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
1

NAMA PELAJAR
ANITA BT HASHIM

NO MATRIKS
P69825

MOHD ASYRAF B ABD JALIL

P 66390

MUHAMMAD AFIQ B ABDUL LATIF

P 61733

UMAYMAH BT ALAMIN

P66538

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

ISI KANDUNGAN TUGASAN

BIL

PERKARA

MUKA SURAT

Tajuk soalan

Pengenalan SPSS

Kebaikan penggunaan SPSS

Kesimpulan

Pengenalan Rasch Model

Penggunaan Model Pengukuran Rasch

Kekuatan utama dalam Model Rasch

Kesimpulan

10

Rujukan

11

ii

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
1

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 kemahirankemahiran 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.
2

Selain itu, kenormalan taburan data-data juga boleh ditentukan dengan menggunakan analisis
statistik seperti statistik deskriptif, M-Estimators, Ujian Kolmogorov-Smirnov dan ShapiroWilk.
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, Spearmans Rho, Ujian U Mann-Whitney,
Wilcoxon Match Pair Signed Ranks, Kruskall-Wallis One way ANOVA dan Friendmans
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
Korelasi
Perbandingan antara dua
kumpulan
Contoh : Perbandingan antara
lelaki dan perempuan
Perbandingan sampel yang
sama dua kali

Parametrik
Pearson r
Ujian-t

Bukan parametrik
Chi-square ( untuk data nominal)
Ujian U Mann Whitney

Ujian t pasangan
( Paired t test)

Ujian Wilcoxon

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
Perbandingan sampel yang
sama lebih dari dua kali
Contoh:
Perbandingan
markah Matematik, Sains
dan Bahasa Inggeris bagi
pelajar-pelajar yang sama
Perbandingan satu pemboleh
ubah dari segi lebih daripada
dua pemboleh ubah
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

ANOVA Sehala

Ujian Kruskall-Wallis

ANOVA sehala berulang

Friedmans ANOVA

ANOVA Faktorial

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
4

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).

Butang Value Labels

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.

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),
6

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.
7

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.
8

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
9

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.
10

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-106Hisyam-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-dalamkajian-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.

11