Data penilaian hanya bernilai jika kamu tahu cara membacanya — dan yang lebih penting, cara menggunakannya untuk membuat keputusan instruksional yang lebih baik.
📙 Butler ch.8📘 Popham ch.11
3
Jenis analisis data utama
2
Pendekatan peningkatan tes (Popham)
∞
Tindakan instruksional yang mungkin
"
Data yang tidak digunakan untuk membuat keputusan adalah noise — bukan informasi.
— Butler & McMunn
§ 1 · Tujuan Analisis Data
Data Bukan Tujuan — Keputusan yang Tujuan
Butler menegaskan: analisis data penilaian bukan tentang mengolah angka — tapi tentang memformulasikan inferensi yang valid untuk mengambil tindakan instruksional yang tepat.
🔍
Identifikasi Pola & Tren
Siapa yang struggling dengan konsep apa? Di mana seluruh kelas tampak bingung? Kapan performa menurun? Data adalah jawabannya.
🎯
Validasi Keputusan Instruksional
Apakah strategi mengajar yang digunakan efektif? Data pretest-posttest memberikan jawaban yang lebih jujur daripada intuisi guru.
👤
Kenali Siswa Lebih Dalam
Butler: dengan melihat pola data (homework vs grup vs tes), guru bisa memahami cara belajar siswa secara individual — bukan hanya nilai akhir.
⚡
Cegah Masalah Sejak Dini
Data formatif yang dianalisis secara konsisten memungkinkan guru mengintervensi sebelum siswa jauh tertinggal — bukan setelah ujian akhir.
§ 2 · Butler ch.8 — Membaca Distribusi Nilai
Distribusi Nilai: Apa yang Dikatakan Bentuknya?
Bentuk distribusi nilai kelas bisa bercerita banyak tentang kualitas instruksi, kualitas penilaian, atau kondisi belajar. Butler: selalu tanyakan — "Apakah bentuk ini karena instruksiku, atau karena soalnya?"
⚠️
Butler: ketika >50% siswa salah pada satu item, tanyakan dua hal terlebih dahulu — apakah itemnya yang bermasalah, atau instruksinya? Jangan langsung membuang soal dan jangan langsung menyalahkan siswa.
§ 3 · Popham ch.11 — Analisis Butir Soal
Dua Metode Meningkatkan Kualitas Soal
A. Pendekatan Judgment
Guru (atau kolega) memeriksa soal secara kritis menggunakan 5 kriteria. Tidak butuh data siswa — bisa dilakukan sebelum tes diberikan.
1
Kesesuaian dengan panduan penulisan item dan prinsip umum (5 Prinsip Popham Bab 6)
2
Kontribusi pada inferensi yang sesuai tujuan tes (normatif vs kriteria)
3
Akurasi konten — apakah jawabannya benar secara faktual?
4
Cakupan konten — tidak ada bagian kurikulum penting yang absen
5
Keadilan (fairness) — tidak ada bias terhadap kelompok siswa tertentu
✓ Realistis untuk tes harian. Bahkan tanpa data, pengecekan judgmental sudah meningkatkan kualitas secara signifikan.
B. Pendekatan Empiris
Menggunakan data respons siswa nyata untuk mengidentifikasi item yang bermasalah. Lebih akurat, tapi butuh waktu dan data yang cukup.
D ≥ .40 Item sangat baik — tetap gunakan
D .20–.39 Marginal — perlu revisi atau periksa ulang
D ≤ .19 Item buruk atau instruksi perlu diperiksa
D ≈ 0 (semua benar) Instruksi luar biasa — bukan item buruk!
§ 4 · Butler ch.8 — Triangulasi Data
Satu Sumber Data Tidak Cukup
Butler meminjam konsep dari navigasi dan geologi: triangulasi — menggunakan tiga sumber data berbeda untuk mendapatkan gambaran yang akurat dan lengkap tentang kemampuan siswa. Satu tes saja bisa menyesatkan.
📖 Kasus Nyata: Chris (Butler ch.8)
Seorang guru mencatat bahwa Chris tidak menyelesaikan hampir semua PR dan mendapat nilai rendah di kuis. Tapi di Math Center (kerja kelompok), nilainya bagus.
INFERENSI GURU
Chris mungkin mengalami kesulitan belajar mandiri, atau ada hambatan di rumah. Dia bukan "siswa malas" — buktinya: saat kerja kelompok dia bisa. Solusi: interview dengan Chris, bukan hanya melihat nilainya.
Siapa yang struggle? Dengan konsep apa? Kapan? Dalam kondisi apa? Apakah trendnya konsisten?
→
🧠
Formulasikan Inferensi
Dari pola yang terlihat, apa kemungkinan penyebabnya? Masalah instruksi, soal, atau kondisi siswa?
→
⚡
Ambil Tindakan
Reteach? Revisi soal? Intervensi individual? Ubah strategi mengajar? Grup ulang siswa?
→
🔄
Pantau Dampak
Apakah tindakan yang diambil berhasil? Data berikutnya akan memberikan jawabannya.
MENU TINDAKAN INSTRUKSIONAL (Butler)
🔁
Reteach — Jika mayoritas kelas tidak mencapai standar, instruksi perlu diulang dengan pendekatan berbeda
👥
Grouping — Kelompokkan siswa yang struggling bersama dan berikan instruksi tambahan yang tertarget
📝
Revisi Soal — Jika >50% salah, periksa soalnya sebelum menyimpulkan siswa yang salah
🤝
Konferensi Individual — Untuk siswa dengan pola anomali (seperti Chris), interview langsung lebih efektif dari data saja
🎯
Diferensiasi — Siswa yang sudah menguasai perlu tantangan lebih, bukan mengulang hal yang sama
💬
Tanya Siswa — Butler: sering kali cara terbaik memahami data adalah bertanya langsung kepada siswa yang bersangkutan
🔬 Aktivitas — Data Detective
Baca Datanya, Ambil Keputusannya
Setiap skenario menunjukkan pola data penilaian. Identifikasi tindakan instruksional yang paling tepat.
Kasus A
Data:
Soal pilihan ganda No. 12 tentang hukum Newton ketiga. Siswa grup tinggi: 6/15 menjawab benar. Siswa grup rendah: 9/15 menjawab benar.
D = .40 − .60 = −.20
D negatif (−.20) berarti siswa berkemampuan tinggi justru lebih banyak salah dari yang berkemampuan rendah. Ini hampir pasti masalah soal, bukan instruksi. Popham: cari apa yang membuat siswa kuat terjebak — kemungkinan ada petunjuk tidak sengaja yang membantu siswa lemah, atau soal ambigu yang membingungkan siswa kuat.
Kasus B
Data:
Distribusi nilai kelas menunjukkan 70% siswa mendapat nilai di bawah 60. Nilai rata-rata kelas sebelumnya pada topik yang sama: 75.
Perlu dua investigasi paralel. Pertama, periksa soal — apakah lebih sulit dari sebelumnya? Kedua, refleksi instruksi — apakah ada perubahan cara mengajar? Butler: sebelum memutuskan, tanyakan kepada siswa dan periksa soalnya bersama mereka. Data rendah bisa dari instruksi ATAU soal — jangan asumsikan salah satunya tanpa mengecek keduanya.
Kasus C
Data:
Setelah 3 bab terakhir, nilai Raka: PR = 30, 25, 20 (menurun). Nilai kuis = 45, 42, 38 (menurun). Tapi nilai kerja kelompok = 80, 85, 88 (meningkat).
Pola ini sangat mirip kasus Chris dari Butler — performa mandiri rendah tapi kolaboratif tinggi. Raka bukan tidak bisa memahami materi (buktinya: kerja kelompok bagus). Ada sesuatu yang menghalangi kemandirian belajarnya. Sebelum asumsi apapun, lakukan konferensi individual. Pertanyaan kuncinya: "Ceritakan tentang cara kamu mengerjakan PR di rumah." Mungkin ada hambatan di rumah, membaca, atau kecemasan tes.
Kasus D
Data:
Setelah unit tentang persamaan kuadrat, pretest rata-rata 35% benar. Setelah instruksi intensif, posttest rata-rata 92% benar. D_ppd = +.57 untuk sebagian besar item.
D_ppd = +.57 adalah instruksi yang luar biasa! Popham: ketika hampir semua siswa menjawab benar setelah instruksi (p posttest ≈ .95), maka item-discrimination index tradisional akan mendekati nol — tapi itu bukan tanda item buruk. Itu tanda pengajaran yang sangat efektif. Jangan menolak item yang hampir semua siswa kuasai setelah instruksi yang baik.
Selesaikan semua kasus untuk melihat skormu
Sebelum ke Modul 4-3
4 Hal yang Harus Kamu Bawa
📊
Data hanya bernilai jika digunakan untuk memutuskan
Analisis distribusi, item analysis, dan pola individual hanya bermakna jika menghasilkan tindakan instruksional yang konkret.
🔺
Triangulasi tiga sumber sebelum menyimpulkan
Satu jenis data menyesatkan. Gabungkan tes tertulis, observasi, dan produk/portofolio untuk gambaran yang akurat tentang setiap siswa.
⚖️
Sebelum menyalahkan siswa, periksa soalnya
Nilai rendah bisa disebabkan instruksi yang kurang efektif ATAU soal yang buruk. Jangan asumsikan — investigasi keduanya.
💬
Tanya siswa — data kuantitatif punya batas
Butler: cara paling efektif memahami pola anomali adalah berbicara langsung dengan siswa. Angka memberi tahu "apa", siswa memberi tahu "mengapa."