Standard Error of Measurement: Seberapa Lebar Ketidakpastian Skor Anda?

Seorang manajer menunjukkan dua hasil asesmen: 68 dan 72 dari skala 0–100. Ia ingin mempromosikan yang kedua karena "lebih tinggi empat poin". Pertanyaan yang jarang diajukan lebih dulu: apakah empat poin itu berada di atas derau pengukuran?

Jawabannya sering tidak. Pada alat dengan reliabilitas 0,75 dan simpangan baku 15, standard error of measurement (SEM) sekitar 7,5 poin. Selisih empat poin jauh di dalam rentang galat. Secara statistik, kedua kandidat bisa saja identik.

Dampak membaca skor sebagai titik dibandingkan sebagai rentang. Perbedaan kecil antar kandidat sering tidak melewati ambang galat pengukuran.

Apa itu standard error of measurement?

SEM adalah perkiraan simpangan baku skor yang diamati di sekitar skor sebenarnya untuk satu orang, jika pengukuran diulang tak terhingga kali. Rumusnya sederhana: simpangan baku skor dikali akar dari (1 − reliabilitas).

Alat dengan simpangan baku 15 dan reliabilitas 0,90 memiliki SEM sekitar 4,7 poin. Alat dengan reliabilitas 0,60 memiliki SEM sekitar 9,5 poin. Perhatikan bahwa penurunan reliabilitas dari 0,90 ke 0,60 menggandakan ketidakpastian tanpa mengubah tampilan skor sama sekali.

Tabel ini menjelaskan mengapa dua alat dengan rentang skor sama bisa memberi kualitas informasi yang sangat berbeda.

Mengapa skor selalu berupa rentang

Teori tes klasik memecah skor yang diamati menjadi dua komponen: skor sebenarnya dan galat. Skor sebenarnya tidak pernah terlihat langsung. Yang terlihat adalah skor amatan, yang selalu tercemar faktor sementara seperti kelelahan, kebisingan ruangan, atau urutan butir.

Karena galat bersifat acak, pengukuran tunggal tidak bisa menunjuk skor sebenarnya secara tepat. Yang bisa dilakukan adalah menyatakan rentang kemungkinan. Standar pengukuran menempatkan pelaporan ketidakpastian ini sebagai bagian dari praktik yang bertanggung jawab (AERA, APA, & NCME, 2014).

Menghitung interval kepercayaan langkah demi langkah

Ambil contoh: skor amatan 100, simpangan baku 15, reliabilitas 0,80.

1. Hitung SEM: 15 dikali akar(1 − 0,80) = 15 dikali 0,447 = 6,7.
2. Untuk interval 68%, gunakan ±1 SEM: 93,3 sampai 106,7.
3. Untuk interval 95%, gunakan ±1,96 SEM: 86,9 sampai 113,1.

Angka 100 terlihat rapi di laporan. Kenyataannya, skor sebenarnya bisa berada di mana saja dalam rentang 87–113. Bila ambang seleksi 105, peserta ini berada di zona abu-abu, bukan di zona aman.

Berapa selisih skor yang layak dipercaya?

Aturan praktis yang diturunkan dari SEM: selisih dua skor independen memiliki galat gabungan sekitar SEM dikali akar dua. Untuk SEM 6,7, galat selisih sekitar 9,5 poin. Selisih 95% yang bisa dianggap berada di luar derau sekitar dua kali angka itu, yaitu 18–19 poin.

Konsekuensinya tegas. Pada alat dengan reliabilitas 0,80, selisih 4 atau 8 poin tidak cukup untuk memeringkat dua orang secara meyakinkan. Yang bisa dikatakan hanyalah bahwa keduanya berada pada kisaran yang sama.

Kesalahan yang sering muncul di laporan

Melaporkan skor tanpa rentang. Pembaca menganggap angka sebagai titik yang presisi. Padahal presisi itu tidak diklaim oleh alatnya sendiri.

Memeringkat berdasarkan selisih kecil. Pemeringkatan halus pada alat dengan SEM besar lebih banyak dipengaruhi galat daripada perbedaan kemampuan.

Menganggap SEM berlaku untuk semua tingkat skor. Pada banyak alat, galat pengukuran tidak seragam di sepanjang rentang skor. Peserta dengan skor ekstrem sering memiliki galat lebih besar. Model modern seperti item response theory menghitung fungsi informasi yang berubah menurut tingkat kemampuan (Reise & Waller, 2009).

Bagaimana menyampaikan hasil tanpa menyesatkan

Sebutkan skor, rentang kepercayaan, dan batas interpretasinya dalam satu kalimat. Contoh: "Skor 100 (interval 95%: 87–113) menunjukkan performa pada kisaran menengah kelompok acuan." Kalimat itu tidak terdengar mengesankan, tetapi akurat.

Untuk keputusan seleksi, gunakan ambang dengan mempertimbangkan rentang: peserta di bawah batas bawah interval bisa dipisahkan dari peserta di atas batas atas, sedangkan sisanya diperlakukan sebagai kelompok setara. Pendekatan ini lebih lambat, tetapi jauh lebih dapat dipertanggungjawabkan.

Bila Anda ingin menelusuri dasar matematisnya, lihat glosarium reliabilitas dan glosarium t-score. Perbandingan alat yang tersedia bisa dilihat di daftar tes.

Mengapa alat pendek lebih berisiko

Ada alasan matematis yang mudah dijelaskan. Menambah butir yang mengukur hal serupa cenderung menaikkan reliabilitas, sedangkan memendekkan alat menurunkannya. Relasi ini dinyatakan dalam rumus Spearman-Brown, dan konsekuensinya terasa pada SEM.

Alat 8 butir dengan reliabilitas 0,58 bisa naik ke sekitar 0,80 jika butir serupa ditambah menjadi 24. Sebaliknya, versi singkat 5 butir dari alat 30 butir sering hanya mencapai reliabilitas 0,50–0,60. SEM-nya membesar, dan pemeringkatan halus menjadi tidak dapat dipertahankan.

Ini bukan alasan menolak alat pendek. Untuk skrining awal, alat 5 butir bisa sangat berguna. Yang salah adalah memakai alat pendek untuk keputusan berisiko tinggi tanpa menyebut batas ketelitiannya.

Contoh keputusan seleksi yang lebih aman

Alih-alih memilih satu orang dengan skor tertinggi, bagi kandidat ke dalam tiga pita: di bawah ambang, di sekitar ambang, dan di atas ambang. Pita tengah dibahas melalui wawancara terstruktur atau sampel kerja.

Cara ini tidak menghapus galat, tetapi mencegah galat menjadi penentu tunggal. Ia juga lebih mudah dijelaskan kepada kandidat yang bertanya mengapa tidak lolos, karena batasnya tidak berpura-pura presisi.

Apakah skor 100 lebih baik daripada 95?

Belum tentu. Pada SEM 6,7, selisih lima poin berada jauh di dalam rentang galat. Untuk menyimpulkan bahwa satu peserta lebih tinggi, dibutuhkan selisih yang lebih besar dari galat gabungan dua skor, atau bukti tambahan dari sumber lain.

Yang bisa disimpulkan dengan aman: kedua peserta berada pada kisaran performa yang serupa menurut alat ini. Kesimpulan itu terdengar kurang memuaskan bagi pengambil keputusan, tetapi itulah yang didukung data.

Contoh kalimat yang bisa dipakai di laporan internal: "Skor 98 dengan interval 95% 85–111 menempatkan peserta pada kisaran menengah; perbedaan dengan peserta berskor 92 tidak dapat disimpulkan dari alat ini." Kalimat itu memberi manajer informasi yang cukup untuk memutuskan tanpa berpura-pura alatnya lebih presisi daripada kenyataan.

Untuk alat yang dipakai berulang, catat juga kondisi pengukuran: perangkat, waktu, dan ada tidaknya gangguan. Galat sistematis dari kondisi yang berubah tidak tertangkap SEM, dan penanganannya pekerjaan berbeda.

Batas interpretasi

Hasil tes bukan diagnosis dan bukan dasar tunggal untuk seleksi. Interval kepercayaan membantu membaca skor secara proporsional, tetapi tidak memperbaiki alat yang konstruknya tidak relevan dengan pekerjaan atau pendidikannya.

Pertanyaan yang sering diajukan

Apakah SEM sama dengan simpangan baku?

Tidak. Simpangan baku menggambarkan sebaran skor antar orang dalam satu kelompok. SEM menggambarkan sebaran skor satu orang bila diukur berulang. Keduanya memakai satuan yang sama, tetapi menjawab pertanyaan berbeda.

Apakah interval 95% berarti ada 95% peluang skor sebenarnya ada di rentang itu?

Dalam kerangka klasik, interval itu dihitung dari model dan reliabilitas, bukan dari peluang personal. Tafsir yang lebih aman: bila pengukuran diulang pada kondisi serupa, sekitar 95% interval yang dibentuk dengan cara ini akan memuat skor sebenarnya.

Kalau reliabilitas alat tidak dilaporkan, apa yang bisa dilakukan?

Minta manual teknisnya. Bila tetap tidak tersedia, perlakukan skor sebagai indikator kasar tanpa pemeringkatan halus, dan jangan memakai selisih kecil sebagai dasar keputusan.

Rujukan

• American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. Standar resmi
• Reise, S. P., & Waller, N. G. (2009). Item response theory and clinical measurement. Annual Review of Clinical Psychology, 5(1), 27–48. doi:10.1146/annurev.clinpsy.032408.153553
• McNeish, D. (2018). Thanks coefficient alpha, we'll take it from here. Psychological Methods, 23(3), 412–433. doi:10.1037/met0000144
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. doi:10.1007/BF02310555
• Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307–310. doi:10.1016/S0140-6736(86)90837-890837-8)
• Koo, T. K., & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155–163. doi:10.1016/j.jcm.2016.02.012