CTT Model
Heru Wiryanto
September 14, 2016
Analisa Item Teori Test Klasik
Ini adalah Model Analisa Item dengan menggunakan CTT (Classical Test Theory)
###Upload Data
library(CTT)
library(psychometric)## Loading required package: multilevel## Loading required package: nlme## Loading required package: MASSdata(CTTdata)#ini data 100 responden dengan 20 item
head(CTTdata)## i1 i2 i3 i4 i5 i6 i7 i8 i9 i10 i11 i12 i13 i14 i15 i16 i17 i18 i19 i20
## 1 A B B B B C B C B D D C A B A D B D A C
## 2 C D A D C B D B D A D D A B C C C A D C
## 3 B D C D A B A C B D B A A D D A B C B B
## 4 C C D D D A A D D D A B C B D B C B C A
## 5 A A A D A A D B A C A D C C C C A A A B
## 6 A A B C C A A A A A B C C C C B D C D Ddata(CTTkey)#ini kunci jawabannya
head(CTTkey)## [1] "D" "C" "A" "D" "D" "A"distractor.analysis(CTTdata,CTTkey)## $i1
## score.level
## response lower middle upper
## A 11 6 2
## B 17 3 1
## C 8 4 1
## *D 8 16 23
##
## $i2
## score.level
## response lower middle upper
## A 15 1 5
## B 11 4 0
## *C 10 21 22
## D 8 3 0
##
## $i3
## score.level
## response lower middle upper
## *A 17 18 20
## B 12 1 4
## C 5 5 2
## D 10 5 1
##
## $i4
## score.level
## response lower middle upper
## A 8 4 2
## B 16 10 6
## C 13 4 1
## *D 7 11 18
##
## $i5
## score.level
## response lower middle upper
## A 13 6 1
## B 10 4 5
## C 13 9 2
## *D 8 10 19
##
## $i6
## score.level
## response lower middle upper
## *A 32 23 27
## B 5 4 0
## C 5 2 0
## D 2 0 0
##
## $i7
## score.level
## response lower middle upper
## A 10 1 0
## B 9 2 0
## C 4 3 0
## *D 21 23 27
##
## $i8
## score.level
## response lower middle upper
## A 8 6 2
## *B 16 18 23
## C 11 2 2
## D 9 3 0
##
## $i9
## score.level
## response lower middle upper
## A 10 8 5
## B 14 8 4
## C 12 6 3
## *D 8 7 15
##
## $i10
## score.level
## response lower middle upper
## *A 17 15 20
## B 6 8 3
## C 11 3 1
## D 10 3 3
##
## $i11
## score.level
## response lower middle upper
## *A 6 12 22
## B 17 2 3
## C 11 7 1
## D 10 8 1
##
## $i12
## score.level
## response lower middle upper
## A 14 3 0
## B 10 3 0
## C 9 2 1
## *D 11 21 26
##
## $i13
## score.level
## response lower middle upper
## A 8 5 3
## B 7 2 1
## *C 19 21 22
## D 10 1 1
##
## $i14
## score.level
## response lower middle upper
## A 16 2 0
## B 7 7 0
## *C 9 17 26
## D 12 3 1
##
## $i15
## score.level
## response lower middle upper
## A 12 7 2
## *B 12 10 16
## C 8 6 5
## D 12 6 4
##
## $i16
## score.level
## response lower middle upper
## A 14 8 4
## B 13 7 5
## *C 9 8 15
## D 8 6 3
##
## $i17
## score.level
## response lower middle upper
## A 8 4 4
## B 15 7 1
## C 13 5 2
## *D 8 13 20
##
## $i18
## score.level
## response lower middle upper
## *A 6 8 18
## B 16 6 4
## C 12 9 2
## D 10 6 3
##
## $i19
## score.level
## response lower middle upper
## *A 5 10 18
## B 13 9 4
## C 12 4 2
## D 14 6 3
##
## $i20
## score.level
## response lower middle upper
## A 9 5 0
## *B 7 12 21
## C 15 5 2
## D 13 7 4#Ditulis ke excel
distractor.analysis(CTTdata,CTTkey,p.table=TRUE,write.csv="Hello.csv")## $i1
## score.level
## response lower middle upper
## A 0.250 0.207 0.074
## B 0.386 0.103 0.037
## C 0.182 0.138 0.037
## *D 0.182 0.552 0.852
##
## $i2
## score.level
## response lower middle upper
## A 0.341 0.034 0.185
## B 0.250 0.138 0.000
## *C 0.227 0.724 0.815
## D 0.182 0.103 0.000
##
## $i3
## score.level
## response lower middle upper
## *A 0.386 0.621 0.741
## B 0.273 0.034 0.148
## C 0.114 0.172 0.074
## D 0.227 0.172 0.037
##
## $i4
## score.level
## response lower middle upper
## A 0.182 0.138 0.074
## B 0.364 0.345 0.222
## C 0.295 0.138 0.037
## *D 0.159 0.379 0.667
##
## $i5
## score.level
## response lower middle upper
## A 0.295 0.207 0.037
## B 0.227 0.138 0.185
## C 0.295 0.310 0.074
## *D 0.182 0.345 0.704
##
## $i6
## score.level
## response lower middle upper
## *A 0.727 0.793 1.000
## B 0.114 0.138 0.000
## C 0.114 0.069 0.000
## D 0.045 0.000 0.000
##
## $i7
## score.level
## response lower middle upper
## A 0.227 0.034 0.000
## B 0.205 0.069 0.000
## C 0.091 0.103 0.000
## *D 0.477 0.793 1.000
##
## $i8
## score.level
## response lower middle upper
## A 0.182 0.207 0.074
## *B 0.364 0.621 0.852
## C 0.250 0.069 0.074
## D 0.205 0.103 0.000
##
## $i9
## score.level
## response lower middle upper
## A 0.227 0.276 0.185
## B 0.318 0.276 0.148
## C 0.273 0.207 0.111
## *D 0.182 0.241 0.556
##
## $i10
## score.level
## response lower middle upper
## *A 0.386 0.517 0.741
## B 0.136 0.276 0.111
## C 0.250 0.103 0.037
## D 0.227 0.103 0.111
##
## $i11
## score.level
## response lower middle upper
## *A 0.136 0.414 0.815
## B 0.386 0.069 0.111
## C 0.250 0.241 0.037
## D 0.227 0.276 0.037
##
## $i12
## score.level
## response lower middle upper
## A 0.318 0.103 0.000
## B 0.227 0.103 0.000
## C 0.205 0.069 0.037
## *D 0.250 0.724 0.963
##
## $i13
## score.level
## response lower middle upper
## A 0.182 0.172 0.111
## B 0.159 0.069 0.037
## *C 0.432 0.724 0.815
## D 0.227 0.034 0.037
##
## $i14
## score.level
## response lower middle upper
## A 0.364 0.069 0.000
## B 0.159 0.241 0.000
## *C 0.205 0.586 0.963
## D 0.273 0.103 0.037
##
## $i15
## score.level
## response lower middle upper
## A 0.273 0.241 0.074
## *B 0.273 0.345 0.593
## C 0.182 0.207 0.185
## D 0.273 0.207 0.148
##
## $i16
## score.level
## response lower middle upper
## A 0.318 0.276 0.148
## B 0.295 0.241 0.185
## *C 0.205 0.276 0.556
## D 0.182 0.207 0.111
##
## $i17
## score.level
## response lower middle upper
## A 0.182 0.138 0.148
## B 0.341 0.241 0.037
## C 0.295 0.172 0.074
## *D 0.182 0.448 0.741
##
## $i18
## score.level
## response lower middle upper
## *A 0.136 0.276 0.667
## B 0.364 0.207 0.148
## C 0.273 0.310 0.074
## D 0.227 0.207 0.111
##
## $i19
## score.level
## response lower middle upper
## *A 0.114 0.345 0.667
## B 0.295 0.310 0.148
## C 0.273 0.138 0.074
## D 0.318 0.207 0.111
##
## $i20
## score.level
## response lower middle upper
## A 0.205 0.172 0.000
## *B 0.159 0.414 0.778
## C 0.341 0.172 0.074
## D 0.295 0.241 0.148# Nilai untuk tiap orang
myScores <- score(CTTdata,CTTkey, output.scored=TRUE)
# ICC untuk item 1
cttICC(myScores$score, myScores$scored[,1], colTheme="spartans", cex=1)
# ICC untuk item 10
cttICC(myScores$score, myScores$scored[,10], colTheme="spartans", cex=1)
# merubah menjadi data frame
myScores$score<-NULL
dataset <- data.frame(myScores)
# Analisa CTT
item.exam(dataset, discrim=TRUE)## Sample.SD Item.total Item.Tot.woi Difficulty Discrimination
## scored.i1 0.5016136 0.6122554 0.5354616 0.47 0.6969697
## scored.i2 0.5016136 0.5548787 0.4707659 0.53 0.6363636
## scored.i3 0.5000000 0.3333938 0.2299700 0.55 0.3030303
## scored.i4 0.4824182 0.5267469 0.4430028 0.36 0.5151515
## scored.i5 0.4852366 0.4662162 0.3759047 0.37 0.4848485
## scored.i6 0.3861229 0.3451444 0.2667077 0.82 0.3333333
## scored.i7 0.4560480 0.5434856 0.4664061 0.71 0.6060606
## scored.i8 0.4975699 0.4564565 0.3627846 0.57 0.5757576
## scored.i9 0.4605662 0.3861978 0.2945506 0.30 0.3030303
## scored.i10 0.5021167 0.3784490 0.2775098 0.52 0.3636364
## scored.i11 0.4923660 0.5890816 0.5108272 0.40 0.6363636
## scored.i12 0.4960450 0.6043531 0.5274432 0.58 0.7272727
## scored.i13 0.4878317 0.3629637 0.2640013 0.62 0.3939394
## scored.i14 0.5021167 0.5965110 0.5175262 0.52 0.7575758
## scored.i15 0.4878317 0.3516039 0.2519119 0.38 0.2727273
## scored.i16 0.4688262 0.2699605 0.1701400 0.32 0.3333333
## scored.i17 0.4943111 0.5484295 0.4648960 0.41 0.5757576
## scored.i18 0.4688262 0.4796755 0.3938428 0.32 0.4545455
## scored.i19 0.4725816 0.4310387 0.3402452 0.33 0.5151515
## scored.i20 0.4923660 0.5028524 0.4147055 0.40 0.5454545
## Item.Criterion Item.Reliab Item.Rel.woi Item.Validity
## scored.i1 NA 0.3055762 0.26724844 NA
## scored.i2 NA 0.2769395 0.23495890 NA
## scored.i3 NA 0.1658613 0.11440861 NA
## scored.i4 NA 0.2528385 0.21264134 NA
## scored.i5 NA 0.2250912 0.18148843 NA
## scored.i6 NA 0.1326001 0.10246575 NA
## scored.i7 NA 0.2466131 0.21163739 NA
## scored.i8 NA 0.2259805 0.17960586 NA
## scored.i9 NA 0.1769781 0.13498005 NA
## scored.i10 NA 0.1890730 0.13864386 NA
## scored.i11 NA 0.2885898 0.25025321 NA
## scored.i12 NA 0.2982836 0.26032409 NA
## scored.i13 NA 0.1761777 0.12814263 NA
## scored.i14 NA 0.2980168 0.25855602 NA
## scored.i15 NA 0.1706638 0.12227462 NA
## scored.i16 NA 0.1259301 0.07936625 NA
## scored.i17 NA 0.2697359 0.22865134 NA
## scored.i18 NA 0.2237572 0.18371829 NA
## scored.i19 NA 0.2026799 0.15998763 NA
## scored.i20 NA 0.2463463 0.20316339 NAa<-ncol(dataset)#Jumlah Item
b<-nrow(dataset)#Jumlah Responden
alp<-alpha(dataset)#Koefisien Reliabilitas
alpha.CI(alp, a, b, level=0.95, onesided=FALSE)#alpha.CI(alpha, k, N, level = 0.90, onesided = FALSE)## LCL ALPHA UCL
## 1 0.7550903 0.8127538 0.8621034