Bab 12 Reliabilitas Penilai dan Pengamat Reliabilitas Penilai
Bab 12 Reliabilitas Penilai dan Pengamat
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- Bab 12 Reliabilitas Penilai dan Pengamat A. Dasar 1. Penilai dan Pengamat • Ada kalanya sekor tidak langsung diperoleh dari responden • Kita menggunakan penilai dan pengamat untuk menentukan sekor • Dalam pemberian sekor, penilai dan pengamat mengikuti kriteria tertentu
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- 2. Reliabilitas Penilaian dan Pengamatan • Penilaian dan pengamatan menggunakan lebih dari satu penilai dan lebih dari satu pengamat • Karena mengikuti kriteria penilaian dan pengamatan, perlu ada kecocokan di antara mereka • Kecocokan ini merupakan reliabilitas yang sejenis dengan reliabilitas ukur-ukur setara • Mula-mula, kecocokan dilakukan pada saat uji coba penilai dan pengamat sehingga dapat dilakukan koreksi yang diperlukan • Pada saat penilaian dan pengamatan, digunakan penilai dan pengamat yang sudah diketahui kecocokannya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Kecocokan Intra-penilai/pengamat • Penilai atau pengamat melakukan penilaian atau pengamatan lebih dari sekali • Kecocokan di antara penilaian atau pengamatan ttu • Setara dengan ukur-ukur ulang Kecocokan Inter-penilai/pengamat • Penilaian atau pengamatan dilakukan oleh lebih dari satu penilai atau satu pengamat • Kecocokan di antara penilaian atau pengamatan itu • Setara dengan ukur-ukur setara Perhitungn untuk mereka adalah sama
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- 3. Jenis Kecocokan hasil penilaian dan pengamatgan dapat berupa • Kecocokan peringkat • Kecocokan kategori Kecocokan Peringkat • Sekor dapat saja berbeda tetapi kedudukan relatif di antara sekor atribut yang dinilai atau diamati adalah sama atau bersamaan Kecocokan Kategori • Hasil penilaian dan pengamatan berupa kategori dan hasil penilaian dan pengamatan menunjuk ke kategori yang sama atau bersamaan
--------------------------------------- Reliabilitas Peniliai dan Pengamat --------------------------------------- 3. Kecocokan Peringkat Dua penilai X dan Y memberi sekor kepada sejumlah atribut Penilai X Y 1 80 60 Yang dinilai 2 3 4 70 60 50 50 45 40 35 Kecocokan dapat dinyatakan melalui • Koefisien korelasi Pearson (parametrik) atau rho Spearman (nonparametrik) • Koefisien kecocokan tau Kendall
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- Dari contoh di atas, kecocokan peringkat melalui koefisien korelasi adalah Koefisien Korelasi Pearson = 0, 900 Koefisien Korelasi rho Spearman = 0, 900 Koefisien tau Kendall = 0, 800 Koefisien ini dijadikan ukuran kecocokan peringkat penilaian di antara pengamat X dan Y
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- 4. Kecocokan Kategori • Pengamat X dan Y mengamati hal yang sama serta menentukan kategori dari amatan mereka • Misalnya keadaan kelas mereka amati serta mencatatnya setiap 5 detik. Keadaan kelas (guru berbicara, murid bertanya, …) dibagi menjadi lima kategori K 1, K 2, K 3, K 4, dan K 5 • Hasil amatan menunjukkan Kelas 1 2 3 4. . . X K 1 K 1. . . Y K 1 K 2. . .
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- Dari contoh di atas tampak bahwa hasil amatan X dan Y itu • Ada yang cocok seperti dua-duanya K 1 • Ada yang tidak cocok, satu K 1 lainnya K 2 Hasil amatan ini dapat disusun ke dalam matriks hasil amatan Pengamat Y K 1 2 K 2 2 K 3 K 4 K 5 Pengamat X K 2 K 3 K 4 K 5
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- • Pengamat X dan Y mengamati hal yang sama serta menentukan kategori dari amatan mereka • Misalnya keadaan pasien yang diamati untuk menentukan sakit A, B, atau C. Hasil amatan menujukkan pasien yang sakit • Hasil amatan menunjukkan Pasien 1 2 3 4. . . X A A A B. . . Y A A B C. . .
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- Dari contoh di atas tampak bahwa hasil amatan X dan Y itu • Ada yang cocok seperti dua-duanya A • Ada yang tidak cocok, satu A lainnya B Hasil amatan ini dapat disusun ke dalam matriks hasil amatan Pengamat Y A Pengamat X A B C 2 B 2 C
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- B. Kecocokan Menurut Kategori 1. Kecocokan Kategori • Kita membicarakan kecocokan penilai dan pengamat menurut kategori yang mereka berikan • Hasil penilaian dan pengamatan disusun ke dalam matriks penilaian dan pengamatan • Ukuran matriks bergantung kepada banyaknya kategori yang dihasilkan dari penilaian dan pengamatan • Hasil penilaian dan pengamatan menunjukkan adanya kecocokan dan adanya ketidakcocokan • Mereka dapat dinyatakan ke dalam frekuensi dan juga ke dalam proporsi
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- 2. Matriks Penilai dan Pengamat Matriks dapat disusun ke dalam frekuensi atau ke dalam proporsi Contoh 1 (dalam frekuensi) Penilai P 1 dan P 2 menilai karangan dalam sekor A, B, dan C P 2 A P 1 n 0 i ni 0 B C A 75 1 4 80 B 5 4 1 10 C 0 0 10 10 80 5 15 100
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 2 (dalam proporsi) Contoh 1 diubah menjadi proporsi P 2 P 1 p 0 i pi 0 A B C A 0, 75 0, 01 0, 04 0, 80 B 0, 05 0, 04 0, 01 0, 10 C 0 0 0, 10 0, 80 0, 05 0, 15 1, 00 n = jumlah seluruhnya nii = jumlah yang cocok ni 0 = P 1 untuk semua P 2 n 0 i = P 2 untuk semua P 1 p = proporsi seluruhnya pii = proporsi yang cocok pi 0 = P 1 untuk semua P 2 p 0 i = P 2 untuk semua P 1
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 3 (frekuensi) Penilaian keadaan kelas dari pengamat P 1 dan P 2 untuk kategori amatan K 1, K 2, K 4, K 5 P 2 K 1 P 1 n 0 i K 2 K 3 ni 0 K 4 K 5 K 1 4 4 0 0 0 8 K 2 2 8 0 0 0 10 K 3 0 0 6 K 4 0 3 6 7 0 16 K 5 0 0 5 10 6 20 12 7 5 50
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 4 (proporsisi) Contoh 3 dalam bentuk proporsi P 2 P 1 p 0 i pi 0 K 1 K 2 K 3 K 4 K 5 K 1 0, 08 0 0, 16 K 2 0, 04 0, 16 0 0, 20 K 3 0 0 0, 12 K 4 0 0, 06 0, 12 0, 14 0 0, 32 K 5 0 0, 10 0. 20 0, 12 0, 40 0, 24 0, 10 1, 00
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- 3. Matriks Per Kategori • Matriks penilaian dan pengamatan dapat direduksi menjadi matriks untuk setiap kategori • Sebagai contoh, dari Contoh 1 dan 2, kita dapat menyusun matriks hanya untuk A. Kita dapat menyusun matriks hanya untuk B, serta hanya untuk C. • Pada matriks per kategori, hanya frekuensi atau proporsi matriks itu yang diperhatikan, sedangkan kategori lainnya digabung dan diberi label ‘lainnya. ’ • Ada tiga penggabungan: penggabungan pada baris kategori (kecuali kategori), pada lajur kategori (kecuali kategori), dan pada sisanya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 5 Dari contoh 1, matriks untuk kategori A P 2 P 1 A B C n 0 i A 75 5 0 80 ni 0 B 1 4 0 5 C 4 1 10 15 P 2 P 1 A Lain-nya n 0 i A 75 5 80 80 10 10 100 ni 0 Lain-nya 5 15 20 80 20 100
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 6 Dari contoh 2, matriks untuk kategori A P 2 P 1 A B C p 0 i A 0, 75 0, 00 0, 80 pi 0 B 0, 01 0, 04 0, 00 0, 05 C 0, 04 0, 01 0, 10 0, 15 P 2 P 1 A Lain-nya p 0 i A 0, 75 0, 05 0, 80 0, 10 1, 00 pi 0 Lain-nya 0, 05 0, 15 0, 20 0, 80 0, 20 1, 00
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 7 Dari contoh 1, matriks untuk kategori B P 2 P 1 A B C n 0 i A 75 5 0 80 ni 0 B 1 4 0 5 C 4 1 10 15 P 2 P 1 B Lain-nya n 0 i B 4 1 5 80 10 10 100 ni 0 Lain-nya 6 89 95 10 90 100
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 8 Dari contoh 2, matriks untuk kategori B P 2 P 1 A B C p 0 i A 0, 75 0, 00 0, 80 pi 0 B 0, 01 0, 04 0, 00 0, 05 C 0, 04 0, 01 0, 10 0, 15 P 2 P 1 B Lain-nya p 0 i B 0, 04 0, 01 0, 05 0, 80 0, 10 1, 00 pi 0 Lain-nya 0, 06 0, 89 0, 95 0, 10 0, 90 1, 00
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 9 Dari contoh 1 dan 2, susun matriks untuk C dalam bentuk frekuensi dan proprosi ni 0 P 2 pi 0 C C P 1 n 0 i p 0 i Lainnya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 10 Dari contoh 3 dan 4, susun matriks untuk K 1 ni 0 P 2 pi 0 K 1 P 1 n 0 i p 0 i Lainnya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 11 Dari contoh 3 dan 4, susun matriks untuk K 2 ni 0 P 2 pi 0 K 2 P 1 n 0 i p 0 i Lainnya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 12 Dari contoh 3 dan 4, susun matriks untuk K 3 ni 0 P 2 pi 0 K 3 P 1 n 0 i p 0 i Lainnya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 13 Dari contoh 3 dan 4, susun matriks untuk K 4 ni 0 P 2 pi 0 K 4 P 1 n 0 i p 0 i Lainnya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 14 Dari contoh 3 dan 4, susun matriks untuk K 5 ni 0 P 2 pi 0 K 5 P 1 n 0 i p 0 i Lainnya
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- C. Indeks Kecocokan Per Kategori 1. Dasar indeks kecocokan • Indeks kecocokan di antara penilai dan pengamat adalah ukuran kecocokan penilaian dan pengamatan di antara mereka • Indeks kecocokan didasarkan pada besarnya kategori yang cocok nii atau pii di dalam matriks penilaian dan pengamatan • Di dalam sejumlah indeks kecocokan, besarnya kategori yang cocok ini masih perlu dikurangi dengan besarnya kategori kebetulan cocok • Dengan dasar ini serta sejumlah variasi ditemukan berbagai jenis indeks kecocokan
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Berbagai jenis indeks kecocokan Ada sejumlah indeks kecocokan penilai dan pengamat per kategori. Indeks kecocokan per kategori yang dibicarakan di sini meliputi • • • Indeks kecocokan (Holley dan Guilford) Indeks kecocokan (Maxwell) Indeks kecocokan kappa (Cohen) Indeks kecocokan (Goodman dan Kruskal) Indeks kecocokan (Rogot dan Goldberg) Indeks kecocokan (Holley dan Guilford) adalah kecocokan nominal yang hanya terdiri atas kategori yang cocok Indeks kecocokan kappa (Cohen) mengurangi kategori kecocokan dengan kebetulan cocok. Indeks kecocokan kappa ini banyak digunakan orang
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 2. Matriks Umum Kecocokan Per Kategori Kita buat matriks umum dengan proporsi sebagai berikut P 2 P 1 p 0 i pi 0 Kategori Lainnya Kategori a b p 1 Lainnya c d q 1 p 2 q 2 1, 00 Kecocokan terletak pada a dan d a+b+c+d=1 p 1 + q 1 = 1 p 2 + q 2 = 1
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 3. Indeks Kecocokan (Holley dan Guilford) Indeks kecocokan diperoleh dari a dan d P 0 = a + d Contoh 15 Dari contoh 5, 6, 7, 8, dan 9 p 0 (A) = 0, 75 + 0, 15 = 0, 90 p 0 (B) = p 0(C) = Contoh 16 Daro contoh 10, 11, 12, 13, dan 14 p 0 (K 1) = p 0 (K 2) = p 0(K 3) = p 0(K 4) = p 0(K 5) = a c b d p 2 q 2 p 1 q 1
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 4. Indeks Kecocokan (Maxwell) Indeks kecocokan ini adalah p’ 0 = 2 p 0 – 1 dengan p 0 dari indeks kecocokan (Holley dan Guilford) Contoh 17 Dari contoh 15, p’ 0 (A) = (2)(0, 90) – 1 = 0, 80 p’ 0 (B) = p’ 0 (C) = Contoh 18 Dari contoh 16, p’ 0 (K 1) = p’ 0 (K 2) = p’ 0 (K 3) = p’ 0 (K 4) = p’ 0 (K 5) =
---------------------------------------Reliabilitas Penilai dan Pengamat ---------------------------------------5. Indeks Kecocokan Kappa dari Cohen Pada dasarnya, indeks kecocokan kappa dari Cohen ini menggunakan kategori cocok I 0 dikurangi dengan kategori kebetulan cocok Ie Kategori kebetulan cocok diperoleh dari hubungan independensi pada probabilitas Ie = P(A∩B) = P(A). P(B) Dengan demikian indeks kecocokan kappa dari Cohen menjadi a b p 1 c d q 1 p 2 q 2
---------------------------------------Reliabilitas Penilai dan Pengamat ---------------------------------------Contoh 19 Dari contoh 6, indeks kecocokan kappa Cohen dari A adalah P 2 P 1 A Lain-nya p 0 i A 0, 75 0, 05 0, 80 pi 0 Lain-nya 0, 05 0, 15 0, 20 0, 80 0, 20 1, 00
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Dari contoh 8, indeks kecocokan kappa Cohen dari B adalah P 2 P 1 B Lain-nya p 0 i B 0, 04 0, 01 0, 05 pi 0 Lain-nya 0, 06 0, 89 0, 95 0, 10 0, 90 1, 00 Contoh 20 Dari contoh 8, indeks kecocokan kappa dari C adalah (C) =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 21 Dari contoh 9 sampai 13, indeks kecocokan kappa adalah (K 1) = (K 2) = (K 3) = (K 4) = (K 5) = • Catatan: Indeks kecocokan kappa ini yang paling umum digunakan orang
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 6. Indeks Kecocokan Spesifik Ada dua macam indeks kecocokan berupa ps dan p’s masing-masing menggunakan kategori cocok dan kategori tidak cocok, dengan rumus Contoh 22 a b c d Dari contoh 6, 7, dan 8, indeks kecocokan spesifik adalah ps(A) = 0, 9375 p’s(A) = 0, 7500 ps(B) = p’s(B) = ps(C) = p’s(C) =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 23 Dari contoh 9 sampai 13, indeks kecocokan spesifik adalah ps(K 1) = p’s(K 1) = ps(K 2) = p’s(K 2) = ps(K 3) = p’s(K 3) = ps(K 4) = p’s(K 4) = ps(K 5) = p’s(K 5) =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 7. Indeks Kecocokan (Goodman dan Kruskal) Indeks kecocokan ini adalah Contoh 24 Dari contoh 6 sampai 13, r(A) = 0, 875 r(B) = r(C) = r(K 1) = r(K 2) = r(K 3) = r(K 4) = r(K 5) = a b c d
---------------------------------------Reliabilitas Penilia dan Pengamat --------------------------------------- 8. Indeks kecocokan (Rogot dan Goldberg) Indeks kecocokan ini menggunakan rumus b p 1 c d p 2 q 1 a Contoh 25 Dari contoh 6 sampai 13, indeks kecocokan adalah A(A) = 0, 84375 A(B) = A(C) = A(K 1) = A(K 2) = A(K 3) = A(K 4) = A(K 5) =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- D. Koefisien Kecocokan Semua Kategori 1. Dasar Perhitungan Kecocokan per kategori dinamakan indeks kecocokan. Kecocokan sekaligus untuk semua kategori dinamakan koefisien kecocokan Perhitungan koefisien kecocokan dilakukan melalui matriks kecocokan lengkap (yang belum direduksi) Perhitungan dapat dilakukan melalui frekuensi atau pun melalui proporsi Pada perhitungan melalui frekuensi, nii ni 0 n 0 i n = = frekuensi kategori cocok frekuensi pada P 1 untuk semua P 2 frekuensi pada P 2 untuk semua P 1 frekuensi semua kategori
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 2. Jenis Koefisien Kecocokan Seperti pada indeks kecocokan per kategori, pada koefisien kecocokan semua kategori, terdapat sejumlah koefisien kecocokan. Di sini dibicarakan koefisien kecocokan • • Koefisien kecocokan nominal Koefisien kecocokan marginal Koefisien kecocokan kappa dari Cohen Keofisien kecocokan pi dari Scott Koefisien kecocokan kappa perluasan Light Koefisien kecocokan pi modifikasi Flander Koefisien kecocokan pi modifikasi Garrett Koefisien kecocokan nominal hanya menghitung kategori cocok Koefisien kecocokan kappa dari Cohen mengurangi kategori cocok dengan kategori kebetulan cocok. Koefisien kecocokan kappa dari Cohen ini banyak digunakan orang.
--------------------------------------- Reliabilitas Penilai dan Pengamat --------------------------------------- 3. Matriks Kecocokan Semua Kategori Matriks kecocokan semua kategori mencatat frekuensi atau proporsi kategori yang cocok maupun yang tidak cocok di antara dua pengamat Contoh 26 (dalam frekuensi) Penilai P 1 dan P 2 menilai karangan dalam sekor A, B, dan C P 2 A P 1 n 0 i ni 0 B C A 75 1 4 80 B 5 4 1 10 C 0 0 10 10 80 5 15 100
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 27 (dalam frekuensi) Penilai P 1 dan P 2 menghasilkan penilaian sebagai berikut ni 0 P 2 P 1 L 2 L 1 4 1 L 2 1 3 1 5 6 L 3 L 4 n 0 i 5 5 L 3 L 4 5 1 3 4 7 3 20
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 28 (dalam frekuensi) Pengamatan keadaan kelas dari pengamat P 1 dan P 2 untuk kategori amatan K 1, K 2, K 4, K 5 P 2 K 1 P 1 n 0 i K 2 K 3 ni 0 K 4 K 5 K 1 4 4 0 0 0 8 K 2 2 8 0 0 0 10 K 3 0 0 6 K 4 0 3 6 7 0 16 K 5 0 0 5 10 6 20 12 7 5 50
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 29 (dalam frekuensi) Pengamatan dari pengamat P 1 dan P 2 menghasilkan matriks sebagai berikut P 2 P 1 R 2 R 3 R 1 5 1 2 R 2 2 6 R 3 R 4 4 R 5 R 6 2 5 1 R 5 4 R 6 2 6
---------------------------------------Reliabilitas penilai dan pengamat --------------------------------------- 4. Koefisien Kecocokan Nominal Koefisien ini hanya memperhatikan kategori cocok yakni jumlah dari nii untuk dibagi dengan frekuensi total n. n 11 n 22 n 33 Contoh 30 Dari contoh 26 sampai 29 Contoh 26: P 0 = 89/100 = 0, 89 Contoh 27: P 0 = Contoh 28: P 0 = Contoh 29: P 0 = n
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 5. Koefisien Kecocokan Marginal Koefisien ini memperhatikan margin yakni ni 0 dan n 0 i Untuk setiap kategori pada margin, Koefisien kecocokan marginal adalah n 10 n 20 n 30 n 01 n 02 n 03 n
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 31 Dari contoh 26, koefisien kecocokan marginal i 1 2 3 __ P 0 i 80/80 = 1, 00 5/10 = 0, 50 10/15 = 0, 67 2, 17 __ 1 P 0 = ----- 2, 17 = 0, 72 3 Contoh 32 Dari contoh 27 sampai 29, koefisien kecocokan __ __ Contoh 27: P 0 = Contoh 28: P 0 = __ Contoh 29: P 0 =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 6. Koefisien Kecocokan Kappa Cohen Koefisien ini mengurangi kategori cocok dengan kebetulan cocok Kebetulan cocok menggunakan hubungan independensi pada probabilitas P(A∩B)=P(A). P(B) Komponen cocok n 11 n 10 n 22 n 20 n 33 Komponen kebetulan cocok n 01 n 02 n 03 Koefisien kecocokan kappa Cohen n 30 n
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 33 Dari contoh 26, i nii 1 75 2 4 3 10 89 n = 100 ni 0 x n 0 i 80 x 80 = 6400 10 x 5 = 50 10 x 15 = 150 6600 n 2 = 10000 Dari contoh 27: Dari contoh 28: Dari contoh 29: = = = P 0 = 89/100 = 0, 89 Pe = 6600/10000 = 0, 66
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 7. Koefisien Kecocokan Pi Scott Koefisien ini juga mengurangkan kebetulan cocok dari kategori cocok Kebetulan cocok dihitung dari kuadrat kategori cocok Kategori cocok n 11 n 22 n 33 n Kategori kebetulan cocok Koefisien kecocokan Pi Scott
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 34 Dari contoh 26, i nii 1 75 2 4 3 10 89 n 2 ii 75 x 75 = 5625 4 x 4 = 16 10 x 10 = 100 5731 n = 100 n 2 = 10000 Dari contoh 27: = Dari contoh 28: = Dari contoh 29: = P 0 = 89/100 = 0, 89 Pe = 5731/10000 = 0, 5731
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 8. Koefisien Kecocokan Kappa Perluasan Light Koefisien kecocokan ini merupakan modifikasi dari koefisien kecocokan kappa dari Cohen d 0 = 1 – P 0 d e = 1 – Pe Koefisien Kecocokan Contoh 35 Dari contoh 26 melalui contoh 33, d 0 = 1 – P 0 = 1 – 0, 89 = 0, 11 de = 1 – Pe = 1 – 0, 66 = 0, 34 = 0, 6765 Dari contoh 27: = Dari contoh 28: = Dari contoh 29: =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 9. Koefisien Kecocokan Pi Modifikasi Flander Koefisien ini merupakan modifikasi dari koefisien kecocokan Pi dari Scott Kecocokan Kebetulan cocok n = total amatan P 1 Koefisien kecocokan n’ = total amatan P 2
---------------------------------------Reliabilitas Penilai dan Pengamat ---------------------------------------Contoh 36 Dari contoh 26, 1 0, 80 2 0, 05 0, 10 3 0, 15 0, 10 0 0, 05 0, 10 2, 56 0, 0225 0, 0625 2, 6450 P 0 f = 1 – 0, 10 = 0, 90 Pef = ¼(2, 6450) = 0, 66125 f = (0, 90 – 0, 66) / (1 – 0, 66) = 0, 71 Dari contoh 27: f = Dari contoh 28: f = Dari contoh 29: f =
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 10. Koefisien Kecocokan Pi Modifikasi Garrett Koefisien ini merupakan modifikasi dari koefisien kecocokan Pi dari Scott Komponen cocok Komponen kebetulan cocok Koefisien kecocokan
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- Contoh 37 Dari contoh 26 1 2 3 80 5 15 80 10 10 ___ P 0 = 0, 72 g = 0, 1785 Dari contoh 27: g = Dari contoh 29: g = 1 0, 5 0, 67 2, 17 25600 225 625 26450 Peg = 0, 66
---------------------------------------Reliabilitas Penilai dan Pengamat ---------------------------------------E. Pengujian Hipotesis dan Estimasi Koefisien Kecocokan Kappa dari Cohen 1. Hipotesis H 0: = 0 Pengujian hipotesis dan estimasi ini tidak biasa ditemukan di dalam statistika sehingga secara khusus dikemukakan di sini Distribusi probabilitas pensampelan adalah distribusi probabilitas normal Kekeliruan baku untuk = 0 adalah Nilai baku
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 2. Hipotesis H 0: = 0 ( 0 0) Kekeliruan baku untuk = 0 ( 0 0) adalah dengan nilai baku
---------------------------------------Reliabilitas Penilai dan Pengamat --------------------------------------- 3. Estimasi Pada interval keyakinan (1– ) nilai terletak di antara dengan kekeliruan baku seperti pada = 0 serta s = koefisien kappa pada sampel
- Slides: 61