan 11 item praktik. Alat KAP diberikan kepada 5 ahli, kemudian peneliti
menghitung CVR dan CVI untuk mengevaluasi validitas isi. Perhitungan I-CVI dan CVR pada masing-masing
item dapat dilihat pada tabel 2.

Dari 43 item pertanyaan dinilai relevan (skor 3 atau 4) dan I-CVI adalah 1,00. Berdasarkan kesepakatan
universal, CVI dihitung dengan menjumlahkan semua CVR lalu dibagi jumlah item tes. Hasil S-CVI/UA
adalah 1,00, menunjukkan validitas isi yang sangat baik.
 02
Confirmatory Factor Analysis (CFA)
 Confirmatory Factor Analysis (CFA)

Confirmatory Factor Analysis (CFA) merupakan metode yang digunakan untuk menguji
seberapa baik variabel yang diukur dapat mewakili construct atau faktor yang terbentuk
sebelumnya. Dalam CFA, terdapat dua macam variabel yaitu variabel laten dan variabel indikator.
Variabel laten (latent variable) adalah variabel yang tidak dapat diukur secara langsung, tetapi dapat
dibentuk dan dibangun oleh variabel-variabel lain yang dapat diukur dan variabel tersebut adalah
variabel indikator (Hair, 2010).
Validitas suatu indikator dapat dinyatakan valid, jika indikator yang digunakan dapat
mengukur konstruk tertentu bilamana critical ratio (CR) dari regression weight yang menunjukkan
nilai di atas 2,0 dengan p ≤ 0,05 (Ghozali, 2012).
Confirmatory Factor Analysis (CFA) dilakukan dengan menggunakan software AMOS.
 Confirmatory Factor Analysis (CFA)
Pada CFA terdapat lima elemen yang penting yakni
variabel laten, variabel indikator (ξ ), loading faktor
(λ) pada setiap indikator, hubungan construct (ρ),
dan error( δ ) yang tidak dapat dijelaskan oleh
variabel indikator (Hair JR dkk., 2010). Model
umum analisis faktor konfirmatori adalah sebagai
berikut (Bollen, 1989).
x = Λxξ + δ

Keterangan:
X = vektor bagi variabel-variabel indikator berukuran q x l
Λx = matriks bagi faktor loading (λ) atau koefisien yang menunjukkan hubungan x dengan ξ berukuran q x n
ξ = (ksi), merupakan variabel laten berukuran n x l
δ = vektor bagi galat pengukuran berukuran q x l
 Confirmatory Factor Analysis (CFA)
CFA dibedakan menjadi dua yakni First Order
Confirmatory Factor Analysis dan Second Order
Confirmatory Factor Analysis (Hair JR dkk., 2010).
1. First Order Confirmatory Factor Analysis
Variabel laten diukur berdasarkan beberapa
indikator yang dapat diukur secara langsung.
2. Second Order Confirmatory Factor Analysis
Variabel laten tidak diukur langsung melalui
indikator penilaian, melainkan melalui variabel
laten yang lain.
 Langkah-Langkah
Confirmatory Factor Analysis (CFA)

Metode Confirmatory Factor Analysis (CFA), dapat dilakukan dengan langkah sebagai berikut.
A. Menguji asumsi distribusi normal multivariat pada second order CFA dan diharapkan
data memenuhi asumsi distribusi normal multivariat.
B. Melakukan identifikasi model dan diharapkan model over identified.
C. Melakukan pengujian kecocokan antara model dengan data menggunakan kriteria
Goodness of Fits dan apabila masih belum sesuai dilakukan modifikasi model.
D. Melakukan uji validitas dan reliabilitas untuk mengetahui sejauh mana model valid dan
reliabel atau tidak.
 Example Research
Confirmatory Factor Analysis (CFA)

Penelitian ini menggambarkan penerapan Confirmatory Factor Analysis (CFA)

dalam Structural Equation Modeling (SEM), untuk menguji validitas instrumen dalam
bidang pendidikan.
Berbagai pengujian yaitu Regression Weights, Standardized Regression Weights,
Convergent Validity, Variance Extracted, Construct Reliability, dan Discriminant Validity
telah menunjukkan hasil validitas yang lebih baik.
Validitas instrumen dalam penelitian ini menggunakan program AMOS 18.0.
 Example Research
Confirmatory Factor Analysis (CFA)
Validitas konstruk menggunakan CFA (Confirmatory Factor Analysis) menggunakan empat
ukuran, yaitu Convergent Validity, Variance Extracted, Construct Reliability, dan Discriminant
Validity.

Convergent Validity : untuk melihat seberapa besar indikator Converge atau share dalam satu
konstruk. Suatu indikator dikatakan konvergen jika memiliki nilai faktor loading yang tinggi dan
signifikan. Selain itu, ia memiliki perkiraan pemuatan faktor standar lebih besar dari 0,5.
Validitas konstruk ditentukan oleh nilai rata-rata AVE (Average Variance Extracted). Rumus nilai
AVE, yaitu:
 Example Research
Confirmatory Factor Analysis (CFA)
Construct Reliability : untuk mengetahui konsistensi indikator validitas konstruk. Rumus nilai
CR, yaitu:

Discriminant Validity : untuk menunjukkan seberapa besar varians pada indikator yang mampu
menjelaskan varians pada konstruk.
 Example Research
Confirmatory Factor Analysis (CFA)
Penelitian ini menguji validitas tingkat motivasi digunakan instrumen yang terdiri dari 10 item pertanyaan dengan
jumlah sampel 20 siswa. Instrumen kuesioner memiliki empat pilihan,yaitu:
(1) Sangat Tidak Setuju
(2) Tidak Setuju
(3) Setuju
(4) Sangat Setuju.

Hasil pengujian disusun dan dicacah dengan menggunakan SPSS dan ditabulasikan pada Tabel 1 dan Tabel 2.

Nilai Cronbach's Alpha untuk seluruh item valid (setelah item yang tidak valid dikeluarkan) sebesar 0,882 yang berarti
instrumen memiliki tingkat konsistensi yang tinggi (diatas 0,85). Dengan demikian dapat disimpulkan bahwa instrumen dengan
poin 1 sampai dengan poin 8 pada Tabel 2 memiliki konsistensi yang tinggi, atau layak digunakan dalam pengumpulan data.
 Example Research
Confirmatory Factor Analysis (CFA)

Hasil tersebut dibandingkan dengan Confirmatory Factor Analysis (CFA) yang ada di Struktural
Equation Modeling (SEM) menggunakan program Amos 18.0. Hasil perbandingan dapat dilihat
pada tabel 3.
 Example Research
Confirmatory Factor Analysis (CFA)

Bobot Regresi pada Tabel 3 menunjukkan bahwa 10 indikator memiliki nilai P tidak signifikan karena lebih besar dari
nilai 0,05. Dengan demikian dapat dinyatakan bahwa 10 item indikator tidak memenuhi uji validitas konstruk,
sehingga butir tersebut tidak dapat digunakan dalam pengumpulan data penelitian.
 03
Rasch Model
 Rasch Model
Rasch Model merupakan alat analisis yang dapat menguji validitas (kesahan)
dan reliabilitas instrumen riset, bahkan menguji kesesuaian person dan item
secara simultan.

Rasch Model juga memiliki beberapa kelebihan karena memenuhi lima prinsip
model pengukuran yaitu: pertama mampu memberikan skala liner dengan
interval yang sama; kedua, dapat melakukan prediksi terhadap data yang hilang;
ketiga, bisa memberikan estimasi yang lebih tepat; keempat, mampu
mendeteksi ketidaktepatan model: dan kelima, menghasilkan pengukuran yang
replicable.
 Rasch Model
Pemodelan Rasch menggabungkan suatu algoritma yang menyatakan hasil ekspektasi
probabilistik dari aitem ‘i’ dan responden ‘n’, yang secara matematis dinyatakan sebagai :

Dimana: Pni(xni=1 /βn , δi ) adalah probilitas dari responden n dalam aitem i untuk menghasilkan
jawaban betul (x = 1); dengan kemampuan responden, βn, dan tingkat kesulitan aitem δi.

Sehingga probabilitas akan satu keberhasilan dapat dituliskan sebagai :

Dalam model rasch, peserta tes dengan kemampuan (ability) yang tinggi seharusnya memiliki
probability yang lebih besar untuk menjawab benar suatu soal daripada siswa lainnya. Dan
sebaliknya, siswa memiliki peluang lebih kecil untuk menjawab benar suatu soal yang memiliki
tingkat kesulitan lebih tinggi.
 Example Research
Rasch Model

Penelitian ini menggunakan analisis Rasch untuk menyelidiki validitas konstruk Kuesioner pada pengajaran
Klinik Osteopati.
Pendidikan klinis dalam osteopati biasanya dilakukan di lingkungan klinik di kampus. Klinik-klinik ini memberi
siswa kesempatan untuk mengembangkan kesiapan kerja mereka, dan mempraktikkan penerapan
keterampilan dan pengetahuan yang diperoleh di kelas dalam lingkungan yang diawasi. Dalam pendidikan
klinis osteopati, setiap guru klinis biasanya mengawasi antara 5 dan 7 siswa pada satu waktu. Untuk itu perlu
dilakukan evaluasi untuk memastikan siswa menerima pendidikan dan pengembangan keterampilan klinis
yang sesuai.
 Example Research
Rasch Model
Penelitian ini diikuti oleh Siswa osteopati senior di empat institusi di Australia, Selandia Baru dan Inggris.
Mereka menilai guru klinis mereka menggunakan Kuesioner Pengajaran Klinis Osteopati.

Siswa menyelesaikan Kuesioner Pengajaran Klinis Osteopati (OCTQ) versi 2.

Osteopathy Clinical Teaching Questionnaire (OCTQ) (versi 2) berisi 30 item yang mengevaluasi berbagai
aspek kinerja guru klinis di 5 faktor: lingkungan belajar; pemodelan; masukan; manajemen pasien; dan
praktik reflektif.

Setiap item diberi peringkat pada skala :

1 = sangat tidak setuju
2 = tidak setuju
3 = netral
4 = setuju
5 = sangat setuju

Respons bersifat anonim – baik siswa maupun guru klinis yang dinilai tidak diidentifikasi. Siswa diminta
untuk menunjukkan jenis kelamin mereka dan jenis kelamin guru klinis yang dinilai.
 Example Research
Rasch Model

Empat ratus kuesioner diterima. Satu kuesioner tidak diisi sehingga 399 tersedia untuk dianalisis.
Analisis Rasch Data dimasukkan ke Microsoft Excel untuk Mac kemudian diekspor ke RUMM2030
untuk analisis Rasch (RA).

Analisis awal menunjukkan bahwa data tidak sesuai dengan model Rasch. Oleh karena itu, modifikasi
kuesioner dibuat termasuk menghapus item, menghapus tanggapan orang, dan menilai ulang item.
 Example Research
Rasch Model
Statistik kecocokan item dan peta ambang batas untuk analisis awal masing-masing disajikan pada gambar
2 . Enam puluh tanggapan diidentifikasi sebagai ekstrim oleh RUMM dan 62 tanggapan lebih lanjut
menunjukkan SD sisa lebih besar dari 2,5 menunjukkan ketidakcocokan dengan model Rasch.
 Example Research
Rasch Model

Model Rasch terakhir dicapai dengan menghilangkan 18 item, menskor kembali item 30,
dan menghilangkan 153 tanggapan yang tidak sesuai secara total yang terdiri dari 122
pada analisis awal dan 31 tanggapan yang tidak sesuai yang diidentifikasi selama analisis
berikutnya.

Model final berisi 12 item dan 246 tanggapan. Kesesuaian keseluruhan dengan model
Rasch.
Example Research
Rasch Model
Example Research
Rasch Model
 Example Research
Rasch Model

Secara keseluruhan Data yang disajikan di sini menunjukkan bahwa 12 item OCTQ
memenuhi persyaratan model Rasch, yaitu pengukuran invarian. Pengukuran Rasch “dapat
dipandang sebagai model psikometrik yang dapat memenuhi persyaratan IM [pengukuran
invarian] ketika ada kecocokan model-data yang dapat diterima”. Mengingat kecocokan
yang dapat diterima untuk model Rasch dicapai setelah modifikasi, masuk akal untuk
menyimpulkan bahwa OCTQ 12-item ini menunjukkan sifat pengukuran invarian.
Example Research
Rasch Model
 Example Research
Rasch Model

Penelitian ini telah memberikan bukti validitas konstruk dari versi 12 item dari OCTQ.
Model final berisi 12 item dan kesesuaian dengan model Rasch.

OCTQ memiliki sejumlah kegunaan. Pertama, kuesioner dapat digunakan sebagai bagian dari strategi
penjaminan mutu dalam komponen pendidikan klinis dari program pengajaran. Kedua, hasil yang
diperoleh dari kuesioner OCTQ dapat digunakan untuk menginformasikan kegiatan pengembangan
fakultas atau pengembangan profesional untuk meningkatkan pengalaman pendidikan klinis bagi
mahasiswa dan pendidik, yang berpotensi meningkatkan perawatan pasien. Ketiga, kuesioner memiliki
potensi untuk memberikan fokus kegiatan pengembangan profesional.
Thanks!
Do you have any questions?

@mikapsrb
@esterlinwainarisi

Pisau diasah buat petani

Bawa ke ladang naik pedati
CREDITS: This presentation template was created by
Selesai
Slidesgo, sudah
including presentasi
icons by Flaticon andini
infographics &
images by Freepik
Semoga bisa memberi arti