Index of discrimination atau indeks diskriminasi merupakan salah satu bentuk analisis butir/item mengukur seberapa jauh sebuah item dapat membedakan seseorang dengan karakteristik tinggi dan rendah.
Contohnya, ketika kita sedang menyusun skala agresivitas. Indeks diskriminasi akan mengukur seberapa jauh item yang ada di dalam skala tersebut dapat membedakan seseorang dengan agresi tinggi dan agresi rendah. Logikanya, bila ia memiliki agresi yang rendah, maka ia akan menghasilkan skor rendah pada skala tersebut; demikian juga dengan sebaliknya.
Indeks diskriminan berkisar antara 0 sampai dengan 1. Skor 0 berarti item tersebut tidak bisa membedakan sama sekali seseorang dengan agresi tinggi (bila skala tersebut adalah skala agresi) dan seseorang dengan agresi rendah. Sedangkan skor 1 berarti item tersebut sangat mudah dalam membedakan.
Indeks Diskriminasi Skala Politomi
Bagaimana cara mengukur indeks diskriminasi? Bila item memiliki tipe jawaban politomi, maka indeks diskriminasi dapat diukur dengan item total correlation (korelasi total item), yakni dengan mencari koefisien korelasi antara skor item tersebut dengan skor total semua item dalam skala tersebut.
Misalkan, saya sedang menyusun alat ukur kesepian remaja yang terdiri dari 20 item, kemudian saya ingin menguji apakah item nomor 1 memiliki indeks diskriminan yang baik, maka saya harus menghitung koefisien korelasi dari skor item nomor 1 dengan skor total item dari nomor 1 sampai 20.
Ilustrasinya adalah seperti di bawah ini:
Sehingga bila ada 20 item dalam skala tersebut, maka kita perlu menghitung indeks diskriminasi item sebanyak 20 kali, dari item pertama hingga item ke-20.
Koefisien korelasi yang bisa digunakan untuk mengukur indeks diskriminasi adalah korelasi Pearson. Rumusnya adalah sebagai berikut:
Tentu saja perhitungan di atas dapat dilakukan dengan bantuan program statistik, seperti SPSS, sehingga kita tidak perlu terlalu repot menghitungnya secara manual satu per satu. Bahkan Microsoft Excel juga bisa menghitung korelasi dengan perintah =CORREL.
(baca: Menghitung Item-Total Correlation dengan Program SPSS)
Indeks Diskriminasi Skala Dikotomi
Namun cara menghitung indeks diskriminasi akan berbeda lagi bila item memiliki cara penskoran yang bersifat dikotomi (hanya ada dua kemungkinan skor).
Indeks diskriminasi dapat dinyatakan dengan notasi "D", yakni dengan cara mencari selisih antara proporsi skor item dari kelompok upper dan lower. Rumusnya adalah sebagai berikut:
Agar lebih mudah dalam memahami penggunaan rumus D dalam mencari indeks diskriminasi, dapat membaca "Menghitung Indeks Diskriminasi pada Skala Dikotomi"
Apa yang Menjadi Acuan Dibuang/Tidaknya Item?
Setelah menemukan indeks diskriminasi, maka kita perlu memilah kembali item yang sudah kita susun. Item dengan indeks diskriminasi rendah perlu kita buang, sedangkan item dengan indeks diskriminasi baik tetap dipertahankan. Adapun menurut Azwar (2013), acuan untuk membuang item adalah apabila indeks diskriminasi item kurang dari 0,3.
Apabila kita merujuk pada Crocker dan Algina (2013), maka acuan yang mereka sarankan adalah:
Apa yang Menjadi Acuan Dibuang/Tidaknya Item?
Setelah menemukan indeks diskriminasi, maka kita perlu memilah kembali item yang sudah kita susun. Item dengan indeks diskriminasi rendah perlu kita buang, sedangkan item dengan indeks diskriminasi baik tetap dipertahankan. Adapun menurut Azwar (2013), acuan untuk membuang item adalah apabila indeks diskriminasi item kurang dari 0,3.
Apabila kita merujuk pada Crocker dan Algina (2013), maka acuan yang mereka sarankan adalah:
D ≥ 0,40
|
item memuaskan
|
0,30 ≤ D ≤ 0,39
|
item membutuhkan
sedikit revisi atau tidak perlu direvisi
|
0,20 ≤ D ≤ 0,29
|
item butuh revisi
|
D ≤ 0,19
|
item digugurkan
atau direvisi total
|
Semoga bermanfaat!
Referensi:
- Azwar, S. (2011). Reliabilitas dan validitas (ed. ke-4). Yogyakarta: Pustaka Pelajar
- Crocker, L., & Algina, J. (2008). Introduction to classical and modern test theory. Ohio: Cengage Learning.
- Gravetter, J.G., & Wallnau, L.B, (2017). Statistics for the behavioral sciences (10th. ed.). Ohio: Cengage Learning.
No comments:
Post a Comment