Apa Itu Skor IRT dan Kenapa Nilai Bukan Sekadar Jumlah Jawaban Benar

Dua siswa mengerjakan paket soal Matematika yang sama, tiga puluh nomor. Keduanya benar dua puluh. Nilai yang keluar ternyata tidak sama: satu mendapat 62, satunya 54. Sistem tidak sedang salah hitung.

Perbedaannya ada pada soal mana yang mereka jawab benar. Yang pertama menyelesaikan beberapa soal yang hanya dikerjakan sedikit orang. Yang kedua menghabiskan energi di soal-soal yang hampir semua peserta juga bisa. Cara penilaian yang membedakan keduanya disebut Item Response Theory, biasa disingkat IRT.

Cara kerjanya dalam bahasa sehari-hari

Bayangkan lompat tinggi. Peserta A melewati mistar setinggi 1,2 meter sebanyak dua puluh kali. Peserta B melewati mistar 1,5 meter dua puluh kali. Kalau yang dicatat cuma "berapa kali berhasil", keduanya seri. Padahal jelas kemampuannya beda.

IRT memperlakukan tiap soal seperti mistar dengan ketinggian sendiri. Ketinggian itu disebut parameter kesulitan, dan angkanya tidak ditentukan penyusun soal berdasarkan perasaan, melainkan dihitung dari data jawaban ribuan peserta. Kalau ternyata 85 persen peserta menjawab benar soal nomor 7, soal itu tergolong rendah mistarnya, berapa pun panjang rumusnya.

Selain kesulitan, banyak model IRT juga menghitung daya beda: seberapa tajam sebuah soal memisahkan peserta yang menguasai materi dari yang tidak. Soal dengan daya beda rendah, misalnya soal yang dijawab benar secara acak oleh semua kelompok, memberi kontribusi kecil pada skor akhir.

Hasil perhitungan itu berupa estimasi kemampuan peserta yang dalam literatur ditulis dengan huruf theta. Rentangnya biasanya sekitar minus 3 sampai plus 3, dengan 0 berarti kemampuan rata-rata kelompok.

Dari theta ke angka yang enak dibaca

Angka seperti minus 0,4 jelas tidak nyaman ditunjukkan ke orang tua. Karena itu theta dikonversi ke skala yang lebih akrab.

Di tka.id konversinya memakai titik tengah 50 dengan jarak sepuluh poin per satu satuan theta, lalu dipotong di 0 dan 100. Peta kasarnya seperti ini:

Skala itu pilihan tka.id untuk menampilkan hasil tryout, bukan aturan penilaian resmi pemerintah. Jangan dibawa ke percakapan tentang nilai resmi. Format angka hasil TKA resmi mengikuti ketentuan penyelenggara sesuai Kepmendikdasmen 95/M/2025 dan Perkaban BSKAP 045/H/AN/2025 serta 047/H/AN/2025.

Satu hal yang sering mengejutkan: skor 70 terasa "biasa saja" padahal pada skala ini posisinya sudah sangat tinggi. Kalau sebaran nilai kelompok mendekati normal, angka 70 kira-kira menempatkan seseorang di sekitar dua sampai tiga persen teratas. Skala 0 sampai 100 di sini bukan persentase jawaban benar, jadi jangan disamakan dengan nilai ulangan di sekolah.

Kenapa repot-repot memakai IRT

Yang paling menentukan adalah keadilan antar paket soal. Ujian berskala nasional tidak mungkin memakai satu paket identik untuk semua sesi. Kalau penilaian hanya menghitung jumlah benar, peserta yang kebagian paket lebih sulit dirugikan. IRT memungkinkan penyetaraan sehingga hasil antar paket bisa dibandingkan.

IRT juga membuat pola jawaban aneh jadi kelihatan. Peserta yang salah di soal-soal paling mudah tetapi benar di beberapa soal tersulit akan menghasilkan estimasi yang tidak stabil, dan sistem bisa menandainya.

Manfaat lain jatuh ke pembuat tes: soal dengan daya beda buruk bisa dibuang dari bank soal sebelum dipakai lagi.

Batasnya juga perlu diketahui

Kalibrasi IRT butuh data. Kalau sebuah paket baru dirilis dan pesertanya masih puluhan orang, parameter kesulitannya belum stabil. Untuk kondisi itu tka.id memakai jalur klasik lebih dulu, yaitu persentase jawaban benar langsung pada rentang 0 sampai 100, sampai jumlah respons cukup untuk kalibrasi. Karena itu skor paket yang baru rilis bisa terasa berbeda karakternya dibanding paket yang sudah dikerjakan puluhan ribu orang.

Batas lain: IRT mengukur posisi relatif terhadap kelompok peserta. Kalau kelompok pembandingnya berubah, angkanya bisa bergeser walau kemampuan tetap sama. Naik dari 55 ke 58 pada dua tryout yang pesertanya berbeda komposisi belum tentu berarti ada kemajuan nyata.

Dan yang paling sering ditanyakan: tidak ada pengurangan nilai untuk jawaban salah. Menebak tidak membuat skor minus, meski menebak asal juga tidak menaikkan estimasi kemampuan secara berarti karena polanya tidak konsisten dengan soal-soal lain yang dijawab.

Cara memanfaatkannya

Kalau skor terasa tidak sebanding dengan jumlah benar, buka daftar soal yang dilewati. Perhatikan apakah yang salah justru menumpuk di soal-soal yang dikerjakan mayoritas peserta dengan benar. Kalau iya, yang perlu dibenahi adalah ketelitian dasar, bukan menambah materi baru yang lebih sulit.

Pergerakan angkamu sendiri dari waktu ke waktu juga lebih jujur dibaca dari beberapa paket berbeda di daftar tryout ketimbang dari satu hasil. Tren tiga sampai empat titik menyaring derau yang selalu menempel pada angka tunggal, dan derau itulah yang paling sering disalahartikan sebagai kemajuan atau kemunduran.