Basic measurement theory:

●​ Measurement
Proses pemberian representasi kuantitatif (angka) terhadap suatu atribut psikologis. Menggunakan angka untuk menunjukkan seberapa tinggi atau rendah atribut
tersebut dimiliki seseorang.

Broadly concerned with the methods used to provide quantitative descriptions of the extent to which persons possess or exhibit certain attributes.

●​ TEST
alat atau prosedur yang digunakan untuk memperoleh sample of behavior seseorang, yang nantinya dipakai dalam proses measurement. (bisa berupa soal, kuesioner,
observasi terstruktur, wawancara, atau tugas performa)

A psychological test is a device for acquiring a sample of behavior from a person. memperoleh sampel perilaku seseorang, yang nantinya digunakan untuk menarik
kesimpulan mengenai atribut psikologis tertentu. Tes ini bisa digunakan untuk berbagai tujuan: mengukur kemampuan (aptitude), prestasi (achievement), sikap, minat,
kepribadian, fungsi kognitif, hingga kesehatan mental.

Measures a sample of an individual’s behavior. These “samples of behavior” from people allow us to study differences among them.

MEASURING → Proses pemberian angka pada atribut psikologis berdasarkan prosedur yang sistematis dan dapat diulang.

CLASSIFYING → Bukan memberi angka, melainkan mengelompokkan orang ke dalam kategori tertentu, misalnya jurusan kuliah, sehat vs sakit, laki-laki vs perempuan,
atau lulus vs gagal.
Four essential components of test use are:
(1) acquiring a sample of behavior,
(2) ensuring that the sample of behavior is acquired in a systematic (standardized)
manner (i.e., the same way for every person),
(3) comparing the behavior of two or more people (i.e., studying individual
differences), and
(4) studying the performance of the same persons over time (i.e., intraindividual
differences).

Types of tests:
MAXIMUM PERFORMANCE
Tes yang dirancang untuk melihat seberapa baik seseorang bisa berusaha atau menampilkan
performa terbaiknya.
Contoh : Tes IQ, Tes Prestasi Akademik, Tes Bakat

●​ Ada jawaban benar dan salah.

●​ Hasil tes menunjukkan tingkat kemampuan aktual individu.
●​ Tujuannya untuk mengukur kapasitas atau kompetensi seseorang.

TYPICAL PERFORMANCE
Tes yang dirancang untuk mengukur bagaimana seseorang biasanya berpikir, merasa, atau berperilaku dalam kehidupan sehari-hari. Contoh : Tes Kepribadian, Tes Minat,
Skala Sikap (Likert)

●​ Tidak ada jawaban benar atau salah.

●​ Mengukur gaya, kebiasaan, sikap, minat, atau kepribadian.
●​ Lebih menekankan pada deskripsi individu daripada kemampuan.
PSIKOMETRI
Cabang ilmu yang menilai, mengembangkan, dan mengevaluasi alat ukur psikologis. Psikometri menggunakan measurement theory untuk mengembangkan, mengevaluasi,
dan menerapkan alat ukur psikologi.

APA YANG DIUKUR?

Ada atribut psikologis yang bisa diamati langsung, seperti reaksi tubuh, respon terhadap
stimulus, atau performa fisik tertentu. Namun sebagian besar atribut yang menjadi
perhatian psikologi bersifat laten atau tidak bisa dilihat secara langsung, misalnya
kecerdasan, kepribadian, motivasi, sikap, atau kemampuan membaca.
→ Atribut yang tidak bisa diamati secara langsung inilah yang disebut konstruk. Konstruk ini hanya bisa diukur melalui indikator perilaku yang kita anggap mewakilinya,
misalnya menjawab soal dalam tes IQ sebagai indikator dari konstruk “intelegensi”. Contoh lain konstruk : motivasi belajar, depresi, self-esteem, kepuasan kerja

NUMBER
Angka harus punya arti dan merepresentasikan sesuatu yang nyata dari objek yang diukur. Misalnya, jika kita memberi angka “1” untuk perempuan dan “2” untuk laki-laki,
maka angka tersebut bukan untuk menunjukkan siapa yang “lebih” atau “kurang”, melainkan hanya untuk mengklasifikasikan kategori.

Bisa digunakan secara kuantitatif untuk menggambarkan tingkat suatu atribut. Misalnya skor IQ 90, 100, atau 110. Angka ini bukan sekadar label, tapi benar-benar mewakili
perbedaan tingkat kemampuan kognitif seseorang. Jadi, dalam psikologi, angka bisa berfungsi ganda: sebagai label kategori (categorization) atau sebagai representasi
tingkat atribut (continuum)
MEASUREMENT LEVEL
Identity berarti angka bisa digunakan untuk membedakan individu atau
kategori. Misalnya, “1” dan “2” membedakan perempuan dan laki-laki.
→ Order and Quantity berarti angka bisa menunjukkan peringkat, seperti ranking 1, 2, 3.

Equality of Intervals berarti jarak antar rangka sama artinya, misalnya selisih 10 poin IQ dari 100 ke 110 sama artinya dengan selisih dari 110 ke 120.

Absolute Zero berarti angka nol benar-benar menunjukkan ketiadaan atribut, seperti nol kilogram berarti tidak ada berat.
Measurement scale

●​ Nominal
●​ Ordinal
●​ Ratio
●​ Interval

SCALING
Scaling adalah jembatan antara fenomena psikologis (yang abstrak) dengan representasi numerik yang dapat dianalisis secara ilmiah.
Imagine you want to measure something you can’t see, like how happy, smart, or shy someone is.
You can’t use a ruler, right? So instead, we make a special kind of ruler made of numbers and questions — that’s called a scale!
Let’s say we want to measure how happy students feel.​
We can ask questions like:
1.​ I smile a lot every day.
2.​ I like playing with my friends.
3.​ I feel sad most of the time. (reverse question)

😄
Then students can answer:

🙂
●​ = 5 (Strongly Agree)

😐
●​ = 4 (Agree)

🙁
●​ = 3 (Not Sure)

😢
●​ = 2 (Disagree)
●​ = 1 (Strongly Disagree)
We turn their feelings into numbers, and then we can see who feels happier or less happy by adding up the scores!
Types of scaling:
Stimulus Centered scaling:
You are figuring out the value or position of each item or statement on a psychological scale (like from positive to negative, easy to hard)
You want to figure out where each statement belongs on a scale — from very positive to very negative.​
You’re not focusing on the people yet — you’re focusing on the items themselves.
So, you might end up with something like this:
Statement Scale Value (how positive it is)

“Homework is fun.” +3 (very positive)

“Homework is okay.” 0 (neutral)

“Homework is boring.” -3 (very negative)

focuses on the items (the questions, pictures, or statements) used in a psychological test.
Researchers look at how people will likely see or feel about each item — like how positive, strong, or favorable it seems — before using it to measure anyone.
 🍦
Response-centered → Focus on how people answer those questions.
SUBJECT-CENTERED SCALING → Imagine you have a group of kids, and you want to know how much they like ice cream
Instead of studying how positive or negative the questions are (like in stimulus-centered scaling),​
now you focus on the people themselves — the subjects! You give everyone the same list of items (like “ice cream,” “chocolate,” “vegetables,” “homework”)​
and you look at how they respond. So:
●​ If Anna loves ice cream and chocolate but hates homework → she’ll give high scores to the first two and low scores to the last one.
●​ Ben might be the opposite!
By comparing all their answers, you can figure out each person’s taste or attitude level.
Subject-centered scaling = focuses on how people differ from each other in their answers.​
(“What kind of person likes what?” rather than “what kind of question is this?”)
THURSTONE’S LAW OF COMPARATIVE JUDGMENT

😄
Now imagine you can’t just ask kids,​
“Do you like ice cream?” because they all say “YES!” ​

🍦
So instead, you make them compare two things at a time:

🍫
“Do you like ice cream or pizza more?”​

🏫
“Chocolate or gummy bears?”​
“Homework or reading comics?”
Each time, they pick which one they prefer.
Then, you count up how many times each thing “wins” —​

💡
and you can make a ranking from most liked to least liked!

👉
That’s Thurstone’s Law of Comparative Judgment ​
We understand feelings or attitudes by comparing pairs of things, not by using direct numbers.
In adult words, Thurstone’s method helps turn people’s comparisons into a numerical scale that shows how strong each preference or attitude is.

🍪🏆
But for a kid:

🌀
“It’s like making a tournament of your favorite snacks — every time two snacks compete, the winner moves up the ‘yummy’ scale!”
THE UNFOLDING TECHNIQUE

🌶️
Now this one is cool — it’s about finding where someone’s true opinion sits among many choices.
Imagine a line with different levels of “spiciness” :
Mild — Medium — Hot — Super Hot
And you want to find out which one you like best.
You might say:
●​ “Mild? Too boring.”

✅
●​ “Super hot? Too spicy!”
●​ “Medium? Just right!”
So your favorite choice is the one closest to your true preference,​
and the further away an option is from what you like, the less you’ll agree with it.

👧
That’s the unfolding technique → it helps find your “sweet spot” on a line of possible opinions or feelings.
Example for a kid:
“It’s like finding your perfect ice cream flavor! Not too sweet, not too bitter — just the one that matches your taste best.”

Focus
What You Study What Question You’re Asking

Stimulus-centered The items themselves “What kind of question is this?”

Subject-centered The people (subjects) “What kind of person answers this way?”

Response-centered The responses (answers) “What kind of answers do people give?”

Test Development
ITEM ANALYSIS → Keberhasilan dan kegunaan sebuah tes sangat bergantung pada kualitas butir-butir soal yang ada di dalamnya.
Skor tes bermakna jika:
-​ Validitas (mengukur apa yang seharusnya diukur)
-​ Reliabilitas (konsisten)
-​ ada hubungan yang baik antar butir.
ITEM DISCRIMINATION → sejauh mana item mampu membedakan peserta yang berkemampuan tinggi dari yang rendah.
distinguish between people who have high ability (or high scores) and those who have low ability (or low scores) on the overall test.
If an item has good discrimination,
●​ high scorers on the test tend to answer it correctly,
●​ low scorers tend to answer it incorrectly.
If it has poor or negative discrimination,
●​ both groups perform similarly on the item (poor), or
●​ low scorers do better than high scorers (negative — meaning something’s wrong with the question).
Metode proporsi
(D) = Pu – Pl.Pᵤ = proporsi pada kelompok atas yang menjawab item
dengan benar (27%).
P = proporsi pada kelompok bawah yang menjawab
item dengan benar (27%)
CRITERIA FOR PROPORTION

METODE KORELASI

ITEM DIFFICULTY → mengukur berapa banyak peserta yang bisa menjawab benar suatu item. (Proportion & Correlational
Technique)

RELIABILITY
sejauh mana suatu tes menghasilkan hasil yang konsisten. makin tinggi reliabilitas, semakin kecil kemungkinan hasil tes
terpengaruh oleh kesalahan pengukuran (measurement error)

MEASUREMENT ERROR
difference between the true score and the observed score of a test or measurement.
RANDOM ERROR → tidak menentu dan sulit diprediksi.
Contohnya:
Peserta tes kurang fokus karena kelelahan atau lapar.
Kebisingan ruangan saat tes berlangsung.

SYSTEMATIC ERROR
terjadi secara konsisten karena faktor tertentu.
Contohnya:
Instruksi tes tidak jelas, sehingga banyak peserta salah paham.
Tes bias budaya, sehingga lebih menguntungkan kelompok
tertentu.
Alat ukur rusak atau tidak dikalibrasi dengan baik
TYPES OF RELIABILITY
TWO-TRIAL
method used to check how consistent a test’s results are over time. (Test-Retest, Parallel Form)
How it works
1.​ Administer Test 1 (Trial 1) → give the test to participants.​

2.​ Wait for some time → e.g., a few days or weeks.​

3.​ Administer Test 2 (Trial 2) → give the same test again to the same group.​

4.​ Correlate the scores from Trial 1 and Trial 2.​

The correlation coefficient (r) between the two trials = the test–retest reliability coefficient.

rtt​=correlation between Trial 1 and Trial 2 scores

●​ If rtt≈1.0: very stable, highly reliable​

●​ If rtt​≈0: scores fluctuate randomly → unreliable test

ONE-TRIAL
satu kali pengambilan data (satu kali tes) untuk menilai reliabilitasnya. Reliabilitas diestimasi dari konsistensi internal antar item dalam satu tes, jadi tidak perlu mengulang
pengujian (Split-Half, Method of Rational Equivalence, Cronbach’s alpha)

TEST-RETEST & PARALLEL FORM METHOD

mengukur kestabilan waktu (temporal stability). Reliabilitas dihitung dengan korelasi
Pearson antara hasil tes pertama dan kedua

METHOD OF RATIONAL EQUIVALENCE

A method of measuring internal reliability used to test the consistency among items (internal consistency) in a test, especially tests with dichotomous scores (for
example, true–false, yes–no, or 1–0).
CRONBACH’S ALPHA
measure of internal reliability (internal consistency reliability), which means the extent to which the items in a test or questionnaire are related to each other and
measure the same construct. This test is suitable for instruments with multiple response categories (such as Likert scales used in personality inventories).

STANDARD ERROR OF MEASUREMENT

shows the amount of measurement error in an individual’s score — that is, how far the obtained score may differ from the person’s true score.

Kuis
1.​ Mengapa pengukuran masih dibutuhkan dalam ilmu pengetahuan?
Karena ilmu pengetahuan didasarkan pada data yang subjektif, dapat diverifikasi, dan em-
piris
Sebagai satu-satunya syarat untuk pengembangan ilmu pengetahuan
Guna membedakan objek/sifat dan memprediksi atau membangun hubungan
Semuanya benar

Pengukuran didefinisikan
sebagai penetapan angka harus mencerminkan korespondensi satu ke-
satu antara angka tertentu dan atribut yang akan diukur. Oleh karena itu,
yang perlu kita perhatikan dalam pengukuran yaitu

Angka, aturan pengkuran, atribut objek/peristiwa

Angka, aturan pengkuran, objek/peristiwa
Aturan pengkuran, objek/peristiwa
Aturan pengkuran, atribut objek/peristiwa

Apa saja karakteristik dari tes yang mengukur performa tipikal?

Berfokus pada apa yang biasanya dilakukan orang
Bertujuan untuk menjelaskan sifat atau kebiasaan
Sifat pilihan jawaban adalah benar atau salah
Bertujuan mengukur kemampuan, pengetahuan atau potensi

Kuis yang sedang kalian (mahasiswa) kerjakan saat ini termasuk dalam tipe
tes yang mengukur performa?
Typical performance
Maximum performance
Typical sekaligus maximum performance
Tidak keduanya

Unit pengukuran interval memiliki sifat apa saja?

Sebagai identitas
Urutan dan kuantitas
Kesetaraan interval
Semua benar

Mengapa pengukuran dalam disiplin ilmu-ilmu sosial-psikologi

membutuhkan suatu stimulus untuk mendapatkan respon?
Karena atribut objek/peristiwa yang diukur dapat diamati secara langsung
Karena menyesuaikan dengan aturan pengukuran
Karena objek/peristiwa yang diukur tidak dapat diamati secara langsung
Karena atribut objek/peristiwa yang diukur bersifat laten

Dalam penelitian psikologi, untuk apa “skala” biasanya digunakan?

Untuk menentukan ukuran sampel yang dibutuhkan untuk sebuah penelitian
Untuk mengkategorikan partisipan berdasarkan demografi
Untuk memberikan nilai numerik pada atribut untuk pengukuran
Untuk mengukur lingkungan terhadap perilaku

Apa yang dimaksud dengan kesalahan pengukuran?

Perbedaan antara nilai aktual dan nilai yang telah diukur
Konsistensi hasil pengukuran
Keakuratan alat pengukuran
Signifikansi statistik dari hasil pengujian

Mengapa data skala Likert pada dasarnya bersifat ordinal?

Karena jarak interval antara poin-poin tidak selalu sama
Karena lebih tepat bila dikenakan prosedur statistik parametrik
Karena pilihan "Setuju" dan "Sangat Setuju" sama dengan "Tidak Setuju" dan "Sangat
Tidak Setuju"
Karena data skala Likert hanya nama kategori dan tidak mengindikasikan apapun

Apa penskalaan yang meminta judges atau raters untuk menilai suatu
stimulus misal berdasarkan kesukaan, kemiripan, intensitas emosi, atau
preferensi
Stimulus-centered scaling
Response-centered scaling
Subject-centered scaling
Unfolding technique

Apa yang diinformasikan oleh tingkat reliabilitas yang tinggi tentang suatu Tes
Tes tersebut valid
Memberikan hasil yang konsisten
Mengukur berbagai macam konstruk
Memiliki tingkat kesulitan yang tinggi

Hitunglah skor pk, pk-tengah, Z dalam kolom TS dan SS. (1) N = 350; 2) Bilangan desimal dibulatkan dua angka belakang koma.)

TS (pk = 0,38; pk-tengah = 0,26; Z = -0,64); dan SS (pk = 1,00; pk-tengah = 0,94; Z =
1,56)
TS (pk = 0,38; pk-tengah = 0,26; Z = -0,64); dan SS (pk = 1,10; pk-tengah = 1; Z = 1,56)
TS (pk = 0,40; pk-tengah = 0,26; Z = -0,64); dan SS (pk = 1,00; pk-tengah = 0,94; Z = 2)
TS (pk = 0,38; pk-tengah = 0,24; Z = -0,70); dan SS (pk = 1,00; pk-tengah = 0,94; Z =
1,56)

Dalam teori tes klasik, bagaimana skor sebenarnya direpresentasikan

secara matematis?
Raw Score = Skor murni + Kesalahan (X = T + E)
Raw Score = Skor murni - Kesalahan (X = T - E)
Skor murni = Raw Score - Kesalahan (T = X - E)
Skor murni = Raw Score + Kesalahan (T = X + E)

Evaluasi bahwa suatu tes tidak dapat membedakan kelompok dengan baik
menunjukkan masalah pada
Model regresi
Reliablitas
Ukuran sampel
Daya diskriminan

Hitunglah skor p dalam kolom D, pk dalam kolom E dan G

Catatan. 1) N = 150; 2) Bilangan desimal dibulatkan dua angka belakang koma.)
p kolom D = 0,15; pk kolom E = 0,41; pk kolom G = 0,83
p kolom D = 0,00; pk kolom E = 0,45; pk kolom G = 0,83
p kolom D = 0,18; pk kolom E = 0,41; pk kolom G = 0,81
p kolom D = 0,15; pk kolom E = 0,45; pk kolom G = 0,81

Konsep reliabilitas yang diestimasi dengan mengetes hubungan antar butir dalam satu tes adalah…

a. test-retest

b. Paralel test

c. KR-21

d. Konsistensi internal

Jika pengecoh A dipilih oleh 3 peserta (kurang dari 5%), maka tindakan yang tepat adalah …

a. Merevisi pengecoh A agar lebih menarik

b. Menghapus pengecoh A karena terlalu kuat

c. Mengubah semua alternatif

d. Tidak perlu perubahan

Ukuran statistik untuk melihat sebaran skor dari suatu pengukuran adalah

a. Mean

b. Standar deviasi

c. Modus

d. Median

Tes psikologi yang mengukur performa typical adalah...

a. Tes kecepatan membaca

b. Tes konsentrasi

c. Tes kepribadian

d. Tes kemampuan spasial

Ketika satu pengecoh terlalu banyak dipilih peserta, hal ini menandakan bahwa …

a. Pengecoh terlalu menarik sehingga menurunkan kualitas item

b. Pengecoh sangat efektif dan harus dipertahankan

c. Tes memiliki daya beda tinggi

d. Item sudah sangat valid

Berikut ini yang merupakan contoh penggunaan skala interval adalah …

a. Skor kemampuan kognitif dari 0–100

b. Pengelompokan siswa berdasarkan jurusan (IPA/IPS/Bahasa)

c. Urutan ranking prestasi belajar

d. Pengukuran suhu dalam Fahrenheit

Test-retest adalah salah satu cara untuk estimasi…

a. Daya diksriminasi

b. Standar error measurement

c. Reliabilitas

d. Validitas

Ketika sebuah tes gagal membedakan individu dengan kemampuan tinggi dan rendah, maka tes tersebut bermasalah dalam aspek …

a. Validitas isi

b. Daya diskriminasi

c. Reliabilitas antar-penilai

d. Ukuran sampel

Item dengan nilai daya beda negatif (D = −0.30) mengindikasikan …

a. Item terlalu mudah

b. Kemungkinan kunci jawaban salah atau pernyataan membingungkan

c. Item memiliki daya beda sangat tinggi

d. Item harus dipertahankan karena menarik

Item dengan P = 0.60 dan D = 0.40 …

a. Termasuk item baik dan layak dipertahankan

b. Perlu direvisi karena terlalu mudah

c. Sebaiknya dihapus dari tes

d. Perlu diganti seluruhnya

Mahasiswa X membuat tes potensi akademik, sedangkan Mahasiswa Y membuat kuesioner sikap pada Pelajaran matematika. Kedua jenis tesnya ini adalah …

a. Maximum Performance – Typical Performance

b. Typical Performance – Maximum Performance

c. Keduanya Maximum Performance

d. Keduanya Typical Performance

Dua kelompok peserta menunjukkan rata-rata tingkat stres yang sama, namun salah satu kelompok memiliki varians skor yang lebih besar. Kesimpulannya adalah
…

a. Kelompok dengan varians lebih besar memiliki tingkat stres yang lebih beragam antarindividu

b. Kedua kelompok memiliki kondisi psikologis yang sepenuhnya sama

c. Varians tidak memengaruhi interpretasi hasil pengukuran

d. Perbedaan varians selalu menandakan adanya kesalahan alat ukur

Kesalahan pengukuran (measurement error) adalah..

a. Selisih antara nilai sejati dan nilai hasil observasi

b. Kelemahan dalam penyusunan kuesioner

c. Variasi skor antar subkelompok

d. Skor yang terlalu ekstrem dibanding rata-rata

Dalam distribusi kumulatif, median terdapat pada titik …

a. pk = 0.25

b. pk = 0.50

c. pk = 0.75

d. pk = 1.00

Ciri skala ordinal adalah….

a. menyajikan angka sebagai symbol

b. menyajikan urutan tanpa jarak yang pasti

c. Memiliki nol mutlak

d. Semua salah

Fungsi statistik deskriptif adalah …

a. Statistik deskriptif hanya dipakai dalam eksperimen

b. Statistik deskriptif menjelaskan data yang ada tanpa prediksi

c. Statistik deskriptif meringkas data,

d. Statistik deskriptif selalu memerlukan uji hipotesis

Item dengan indeks kesukaran 0.50 dan daya beda 0.10 sebaiknya …

a. Dipertahankan apa adanya

b. Direvisi karena daya beda terlalu rendah

c. Dihapus karena terlalu sulit

d. Diterima tanpa evaluasi

Proses penetapan angka untuk merepresentasikan atribut psikologis disebut..

a. Penskalaan

b. Pengukuran

c. Penilaian

d. Observasi

Seorang siswa mendapat skor mentah 78, rata-rata 70, SD = 8. Skor Z-nya adalah …

a. 0.5

b. 1.0

c. 1.5

d. 2.0

Jika nilai Z seorang peserta = 0.75, maka artinya …

a. Skor berada di bawah rata-rata

b. Skor sama dengan rata-rata

c. Skor di atas rata-rata

d. Skor ekstrem tinggi

Konsep pskikometrik tentang Konsistensi hasil ukur dari waktu ke waktu adalah …

a. Daya diksriminasi

b. Standar error measurement

c. Reliabilitas

d. Validitas

Dalam teori tes klasik, rumus hubungan skor observasi dan skor sesungguhnya adalah

a. X = T + E

b. X = T − E

c. T = X − E

d. E = T + X

Konsep penetapan nilai numerik untuk perilaku dan proses mental ialah …

a. Pengukuran psikologi

b. Penilaian psikologi

c. Observasi Psikologi

d. Wawancara psikologi

Untuk menjaga standarisasi prosedur diantaranya dilakukan dengan cara…

a. Menetapkan instruksi dan waktu yang sama dalam tes

b. Kontrol erorr pengukuran

c. Analisis daya diskriminasi

d. Menetapkan tingkat kesukaran

Mengapa pengukuran menjadi syarat utama penelitian ilmiah

a. Karena membuat hasil penelitian dapat diuji dan diulang secara empiris

b. Karena menjamin hasil penelitian selalu signifikan

c. Karena semua data ilmiah bersifat subjektif

d. Karena tidak memerlukan observasi langsung