George Rasch mengembangkan satu model analisis dari teori respon butir (atau Item Response Theory, IRT) pada tahun 1960-an biasa disebut 1PL (satu parameter logistic) (Olsen, 2003). Model matematika ini kemudian dipopulerkan oleh Benjamin Wright (Linacre, 2011). Dengan data mentah berupa data dikotomi (berbentuk benar dan salah) yang mengindikasikan kemampuan siswa, Rasch memformulasikan hal ini menjadi satu model yang menghubungan antara siswa dan aitem (Sumintono & Widhiarso, 2015).
Rasch mengembangkan model pengukuran data yang dapat menentukan hubungan antara tingkat kemampuan siswa (person ability) dan tingkat kesukaran item (item difficulty) dengan menggunakan fungsi logaritma untuk menghasilkan pengukuran nilai interval yang sama (Sumintono, 2014). Rasch berpendapat bahwa, “Individu yang memiliki tingkat kemampuan abilitas yang lebih besar dibanding individu lainnya seharusnya memiliki peluang yang lebih besar untuk menjawab satu butir soal dengan benar. Dengan prinsip yang sama butir yang lebih sulit menyebabkan peluang individu untuk mampu menjawabnya menjadi kecil” (Goh et al., 2017)
Analisis di dalam Model Rasch menggunakan data skor mentah yang diperoleh langsung dari penilaian terhadap soal yang diujikan kepada siswa dan dikonversi dalam skala logit (Sumintono & Widhiarso, 2015). Skala logit (log odds unit) merupakan skala dengan interval sama dan bersifat linear yang berasal dari data ratio (odds ratio) untuk menunjukkan abilitas siswa dan kesulitan item. Skala logit yang dihasilkan tergantung dari pola respon yang diberikan. Beberapa kelebihan model Rasch yaitu mampu memberikan rincian hasil analisis data tes antara item dan person ability meliputi output peta wright, item measure, person measure, Matriks Guttman, item fit, person fit, Reliabilitas, dan kurva fungsi informasi
Pendekatan yang digunakan untuk memahami Permodelan Rasch yaitu melalui Scalogram atau Matriks Guttman. Matriks Guttman menjadi dasar dari permodelan Rasch. Guttman memperkenalkan pemeringkatan skala sikap dalam bentuk matriks yang diurutkan dari tingkat terendah ke yang tertinggi. Hal ini bertujuan untuk memudahkan peneliti dalam menganalisis dan memberikan prediksi akan kemampuan individu responden sekaligus tingkat kesulitan soal atau butir item (Sumintono dan Widhiarso, 2015). Permodelan Rasch menggunakan Matriks Guttman.
Keunggulan Pemodelan Rasch
Kemampuan melakukan prediksi terhadap data yang hilang (missing data) yang didasarkan pada pola respons sistematis (format skalogram). Hal ini menjadikan hasil analisis statistik lebih akurat. Dalam model statistik lain, biasanya memperlakukan data hilang dengan nilai nol, bahkan jika tingkat persentase data hilang tinggi, maka analisis tidak dapat memberikan kesimpulan yang memuaskan. Namun dengan kemampuan prediksinya, pemodelan Rasch menghasilkan kemungkinan nilai terbaik dari data yang hilang.
Software Program Komputer Untuk Analisis Pemodelan Rasch
- Ministep & Winsteps
Website: https://www.winsteps.com/index.htm
Video Tutorial: https://www.youtube.com/channel/UCVgROegi_QOBkZ7uJeAY4sg/videos
Link Tutorial: https://www.winsteps.com/tutorials.htm
Download Ministep: https://www.winsteps.com/ministep.htm
Download Minifac: https://www.winsteps.com/minifac.htm
Download Manual: https://www.winsteps.com/manuals.htm
Winsteps Forum: https://raschforum.boards.net/board/1/post-create-thread
MINISTEP adalah versi minimalis WINSTEPS. Ini memiliki fungsionalitas WINSTEPS yang lengkap, tetapi terbatas pada 25 item dan 75 orang (responden). Anda dapat menyalin, mendistribusikan, dan menggunakannya tanpa biaya atau batas waktu.
Versi lengkap WINSTEPS dapat menganalisis 60.000 item dan 10.000.000 orang.
Harga Winsteps dan Facets:
-
- Winsteps 4.8.2 single-user license by download: Rp 2.346.795.06 = 134.13 EUR
- Facets 3.83.6 single-user license by download: Rp 2.346.795.06 = 134.13 EUR
- Rasch Analysis Using R Programming:
Tidak disarankan untuk pengguna bukan programmer kecuali sudah memiliki skrip program lengkap sesuai kebutuhan. Memerlukan program R dilengkapi paket library sesuai kebutuhan. Begitu juga pengguna harus mengetahui berbagai fungsi (command) sesuai kebutuhan, sehingga tidak mudah dilakukan bagi pengguna yang bukan programmer.
Banyak pakar statistika yang sudah mengembangkan modul aplikasi analisis Rasch di internet, pengguna tinggal download karena biasanya bersifat “open source” sehingga bisa dikembangkan atau dimodifikasi.
Contoh modul TAM (Test Analysis Modules) telah disusun oleh T. Kiefer, A. Robitzsch & M. Wu:
http://www.edmeasurementsurveys.com/TAM/Tutorials/index.htm
atau akses melalui link https://blogchem.com/tam/index.html
Modul TAM dapat diakses melalui link
https://cran.r-project.org/web/packages/TAM/index.html
- Rasch Analysis Using ShinyItemAnalysis Online
Cara ini praktis bagi pengguna yang kesulitan instalasi secara manual tetapi membutuhkan akses internet yang besar (broadband).
Akses online melalui link https://shiny.cs.cas.cz/ShinyItemAnalysis/
atau melalui https://blogchem.com/shiny
Link lain: http://statslab-rshiny.fmipa.unej.ac.id/RDoc/ltm/
terima kasih admin, sy baru juga mau belajar tentang Rasch.. Berharap bisa menghubungi admin apabila ada yang ingin dikonsultasikan
masama,semoga lancar