Panduan Lengkap Analisis Rasch Model untuk Validasi Instrumen Skripsi dan Tesis

Analisis Rasch model validasi instrumen adalah metode psikometri berbasis probabilitas yang menguji apakah setiap butir pertanyaan dalam kuesioner benar-benar mengukur konstruk yang dimaksud. Dengan Winsteps sebagai software utama, peneliti dapat menghasilkan fit statistics, nilai reliabilitas person-item, dan person-item map hanya dari satu kali analisis.

Solusi singkat: Masukkan data responden ke Winsteps → jalankan analisis → periksa nilai infit MNSQ (0,5–1,5) → buang item yang tidak fit → laporkan person reliability ≥ 0,70 dan item reliability ≥ 0,70 sebagai bukti validitas instrumen.

Bagi mahasiswa S1, S2, maupun S3 yang sedang menyusun skripsi atau tesis, satu pertanyaan yang sering muncul di bab metodologi adalah: apakah instrumen pengukuran saya sudah benar-benar valid? Uji validitas konvensional seperti korelasi Pearson atau alpha Cronbach memang mudah dijalankan di SPSS, namun keduanya tidak mampu menjawab pertanyaan yang lebih mendasar — apakah setiap item berperilaku sesuai ekspektasi model pengukuran yang konsisten? Di sinilah analisis Rasch model validasi instrumen menjadi relevan.

Rasch model, yang dikembangkan oleh Georg Rasch pada 1960-an, berangkat dari prinsip sederhana: kemungkinan seorang responden menjawab benar suatu item hanya bergantung pada selisih antara kemampuan orang tersebut dan tingkat kesulitan item. Pendekatan ini banyak digunakan dalam penelitian pendidikan dan psikometri karena menghasilkan ukuran yang bersifat linear dan interval — bukan sekadar ordinal seperti skor mentah Likert.

Artikel ini adalah panduan pilar komprehensif yang membahas konsep dasar Rasch model, langkah validasi item dengan Winsteps, cara membaca person-item map, hingga interpretasi output secara lengkap — semuanya dalam konteks penelitian skripsi dan tesis di Indonesia.

Rasch Model adalah Metode Validasi Instrumen Berbasis Teori Respons Butir

Rasch model termasuk dalam keluarga besar Item Response Theory (IRT) model satu parameter (1-PL). Berbeda dengan IRT dua atau tiga parameter, Rasch model hanya memperhitungkan satu parameter kesulitan item (item difficulty) dan satu parameter kemampuan orang (person ability). Kesederhanaan ini bukan kelemahan — justru menjadikannya alat yang kuat karena memungkinkan pengujian apakah data empiris fit terhadap model, bukan sebaliknya.

Secara matematis, probabilitas seorang responden dengan kemampuan θ menjawab benar item dengan kesulitan β didefinisikan sebagai:

P(X=1 | θ, β) = e^(θ−β) / [1 + e^(θ−β)]

Dalam konteks kuesioner Likert (pilihan berganda bertingkat), Rasch model diperluas menjadi Partial Credit Model (PCM) atau Rating Scale Model (RSM). Winsteps mendukung keduanya dan merupakan software paling banyak digunakan peneliti Indonesia untuk analisis Rasch model validasi instrumen.

Keunggulan pendekatan ini dibandingkan analisis faktor atau alpha Cronbach terletak pada kemampuannya mendeteksi item yang tidak konsisten secara individual — item dengan nilai infit MNSQ atau outfit MNSQ di luar rentang 0,5–1,5 dianggap tidak fit dan perlu direvisi atau dieliminasi sebelum instrumen digunakan.

Analisis Rasch Model Validasi Instrumen Dimulai dari Persiapan Data yang Tepat

Sebelum membuka Winsteps, peneliti perlu memastikan data sudah dalam format yang benar. Kesalahan pada tahap ini adalah penyebab paling umum mengapa output Winsteps menampilkan pesan error atau hasil yang tidak masuk akal.

Persiapan data untuk analisis Rasch model validasi instrumen mencakup tiga aspek utama: format file, kode respons, dan jumlah minimum responden. Winsteps menerima data teks terstruktur (file .txt) maupun Excel (.xlsx) melalui menu impor. Setiap baris mewakili satu responden, dan setiap kolom mewakili satu item — tidak boleh ada kolom tambahan seperti nama atau ID di antara kolom data respons.

Kode respons untuk skala Likert 5 poin biasanya ditulis sebagai angka 1 sampai 5 tanpa spasi di antara kolom (format ragged). Untuk instrumen dikotomi (benar/salah), kode 0 dan 1 digunakan. Jumlah responden minimum yang dianjurkan untuk analisis Rasch adalah 30 orang, meski sebagian literatur merekomendasikan 100–200 responden untuk estimasi parameter yang stabil.

Cara Membaca Output Winsteps: Fit Statistics, Reliabilitas, dan Person-Item Map

Output Winsteps terdiri dari berbagai tabel. Bagi peneliti yang baru menggunakan Winsteps untuk validasi instrumen Rasch, tiga tabel paling penting adalah: Table 10 (item statistics), Table 17 (person statistics), dan Table 12 (person-item map atau Wright Map).

Infit MNSQ dan Outfit MNSQ

Nilai Mean Square (MNSQ) mengukur seberapa jauh respons aktual menyimpang dari prediksi model. Infit MNSQ sensitif terhadap pola respons yang dekat dengan tingkat kesulitan item, sementara outfit MNSQ lebih sensitif terhadap pola respons ekstrem (item sangat mudah atau sangat sulit). Rentang yang diterima untuk keduanya adalah 0,5 hingga 1,5. Item dengan nilai MNSQ di atas 1,5 bersifat underfitting — terlalu acak dan perlu direvisi. Item dengan nilai di bawah 0,5 bersifat overfitting — terlalu prediktif, mungkin redundan.

Point Measure Correlation

Kolom Pt-Measure Corr. di Winsteps menunjukkan korelasi antara skor item dan ukuran Rasch person. Nilai yang diterima adalah > 0,20. Nilai negatif atau mendekati nol mengindikasikan item tersebut mengukur konstruk yang berbeda dari instrumen secara keseluruhan.

Person Reliability dan Item Reliability

Berbeda dari alpha Cronbach, Rasch menghasilkan dua indeks reliabilitas terpisah. Person reliability menunjukkan seberapa konsisten urutan kemampuan responden direplikasi jika diukur dengan item berbeda dari pool yang sama. Item reliability menunjukkan stabilitas hierarki kesulitan item jika diukur dengan sampel responden berbeda. Keduanya sebaiknya ≥ 0,70; nilai ≥ 0,80 dianggap baik dan ≥ 0,90 sangat baik.

Person-Item Map (Wright Map)

Wright Map adalah visualisasi distribusi kemampuan responden (kiri) dan tingkat kesulitan item (kanan) pada satu skala logit yang sama. Map yang ideal menunjukkan item tersebar merata sepanjang skala kemampuan responden — tidak menumpuk di satu titik. Jika semua item terlalu mudah, instrumen tidak mampu mendiskriminasi responden dengan kemampuan tinggi. Sebaliknya, jika semua item terlalu sulit, instrumen tidak sensitif untuk responden dengan kemampuan rendah.

Langkah-Langkah Analisis Rasch Model Menggunakan Winsteps: Panduan Praktis

Berikut adalah langkah konkret menjalankan analisis Rasch model validasi instrumen dengan Winsteps, dari persiapan data hingga interpretasi output — dapat langsung diikuti untuk keperluan skripsi maupun tesis.

Langkah 1 — Siapkan Data Respons dalam Format Kolom

Buka Excel, atur data sehingga setiap baris adalah satu responden dan setiap kolom adalah satu item. Bersihkan data dari nilai kosong (missing values) — ganti dengan kode yang konsisten, misalnya angka 9 untuk “tidak menjawab” yang nantinya dikecualikan di Winsteps. Simpan sebagai file .txt (Tab Delimited) atau pertahankan format .xlsx.

Langkah 2 — Buat Control File di Winsteps

Buka Winsteps, pilih File > New Control File. Isi parameter utama: TITLE = (nama instrumen), ITEM1 = (posisi kolom item pertama), NI = (jumlah item), NAME1 = (kolom nama responden), XWIDE = (lebar karakter per item — biasanya 1). Untuk skala Likert 1–5, tambahkan CODES = 12345. Simpan control file sebagai .txt.

Langkah 3 — Jalankan Analisis

Pilih File > Open Control File, arahkan ke file kontrol yang baru dibuat. Winsteps akan memproses data dan menampilkan rangkuman di layar. Jika muncul pesan peringatan tentang item dengan semua respons identik, hapus item tersebut dari data dan ulangi proses.

Langkah 4 — Baca Table 10 untuk Identifikasi Item Tidak Fit

Buka Output Tables > Table 10 Item Statistics. Urutkan berdasarkan kolom Infit MNSQ. Tandai semua item dengan nilai di luar rentang 0,5–1,5 atau nilai Pt-Measure Corr. < 0,20. Item yang ditandai perlu dieliminasi atau direvisi sebelum instrumen dianggap valid.

Langkah 5 — Periksa Person-Item Map dan Catat Indeks Reliabilitas

Buka Output Tables > Table 12 Wright Map. Perhatikan sebaran item relatif terhadap distribusi kemampuan responden. Catat nilai Person Reliability dan Item Reliability dari ringkasan statistik di bagian atas output — nilai ini dicantumkan langsung di tabel pembahasan bab IV skripsi atau tesis Anda.

Checklist Pra-Analisis Rasch Model untuk Peneliti Skripsi dan Tesis

Sebelum menjalankan analisis Rasch model validasi instrumen di Winsteps, pastikan semua poin berikut sudah terpenuhi:

• Pastikan jumlah responden minimal 30 orang — lebih baik 100 atau lebih untuk stabilitas estimasi parameter Rasch.
• Verifikasi tidak ada kolom ID, nama, atau tanggal yang bercampur dengan kolom data respons di file input Winsteps.
• Pastikan semua kode respons konsisten — misalnya hanya angka 1 sampai 5, tanpa ada nilai 6, 7, atau spasi tak terduga.
• Sebelum analisis Rasch, lakukan uji unidimensionalitas awal menggunakan PCA residual di Winsteps — variance yang dijelaskan faktor pertama sebaiknya ≥ 20% dari total variance.
• Siapkan tabel pelaporan di Word/Excel: kolom item, infit MNSQ, outfit MNSQ, Pt-Measure Corr., dan keterangan fit/tidak fit.
• Catat versi Winsteps yang digunakan (mis. Winsteps 5.x) karena beberapa reviewer jurnal dan pembimbing tesis meminta informasi ini di bagian metode.

Pertanyaan Umum tentang Analisis Rasch Model Validasi Instrumen

Bagaimana cara mengimpor data ke Winsteps untuk analisis Rasch model?

Buka Winsteps, pilih menu File > New Control File, lalu tentukan jumlah item dan responden. Salin data dari Excel ke format teks kolom (satu baris per responden). Simpan sebagai file .txt, kemudian buka melalui File > Open Control File di Winsteps untuk memulai analisis Rasch model.

Bagaimana cara membaca nilai infit MNSQ dan outfit MNSQ di output Winsteps?

Nilai infit MNSQ dan outfit MNSQ yang diterima berada pada rentang 0,5 hingga 1,5. Nilai mendekati 1,0 menunjukkan item fit sempurna terhadap model Rasch. Nilai di atas 1,5 mengindikasikan item terlalu acak (underfitting), sedangkan nilai di bawah 0,5 mengindikasikan item terlalu prediktif (overfitting).

Berapa nilai reliabilitas person dan item yang baik dalam analisis Rasch model?

Dalam analisis Rasch model menggunakan Winsteps, nilai reliabilitas person dan item yang baik adalah ≥ 0,70. Nilai ≥ 0,80 dianggap bagus, dan ≥ 0,90 sangat baik. Selain itu, nilai Cronbach Alpha (raw score KR-20) sebaiknya juga ≥ 0,70 untuk instrumen yang valid dan reliabel.

Apa perbedaan analisis Rasch model dengan analisis faktor konfirmatori (CFA) untuk validasi instrumen?

Analisis Rasch model berfokus pada kesesuaian setiap item dengan model pengukuran probabilistik satu parameter, menghasilkan fit statistics per item. CFA menggunakan pendekatan SEM untuk menguji struktur laten secara simultan. Rasch lebih cocok untuk skala Likert dengan asumsi unidimensionalitas, sedangkan CFA lebih fleksibel untuk konstruk multidimensi.

Kesimpulan

Analisis Rasch model validasi instrumen memberikan bukti psikometri yang lebih kuat dibandingkan uji validitas konvensional berbasis korelasi. Dengan menggunakan Winsteps, peneliti dapat mengidentifikasi item bermasalah secara individual melalui fit statistics, memverifikasi reliabilitas instrumen melalui dua indeks terpisah, dan memvisualisasikan kesesuaian antara kemampuan responden dan tingkat kesulitan item melalui Wright Map. Bagi mahasiswa yang mengerjakan skripsi atau tesis di bidang pendidikan, psikologi, atau sosial, penguasaan analisis Rasch model validasi instrumen adalah nilai tambah yang signifikan — dan Menurut Percetakan Wisuda, niche ini masih sangat rendah kompetitornya di kalangan jasa akademik Indonesia, yang berarti instrumen yang divalidasi dengan Rasch lebih menonjol di mata penguji. Percetakan Wisuda, “Ahlinya Dokumen”, telah mendukung peneliti Indonesia sejak 2004 dengan layanan olah data menggunakan Winsteps, SmartPLS, NVivo, dan SPSS — dengan output berupa file analisis siap tempel di bab IV. Tugas Beres, Bebas Stres.

Untuk panduan lebih lanjut tentang interpretasi output Winsteps secara mendetail, termasuk cara membaca setiap bagian Wright Map, kunjungi juga artikel Cara Membaca Output Winsteps Rasch: Infit, Outfit, dan Person-Item Map.