Dari Skor Mentah ke Persentil: Cara Kerja Norma Sebenarnya

Bayangkan dua pelamar mengerjakan alat ukur penalaran yang sama dan keduanya memperoleh 18 dari 30. Yang pertama dibandingkan dengan 120 lulusan baru dari satu kampus. Yang kedua dibandingkan dengan 4.000 karyawan lintas industri berusia 22–45 tahun. Angka 18 tidak berubah. Artinya berubah total.

Itulah pekerjaan norma: menerjemahkan skor mentah menjadi posisi relatif. Tanpa norma, sebuah skor hanya catatan tentang berapa butir yang dijawab benar, bukan informasi tentang orangnya.

Ilustrasi: skor mentah yang sama dapat menempati posisi berbeda pada dua kelompok acuan. Angka persentil pada gambar adalah ilustrasi, bukan norma alat tertentu.

Mengapa skor 18 dari 30 tidak bisa ditafsirkan sendiri?

Skor mentah mengandung tiga hal sekaligus: jumlah butir, tingkat kesulitan butir, dan strategi menjawab. Ketika tingkat kesulitan berubah, skor yang sama menunjuk kemampuan yang berbeda. Inilah alasan Standards for Educational and Psychological Testing menempatkan dokumentasi norma sebagai bagian dari bukti validitas, bukan pelengkap administratif (AERA, APA, & NCME, 2014).

Dalam praktik, laporan yang hanya menampilkan "skor 78" tanpa keterangan sampel memaksa pembaca menebak. Pembaca biasanya menebak ke arah yang menguntungkan: menganggap 78 berarti "baik". Padahal 78 bisa berarti rata-rata, bisa juga di bawah rata-rata, tergantung siapa yang dijadikan pembanding.

Tiga jenis norma yang sering tertukar

Norma kelompok acuan. Skor dibandingkan dengan distribusi skor kelompok tertentu: pelajar kelas 12, mahasiswa teknik, atau karyawan level supervisor. Ini jenis yang paling umum dipakai di Indonesia.

Norma kriterion. Skor dibandingkan dengan ambang kompetensi yang ditetapkan lebih dulu, misalnya "mampu mengoperasikan mesin tanpa pengawasan". Pembandingnya bukan orang, melainkan standar kerja.

Norma lokal. Perusahaan atau sekolah membuat distribusi sendiri dari populasi yang benar-benar mereka layani. Norma lokal sering lebih tajam untuk keputusan internal, tetapi tidak boleh diklaim berlaku umum.

Ketiganya menjawab pertanyaan berbeda. Kekeliruan yang mahal terjadi ketika norma lokal dipakai untuk klaim seleksi lintas daerah, atau ketika norma kriterion diperlakukan sebagai peringkat.

Bagaimana persentil dihitung

Persentil bukan persentase jawaban benar. Persentil adalah posisi dalam distribusi. Jika skor Anda berada pada persentil ke-80, sekitar 80% kelompok acuan memperoleh skor lebih rendah.

Untuk data mentah, posisi persentil ke-p dihitung dari p/100 dikali (N+1) setelah data diurutkan, lalu diinterpolasi bila hasilnya bukan bilangan bulat. Pada alat yang diskalakan, produsen biasanya mengubah skor mentah ke skala baku lebih dulu (misalnya skala dengan rata-rata 100 dan simpangan baku 15), lalu memetakan skala itu ke persentil melalui fungsi distribusi normal.

Perbedaan persentase benar dan persentil bukan urusan sepele. Pada tes 20 butir, selisih satu butir bisa menggeser persentase 5 poin, tetapi menggeser persentil 15–20 poin bila distribusinya menumpuk di tengah.

Apa yang membuat norma layak dipakai

Tidak ada angka ajaib untuk ukuran sampel. Praktik di lapangan berkisar dari beberapa ratus responden untuk norma lokal sampai puluhan ribu untuk norma nasional, dan belum ada konsensus tunggal yang disepakati semua penerbit. Yang lebih menentukan adalah tiga hal berikut.

1. Keterwakilan. Sampel harus mencerminkan populasi yang akan dibandingkan: rentang usia, pendidikan, jenis kelamin, dan wilayah.
2. Kebaruan. Perubahan komposisi populasi dan paparan teknologi membuat norma lama bergeser. Norma berusia lebih dari sepuluh tahun perlu ditinjau, terutama untuk tes yang sensitif terhadap kecepatan.
3. Dokumentasi. Jumlah sampel, tahun pengambilan, metode perekrutan, dan penanganan data tidak lengkap harus dilaporkan. Tanpa itu, pembaca tidak bisa menilai kualitas norma.

Kapan norma dari luar negeri bermasalah

Menerjemahkan butir tidak otomatis memindahkan norma. Van de Vijver dan Tanzer (2004) membedakan bias konstruk, bias metode, dan bias butir: tiga sumber gangguan yang muncul ketika alat berpindah budaya. Pedoman International Test Commission menambahkan kewajiban uji coba lokal dan analisis keberfungsian butir sebelum norma baru dipakai (ITC, 2017).

Contoh yang sering muncul: butir tentang "menghadiri rapat orang tua" atau "mengurus surat kendaraan". Bagi responden di kota besar dengan akses layanan digital, butir semacam itu mengukur hal berbeda dibanding responden di daerah dengan prosedur yang masih manual.

Empat kesalahan pembacaan yang paling sering terjadi

• Membandingkan persentil antar alat. Persentil ke-70 pada alat A tidak setara dengan persentil ke-70 pada alat B, karena kelompok acuannya berbeda.
• Menganggap persentil sebagai jarak kemampuan. Selisih 10 persentil di tengah distribusi mewakili perbedaan kemampuan yang lebih kecil daripada selisih 10 persentil di ekor distribusi.
• Mengabaikan efek langit-langit. Jika banyak peserta menjawab hampir semua butir benar, persentil kehilangan daya beda.
• Memakai norma yang terlalu sempit. Norma satu perusahaan tidak bisa dipakai untuk menyimpulkan kualitas lulusan secara umum.

Contoh perhitungan pada data kecil

Sepuluh responden mengikuti tes 20 butir dan memperoleh skor mentah berikut setelah diurutkan: 8, 9, 9, 10, 11, 12, 12, 13, 14, 16. Seseorang dengan skor 12 berada pada posisi ke-6 dan ke-7. Persentilnya kira-kira 60: sekitar enam dari sepuluh responden memperoleh skor lebih rendah atau sama.

Sekarang bayangkan kelompok acuan diganti dengan 200 responden yang distribusinya lebih rapat di kisaran 12–15. Skor 12 yang sama bisa jatuh ke persentil 30. Tidak ada yang berubah dari jawaban orang tersebut; yang berubah adalah siapa yang berdiri di sebelahnya.

Pada kelompok kecil, satu orang saja bisa menggeser persentil beberapa poin. Ini alasan norma dengan sampel belasan orang sebaiknya tidak dipakai untuk keputusan seleksi, sekalipun terlihat "lokal dan relevan".

Norma dan keadilan: siapa yang dirugikan

Pemilihan kelompok acuan selalu punya konsekuensi distributif. Norma yang terlalu tinggi membuat hampir semua pelamar tampak kurang mampu; norma yang terlalu rendah menghilangkan daya beda. Sackett dan kolega (2022) menunjukkan bahwa perdebatan validitas seleksi sering berakar pada asumsi teknis tentang koreksi rentang skor, bukan pada kualitas alatnya.

Bagi pelamar, keadilan prosedur juga menentukan penerimaan hasil. Gilliland (1993) menemukan persepsi keadilan dipengaruhi oleh kesempatan menjelaskan diri dan konsistensi aturan. Menyembunyikan dasar norma adalah cara cepat kehilangan kepercayaan, bahkan ketika skornya akurat.

Yang sebaiknya ditanyakan sebelum mempercayai laporan

Tanyakan lima hal: siapa sampel normanya, kapan data diambil, berapa ukurannya, bagaimana butir diterjemahkan dan diuji, serta apakah ada interval kepercayaan di sekitar skor. Penyedia yang serius akan menjawab kelimanya tanpa berkelit.

Perlu ditegaskan, hasil tes tetap bukan diagnosis dan bukan dasar tunggal untuk keputusan seleksi. Norma hanya memberi konteks; keputusan tetap membutuhkan bukti lain seperti wawancara terstruktur, sampel kerja, dan riwayat kinerja. Untuk memahami konsep terkait, lihat glosarium norma dan penjelasan reliabilitas.

Pertanyaan yang sering diajukan

Apakah persentil ke-50 berarti kemampuan rata-rata?

Secara statistik, persentil ke-50 adalah median kelompok acuan. Maknanya "separuh kelompok memperoleh skor lebih rendah", bukan "kemampuan rata-rata populasi". Jika kelompok acuannya tidak representatif, mediannya juga tidak mewakili populasi.

Berapa ukuran sampel norma yang dianggap cukup?

Tidak ada ambang universal. Untuk norma lokal, ratusan responden dengan komposisi terkontrol sering memadai; untuk klaim norma nasional, dibutuhkan ribuan responden lintas wilayah. Yang lebih penting adalah kejelasan dokumentasi dan kesesuaian sampel dengan tujuan pemakaian.

Bisakah dua tes berbeda dibandingkan lewat persentil?

Hanya jika keduanya mengukur konstruk yang sama dan dinormakan pada kelompok yang sebanding. Tanpa syarat itu, perbandingan persentil antar alat menyesatkan, meskipun angkanya terlihat serupa.

Rujukan

• American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. Standar resmi
• International Test Commission. (2017). The ITC guidelines for translating and adapting tests (2nd ed.). Pedoman ITC
• Van de Vijver, F., & Tanzer, N. K. (2004). Bias and equivalence in cross-cultural assessment: An overview. European Review of Applied Psychology, 54(2), 119–135. doi:10.1016/j.erap.2003.12.004
• Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. doi:10.1037/h0040957
• Kane, M. T. (2013). Validating the interpretations and uses of test scores. Journal of Educational Measurement, 50(1), 1–73. doi:10.1111/jedm.12000
• Van Iddekinge, C. H., Arnold, J. D., Frieder, R. E., & Roth, P. L. (2019). A meta-analysis of the criterion-related validity of prehire work experience. Personnel Psychology, 72(4), 571–598. doi:10.1111/peps.12335
• Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology, 107(11), 2040–2068. doi:10.1037/apl0000994
• Gilliland, S. W. (1993). The perceived fairness of selection systems: An organizational justice perspective. The Academy of Management Review, 18(4), 694–715. doi:10.2307/258595