Dalam penelitian psikologi, skala Likert sering menjadi alat utama untuk mengukur berbagai atribut, seperti sikap, kepribadian, atau tingkat kemampuan. Namun, seberapa efektifkah skala tersebut? Apakah setiap pertanyaan di dalamnya benar-benar relevan dan mampu membedakan tingkat kemampuan atau sikap individu? Untuk menjawab pertanyaan ini, para peneliti kini menggunakan Graded Response Model (GRM), yang merupakan turunan dari teori respon butir (item response theory – IRT). Artikel ini mengajak pembaca mengenal lebih dekat apa itu GRM dan mengapa metode ini penting dalam analisis data penelitian.
Graded Response Model (GRM) adalah bagian dari IRT yang dirancang untuk menganalisis data ordinal, seperti yang ditemukan pada skala Likert. GRM sangat berguna untuk mengevaluasi performa setiap butir dalam skala, memastikan apakah butir-butir tersebut dapat membedakan individu dengan tingkat atribut tertentu. Misalnya, dalam skala untuk mengukur tingkat kecemasan, GRM dapat membantu peneliti memahami apakah setiap pernyataan dalam skala tersebut benar-benar relevan untuk semua tingkatan kecemasan.
Berbeda dengan teori tes klasik (CTT), yang sering kali hanya memberikan analisis pada tingkat sampel, GRM memungkinkan analisis yang lebih mendalam, baik pada tingkat individu maupun setiap butir pertanyaan. Dengan GRM, kita dapat mengetahui seberapa efektif setiap butir dalam membedakan antara individu yang memiliki atribut psikologis pada tingkat yang berbeda-beda. Misalnya, apakah pertanyaan tertentu lebih relevan untuk orang dengan tingkat kecemasan rendah, sedang, atau tinggi.
Ada beberapa alasan utama mengapa GRM dianggap sebagai metode yang sangat membantu peneliti dalam penelitian psikologi:
1. Detail yang Lebih Mendalam: GRM tidak hanya mengukur atribut secara umum, tetapi juga mengungkap performa setiap butir dalam skala.
2. Keandalan pada Tingkat Individu: Tidak seperti pendekatan yang hanya melihat rata-rata kelompok, GRM memungkinkan evaluasi tingkat kepercayaan pada skor individu.
3. Deteksi Kelemahan: GRM membantu mengidentifikasi butir mana yang tidak efektif atau tidak relevan dalam mengukur atribut tertentu.
GRM bekerja dengan memodelkan probabilitas seseorang memilih kategori jawaban tertentu berdasarkan tingkat atribut yang diukur. Misalnya, dalam skala Likert dengan lima tingkat jawaban, GRM menghitung probabilitas transisi seseorang dari satu kategori ke kategori berikutnya (misalnya, dari 渟etuju ke 渟angat setuju).
Untuk memulai analisis menggunakan GRM, berikut langkah-langkahnya:
1. Persiapan Data: Pastikan semua data telah bersih dan setiap butir telah diberi skor dengan benar.
2. Pengujian Dimensionalitas: Gunakan analisis faktor eksploratori (EFA) untuk memastikan bahwa semua butir mengukur satu atribut utama.
3. Uji Model: Dengan perangkat lunak seperti R, model GRM diestimasi. Parameter seperti diskriminasi dan ambang batas butir dihitung pada tahap ini.
4. Evaluasi Parameter Model: Pastikan model sesuai dengan data. Gunakan metrik seperti RMSEA dan CFI untuk menilai kecocokan model.
5. Visualisasi dan Interpretasi: GRM memungkinkan Anda memvisualisasikan informasi yang diberikan oleh setiap butir, sehingga mempermudah pemahaman performa skala secara keseluruhan.
Sebagai ilustrasi, GRM telah diterapkan pada penelitian skala right-wing authoritarianism (RWA) dalam artikel kami. Dalam studi kami, GRM digunakan untuk menganalisis 22 butir dalam skala RWA. Hasilnya menunjukkan bahwa skala ini lebih sensitif dalam membedakan individu dengan tingkat RWA menengah hingga tinggi, tetapi kurang optimal untuk individu dengan tingkat RWA yang sangat rendah. Informasi seperti ini memungkinkan peneliti untuk memperbaiki skala agar lebih akurat dalam mengukur individu yang memiliki level RWA yang cenderung rendah.
Meskipun menawarkan banyak manfaat, GRM juga memiliki tantangan. Salah satunya adalah kebutuhan akan ukuran sampel yang besar serta asumsi model yang cukup ketat. Oleh karena itu, penting bagi peneliti untuk memahami kapan GRM menjadi pendekatan yang tepat dan bagaimana mengatasi kendala yang mungkin muncul.
GRM adalah alat yang sangat berguna untuk meningkatkan kualitas analisis skala psikologis, terutama skala Likert. Dengan menggunakannya, peneliti tidak hanya dapat mengevaluasi seberapa efektif setiap butir dalam skala, tetapi juga memastikan skala tersebut benar-benar andal untuk mengukur atribut yang diinginkan. Bagi peneliti yang sering bekerja dengan data skala Likert, mempertimbangkan GRM adalah langkah yang tepat untuk memberikan informasi yang akurat dan mendalam mengenai atribut yang sedang diukur.
Rizqy Amelia Zein
Zein, R. A. & Akhtar, H. (2024). Getting Started with the Graded Response Model (GRM): An introduction and tutorial in R. International Journal of Psychology, Early view. https://doi.org/10.1002/ijop.13265
