Literasi Data Pemimpin: Asas AI Dalam Pendidikan 2026

Sebahagian besar projek AI dalam pendidikan gagal bukan sebab model AI “tak cukup pandai”, tetapi sebab orang yang buat keputusan tak cukup celik data. Bila metrik disalah tafsir, bila dashboard jadi “hiasan”, dan bila keputusan dibuat ikut andaian, AI cuma mempercepatkan kesilapan—bukan membaiki operasi.

Isu ini selari dengan fokus EDUCAUSE Top 10 untuk 2026: kemahiran dan literasi data dalam kalangan pembuat keputusan. Dalam siri AI dalam Pendidikan dan EdTech, saya anggap ini bukan isu sampingan—ini asas. Kalau institusi nak guna analitik pembelajaran, amaran awal pelajar berisiko, atau automasi proses akademik, pemimpin mesti boleh membaca data dengan yakin, tahu bertanya soalan yang betul, dan faham batasan data.

Literasi data bukan “skill BI”—ia kemahiran kepimpinan

Jawapan ringkas: literasi data untuk pemimpin ialah keupayaan membuat keputusan operasi dan strategik berdasarkan bukti, bukan semata-mata intuisi.

Dalam konteks universiti, kolej, dan penyedia TVET, pembuat keputusan bukan hanya pasukan data atau penyelidik institusi. Ia termasuk:

• Naib Canselor/Rektor dan barisan pengurusan
• Dekan, ketua jabatan, dan pengarah program
• Ketua unit akademik/HEP
• Pemilik proses (jadual waktu, kemudahan, peperiksaan, kewangan)

Ini yang ramai terlepas pandang: bila AI mula digunakan, “keputusan” jadi lebih kerap dan lebih pantas—contohnya pengagihan sumber, intervensi pelajar, penjadualan ruang, atau peruntukan pensyarah. Maka literasi data bukan lagi kelebihan; ia keperluan operasi harian.

Tanda institusi anda ada jurang literasi data

Kalau anda nampak corak di bawah, jurangnya jelas:

• Mesyuarat pengurusan banyak bergantung pada cerita kes terpencil (“saya dengar…”) berbanding angka.
• Setiap jabatan ada versi kebenaran sendiri (data berbeza untuk soalan sama).
• Dashboard wujud, tapi jarang digunakan untuk keputusan sebenar.
• Data digunakan untuk “mengabsahkan keputusan yang dah dibuat”, bukan untuk membimbing keputusan.

Mitos yang mengganggu integrasi AI: “AI boleh urus data untuk kita”

Jawapan terus: AI boleh bantu akses dan ringkasan data, tetapi AI tak boleh menggantikan tanggungjawab manusia untuk menilai konteks, kualiti data, dan implikasi keputusan.

Bila institusi guna AI dalam platform pembelajaran digital atau analitik prestasi pelajar, risiko paling besar ialah salah tafsir:

• Model tunjuk “pelajar berisiko”, tetapi pembuat keputusan tak semak bias data (contoh: pelajar kerja sambilan kurang log masuk).
• Laporan tunjuk “penggunaan bilik rendah”, tetapi tak bezakan bilik yang rosak, tak sesuai, atau lokasi bermasalah.
• Kadar lulus naik, tetapi rubrik penilaian berubah—maka perbandingan tahun ke tahun jadi tidak adil.

AI mempercepatkan output. Literasi data memastikan output itu dipersoal sebelum dijadikan dasar.

Literasi data + literasi AI = pasangan wajib 2026

Dalam EdTech hari ini, pemimpin perlu dua set kebolehan:

1. Literasi data: faham metrik, trend, variasi, korelasi vs sebab-akibat, dan kualiti data.
2. Literasi AI: faham bila AI sesuai digunakan, risiko halusinasi, bias, dan keperluan semakan manusia.

Ayat yang saya selalu guna dalam bengkel pengurusan: “AI boleh buat cadangan. Pemimpin yang celik data memastikan cadangan itu masuk akal.”

Kes McGill: dashboard menewaskan ‘cerita kampus’

Jawapan jelas: bila data dipusatkan dan divisualkan dengan baik, institusi boleh membetulkan salah faham yang dah lama berakar—dan jimat masa serta kos.

Di McGill University, wujud “fakta” tidak rasmi bahawa bilik kuliah kecil sentiasa penuh. Cerita itu berlegar antara registrar dan fakulti. Bila pasukan pembelajaran ruang mengurus data bilik darjah dengan lebih teratur, mereka jumpa realiti yang memeranjatkan: lebih kurang 50% bilik kecil sebenarnya kosong sepanjang masa—cuma orang tak tahu lokasi, cara tempah, atau akses.

Apa yang menarik di sini bukan sekadar angka 50%. Yang lebih penting:

• Anekdot menguasai perbualan kerana tiada sumber kebenaran yang mudah dicapai.
• Bila dashboard wujud, pelbagai pihak boleh jawab soalan sendiri: penggunaan ruang, risiko kegagalan AV, perbandingan utiliti ruang berdekatan, dan skor kualiti ruang.

Kalau kita terjemah ke konteks Malaysia/serantau, isu yang sama berlaku pada:

• penjadualan bilik peperiksaan,
• penggunaan makmal komputer,
• tempahan studio/maker space,
• pengurusan peranti pinjaman,
• penggunaan LMS dan kehadiran kelas hibrid.

Data yang jelas menutup ruang untuk “cerita panas” mengatasi fakta.

Kenapa institusi pendidikan masih lemah dalam data (walaupun ramai ahli akademik hebat)

Jawapan terus: kerana data operasi kampus sering berpecah, akses terhad, dan tiada amalan membuat keputusan berasaskan data yang konsisten.

Ramai pensyarah mengajar pemikiran kritis dan menjalankan penyelidikan yang rapi. Tapi apabila masuk dunia operasi institusi—jadual, kewangan, kemudahan, hal ehwal pelajar—disiplin analitik itu kadang-kadang hilang.

Tiga punca yang saya paling kerap jumpa:

1) Data berasingan (silo) merentasi sistem

Satu soalan mudah seperti “berapa ramai pelajar aktif minggu ini?” boleh memerlukan data dari:

• Sistem maklumat pelajar
• LMS
• sistem pembayaran yuran
• rekod kehadiran
• sistem perpustakaan

Bila tak ada penyelarasan definisi (contoh: “aktif” maksudnya apa?), pemimpin dapat jawapan berbeza ikut siapa yang ditanya.

2) Akses data jadi isu kuasa, bukan keperluan kerja

Kadang-kadang data dijaga ketat atas alasan keselamatan, tetapi akhirnya staf yang perlu bertindak tak dapat maklumat pada masa yang sesuai. Ini melambatkan respons—terutama bila melibatkan pelajar berisiko atau gangguan operasi.

3) Latihan wujud, tetapi tak scalable untuk semua pemimpin

Institusi kecil khususnya sering kekurangan sokongan analitik: kurang polisi, kurang panduan, kurang komuniti amalan, dan kurang “data champion” dalam jabatan.

AI boleh bantu menurunkan beban teknikal (contoh: carian data, ringkasan laporan), tetapi ia tak automatik membina budaya.

Pelan 90 hari untuk naikkan literasi data pembuat keputusan

Jawapan praktikal: mulakan dengan pemetaan kematangan, bina latihan ringkas berterusan, dan pastikan setiap unit ada metrik yang jelas serta dashboard yang digunakan dalam mesyuarat.

Saya cadangkan pelan ringkas 3 fasa yang realistik untuk kebanyakan institusi.

Fasa 1 (Hari 1–30): Audit “cara keputusan dibuat”

Matlamat: tahu keadaan semasa, bukan meneka.

Buat 4 aktiviti ini:

1. Temu bual 10–15 pemimpin (akademik + operasi) dan tanya: data apa mereka percaya, data apa mereka tak percaya, dan kenapa.
2. Kaji mesyuarat utama: data apa dibentang, apa keputusan dibuat, dan apa susulan.
3. Semak penggunaan dashboard: siapa log masuk, bila, dan untuk apa.
4. Senarai soalan kritikal institusi (5–10 soalan): contoh “kenapa pelajar drop?”, “ruang mana underutilized?”, “kursus mana overload?”.

Output penting fasa ini: satu dokumen ringkas “peta keputusan”—siapa memutuskan apa, dan data apa diperlukan.

Fasa 2 (Hari 31–60): Latihan mikro + komuniti amalan

Matlamat: bina keyakinan, bukan hanya kemahiran teknikal.

Format yang berkesan:

• Sesi 45 minit, 2 minggu sekali
• Fokus satu topik setiap sesi, contoh:
  • membaca trend & variasi (bukan sekadar purata)
  • korelasi vs sebab-akibat
  • metrik pendidikan: retention, completion, engagement
  • “soalan yang betul” untuk AI/analitik
• Bentuk data champion setiap fakulti/jabatan (1–2 orang) untuk jadi rujukan harian

Saya lebih suka latihan yang gunakan data institusi sendiri (dibersihkan dan dinyahpengenalan) berbanding contoh generik—sebab ia terus relevan.

Fasa 3 (Hari 61–90): Dashboard yang ‘turnkey’ dan memandu tindakan

Matlamat: jadikan data sebahagian rutin kerja.

Ciri dashboard yang benar-benar membantu pemimpin:

• Jawab soalan perniagaan/akademik yang spesifik (bukan “semua metrik sekali gus”)
• Ada ringkasan 3–5 poin “apa yang berubah”
• Ada definisi metrik dalam bahasa mudah
• Ada cadangan tindakan (contoh: siapa perlu dihubungi, bila intervensi dibuat)

Peraturan emas: dashboard mesti digunakan dalam mesyuarat. Jika tidak, ia akan mati perlahan-lahan.

Soalan lazim: “Data governance atau literasi dulu?”

Jawapan tegas: buat kedua-duanya serentak, tetapi mula kecil pada data yang paling memberi kesan.

Data governance (pemilikan data, definisi, kualiti, akses) memang penting. Namun, kalau anda tunggu governance sempurna baru bina literasi, anda akan menunggu lama.

Pendekatan yang lebih realistik:

• Pilih 1–2 domain data untuk distandardkan dahulu (contoh: enrolmen & kehadiran, penggunaan ruang & jadual).
• Tetapkan definisi metrik utama dan pemiliknya.
• Beri akses berperingkat ikut peranan.
• Latih pemimpin menggunakan metrik itu dalam keputusan sebenar.

Bila pemimpin mula rasa manfaat, permintaan untuk governance yang lebih baik akan datang secara organik—bukan dipaksa.

Apa yang institusi dapat bila pemimpin celik data

Jawapan ringkas: keputusan lebih cepat, konflik berkurang, dan pelaksanaan AI jadi lebih selamat.

Kesan yang biasanya terlihat dalam 3–6 bulan:

• Mesyuarat jadi lebih singkat kerana fokus pada isu yang disahkan data.
• Kurang “perang angka” antara jabatan.
• Intervensi pelajar berisiko lebih awal kerana indikator dipersetujui.
• Pelaburan EdTech lebih tepat (beli alat sebab ada bukti keperluan, bukan trend).

Dan yang paling penting untuk 2026: AI dalam pendidikan tak lagi jadi projek IT semata-mata. Ia jadi keupayaan institusi.

Langkah seterusnya untuk siri “AI dalam Pendidikan dan EdTech”

Kalau institusi anda sedang merancang analitik pembelajaran, amaran awal, chatbot sokongan pelajar, atau automasi operasi, buat satu keputusan hari ini: angkat literasi data sebagai KPI kepimpinan, bukan program sampingan.

Saya cadangkan mulakan dengan satu soalan yang semua orang peduli—contohnya penggunaan ruang, kadar drop kursus, atau engagement LMS—dan bina rutin mesyuarat yang berasaskan data untuk soalan itu. Bila budaya ini dah wujud, barulah AI benar-benar membantu, bukan sekadar nampak moden.

Apabila anda melihat dashboard seterusnya, soalan yang patut bermain di kepala bukan “cantik tak graf dia?”, tetapi: adakah ini mengubah keputusan kita minggu ini—atau cuma menambah slaid?