摘要：Tujuan utama penelitian ini adalah untuk mengetahui robustness Model Logistik 1 Parameter (ML 1-P), Model Logistik 2 Parameter (ML 2-P) dan Model Logistik 3 Parameter (ML 3-P) terhadap pelanggaran Asumsi Independensi Lokal Butir (ILB). Penelitian ini menggunakan data simulasi yang dibangkitkan dengan 40 butir, 500 simuli, dan 10 replikasi untuk setiap model. Skor-skor batas dibangun berdasakan pelanggaran Asumsi ILB 0 - 100% yang dihasil-kan dengan menggunakan 1- 40 kelompok butir sedangkan kategori-kategori skor dibangun berdasarkan dampak pelanggaran Asumsi ILB terhadap struktur dari matriks data. Hasil penelitian ini menunjukkan bahwa model yang paling robust terhadap pelanggaran Asumsi ILB adalah ML 1-P dengan skor batas 31,71% (kategori pelanggaran berat) diikuti ML 2-P dengan skor batas 12,1% (kategori pelanggaran sedang), dan ML 3-P dengan skor batas 7,68% (kategori pelanggaran sedang). Kata kunci : model-model respons butir, robustness, independensi lokal butir ______________________________________________________________ ROBUSTNESS MODEL-MODEL RESPONS BUTIR TERHADAP PELANGGARAN ASUMSI INDEPENDENSI LOKAL BUTIR Abstract The primary purpose of this study was to investigate the robustness of the 1-PLM, 2-PLM, and 3-PLM, against violation of the Local Item Independence (LII) Assumption based on cut-off scores and score categories. The investigation used simulated data generated with 40 items, 500 simulees, and 10 replications for each model. The cut-off scores were built based-on 0 – 100% violations of the LII Assumption that were introduced using 1- 40 item clusters. The score categories in this study were built based-on impact of the violations of the LII Assumption to the structure of data matrix. The result showed that the most robust model was 1-PLM with cut-off score 31,71% (heavy violation category) followed by 2-PLM with cut-off score 12,1% (moderate violation category), and 3-PLM with cut-off score 7,68% (moderate violation category). Keywords: item response models, robustness, local item independence
