scholarly journals Mendeteksi Keajegan Butir Tes Dengan Fungsi Informasi

2021 ◽  
Vol 2 (1) ◽  
pp. 72-84
Author(s):  
Rahmadhani Mulvia ◽  
Taufik Ramlan Ramalis ◽  
Ridwan Efendi

Penelitian ini bertujuan untuk mendeteksi keajegan butir tes dengan fungsi informasi dari teori respon butir. Keajengan informasi dalam pengukuran dikenal dengan reliabilitas. Metode penelitian yang digunakan adalah pengembangan dengan desain ADDIE (Analyze, Design, Development, Implement, and Evaluation). Partisipan pada penelitian ini terdiri dari 5 ahli dan 280 peserta didik SMA yang dipilih dengan menggunakan teknik random sampling. Instrumen yang digunakan adalah lembar validasi dan angket kebiasaan berpikir ilmiah. Lembar validasi digunakan pada tahap development yang terdiri dari 6 aspek mencakup konstruk, konten dan bahasa. Angket kebiasaan berpikir ilmiah digunakan pada tahap implement yang terdiri dari 22 butir tes dan dinyatakan layak untuk diujicobakan oleh ahli. Data yang diperoleh dari lembar validasi dianalisis dengan menggunakan Many Facet Rasch Model berbantuan program Minifac dari Winstep sehingga dinyatakan layak untuk diuji cobakan. Data dari tahap implement dianalisis dengan menggunakan graded response model berbantuan program eirt. Hasil yang diperoleh adalah sebagian besar dari instrumen baik digunakan untuk mengukur kebiasaan berpikir ilmiah dan dapat mengukur tingkat kemampuan dari tingkat yang rendah sampai tingkat yang tinggi. Oleh karena itu, sebagian besar butir tes dapat diimplikasikan dalam pengukuran kemampuan kebiasaan berpikir ilmiah yang dimiliki oleh peserta didik.

2009 ◽  
Vol 40 (11) ◽  
pp. 1212-1220 ◽  
Author(s):  
Zhao-Sheng LUO ◽  
Xue-Lian OUYANG ◽  
Shu-Qing QI ◽  
Hai-Qi DAI ◽  
Shu-Liang DING

2020 ◽  
Vol 44 (6) ◽  
pp. 465-481
Author(s):  
Carl F. Falk

We present a monotonic polynomial graded response (GRMP) model that subsumes the unidimensional graded response model for ordered categorical responses and results in flexible category response functions. We suggest improvements in the parameterization of the polynomial underlying similar models, expand upon an underlying response variable derivation of the model, and in lieu of an overall discrimination parameter we propose an index to aid in interpreting the strength of relationship between the latent variable and underlying item responses. In applications, the GRMP is compared to two approaches: (a) a previously developed monotonic polynomial generalized partial credit (GPCMP) model; and (b) logistic and probit variants of the heteroscedastic graded response (HGR) model that we estimate using maximum marginal likelihood with the expectation–maximization algorithm. Results suggest that the GRMP can fit real data better than the GPCMP and the probit variant of the HGR, but is slightly outperformed by the logistic HGR. Two simulation studies compared the ability of the GRMP and logistic HGR to recover category response functions. While the GRMP showed some ability to recover HGR response functions and those based on kernel smoothing, the HGR was more specific in the types of response functions it could recover. In general, the GRMP and HGR make different assumptions regarding the underlying response variables, and can result in different category response function shapes.


Psychometrika ◽  
2001 ◽  
Vol 66 (3) ◽  
pp. 461-463 ◽  
Author(s):  
Timo M. Bechger ◽  
Wies Akkermans

Sign in / Sign up

Export Citation Format

Share Document