Analisis butir soal adalah pemeriksaan kualitas setiap soal dalam tes berdasarkan jawaban siswa. Tiga ukuran utamanya adalah tingkat kesukaran, daya beda, dan efektivitas pengecoh (distraktor). Hasilnya menunjukkan soal mana yang layak dipakai, perlu diperbaiki, atau sebaiknya dibuang.
Analisis butir soal wajib dilakukan sebelum tes dipakai sebagai instrumen penelitian, misalnya untuk pretest dan posttest pada penelitian pendidikan. Artikel ini menjelaskan rumus, kriteria, dan cara membacanya dengan contoh 20 butir soal pilihan ganda.
Artikel ini bagian dari seri Materi Statistik IDTesis.
Tingkat Kesukaran
Tingkat kesukaran (p) adalah proporsi siswa yang menjawab benar:
p = jumlah siswa yang menjawab benar / jumlah seluruh siswa
Makin besar p, makin mudah soalnya. Patokan yang umum dipakai (Arikunto, 2018):
- 0,00–0,30: sukar
- 0,31–0,70: sedang
- 0,71–1,00: mudah
Soal yang dijawab benar oleh hampir semua siswa, atau hampir tidak ada yang benar, kurang memberi informasi karena tidak membedakan siswa.
Daya Beda
Daya beda (D) menunjukkan kemampuan soal membedakan siswa berkemampuan tinggi dan rendah. Siswa diurutkan dari skor total tertinggi, lalu diambil 27% teratas sebagai kelompok atas dan 27% terbawah sebagai kelompok bawah (Kelley, 1939):
D = (benar kelompok atas / jumlah kelompok atas) ? (benar kelompok bawah / jumlah kelompok bawah)
Patokan Ebel dan Frisbie (1991):
- D >= 0,40: sangat baik
- 0,30–0,39: baik, bisa ditingkatkan
- 0,20–0,29: cukup, perlu diperbaiki
- D < 0,20: jelek, dibuang atau direvisi total
Daya beda negatif berarti siswa kelompok bawah lebih banyak menjawab benar daripada kelompok atas. Ini tanda kuat ada masalah, misalnya kunci jawaban salah atau soal ambigu.
Sebagai alternatif, daya beda juga bisa dihitung dengan korelasi butir-total terkoreksi (point-biserial), yaitu korelasi skor butir dengan skor total tanpa butir tersebut. Logikanya sama dengan uji validitas butir.
Contoh Analisis Butir Soal
Sebuah tes pilihan ganda 20 butir (4 opsi) diberikan kepada 40 siswa. Rata-rata skor 9,95 (SD 4,43). Kelompok atas dan bawah masing-masing 11 siswa (27% dari 40). Angka di bawah berasal dari data ilustrasi.
Ringkasannya: 15 butir layak dipakai, 1 butir perlu diperbaiki, dan 4 butir bermasalah. Komposisi kesukarannya 7 butir mudah, 6 sedang, dan 7 sukar. Sebagian buku evaluasi menyarankan komposisi yang lebih banyak di tingkat sedang, misalnya 25% mudah, 50% sedang, dan 25% sukar.
Perhatikan butir 13: tingkat kesukarannya ideal (0,48), tetapi daya bedanya jelek. Tingkat kesukaran yang baik tidak menjamin soal itu baik.
Analisis Pengecoh
Pada soal pilihan ganda, setiap opsi salah (pengecoh) seharusnya dipilih oleh sebagian siswa, terutama siswa kelompok bawah. Pengecoh yang hampir tidak dipilih siapa pun, misalnya oleh kurang dari 5% siswa, tidak berfungsi dan perlu diganti.
Pada butir 7, kunci (B) dipilih semua siswa kelompok atas, sedangkan ketiga pengecoh dipilih siswa kelompok bawah. Butir ini bekerja dengan sangat baik. Pada butir 18, opsi A justru dipilih 10 dari 11 siswa kelompok atas, sementara kunci (C) lebih banyak dipilih kelompok bawah. Kemungkinan kuncinya salah atau opsi A juga benar. Butir seperti ini perlu ditelaah isinya bersama ahli materi, bukan langsung dibuang.
Reliabilitas Tes: KR-20
Untuk soal yang diskor 0 dan 1, reliabilitas dihitung dengan rumus Kuder-Richardson 20 (Kuder & Richardson, 1937):
dengan k jumlah butir, p proporsi benar, q = 1 – p, dan Sigma² varians skor total. Pada contoh, KR-20 untuk 20 butir adalah 0,857. Setelah empat butir bermasalah dikeluarkan, KR-20 untuk 16 butir naik menjadi 0,903. Penjelasan umum reliabilitas ada di artikel uji reliabilitas.
Menelaah butir yang bermasalah dan memutuskan apakah diperbaiki atau dibuang sering membutuhkan pertimbangan isi materi. Jika Anda butuh teman diskusi, tim IDTesis bisa membantu.
Cara Menghitung di Excel dan SPSS
Di Excel:
- Buat tabel skor 0 dan 1: baris untuk siswa, kolom untuk butir. Tambahkan kolom skor total.
- Tingkat kesukaran: =AVERAGE(kolom butir).
- Urutkan siswa berdasarkan skor total, lalu tandai 27% teratas dan 27% terbawah.
- Daya beda: rata-rata butir pada kelompok atas dikurangi rata-rata pada kelompok bawah.
- Untuk analisis pengecoh, hitung jumlah pemilih setiap opsi dengan COUNTIF pada data jawaban asli (A, B, C, D).
Di SPSS: buka Analyze –> Scale –> Reliability Analysis, masukkan semua butir, pilih model Alpha, lalu di Statistics centang Scale if item deleted. Untuk data 0 dan 1, nilai Cronbach’s alpha sama dengan KR-20, dan kolom Corrected Item-Total Correlation adalah daya beda versi korelasi.
Contoh Penulisan di Bab 3 atau Bab 4
Analisis butir dilakukan terhadap 20 soal pilihan ganda yang diujicobakan kepada 40 siswa. Berdasarkan tingkat kesukaran, terdapat 7 soal mudah, 6 soal sedang, dan 7 soal sukar. Berdasarkan daya beda, 15 soal memiliki daya beda baik hingga sangat baik (D >= 0,30), 1 soal cukup, dan 4 soal jelek, termasuk 1 soal dengan daya beda negatif. Soal nomor 12, 13, 17, dan 18 tidak dipakai, sedangkan soal nomor 11 diperbaiki. Reliabilitas 16 soal yang dipakai sebesar 0,903 (KR-20).
Angka di atas hanya contoh. Ganti dengan hasil analisis Anda sendiri.
Kesalahan yang Sering Terjadi
- Hanya melihat tingkat kesukaran, tanpa daya beda.
- Membuang butir berdaya beda negatif tanpa memeriksa kunci jawaban.
- Menguji coba pada siswa yang terlalu sedikit, misalnya 10 orang, sehingga kelompok atas dan bawah hanya 2–3 siswa.
- Memakai kelompok uji coba yang sama dengan sampel penelitian.
Pertanyaan yang Sering Diajukan
Berapa siswa yang dibutuhkan untuk uji coba soal?
Tidak ada angka baku, tetapi makin banyak makin stabil. Dengan 30–40 siswa, kelompok atas dan bawah masing-masing hanya 8–11 orang, sehingga satu siswa saja bisa mengubah nilai D cukup besar. Untuk tes penting, uji coba pada 100 siswa atau lebih akan jauh lebih stabil.
Bolehkah memakai 50% kelompok atas dan bawah?
Boleh, terutama pada kelompok kecil. Kelley (1939) menunjukkan bahwa 27% memberi keseimbangan terbaik antara perbedaan kelompok dan jumlah siswa per kelompok. Sebutkan pilihan Anda di Bab 3.
Bagaimana dengan soal uraian?
Tingkat kesukaran soal uraian dihitung dari rata-rata skor dibagi skor maksimum. Daya bedanya dihitung dari selisih rata-rata kelompok atas dan bawah dibagi skor maksimum. Jika soal dinilai oleh dua orang, periksa juga kesepakatan penilai dengan uji Kappa ? atau korelasi antarpenilai.
Apa hubungan analisis butir dengan N-Gain?
Soal yang sudah dianalisis dipakai untuk pretest dan posttest. Peningkatan hasil belajar kemudian dihitung dengan uji N-Gain ?.
Butuh Teman Diskusi untuk Analisis Butir Soal?
Butuh bantuan menganalisis soal uji coba Anda?
Tim IDTesis bisa menemani Anda menghitung tingkat kesukaran, daya beda, efektivitas pengecoh, dan reliabilitas, lalu menuliskan hasilnya dengan rapi di Bab 3 atau Bab 4. Ceritakan dulu tes Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Uji Validitas · Uji Reliabilitas · Uji N-Gain
Referensi
- Arikunto, S. (2018). Dasar-dasar evaluasi pendidikan (Edisi 3). Bumi Aksara.
- Crocker, L., & Algina, J. (1986). Introduction to classical and modern test theory. Holt, Rinehart and Winston.
- Ebel, R. L., & Frisbie, D. A. (1991). Essentials of educational measurement (5th ed.). Prentice Hall.
- Kelley, T. L. (1939). The selection of upper and lower groups for the validation of test items. Journal of Educational Psychology, 30(1), 17–24.
- Kuder, G. F., & Richardson, M. W. (1937). The theory of the estimation of test reliability. Psychometrika, 2(3), 151–160.
