Alpha Cronbach (AC) adalah pengukuran reliability paling popular, mengalahkan Siti Nurhaliza.

Ini kerana AC mengukur kekuatan korelasi antara item-item soal selidik dalam setiap konstruk yang unidimensional (satu dimensi). Nilai AC yang tinggi menunjukkan semua item mengukur satu konstruk dengan satu dimensi yang sama. Jika anda ingin mengukur persetujuan, skor mestilah dalam satu dimensi iaitu bersetuju ataupun tidak bersetuju bagi memdapatkan korelasi yang tinggi. Jika soalselidik anda mempunyai beberapa konstruk, pengukuran AC mestilah dibuat secara berasingan mengikut konstruk. Ini bermakna jika soal se,idik anda ada 5 konstruk, anda perlu ada 5 nilai AC bagi soal selidik tersebut. Formula AC (tak perlulah saya tulis disini) menjadikan nilai AC berkadar terus dengan bilangan item dan juga berkadar terus dengan meningkatan korelasi antara item. Ini bermakna, menambah bilangan item akan meningkatkan AC dan sebaliknya. Nilai AC boleh jadi negative apabila magnitude negative korelasi antara item lebih besar dari magnitud positif korelasi antara item (saya akan sambung lagi perbincangan tentang hal ini) Output SPSS: Dua perkara yang perlu diperhatikan semasa membaca output SPSS Anda boleh membuang item dengan nilai Alpha if item Deleted yang tinggi kerana item ini menunjukkan korelasi yang rendah Anda juga perlu buang item yang mempunyai nilai Corrected item-total correlation yang rendah ( < .3). Nilai ini adalah nilai korelasi antara setiap item dengan jumlah skor dari soalselidik yang sepatutnya tinggi (>.3)

Sambungan tajuk 101...... kerana saya didatangi oleh pelajar yang pening dengan nilai AC soalselidiknya ada yang tinggi dan rendah dan negatif juga. So saya termenung lama..... mencari bahan untuk difahami secara mudah.

Beginilah......realibiliti soal selidik diukur berdasarkan korelasi (perkaitan) antara skor individu item dengan varians (serakan) item-item. Katakan anda ingin mengukur kecenderungan rakyat menolak Konsep 1-Malaysia (K1M). Maka andapun membina item bagi mengukur kecenderungan ini - Ingat...kecenderungan MENOLAK...K1M (Contoh rekaan semata-mata). Maka anda pun mula menulis item seperti berikut: a. K1M adalah konsep lapok [1.Sgt tidak setuju.........5. Sgt setuju] b. K1M adalah propaganda politik [1. Sgt tidak setuju..........5. Sgt setuju] Dengan item a. dan b. ini, anda boleh jangka jika responden memang menolak K1M, jawapan akan menuju ke satu arah / dimensi (katakan positif) 4 atau 5 kerana skala ini mengukur tingginya tahap PENOLAKAN responden. Kita anggap ini sebagai "skor sebenar" atau dimensi yang kita nak ukur. c. K1M adalah idea orang bukan Melayu [1.Sgt tidak setuju.........5. Sgt setuju] Item c. ini tidak jelas kerana anda maybe mendapat respon 1 kerana responden berpendapat K1M adalah idea Melayu. Item anda tidak mengukur penolakan terhadap K1M tetapi penolakan terhadap "idea orang bukan Melayu". Ini menghasilkan error dalam skala anda.

d. K1M adalah konsep diambil dari idea barat [1.Sgt tidak setuju.........5. Sgt setuju] Anda menjangkakan bagi item d. responden akan menjawab 4, 5. Namun mungkin terdapat responden yang membaca secara teliti K1M dan mendapati ianya berasal dari idea pemimpin Malaysia, maka terdapat juga respon 1,2. Maka berlakulah error sekali lagi. Perkaitan ini dipermudahkan sebagai:

Skor semua = skor sebenar (skor penolakan) + skor error kebolehpercayaan = skor sebenar / semua skor responden Lagi banyak item (yang baik) ditambah, makin bertambah skor sebenar, makin tinggi nilai AC. Perhatikan formula AC berikut:

N = bilangan item r bar = purata korelasi antara variable AC sering digunakan dalam penentuan ketekalan dalaman (internal consistency) sesuatu ujian yang ditadbir sekali sahaja (tidak seperti test-retest). Ini tidak membawa maksud AC akan consistent jika ditadbirkan pada masa yang lain. Oleh demikian, jika anda menggunakan ujian / soalselidik yang mempunyai AC yang "tinggi" beberapa tahun lepas, atau ditadbir kepada kumpulan sampel yang lain, anda mesti mengujinya semula untuk mendapatkan AC yang baru.

Seperti yang dilihat pada formula di atas, nilai AC sangat dipengaruhi oleh bilangan item. Anda perlu pastikan bilangan item yang benar2 mengukur satu dimensi sahaja ditambah atau membuang item2 yang tidak mengukur dimensi bagi meningkatkan nilai AC (contohnya anda mengukur kebahagiaan dan kekecewaan dalam satu soal selidik).

AC akan tinggi jika item anda mempunyai korelasi yang tinggi antara satu sama lain, dengan membuang item yang ditafsirkan dengan dimensi yang berlawanan oleh responden. Oleh itu, cara anda membina item mestilah semuanya mengarah kepada satu arah (positif atau negatif). Jika ada item yang songsang, anda perlu recode skor item tersebut. Juga ingat, jika nilai AC anda terlalu tinggi (jangan suka sangat !!) berkemungkinan anda item anda mengukur perkara yang sama berulang kali (Contohnya item anda bertindih dengan mengukur dimensi yang sama berulang kali seperti mengukur sikap terhadap satu perkara yang sama)

Masih ada yang bertanya maksud satu dimensi bagi AC. Katakan anda menyediakan satu soal selidik 5-point skala Likert dengan 3 konstruk 30 item bagi menguji persetujuan terhadap pemansuhan UPSR.

Pilot test situasi 1: Katakan ada 2 responden, A sangat setuju dan B tak setuju. Maka anda akan dapati skor keseluruhan item A akan cenderung ke arah 5 (sangat setuju) dan C pula cenderung ke arah 1 (sangat tak setuju). Ini bermakna item-item responden A akan mempunyai korelasi yang tinggi sesama sendiri (semua ke arah setuju), setelah anda recode item yang negatif kepada skala positif (setuju). Hal yang sama juga pada item-item responden C (semua ke arah tak

setuju) menyebabkan korelasi yang tinggi, termasuk yang anda recode maka nilai positif akan menjadi negatif. Ini akan menghasilkan nilai AC yg tinggi bagi kedua-dua responden A dan C, dengan perkataan lain, soal selidik anda mempunyai konsistensi dalaman yang tinggi bagi mengukur tahap persetujuan (samada setuju atau tidak setuju) terhadap pemansuhan UPSR.

Kesimpulan: Soal selidik ini sesuai untuk mengukur tahap persetujuan responden (setuju atau tidak setuju) Pilot test situasi 2: Jika 30 item yang anda sediakan terdapat item yang kurang jelas, double-barreled dll hingga menyebabkan responden A menjawab sangat setuju kepada sebahagian item positif manakala kurang bersetuju kepada sebahagian item positif yang lain (kerana item yang tidak jelas), ini akan merendahkan korelasi antara item dan sekaligus merendahkan AC soal selidik responden A. Respon A menunjukkan soalselidik anda seperti tidak mengukur satu dimensi sahaja. Hal yang sama akan berlaku kepada respon responden C. Hasilnya soal selidik anda mempunyai konsistensi dalaman yang rendah.

Malahan anda akan memperolehi nilai AC bernilai -v jika korelasi -ve melebihi korelasi +ve dalam soal selidik anda.

Kesimpulan: Soal selidik ini perlu dibaiki kerana tidak sesuai mengukur tahap persetujuan responden kerana item yang tidak jelas menyebabkan ianya gagal mengukur satu dimensi sahaja. Wbp, jika memang soal selidik anda mempunyai 2 dimensi, maka anda perlu mengukur AC bagi setiap dimensi secara berasingan. Nilai keseluruhan AC tidak boleh diambilkira n statistics, the KuderRichardson Formula 20 (KR-20) first published in 1937[1] is a measure of internal consistency reliability for measures with dichotomous choices. It is analogous to Cronbach's , except Cronbach's is also used for non-dichotomous (continuous) measures.[2] A high KR-20 coefficient (e.g., > 0.90) indicates a homogeneous test. Values can range from 0.00 to 1.00 (sometimes expressed as 0 to 100), with high values indicating that the examination is likely to correlate with alternate forms (a desirable characteristic). The KR20 may be affected by difficulty of the test, the spread in scores and the length of the examination. In the case when scores are not tau-equivalent (for example when there is not homogeneous but rather examination items of increasing difficulty) then the KR-20 is an indication of the lower bound of internal consistency (reliability). Since Cronbach's was published in 1951, there has been no known advantage to KR-20 over Cronbach. KR-20 is seen as a derivative of the Cronbach formula, with the advantage to Cronbach that it can handle both dichotomous and continuous variables.