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.Mengenalpastimiskonsepsi-miskonsepsiyangberlakudalam
pengumpulan dan pengurusan data.
2.Merancang aktiviti-aktiviti yang bersesuaian dalam mencegah
dan
mengatasi miskonsepsi-miskonsepsi yang berlaku.
DUnit 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
taburan-taburan 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 dan pembolehubah
kualitatif. Pembolehubah kuantitatif pula terbahagi 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
murid-murid 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 murid-murid 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 murid-murid menghitung sukatan
kecenderungan memusat dan sukatan serakan yang akan kita bincangkan
dalam unit-unit selepas ini.
Cuba anda fikirkan aktiviti-aktiviti yang akan membantu
murid-murid 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
miskonsepsi-miskonsepsi 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 dan merancang
aktiviti-aktiviti yang berkaitan dalam mencegah dan mengatasi
miskonsepsi-miskonsepsi yang berlaku.
KATA KUNCI
Miskonsepsi
Latihan Sumatif
1. Nyatakan miskonsepsi-miskonsepsi yang berlaku dalam kalangan
murid-murid berkaitanpembolehubah dan data. Rancangkan
aktiviti-aktiviti untuk mengatasi miskonsepsi-miskonsepsi ini.
2. Nyatakan miskonsepsi-miskonsepsi yang berlaku dalam kalangan
murid-murid berkaitanpengumpulan dan pengurusan data. Rancangkan
aktiviti-aktiviti untuk mengatasimiskonsepsi-miskonsepsi ini.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 forstudents. (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
