Unit 4 Miskonsepsi Pengumpulan dan Pengurusan

Data|58

UNIT PELAJARAN 4

MISKONSEPSI PENGUMPULAN DAN

PENGURUSAN DATA

HASIL PEMBELAJARAN

Di akhir unit ini, anda diharap dapat:

1.

Mengenalpasti

miskonsepsi

miskonsepsi-

yang

berlaku

dalam

pengumpulan dan pengurusan data.

2.

Merancang aktiviti-aktiviti yang bersesuaian dalam

mencegah dan

mengatasi miskonsepsi-miskonsepsi yang berlaku.

Unit 4 Miskonsepsi Pengumpulan dan Pengurusan
Data|59

PENGENALAN

alam unit yang lepas, kita telah membincangkan dengan

panjang lebar tentang

pengumpulan dan pengurusan data yang melibatkan apa itu

pembolehubah dan jenis-

jenis data. Kita juga telah membincangkan tentang taburantaburan yang digunakan

dalam menguruskan dan mengumpulkan data. Dalam unit 4, kita

akan membincangkan

miskonsepsi-miskonsepsi yang berlaku dalam pengumpulan dan

pengurusan data. Ini

melibatkan miskonsepsi pembolehubah dan data, dan miskonsepsi

dalam pengumpulan

dan pengurusan data.

MISKONSEPSI PEMBOLEHUBAH DAN DATA

Seperti yang telah kita pelajari dalam Unit 3, terdapat dua jenis
pembolehubah: pembolehubah kuantitatif
Pembolehubah

kuantitatif

pula

dan

terbahagi

pembolehubah

kualitatif.

kepada pembolehubah diskret

dan pembolehubah selanjar. Kita juga telah didedahkan dengan jenis-jenis

data yang berkait rapat dengan pembolehubah. Secara umumnya,

daripada pembolehubah- pembolehubah kuantitatif dan kualitatif kita
peroleh data kuantitatif dan data kualitatif.

Kebiasaannya miskonsepsi akan berlaku ketika kita hendak

mengenal pasti jenis-jenis pembolehubah atau pun data. Pembolehubah
kuantitatif, pembolehubah ukuran dan pembolehubah berangka merupakan
terma-terma yang sinonim dengan data kuantitatif. Pembolehubah selanjar
juga biasa digunakan untuk data kuantitatif yang mana nilai-nilai
berangkanya dalam satu julat tertentu. Sebagai contoh, ukuran ketinggian
seseorang ialah data kuantitatif selanjar yang mana apa-apa nilai
ketinggian itu akan berada dalam satu julat. Ini adalah kerana kita tidak
akan dapat mengukur dengan tepat ketinggian seseorang, cuma
anggaran atau pun hampiran yang paling tepat, sebagai contoh
1.75212316 meter tinggi.

Miskonsepsi dilihat akan berlaku apabila murid cuba untuk

menentusahkan sama ada data yang dikutip ialah data kuantitatif atau
pun bukan. Seperti yang diterangkan dalam perenggan sebelum ini, data
kuantitatif diwakili oleh nilai-nilai berangka, sama ada diskret mahu pun
selanjar. Oleh itu, murid-murid seharusnya dapat mengenalpasti bahawa
data ukuran ketinggian merupakan data kuantitatif iaitu data selanjar. Di
sini kita perlu pastikan bahawa murid-murid dapat memberi justifikasi
mengapa ukuran ketinggian merupakan data selanjar dan mengapa ia bukan
data diskret.

Statistik di peringkat sekolah banyak bermain dengan angka-angka.

Justeru itu, apabila apabila sahaja murid-murid diberikan maklumat yang
mengandungi angka-angka mereka akan menyatakan bahawa angka-angka
ini ialah data kuantitatif. Namun demikian, harus diingat bahawa bukan
semua angka atau nombor yang kita lihat boleh dikategorikan sebagai
data kuantitatif. Sebagai contoh, nombor pekerja atau nombor matriks
pelajar, walaupun terdapat maklumat berkaitan nombor tersebut (seperti
bilangan pekerja atau, bilangan dan tahun kemasukan pelajar), namun,
secara umumnya kita akan dapati bahawa nombor-nombor begini tidak
memberikan sebarang makna jika kita mencari nilai min nombor-nombor
tersebut atau disusun mengikut turutan nombor.

Oleh itu, salah satu penyelesaian kepada miskonsepsi-miskonsepsi

yang dibincangkan diatas ialah kita mengemukakan pebagai jenis data
yang merangkumi data diskret mahu pun data selanjar dalam usaha kita
mengukuhkan kefahaman murid-murid kita tentang perbezaan data-data
yang dipelajari.

Cuba anda fikirkan aktiviti-aktiviti yang akan membantu muridmurid mengatasi

miskonsepsi yang dibincangkan di atas.

MISKONSEPSI PENGUMPULAN DAN PENGURUSAN DATA

Dalam Unit 3, kita telah membincangkan tentang data tidak

terkumpul dan data terkumpul. Perbezaan utama yang dapat kita lihat
ialah data terkumpul mempunyai selang kelas (contohnya: 0 9, 10 19,
20 29, ). Ini bermakna untuk suatu kumpulan data yang besar, kita
perlu menggunakan selang kelas dalam menguruskan kumpulan data ini.
Namun demikian, kita dapati bahawa ada murid-murid yang tidak tahu
bagaimana untuk dapatkan selang kelas yang pertama. Sebagai contoh,
dalam Unit 3, Contoh 3.4: pelaburan jangka pendek, kita akan dapati
bahawa murid-murid akan menggunakan selang kelas yang bermula
dengan, 0 10, yang mana ini tidak benar sama sekali. Ini adalah kerana
kefahaman murid-murid ialah setiap selang kelas dimulakan dengan 0.

Oleh yang demikian, murid-murid perlu diberi penjelasan tentang

data minimum dan data maksimum, dan bagaimana kita wujudkan selang
kelas seperti yng telah kita bincangkan dalam Unit 3. Begitu juga halnya
dengan selang kelas yang terakhir iaitu dengan mengambilkira data
maksimum. Oleh itu dalam Contoh 4, selang kelas yang pertama ialah 30
39 dan selang kelas yang terakhir ialah 90 99.

Setelah penentuan selang kelas berjaya dibentuk, kita dapati

kemungkinan besar akan terjadi satu lagi miskonsepsi. Yang kita
maksudkan ialah terdapat murid-murid yang memasukkan satu data ke
dalam lebih daripada satu selang kelas. Ini terjadi kerana selang kelas yang
dibentuk adalah tidak tepat. Kita ambil contoh 3.4 tadi, terdapat muridmurid yang membentuk selang kelas:30 40, 40 50, 50 60, dan
seterusnya. Oleh itu, sekiranya diambil data, 50, ke dalam selang kelas
manakah 50 akan dimasukkan? Untuk mengelakkan miskonsepsi ini dari
berlaku, penerangan yang jelas berkaitan pembentukkan selang kelas adalah
disarankan.

Satu lagi miskonsepsi yang kita dapat kenalpasti juga melibatkan

selang kelas. Tedapat murid-murid yang membentuk selang kelas mengikut
saiz kelas yang tidak sama. Pada peringkat sekolah, murid-murid adalah
ditekankan untuk menggunakan saiz kelas yang sama. Dalam contoh 3.4,
saiz kelas, 10 telah digunakan untuk kesemua selang kelas. Ini akan
memudahkan paparan grafik iaitu carta dan graf dilukiskan. Bukan itu
sahaja, menggunakan saiz kelas yang sama akan memudahkan muridmurid menghitung sukatan kecenderungan memusat dan sukatan
serakan yang akan kita bincangkan dalam unit-unit selepas ini.

Cuba anda fikirkan aktiviti-aktiviti yang akan membantu muridmurid mengatasi

miskonsepsi yang dibincangkan di atas.

Latihan Formatif 4.2

1.

Bincangkan miskonsepsi-miskonsepsi yang mungkin berlaku dalam

kalangan murid-murid

berkaitan dengan pengumpulan dan pengurusan data.

2.

Bincangkan aktiviti-aktiviti yang boleh dijalankan untuk mengatasi

miskonsepsi-miskonsepsi

yang telah disebutkan dalam (1).

RUMUSAN

Secara keseluruhannya, kita telah didedahkan dengan miskonsepsimiskonsepsi yang mungkin akan berlaku dalam kalangan murid-murid kita
di sekolah. Namun demikian, ada kemungkinan apa yang telah kita
bincangkan tadi hanya miskonsepsi-miskonsepsi yang umum yang sudah
diketahui. Kita juga perlu mengambilkira miskonsepsi-miskonsepsi yang
hanya berlaku kepada segelintir murid. Diharapkan penerangan dan
contoh-contoh dalam unit ini telah dapat membantu kita untuk memaham
miskonsepsi- miskonsepsi
berkaitan

dan

merancang

aktiviti-aktiviti

yang

dalam mencegah dan mengatasi miskonsepsi-miskonsepsi yang

berlaku.

KATA KUNCI

Miskonsepsi

Latihan Sumatif

1.

Nyatakan miskonsepsi-miskonsepsi yang berlaku dalam kalangan

murid-murid berkaitan
pembolehubah dan data. Rancangkan aktiviti-aktiviti untuk
mengatasi miskonsepsimiskonsepsi ini.

2.

Nyatakan miskonsepsi-miskonsepsi yang berlaku dalam kalangan

murid-murid berkaitan
pengumpulan
aktiviti

untuk

dan

pengurusan

mengatasi

miskonsepsi-miskonsepsi ini.

data.

Rancangkan

aktiviti-

Unit 4 Miskonsepsi Pengumpulan dan Pengurusan

Data|65

Rujukan

Dunn, S.D. (2001). Statistic and data analysis for the behavioral sciences. New
York: McGraw-Hill.

Haylock, D. (2010). Mathematics Explained For Primary Teachers (4th Ed.).

London: Sage Publications

Howitt, D., & Cramer, D. (2000). An introduction to statistics in psychology:

A complete guide for
students. (2nd Ed.). Harlow, England: Prentice Hall.

Iran Herman.(2004). Statistik dan analisis data sains sosial. Alor Star: Percetakan
Ustaras Sdn.Bhd.

Kennedy, L. M, & Tipps, S. (2011).Guiding Childrens Learning of

Mathematics.(12th Ed.).

Bermont:

Wadsworth.

Weiss, N. A. (2005). Introductory Statistics (7th Ed.). Boston: Pearson &

Addison Wesley.
Utts, J. M., & Heckard, R. F.(2004). Mind on Statistics (2nd Ed.). Belmont, CA:
Thomson Learning.

http://www.epcae.org/uploads/documents/Central_Tendency_pck_SEP20.pdf