GGGB 6333

TEORI DALAM PENGUKURAN DAN PENILAIAN

PENSYARAH

PM DR NORASMAH OTHMAN

DR. JAMIL AHMAD

PN NUR AIDAH RASHID

TUGASAN BERKUMPULAN: TUGASAN 1

SOALAN 5

DISEDIAKAN OLEH:

BIL NAMA PELAJAR NO MATRIKS

1 ANITA BT HASHIM P69825

2 MOHD ASYRAF B ABD JALIL P 66390

3 MUHAMMAD AFIQ B ABDUL LATIF P 61733

4 UMAYMAH BT ALAMIN P66538

5 ZARAH BT AHMAD P61937

SEMESTER 2 2012/2013

senang32@gmail.com/gto_asyraf07@yahoo.com/eider_11@yahoo.com

/umaymah504@gmail.com/zarah@smkdabb.edu.my

ii

ISI KANDUNGAN TUGASAN

BIL PERKARA MUKA SURAT

1 Tajuk soalan 1

2 Pengenalan SPSS 1

3 Kebaikan penggunaan SPSS 1

4 Kesimpulan 6

5 Pengenalan Rasch Model 6

6 Penggunaan Model Pengukuran Rasch 6

7 Kekuatan utama dalam Model Rasch 7

8 Kesimpulan 10

9 Rujukan 11

1

SOALAN 5

Untuk menganalisis data, perbagai kaedah digunakan. Terdahulu pengkaji banyak

menggunakan SPSS untuk menganalisis data dan terkini banyak pula mempersoalkan

keupayaan SPSS. Mereka menegaskan bahawa Model Rasch adalah lebih baik berbanding

dengan SPSS. Justeru anda dikehendaki membuktikan bahawa:

a. SPSS masih boleh digunakan. Beri hujah anda kenapa?

b. Rasch Model lebih baik atau sebaliknya. Kenapa?

SPSS

1.0 PENGENALAN

SPSS adalah bermaksud Statistical Package for the Social Sciences merupakan satu perisian

statistik yang digunakan untuk menganalisis data secara kuantitatif. Perisian ini juga melalui

beberapa perubahan nama seperti PAWS Statistic (Predictive Analytics Software) dalam

tahun 2009, manakala pada tahun 2010, ia dikenali sebagai IBM SPSS (Pallant 2011). SPSS

terdiri daripada satu siri bersepadu program komputer yang membolehkan pengguna untuk

membaca data daripada kajian soal selidik dan sumber-sumber lain (contohnya rekod

perubatan dan pentadbiran), kemudian data di manipulasi dalam pelbagai cara bagi

menghasilkan pelbagai analisis statistik dan laporan berserta dengan dokumentasi (Hall

2012). Setengah penyelidik menyatakan perisian SPSS atau dikenali sebagai Software

Package for Social Science yang digunakan dalam penyelidikan berstatistik atau kuantitatif

digunakan untuk menganalisis data dan dipaparkan dalam bentuk nombor dan jadual (Mohd

Hisyam 2005). Berdasarkan pendapat Rosseni (2010), beliau menyokong pengkaji berkenaan

iaitu SPSS ialah sebuah perisian yang digunakan untuk menganalisis data penyelidikan yang

telah siap ditadbir dan dikumpulkan. Oleh itu, perisian SPSS adalah satu perisian yang sesuai

untuk penyelidik menganalisis data secara numerikal bagi menjawab persoalan kajian.

Pelbagai pendapat dikemukakan oleh penyelidik berkaitan dengan perisian SPSS. Program

perisian ini telah dipilih kerana biasa digunakan secara umum dan meluas di seluruh dunia

penyelidikan (Tuckman 1999). Sebaliknya Ananda Kumar Palaniappan (2009), menyatakan

perisian ini bukan sahaja digunakan dalam bidang pendidikan tetapi juga dalam bidang

perniagaan dan perubatan. Beliau juga menjelaskan bahawa kebanyakan pelajar atau

penyelidik menggunakan perisian yang canggih dan mudah dipelajari ini bagi memperoleh

data yang disemak secara jitu iaitu diuji untuk memastikan penganalisaan statistik adalah

secara penganalisisan statistik parametrik atau bukan parametrik. Dalam penyelidikan, salah

satu cabaran adalah memperoleh data yang sah dan representative serta dapat membuat

penganalisisan yang betul untuk menjawab soalan-soalan kajian atau mencapai objektif

kajian. Justeru itu, penyelidik perlu memilih statistik yang terbaik untuk mendapatkan hasil

yang tepat.

2.0 KEBAIKAN PENGGUNAAN SPSS

2.1 Asas penggunaan

Penyelidik perlu mengetahui asas penggunaan perisian SPSS bagi memudahkan data

dianalisis dengan mudah dan cepat. Penggunaan SPSS yang asas adalah dengan mengetahui

operasi fail data yang membolehkan penyelidik memasukkan data di spreadsheet yang

2

dipaparkan (data view dan variable view) daripada pembolehubah-pembolehubah yang

terlibat dalam kajian seperti jantina, umur, pekerjaan ibu bapa dan jenis sekolah. Penggunaan

asas perisian SPSS dengan melakukan latihan-latihan berkaitan perisian melalui kemahiran-

kemahiran seperti memasukkan data dan “membersihkan” data, melakukan pemeriksaan data

atau “explore” data, membuat penganalisisan deskriptif dan inferential, mengintepretasi

keputusan dan melaporkan keputusan untuk diterbitkan dalam jurnal yang berwasiat dan

berindeks Web of Science(ISI) Ananda Kumar Palaniappan (2009). Selain itu, pengguna

seharusnya mengetahui paparan asas yang ada dalam program ialah Data Editor ( Rajah 1)

dan Output Viewer . Data Editor ialah satu sistem paparan untuk memasukkan data, memberi

definisi, mengedit dan memaparkan semua data dalam satu paparan yang mudah dibaca

manakala Output Viewer adalah satu paparan yang membolehkan pengkaji melihat keputusan

atau output, memilih dan menyembunyikan output, menukar kedudukan atau susunan

keputusan analisis dan juga membentuk jadual dan carta daripada sesuatu aplikasi kepada

aplikasi yang lain dan mudah serta menarik (Ramlee, Jamal@Nordin & Hariri 2011; Pallant

2011). Melalui latihan-latihan asas yang disediakan oleh buku rujukan, pelajar (penyelidik)

atau pengguna akan berusaha memahami konsep penggunaan asas dan melaksanakan tugasan

(analisa data) bagi memperoleh keputusan kajian penyelidikan.

Rajah 1 : Paparan Data Editor

2.2 Ujian kenormalan

Perisian SPSS mampu menguji data-data yang diperoleh daripada kajian bagi mengetahui

kenormalan sebelum memilih statistik yang sesuai. Sesuatu data dikatakan berada dalam

bentuk “taburan normal” apabila ia memenuhi syarat-syarat seperti berikut iaitu berbentuk

simetri, ciri-ciri data dibentuk oleh min dan sisihan piawai, berbentuk loceng serta

mempunyai min, median dan mod (Ramlee et al. 2011, Jackson 2006). Cara yang boleh

digunakan untuk menentukan kenormalan taburan data iaitu cara grafik dan cara kiraan

(Ananda Kumar Palaniappan 2009; Ramlee et al. 2011). Cara-cara grafik termasuk

histogram, Stem-and-Leaf Plot, Boxplot, Normal Q-Q Plot dan Detrended normal Q-Q Plot.

3

Selain itu, kenormalan taburan data-data juga boleh ditentukan dengan menggunakan analisis

statistik seperti statistik deskriptif, M-Estimators, Ujian Kolmogorov-Smirnov dan Shapiro-

Wilk.

2.3 Analisis deskriptif

Statistik deskriptif digunakan oleh penyelidik untuk mengorganisasikan dan menganalisis

data agar dapat memberikan gambaran secara teratur, mudah dan jelas sehingga dapat

mengeluarkan makna tertentu dari sesebuah data. Maklumat boleh diperoleh dari kemudahan

atau fungsi frequency ( kekerapan, peratusan), descriptive (min, mod median, maximum dan

minimum), explore (normality data) dan ratio (Rosseni 2010). Perisian ini juga membolehkan

analisis deskriptif atau demografi (Ananda Kumar Palaniappan 2009). Analisis meliputi min

(purata skor), median (skor tengah dalam turutan skor-skor) dan mod (skor paling banyak

dari segi frekuensi) yang dikenali sebagai ukuran kecenderungan tengah. Selain itu,

pengiraan berkaitan dengan taburan serakan seperti julat, sisihan piawai, varians serta

pengiraan berkaitan dengan kepencongan dan kurtosis dapat dilakukan (Ananda Kumar

Palaniappan 2009; Ramlee et al. 2011; Hole 2012). Namun begitu dalam menganalisis ukuran

kecenderungan tengah yang sesuai, ia bergantung pada skala ukuran data yang diperoleh.

Menerusi perisian ini juga, jadual deskriptif yang sesuai dan penuh dengan maklumat penting

dapat dibina dengan arahan tertentu.

2.4 Analisis inferential

Pelbagai analisis inferential yang boleh digunakan dalam SPSS. Analisis ini bertujuan untuk

membuat inferens daripada sampel kepada populasi. Namun begitu, jenis analisis inferential

yang digunakan bergantung pada skor-skor/data yang diperoleh. Apabila taburan adalah

normal dan data-data kumpulan yang dikaji seperti kumpulan lelaki dan kumpulan

perempuan mempunyai varians yang sama, statistik parametrik seperti Ujian-t (t test),

ANOVA, ANCOVA dan MANOVA digunakan. Sebaliknya apabila taburan tidak normal,

analisis bukan parametrik seperti Chi-square, Spearman’s Rho, Ujian U Mann-Whitney,

Wilcoxon Match Pair Signed Ranks, Kruskall-Wallis One way ANOVA dan Friendman’s

ANOVA. Namun begitu, dalam menggunakan ujian statistik perkara yang perlu dipatuhi

ialah syarat-syarat penggunaannya iaitu berdasarkan ujian-ujian parametrik dan ujian-ujian

bukan parametrik.

Berikut adalah ringkasan perbezaan analisis yang digunakan berdasarkan kenormalan taburan

pemboleh ubah ( Muhammad Amirul 2012; Ananda Kumar Palaniappan 2009).

Analisis Parametrik Bukan parametrik

Korelasi Pearson r Chi-square ( untuk data nominal)

Perbandingan antara dua

kumpulan

Contoh : Perbandingan antara

lelaki dan perempuan

Ujian-t Ujian U Mann Whitney

Perbandingan sampel yang

sama dua kali

Ujian –t pasangan

( Paired t –test)

Ujian Wilcoxon

4

Contoh: Perbandingan

markah Matematik dan Sains

pelajar-pelajar sama

Perbandingan di antara tiga

atau lebih kumpulan

Contoh: Perbandingan

markah Matematik, Sains

dan Bahasa Inggeris bagi

pelajar-pelajar yang sama

ANOVA Sehala Ujian Kruskall-Wallis

Perbandingan sampel yang

sama lebih dari dua kali

Contoh: Perbandingan

markah Matematik, Sains

dan Bahasa Inggeris bagi

pelajar-pelajar yang sama

ANOVA sehala berulang Friedman’s ANOVA

Perbandingan satu pemboleh

ubah dari segi lebih daripada

dua pemboleh ubah

ANOVA Faktorial -

Perbandingan lebih daripada

satu pemboleh ubah (DV)

dari segi lebih daripada dua

pemboleh ubah (IV)

Contoh: Perbandingan

markah Matematik dan Sains

dari segi jantina dan SES

MANOVA -

2.5 Analisis kesahan dan kebolehpercayaan

Menurut Pallant (2011), apabila seorang penyelidik memilih skala dalam kajian yang

dilakukan, ia adalah penting untuk mencari skala yang boleh dipercayai. Beliau menegaskan

salah satu penunjuk paling biasa digunakan sebagai ketekalan dalaman ialah pekali Alpha

Cronbach. Sebaliknya Field (2006) menyatakan dari segi kaedah statistik, kaedah yang

digunakan untuk melihat kebolehpercayaan adalah berdasarkan idea bahawa item individu

(atau set item) perlu menghasilkan keputusan yang konsisten dengan soal selidik secara

keseluruhan. Namun begitu, kedua-dua penyelidik menggunakan perisian SPSS sebagai

menganalisis data untuk mengetahui kesahan dan kebolehpercayaan sesuatu instrumen atau

konstruk yang diuji adalah konsisten atau stabil.

Analisis dan pentafsiran data adalah analisis yang digunakan untuk mengukur

kebolehpercayaan sesuatu koefisyen atau pemboleh ubah dan kebiasaannya digunakan adalah

Alpha Cronbach (Ramlee et al. 2011). Berdasarkan output data, nilai alpha dapat

menunjukkan bahawa item yang dibina bagi mengukur sesuatu pemboleh ubah dipercayai

dengan justifikasi dari pakar tertentu. Manakala untuk mengukur kesahan soalan (soal

selidik) ujian kesahan digunakan. Soal selidik yang sah adalah jika persoalan atau item yang

ditanya mampu menggambarkan atau mengungkapkan sesuatu yang akan diukur ( Ramlee et

al. 2011). Kumpulan penyelidik ini berpendapat terdapat 3 kaedah mengukur kesahan soalan

atau item iaitu dengan korelasi skor item soalan dengan total skor variabel, ujian Bivariate

Correlations dan Ujian Confirmatory Factor Analysis (CFA). Kesahan menunjukkan

5

kebolehpercayaan. Satu ukuran yang sah mestilah boleh dipercayai, tetapi ukuran yang boleh

dipercayai boleh menjadi tidak sah ( Stahl t.th). Beliau juga menekankan, kesahan adalah

untuk beberapa tahap bergantung kepada kebolehpercayaan, namun begitu kebolehpercayaan

meletakkan had atas kesahihan skala.

2.6 Kebaikan dan kekangan SPSS

Perisian SPSS mempunyai kelebihan tersendiri. Perisian statistik ini sangat mantap, banyak

ujian statistik kompleks boleh didapati, mempunyai bantuan yang baik untuk mentafsir

keputusan, mudah dan cepat memaparkan jadual data, boleh di perkembangkan dengan

menggunakan ciri syntax dan pembelian adds-in (M. Salman 1999). SPSS membuat analisis

data lebih cepat kerana program ini mengetahui lokasi kes dan pemboleh ubah. Apabila

menggunakan spreadsheet, pengguna perlu menentukan manual hubungan ini dalam setiap

analisis. Malahan perisian ini SPSS adalah khusus dibuat untuk menganalisis data perangkaan

dan menawarkan pelbagai bentuk kaedah, graf dan carta (Daniel 2012).Tambahan Daniel,

SPSS direka untuk memastikan bahawa output di simpan berasingan daripada data sendiri.

Malah, ia menyimpan semua keputusan dalam fail yang berasingan yang berbeza daripada

data. Selain itu, perisian mempunyai satu kelebihan yang unik, iaitu ia boleh menayangkan

maksud sebenar penkodan melalui arahan VALUE LABELS (Rajah 2). Apabila arahan ini

digunakan data yang dimasukkan dalam bentuk kod (contohnya 1 bagi Melayu, 2 bagi Cina)

akan tertera dalam maksud sebenarnya iaitu Melayu atau Cina. Perisian ini mampu

mengakses data dari pelbagai jenis format data yang tersedia seperti Text file, memberikan

maklumat lebih jitu dengan memperlakukan missing data secara tepat dan merangkumkan

data dalam format jadual multidimensi (crosstabs). SPSS adalah satu perisian yang dapat

menguruskan data secara efektif, mempunyai pelbagai pilihan, organisasi output yang baik

dan sangat mesra pengguna ( user friendly).

Rajah 2: Butang Value Labels

Namun begitu terdapat juga kekangan iaitu tidak intuitif untuk digunakan iaitu kebiasaannya

memerlukan latihan tambahan untuk memaksimumkan ciri-ciri (pada kos) dan ciri grafik

tidak semudah perisian Excel (M. Salman 2009). Aspek pengendalian perisian ini

memerlukan pengguna mengetahui dasar ilmu statistik untuk membolehkan program ini

dilaksanakan.Selain itu, pengguna juga perlu meningkatkan pengetahuan atau kemahiran tentang

penggunaan program ini disebabkan perkembangan teknologi perisian dari semasa ke semasa.

Butang Value Labels

6

3.0 KESIMPULAN

Penggunaan perisian SPSS membantu para penyelidik menganalisis data. Oleh itu, perisian

ini masih relevan digunakan sehingga ke hari ini disebabkan perkembangan teknologi yang

dibina memudahkan penyelidik menjelajah pengetahuan dan kemahiran berkaitan

penggunaan SPSS. Namun begitu, dalam memastikan analisa data kajian di interpretasi

dengan jitu, penyelidik perlu memastikan tujuan dan persoalan kajian adalah selari dengan

jenis perisian yang digunakan.

RASCH MODEL

1.0 PENGENALAN

Model logistik satu parameter yang lebih kenali Model Rasch dihasilkan oleh Georg Rasch

pada tahun 1966. Model Rasch mengutamakan prinsip pengukuran objektif. Beliau

merasakan pengukuran aras kecekapan pelajar harus bebas dari item yang digunakan dalam

ujian. Sehubungan itu, dua item harus boleh dibandingkan tanpa merujuk kepada kumpulan

pelajar yang menduduki ujian tersebut. Model ini dilihat sebagai sebahagian dari model

‘latent trait’ melalui ‘item characteristic curve’ yang merupakan fungsi logistik satu

parameter. Ia sebenarnya merupakan kes khusus bagi model logistik dua parameter yang

dihasilkan oleh Birnbaun, di mana semua item diandaikan mempunyai kuasa diskriminasi

yang sama dan hanya berbeza dari segi kesukaran. Andaian ini sangat terhad kerana

sekiranya item ujian yang dipilih tidak mempunyai ciri-ciri di atas maka andaian ini akan

terbatal dengan sendirinya. Model Rasch mempunyai beberapa sifat yang khas yang

membuatkannya menarik.

2.0 PENGGUNAAN MODEL PENGUKURAN RASCH

Proses pengukuran berasaskan Rasch amat penting bagi penyelidik memastikan

kebolehpercayaan dan kesahan serta kualiti item-item supaya ianya memenuhi konstruk yang

ingin dikaji khususnya dalam pembinaan item bagi psikometrik. Selain itu, skala pengukuran

Rasch melibatkan prosedur kalibrasi iaitu di mana parameter item (kesukaran item) dan

parameter individu (kebolehan) dalam peperiksaan dianggarkan supaya mereka boleh

diletakkan di dalam satu skala tunggal. Bagi anggaran kesukaran item, satu pelarasan dibuat

kerana keupayaan individu dan kesukaran item adalah dalam urutan yang bertentangan. Rajah

1 menggambarkan skala pengukuran daripada proses kalibrasi yang menunjukkan taburan

kebolehan individu dan taburan kebolehan item. Individu berkebolehan tinggi terletak di

sebelah atas kiri garis lurus, sementara individu berkebolehan rendah terletak di sebelah

bawah kiri. Item yang sukar disetujui terletak di sebelah atas kanan, sementara item mudah

disetujui terletak di sebelah bawah kanan.

Dalam proses ujian kalibrasi, beberapa item lain dan ciri-ciri ujian boleh digunakan untuk

mengkaji sama ada data daripada analisa ujian sesuai dengan andaian-andaian model iaitu

seperti menggunakan kaedah andaian unidimensi dan statistik kesesuaian (Siti Rahayah

2008). Model Rasch menyediakan prosedur yang ringkas untuk menyiasat unidimensi sesuatu

ujian dengan mengambil kira faktor unidimensi telah dihitung oleh perisian. Analisa asas

komponen kepada prosedur residual membolehkan model Rasch mengenal pasti faktor

sampingan yang mungkin menjadi ancaman kepada unidimensi. Menurut Linacre (2005),

7

jika faktor sampingan mempunyai kekuatan lima item atau lebih, maka faktor ini mungkin

menyediakan maklumat yang berguna untuk menjamin sesuatu ujian itu adalah unidimensi

hanya mengukur satu konstruk tunggal.

Rajah 1: Skala Pengukuran daripada Proses Kalibrasi

Selain itu, model Rasch dapat menjalankan kesesuaian statistik (fit statistics). Statistik

kesesuaian dapat menunjukkan sejauhmana ketepatan atau kebolehramalan data berpadanan

dengan model. Terdapat dua cara bagi isu kesesuaian model yang boleh dikemukakan iaitu

yang pertama, jika data mengesahkan andaian unidimensional, maka sebahagian item selesai.

Keduanya, statistik kesesuaian – sesuai, tidak sesuai, purata kuasa dua atau mean square

(MNSQ) dan statistik kesesuaian yang seragam atau standardized fit statistics (Zstd) boleh

digunakan bagi mengesan sama ada data yang terkumpul itu menunjukkan percanggahan

dengan model Rasch. Berdasarkan Linacre (2005) dan Bond & Fox (2001) nilai-nilai MNSQ

dijustifikasikan mengikut kesesuaian tertentu. Isu-isu kesahan sesuatu ujian juga dapat

diselesaikan melalui model Rasch dengan menyediakan statistik kesesuaian iaitu titik dwisiri

(point biserial) dan sebagainya yang digunakan untuk mengukuhkan kualiti ujian. Kualiti

ujian adalah berdasarkan empat syarat yang ditekankan oleh Wright dan Stone (1979) iaitu

penggunaan item yang sah untuk mentakrifkan konstruk, definisi konstruk yang jelas akan

diukur dan selaras dengan jangkaan-jangkaan teori, keupayaan item yang konsistem dengan

tujuan pengukuran dan penggunaan pola jawapan yang sah (Siti Rahayah 2008).

3.0 KEKUATAN UTAMA DALAM MODEL RASCH

Analisis-analisis utama yang digunakan dalam model Rasch ialah polariti item, pengasingan

item-individu, peta item-individu, ketidaksepadanan item-individu, unidimensi, kesepadanan

item-individu dan skala pemeringkatan.

3.1 Polariti Item (Item Polarity)

Analisis polariti atau keselarian item adalah indikator yang digunakan untuk menunjukkan

item-item yang digunakan bergerak dalam satu arah yang dimaksudkan oleh konstruk yang

diukur. Ukuran yang mempamerkan indeks positif bagi semua item menunjukkan semua

item yang digunakan berfungsi ke arah yang selari untuk mengukur konstruk yang dibentuk.

8

Sekiranya terdapat indeks yang negatif bagi sesuatu item, maka pengkaji perlu memeriksa

semula data sama ada perlu dibaiki atau digugurkan kerana indikator ini menunjukkan

terdapat item atau individu yang memberi respon yang bercanggah dengan pemboleh ubah

(Linacre, 2003). Menurut Bond dan Fox (2001), polariti item atau point measure correlation

(PTMEA Corr.) adalah juga merupakan pengesanan awal kepada kesahan konstruk.

3.2 Indeks Pengasingan (Separation index)

Analisis Rasch akan menghasilkan indeks pengasingan individu dan item. Indeks

pengasingan individu ialah anggaran pengasingan atau perbezaan kumpulan individu

mengikut tahap kebolehan dalam pembolehubah yang diukur (Wright dan Masters, 1982).

Indeks pengasingan item pula menunjukkan pengasingan bagi tahap kesukaran item.

Pengasingan menunjukkan bilangan strata kebolehan individu yang diukur pada ralat piawai

(standard error – SE). Nilai pengasingan individu dan item yang lebih daripada nilai dua

adalah baik (Linacre, 2005).

3.3 Menilai Ketidakpadanan (Misfit)

Pendekatan untuk menilai ketidakpadanan item dan individu terbahagi kepada tiga iaitu:

a) Pendekatan komponen prinsipal bagi residual respon

- Analisis ini dapat menunjukkan kewujudan pembolehubah yang tidak dijangkakan

dalam sesuatu item dan kewujudan subkumpulan individu yang memberi respons

yang bias dan serupa.

- Pendekatan ini membantu Pembina instrumen mengenal pasti individu yang bias dan

item yang mengandungi Kebezaan Kefungsian Item (KKI) atau lebih dikenali sebagai

Differential Item Functioning (DIF).

b) Pendekatan residual respon bagi individu

- Z dan Z2 boleh digunakan untuk mengukur perbezaan di antara apa yang dijangkakan

dan apa yang diperhatikan.

- Kuasa dua perbezaannya, membahagikannya dengan varian yang diharapkan dan

mengukur perbezaan dengan pemerhatian yang berlaku secara tidak sengaja.

c) Pendekatan rumusan Z2

- Rumusan infit mean square residuals digunakan terhadap respon yang menepati

sasaran dan outfit mean square residuals digunakan terhadap respon yang diluar

jangkaan atau tidak dijangkakan.

3.4 Peta Item –Individu (Item-Person Map)

Peta item-individu ini dapat menunjukkan kedudukan individu dan item diletakkan secara

bersebelahan dan dipisahkan dengan satu garisan putus. Garis putus di tengah

menggambarkan lokasi ukuran kebolehan individu dan ukuran kesukaran item pada skala

logit. Di bahagian kiri garisan putus ialah kedudukan individu manakala di sebelah kanan

garisan putus ialah kedudukan item. Bahagian atas kiri peta ialah kedudukan individu dengan

ukuran kebolehan tinggi dan bahagian atas kanan peta ialah kedudukan item dengan ukuran

kesukaran tinggi.

9

3.5 Analisis Komponen Asas Bagi Kesamaan Residual Dimensi

Analisis komponen asas bagi residual dimensi memberi fokus kepada sesuatu sifat atau

dimensi pada sesuatu masa (Bond & Fox, 2001). Menurut Guttman (1950), pengukuran yang

lebih memberi makna ia seharusnya berada pada satu dimensi pada sesuatu masa. Andaian

ini sukar ditepati sepenuhnya kerana terdapat faktor-faktor yang tidak diketahui dan tidak

dapat dikawal mempengaruhi respon individu. Antara faktor yang mempengaruhi individu

ialah motivasi, kecenderungan meneka dan kerisauan (Osterlind, 1989). Andaian ini ditepati

sekiranya terdapat satu konstruk yang nyata wujud dalam satu set data ujian yang

mempengaruhi prestasi ujian berkenaan. Andaian ini diperlukan dalam pembinaan item

kerana inferens sukar dilakukan jika item menguji lebih daripada kebolehan kerana jika

wujud dua kebolehan, akan berlaku ketidakpastian tentang kebolehan yang mana satu yang

telah menghasilkan respon yang betul.

3.6 Kesesuaian individu (Person Fit)

Sampel kajian adalah penting kerana ia akan menggambarkan keseluruhan populasi yang

dimaksudkan dalam sesuatu kajian. Oleh itu, responden kajian telah direka bentuk untuk

mengambil kira responden yang relevan. Analisis kesesuaian individu akan mengenalpasti

responden yang menjejaskan indikator dan responden yang manakah yang tidak diukur

dengan tepat. Corak Guttman adalah untuk mengenal pasti individu yang perlu diperhatikan

berdasarkan nilai ketidaktepatan / ketidakpadanan.

3.7 Skala Pemeringkatan (rating) dan Keserasian Kategori

Apabila menggunakan aplikasi analisis Rasch, skala pemeringkatan (rating) berfungsi

membentuk kategori. Kategori ini boleh digunakan untuk soalan aneka pilihan atau skala

10

Likert. Contohnya, jika skala Likert lima mata digunakan, respon individu akan meningkat

selari mengikut urutan dengan peningkatan skala Likert. Sekiranya ukuran min kategori

tidak berbeza dengan ketara atau tidak berjaya menunjukkan peningkatan, maka perlu

menggabungkan kategori yang berdekatan. Penggabungan kategori perlu mengambil kira

kategori yang menunjukkan nilai misfit yang ketara atau besar.

3.8 Penyemakan Kategori Skala

Analisis Rasch selanjutnya dilakukan untuk mengenalpasti keberkesanan kategori. Kategori

2 di collapse kepada kategori 1 untuk melihat samada berlaku peningkatan secara sekata pada

threshold kategori.

4.0 KESIMPULAN

Kelebihan Model Rasch

Kelebihan yang pertama dan terpenting ialah model ini berupaya menganggarkan kebolehan

pelajar pada skala yang sama dari sebarang subset item yang termuat dalam model itu. Ini

bermaksud kebolehan pelajar dapat dianggarkan secara bebas. Pelajar-pelajar boleh

dibandingkan antara satu sama lain walaupun mereka menduduki subset ujian yang berbeza

aras kesukarannya. Model ini juga mengambil kira aras kesukaran sesuatu item dan

menggambarkan ini dalam menganggarkan kebolehan pelajar. Ini bermakna walaupun skor

dua pelajar yang menduduki dua subset ujian yang berbeza itu sama, namun kebolehan

mereka adalah tetap berbeza.

Kedua, parameter item adalah tak varian merentasi sub kumpulan pelajar yang dipilih dari

populasi pelajar yang menduduki ujian. Oleh kerana dalam model klasikal, item parameter ini

adalah tidak varian merentasi subkumpulan pelajar maka perbandingan yang dibuat antara

sub kumpulan dalam populasi tidak begitu bermakna. Item parameter yang diberikan oleh

model Rasch adalah sebaliknya dan merupakan asas kepada pembentukan item dan mengesan

bias item.

Ketiga, model Rasch memungkinkan untuk mengukur dengan tepat anggaran kebolehan

pelajar pada setiap aras kebolehan. Maka selain dari menyediakan ralat piawai kepada

pengukuran, anggaran ralat berasingan bagi setiap pelajar atau setiap aras kebolehan juga

boleh diperoleh.

Kekangan Model Rasch

Model Rasch memerlukan beberapa andaian yang perlu dipenuhi maka persoalan timbul

mengenai ketegapan model ini. Ketegapan ini merujuk kepada jangkauan bahawa data boleh

menyimpang dari andaian yang digunakan dan masih sesuai dengan model tersebut. Adalah

jelas bahawa andaian yang digunakan dalam model Rasch tidak akan dipatuhi sepenuhnya

oleh mana-mana set data. Maka timbul persoalan tentang keupayaan model ini untuk

menganalisis dengan data ujian, memberikan interpretasi kepada skor ujian, dan meramalkan

kriteria yang dipilih.

11

Perkara utama yang masih belum diselesaikan ialah masalah menganggarkan parameter

dalam model Rasch. Penganggaran serentak parameter item dan parameter kebolehan

menimbulkan banyak kesukaran. Menganggar parameter item dengan cara tekaan adalah

tidak stabil jika sampel yang digunakan tidak mengandungi julat kebolehan yang luas.

Prosedur yang ada sekarang memerlukan bilangan item dan pelajar yang besar sebelum

anggaran yang stabil diperolehi.

RUJUKAN:

Ananda Kumar Pallaniappan. 2009. Penyelidikan Dan Spss (Paws). Kuala Lumpur:

Prentice Hall.

Bond, T. G. & Fox, C. M. 2001. Applying the Rasch Model Fundamental Measurement in

the Human Sciences. London: ERL Lawrence Baum Associates Publishers.

Daniel, H. 2012. Benefits of Spss. [30.5.2013].

Field, A. 2006. Realibility Analysis. http://www.statisticshell.com/docs/reliability.pdf

[30.5.2013].

Hall, J. F. 2012. What Is Spss? : http://surveyresearch.weebly.com/what-is-spss.html

[30.5.2013].

Hole, G. 2012. Using Spss 20: Handout 2. Descriptive Statistics. hlm 1-10.

http://www.sussex.ac.uk/Users/grahamh/RM1web/SPSShdt2-2012.pdf [13.5.2013].

Jackson, S. L. 2006. Research Methods and Statistics : A Critical Thinking Approach.

Edisi ke-2. United States: Thomson Wadsworth.

Linacre, J. M. 2003. Winsteps Computer Program Version 3:48.

http://www.winsteps.com [10.6.2013].

Mohamad Hisyam Mohd Hashim. 2005. Penyelidikan Bidang Rekabentuk Instruksi &

Teknologi Menggunakan Perisian Nvivo Versi 2.0: Satu Pengalaman.Konvensyen

Teknologi Pendidikan Ke-18. 635-638. http://eprints.uthm.edu.my/2812/1/FP-106-

Hisyam-KUITTO.pdf [9.5.2013].

Muhammad Amirul Abdullah. 2012. Analisis Data Menggunakan Perisian Spss.

http://cikguamirul.wordpress.com/category/arkib-cikgu-amirul/ [2.5.2013].

Pallant, J. 2011. Spss Survival Manual. Edisi ke 4. Australia: Allen & Unwin.

Ramlee Ismail, Jamal@Nordin Yunus & Hariri Kamis. 2011. Analisis Data Dan

Pentafsiran Dengan Menggunakan Spss. Kuala Lumpur: Titisan Ilham.

Rosseni Din. 2010. Analisis Data Kuantitatif Dalam Kajian Pembinaan.

http://rosseni.files.wordpress.com/2010/10/nota-kaedah-analisis-kuantitatif-dalam-

kajian-pembinaan-18-10.pdf [13.5.2013].

Siti Rahayah Ariffin. 2008. Inovasi Dalam Pengukuran Dan Penilaian Pendidikan.

Bangi: Fakulti Pendidikan, Universiti Kebangsaan Malaysia.

Stahl, D. t.th. Introduction to Measurement and Scale Development ,Part 5: Validity.

http://www.kcl.ac.uk/iop/depts/biostatistics/teaching/previouslecturenotes/developing

measurementscales/lecture5.pdf [30.5.2013].

Tuckman, B. W. 1999. Conducting Educational Research Fifth Edition. Orlando:

Harcourt Brace College Publishers.