Dari Kuesioner ke Analisis IRT: Membangun Instrumen Penelitian Skripsi/Tesis dari Nol

Kenapa Banyak Skripsi/Tesis Perlu Instrumen Sendiri

Tidak semua penelitian bisa memakai kuesioner yang sudah baku. Begitu variabel yang diteliti cukup spesifik, misalnya mengukur konstruk psikologis yang belum ada alat ukurnya dalam konteks lokal, mahasiswa dan peneliti sering diminta menyusun, menguji, dan memvalidasi instrumen sendiri sebelum bisa memakainya untuk menjawab pertanyaan penelitian yang sebenarnya.

Masalahnya, alur kerja ini biasanya tersebar di banyak tools yang tidak saling terhubung: Google Form untuk kuesioner, Excel untuk rekap manual, lalu SPSS atau R yang dijalankan terpisah untuk uji validitas, reliabilitas, sampai analisis lanjutan. Setiap perpindahan antar tools itu titik rawan kesalahan, entah salah salin data atau salah baris rumus. Artikel ini membahas alur yang sama, tapi dari builder soal sampai skrip R/SPSS siap pakai, dalam satu platform yang sama.

Tahap 1: Menyusun Butir Soal

Instrumen penelitian yang baik dimulai dari format pertanyaan yang sesuai dengan apa yang ingin diukur, bukan sekadar pilihan ganda untuk semua hal. Beberapa format yang umum dipakai dalam penyusunan instrumen psikometri:

• Skala Likert dengan reverse-scoring: Format paling umum untuk mengukur sikap/konstruk psikologis. Sebagian butir biasanya sengaja dibuat unfavorable (bermakna terbalik) untuk mendeteksi respons asal-asalan — builder-nya perlu bisa menandai butir mana yang harus dibalik skornya sebelum dihitung.
• Matrix untuk indikator serumpun: Mengelompokkan beberapa butir dengan skala jawaban yang sama dalam satu tabel, memperpendek instrumen yang punya banyak indikator dari konstruk yang sama.
• Slider untuk pengukuran yang lebih presisi: Alternatif skala Likert 5 poin, dengan rentang lebih halus (misalnya 0-100) untuk intensitas yang sulit dibedakan lewat pilihan diskrit.
• Ranking dan situational judgement: Berguna untuk penelitian preferensi atau prediksi perilaku, di mana urutan pilihan atau respons terhadap skenario lebih informatif daripada sekadar skala setuju-tidak setuju.

Tahap ini sama persis dengan menyusun kuesioner penelitian pada umumnya. Kalau Anda belum familiar dengan langkah menentukan variabel, indikator, dan butir pertanyaan, kami bahas lebih detail di artikel terpisah soal membuat kuesioner penelitian online.

Tahap 2: Menyebarkan untuk Uji Coba dan Pengumpulan Data

Instrumen yang baru disusun idealnya diuji cobakan dulu ke sampel kecil (30-50 responden) sebelum penyebaran penuh, untuk mengecek apakah butir soal dipahami dengan benar. Karena penelitian umumnya tidak butuh kode akses personal per responden seperti pada seleksi kandidat, mode link terbuka (open link) lebih relevan: satu tautan yang sama disebar lewat grup WhatsApp, media sosial, atau email blast, dan setiap pengisian otomatis masuk ke dataset yang sama tanpa perlu didaftarkan satu per satu di awal.

Tahap 3: Analisis Item — Soal Mana yang Layak Dipakai

Setelah data uji coba terkumpul, langkah berikutnya adalah memeriksa kualitas tiap butir soal sebelum instrumen dipakai untuk pengumpulan data yang sebenarnya:

• Difficulty Index & Discrimination Index: Mengecek seberapa sulit tiap butir, dan seberapa baik butir itu membedakan responden dengan skor tinggi dan rendah pada konstruk yang sama.
• Item-Total Correlation: Melihat apakah skor satu butir konsisten dengan skor total instrumen — butir dengan korelasi rendah biasanya kandidat kuat untuk dibuang atau direvisi.
• Cronbach's Alpha & Split-Half Reliability: Dua ukuran konsistensi internal yang paling sering diminta dosen pembimbing atau reviewer jurnal sebagai bukti instrumen reliabel.

Kami membahas keempat ukuran ini secara mendalam, termasuk cara membacanya, di artikel terpisah soal item analysis.

Tahap 4: Uji Validitas Konstruk dengan Analisis Faktor

Reliabel saja tidak cukup — instrumen juga harus terbukti benar-benar mengukur konstruk yang dimaksud, bukan konstruk lain yang kebetulan berkorelasi. Ini yang diperiksa lewat analisis faktor (Principal Component Analysis/PCA): apakah butir-butir yang Anda susun untuk satu indikator memang mengelompok jadi satu faktor yang sama, atau justru tersebar ke faktor lain yang tidak terduga.

• Uji kecukupan sampel (KMO): Memastikan jumlah data yang terkumpul memang layak dianalisis faktor sebelum melangkah lebih jauh.
• Uji sphericity Bartlett: Mengecek apakah antar-butir memang cukup berkorelasi untuk direduksi jadi beberapa faktor, bukan sekadar variabel yang saling lepas.
• Rotasi Varimax: Membantu setiap butir mengelompok lebih jelas ke satu faktor, memudahkan interpretasi struktur konstruk yang terbentuk dari data.

Tahap 5: Item Response Theory, Kalau Memang Dibutuhkan

Tidak semua skripsi/tesis butuh sampai tahap ini — untuk banyak penelitian, item analysis dan analisis faktor di atas (pendekatan Classical Test Theory/CTT) sudah cukup. Tapi kalau penelitian Anda menuntut presisi lebih, misalnya membandingkan skor antar sampel yang berbeda kemampuan, atau merancang tes adaptif, Item Response Theory (IRT) jadi pendekatan yang lebih tepat karena memodelkan karakteristik tiap butir soal secara independen dari sampel yang mengerjakannya.

• Model 1PL (Rasch): Memodelkan butir soal hanya berdasarkan tingkat kesulitannya — model paling sederhana dan paling umum dipakai di skripsi/tesis pendidikan.
• Model 2PL: Menambahkan parameter daya beda butir, dipakai kalau asumsi semua butir punya daya beda yang sama (seperti di 1PL) dianggap terlalu kaku.
• Model 3PL: Menambahkan lagi parameter tebakan (guessing), relevan untuk tes pilihan ganda di mana responden bisa menebak jawaban benar tanpa benar-benar tahu.

Menjalankan estimasi IRT biasanya berarti menulis skrip di R (paket seperti mirt atau ltm) dari nol. Karena estimasi parameter dan statistik fit item/peserta ini sudah tersedia langsung di dashboard, Anda bisa melihat hasilnya tanpa menulis kode statistik sendiri — tapi tetap perlu memahami model mana yang sesuai dengan desain penelitian Anda, karena itu keputusan metodologis yang tidak bisa diotomatisasi begitu saja.

Tahap 6: Ekspor ke SPSS/R untuk Uji Hipotesis

Setelah instrumen terbukti valid dan reliabel, tahap terakhir biasanya menguji hipotesis penelitian yang sebenarnya: uji beda antar kelompok, korelasi antar variabel, atau regresi. Data yang sudah dikonversi manual dari kuesioner online ke format numerik siap SPSS/R seringkali jadi salah satu bagian paling memakan waktu, dan rawan salah kalau dikerjakan manual satu per satu.

• Ekspor otomatis dengan codebook: Data hasil pengisian bisa langsung diekspor ke format yang dikenali SPSS (.sps) atau R (.R), lengkap dengan deklarasi variabel dan label, tanpa perlu menyusun codebook manual dari nol.
• Statistik inferensial bawaan: Uji-t, ANOVA dengan post-hoc Tukey, Kruskal-Wallis, regresi linear, korelasi Pearson/Spearman, dan uji normalitas Shapiro-Wilk tersedia langsung dari dashboard untuk pengecekan cepat sebelum menulis laporan penuh.
• Benchmark norma populasi: Kalau penelitian Anda perlu membandingkan skor terhadap kelompok norma (percentile, z-score, T-score, stanine), ini juga tersedia tanpa perlu tabel norma terpisah.

Detail lengkap soal ekspor data ke SPSS ini kami bahas terpisah, termasuk contoh struktur file dan cara membaca codebook otomatisnya.

Kalau Mengerjakan Bersama Tim

Penelitian skala lebih besar (misalnya riset lab atau proyek multi-peneliti) jarang dikerjakan sendirian. Satu workspace bisa dipakai bersama dengan pembagian peran yang jelas: Owner untuk peneliti utama/pembimbing, PM untuk koordinator proyek, Analyst untuk yang fokus mengolah data, dan Surveyor untuk anggota tim yang bertugas mengumpulkan data lapangan — semuanya mengakses instrumen dan data yang sama tanpa perlu bertukar file Excel bolak-balik lewat email.

Kesimpulan

Membangun instrumen penelitian dari nol itu proses panjang: menyusun butir, uji coba, analisis item, uji validitas konstruk, sampai (kalau memang dibutuhkan) pemodelan IRT, sebelum akhirnya data siap dipakai untuk menjawab hipotesis penelitian yang sebenarnya.

Yang biasanya membuat proses ini terasa lebih berat bukan konsep statistiknya, tapi berpindah-pindah antara alat kuesioner, spreadsheet, dan software statistik terpisah untuk tiap tahap. Kalau seluruh alur ini, dari desain soal sampai skrip R/SPSS siap pakai, ada dalam satu platform yang sama, yang tersisa untuk Anda adalah fokus pada keputusan metodologis yang memang butuh penilaian seorang peneliti, bukan pekerjaan administratif memindahkan data antar tools.