Nama : Arta Marisa Listyadevi

NIM : 1219-00696

RANGKUMAN MATERI DAN REVIEW ARTIKEL SISTEM INFORMASI AKUNTANSI

CHAPTER 7 DATA ANALYSIS AND PRESENTATION

Bab ini berfokus pada dua bagian terakhir dari pola berfikir analitik yaitu menerapkan teknik analitik dan
data yang tepat dan menafsirkan serta membagikan hasil dengan pemangku kepentingan.
1. Data Analysis
Jadi ada 4 kategori analisis data yaitu deskriptif, diagnostic, prediktif, dan prespektif :
 Descriptive Analysis
Analisis deskriptif adalah perhitungan yang menjawab pertanyaan dasar tentang "apa
yang terjadi?" misalnya auditor eksternal banyak menggunakan analisis deskriptif
termasuk menghitung margin laba dan rasio leverage untuk menganalsis riskiko bisnis
apakah berubah dan untuk mengidentifikasi adanya penipuan. Analisis deskriptif
menggunakan teknik analisis data eksplorasi/exploratory data adalah pendekatan yang
mengeksplorasi data tanpa menguji model atau hipotesis formal. Jenis analisis ini sering
digunakan untuk hal-hal berikut: untuk menemukan kesalahan dalam data,untuk
memahami struktur data, untuk menentukan ukuran, arah, dan kekuatan antar variable.
Ada beberapa hal yang perlu dipahami saat memeriksa data baru:
 Memahami sentral data yang mengacu pada penentuan nilai yang mencerminkan
pusat distribusi data
 Penyebaran data yang mengacu pada penyebaran data disekitar nilai pusat.
 Distribusi data yang mengacu seberapa sering nilai pda data muncul.
 Korelasi data yang mengacu pada seberapa dekat dua item berfluktuasi bersama
dalam kumpulan data.
 Diagnostik Analytic
Analisis diagnostic digunakan untuk menjawab pertanyaan “mengapa ini terjadi” dalam
analisis diagnostic analisis informal dan formal dapat dilakukan. Analsisi diagnostic
informal dibangun berdasarkan analisis deskriptif sedangkan diagnostic formal dengan
menggunakan teknik data konfirmatori yaitu menguji hipotesis dan memberikan ukuran
statistik dari kemungkinan bahwa bukti (data) menyangkal atau mendukung hipotesis.
  Predictive Analytic
Analisis prediktif melangkah lebih jauh dari analisis diagnostik untuk menjawab
pertanyaan "apa yang mungkin terjadi di masa depan?" Analisis prediktif yang berhasil
dapat menjadi transformatif dalam suatu organisasi. Analisis prediktif biasanya
menggunakan data historis atau data masa lalu utuk memprediksi kejadian dimasa depan.
Ada beberapa langkah melakukan analsisi prediktif :
 Tentukan hasil yang akan di prediksi
 Menyiapkan dan mencari data yang sesuai
 Pembuatan model, untuk menguji model data harus dipisah menjadi data set
pelatihan yang digunakan untuk membuat model prediksi dimasa depan dan set
data pengujian digunakan untuk menguji seberapa baik model memprediksi hasil
target.
 Prespective Analytic
Analisis preskriptif menjawab pertanyaan "apa yang harus dilakukan?" Analisis
preskriptif dapat berupa rekomendasi untuk diambil atau tindakan terprogram yang dapat
dilakukan sistem berdasarkan hasil analisis prediktif.
 Common Problems With Data Analytic
Ada istilah “garbage in, garbage out” atau GIGO dan mengacu pada konsep bahwa
analisis data tidak ada nilainya jika data yang mendasari tidak berkualitas tinggi. Analisis
berdasarkan data yang buruk sering terjadi ketika arsitektur data tidak dirancang,
dipelihara, dan didokumentasikan dengan benar.
2. Data Presentation
Manfaat dari memvisualisasikan data :
 Data yang divisualisasikan diproses lebih cepat dari pada informasi tertulis atau tabel.
 Visualisasi lebih mudah digunakan
 Visualisasi mendukung gaya belajar yang dominan.
Kemudian data perlu disajikan dengan visualisasi yang tepat dan visualisasi perlu
dirancang dengan benar dengan dua pilihan :
Choosing the Right Visualization
Memilih jenis visualisai yang tepat akan memperkuat komunikasi. Ada lima tujuan utama
visualisasi yaitu perbandingan, korelasi, distribusi, evaluasi tren, dan bagian keseluruhan:
 Comparsion untuk membuat visualisasi dalam bisnis kita harus membandingkan data
diseluruh kategori atau grup. Jenis visualisasi yang paling umum digunakan adalah
diagram batang
 Correlation yaitu membandingkan bagaimana dua variabel numerik berfluktuasi. Korelasi
yang paling umum adalah scatterplot dan heatmap.
 Distribution yang menunjukan penyebaran nilai data numerik. Dengan menampilkan
distribusi dapat membantu mengembangkan pemahaman lebih dalam tentang data dari
pada hanya memeriksa statistik deskriptif.
 Trend Evaluation perbedaan antara korelasi dan trend evaluation yaitu sumbu pada trend
disusun biasanya grafik garis merupakan yang paling umum digunakan untuk
menunjukan trend selain grafik garis ada juga bagan area.
 Part to Whole yaitu menunjukan item mana yang menunjukan bagian dari total \
 Other Visualization Purpose jenis visualiasi juga dapat digabungkan untuk memenuhi
berbagai tujuan.
 Desighning Hight Quality Viasualization visualisasi yang berkualitas mengikuti 3 prinsip
desain penting :
i. Simplification mengacu pada membuat visualisasi mudah diinterpretasikan dan
dipahami. Visualisasi dapat disederhanakan dengan mempertimbangkan tiga teknik
penting yang akan menyempurnakan desain semua visualisasi: kuantitas (tidak
terlalu banyak dan sedikit tapi jumlah datanya tepat), jarak/distance (mengacu pada
seberapa jauh informasi terkait disajikan), dan orientasi (data akan lebih mudah
dipahami jika diorientasikan dengan benar).
ii. Emphasis dalam desain adalah memastikan bahwa pesan terpenting mudah
diidentifikasi. Ada 3 teknik yang digunakan yaitu highlighting (Teknik penyorotan
meliputi penggunaan warna, kontras, keterangan, pelabelan, font, panah, dan teknik
lain yang menarik perhatian ke suatu item). kedua visual weight (Bobot visual
mengacu pada jumlah perhatian yang ditarik suatu elemen. Ada berbagai teknik
untuk meningkatkan bobot visual, termasuk warna, kompleksitas, kontras, kepadatan,
dan ukuran). ketiga data ordering (pengaturan item visualisasi yang disengaja untuk
menghasilkan penekanan. Dua cara paling umum untuk mengurutkan data adalah (1)
dengan menggunakan kategori pada sumbu dan (2) dengan nilai data.)
iii. Ethical data presentation mengacu pada menghindari penggunaan yang disengaja
atau tidak disengaja dari praktik penipuan yang dapat mengubah pemahaman
pengguna tentang data yang disajikan.
 REVIEW ARTIKEL
Artikel 1
1. Judul dan penulis artikel:
“prescriptive analytic : literature review and research challenges “
Katerina Lepenioti , Alexandros Bousdekis, Dimitris Apostolou , Gregoris Mentzas
2. Latar belakang masalah
Analisis bisnis bertujuan untuk memungkinkan organisasi membuat keputusan yang lebih cepat, lebih
baik, dan lebih cerdas dengan tujuan untuk menciptakan nilai bisnis. Sampai saat ini, fokus utama dalam
bidang akademik dan industri adalah pada analitik deskriptif dan prediktif. Makalah ini menyelidiki
literatur yang ada yang berkaitan dengan analitik preskriptif dan metode yang menonjol untuk
implementasinya, memberikan kejelasan tentang bidang penelitian analitik preskriptif, menurut (den
Hertog & Postek, 2016; Habeeb et al., 2018; Larose & Larose, 2015) saat ini sebagian besar upaya
analitik bisnis dihabiskan untuk analitik deskriptif dan analitik prediktif dengan metodologi khas
termasuk penambangan data, pembelajaran mesin, kecerdasan buatan, dan simulasi selain itu menurut
(Gartner, 2017) Dibandingkan deskriptif dan prediktif, analitik preskriptif masih kurang matang
kemudian (Larson & Chang, 2016) mengatakab bahwa analisis preskriptif semakin meningkatkan minat
penelitian.
3. Tujuan penelitian :
 untuk menyelidiki literatur yang ada mengenai analitik preskriptif dan metode yang
menonjol untuk implementasinya
 untuk memberikan kejelasan pada bidang penelitian analitik preskriptif
 mensintesis tinjauan pustaka untuk mengidentifikasi tantangan penelitian yang ada
 untuk menguraikan arah untuk penelitian masa depan.
4. Metodologi
Metodologi yang digunakan dalam penelitian ini yaitu dengan menguraikan metodologi tinjauan literatur
yang didasarkan padaTranfield, Denyer, dan Smart (2003):
 memilih kertas yang akan ditinjau sesuai dengan kriteria metodologi tinjauan pustaka.
 memisahkan metode yang digunakan untuk analitik prediktif dan metode yang digunakan
untuk analitik preskriptif untuk setiap makalah yang ditinjau
 mengklasifikasikan metode yang diidentifikasi untuk analitik prediktif dan metode untuk
analitik preskriptif dalam 7 kategori: Model Probabilistik, Pembelajaran Mesin /
Penambangan Data, Analisis Statistik, Pemrograman Matematika, Perhitungan
Evolusioner, Simulasi, Model Berbasis Logika
  mengidentifikasi kategori metode dan kombinasinya dalam literatur untuk analitik
prediktif dan preskriptif (Bagian 4.1). Kemudian,peneliti fokus pada metode yang
digunakan untuk melakukan analitik preskriptif.
 Peneliti mengklasifikasikan makalah yang ditinjau per domain aplikasi untuk
menunjukkan domain aplikasi yang mengumpulkan minat paling banyak dan paling
sedikit, serta kategori metode yang telah digunakan.
 Untuk setiap kategori metode dan untuk setiap kombinasi yang teridentifikasi, peneliti
secara ekstensif membahas bagaimana metode tersebut telah digunakan dalam konteks
analitik preskriptif di makalah terkait.
 Berdasarkan tinjauan pustaka, peneliti menyimpulkan dalam sintesis, di mana kpeneliti
juga membahas tantangan penelitian yang ada dan arah potensial untuk penelitian masa
depan.
a) Kategori metode untuk analitik prediktif dan analitik preskriptif
- model probabilstik
- penggalian data
- analisis statistik
- pemograman matematika
- perhitungan evolusioner
- simulasi
- model berbasis logika

5. Temuan
 Pengembangan sistem informasi real-time yang digerakkan oleh sensor dan algoritme rekursif dapat
mendorong penerapan analitik preskriptif dalam masalah skala besar.
 Analisis preskriptif dapat memanfaatkan komputasi terdistribusi untuk memproses data dalam
jumlah besar.
 Pemrosesan aliran dan Pemrosesan Peristiwa Kompleks dapat memungkinkan pengembangan
analitik preskriptif dalam lingkungan waktu nyata.
 Hal ini diperlukan untuk mengatasi ketidakpastian yang disebabkan oleh prediksi, data yang tidak
lengkap dan berisik, serta subjektivitas dalam penilaian manusia.
 Karena sifat analitik preskriptif yang tidak pasti, sebagian besar masalah dapat direpresentasikan
dalam struktur probabilistik.
 Analitik preskriptif dapat mengambil manfaat dari menggabungkan logika probabilistik dengan
mesin CEP untuk menentukan tindakan secara proaktif.
 Model analitik preskriptif berpotensi menjadi kurang bergantung pada pengetahuan pakar domain
dan lebih bergantung pada analitik data besar.
 Penelitian lebih lanjut diperlukan untuk arah penggabungan "pengetahuan yang dipelajari" dari
pembelajaran mesin dan metode data mining dengan "pengetahuan yang direkayasa" yang diperoleh
dari pakar domain (research future)
 Ada kebutuhan akan metode analitik preskriptif generik dan algoritme yang memanfaatkan
kecerdasan buatan dan pembelajaran mesin.
 Pemrograman kendala adalah pendekatan yang menjanjikan untuk membangun model preskriptif.
 Mekanisme adaptasi untuk analitik preskriptif sangat penting dalam lingkungan yang dinamis.
6. Kesimpulan
Ulasan kami telah menunjukkan bahwa analitik preskriptif adalah kemajuan penting dalam analitik. Ini
dapat meningkatkan pengambilan keputusan dan efektivitas proses dengan membantu analis lebih dekat
untuk mengikat hasil ke situasi tertentu Saat ini. Selain itu Ada banyak kemajuan di berbagai bidang
seperti pengoptimalan, simulasi, pembelajaran mesin, sistem pemberi rekomendasi, dan pengambilan
keputusan yang tidak pasti, yang harus diperiksa dari sudut pandang analitik preskriptif dan dinilai dalam
konteks tantangan yang dihadirkan oleh masalah analitik preskriptif dan Analisis preskriptif diharapkan
menjadi lebih umum dan dipahami oleh berbagai macam manajer.
Artikel 2
1. Judul dan nama penulis
“Statistical data presentation”
Junyong In and Sangseok Lee
2. Latar belakang masalah
Data biasanya dikumpulkan dalam format mentah dan dengan demikian informasi yang melekat sulit
untuk dipahami. Oleh karena itu, data mentah perlu diringkas, diproses, dan dianalisis. Maka dari itu
artikel ini memperkenalkan teknik penyajian data dan informasi dalam bentuk tekstual, tabular, dan
grafis.Teks, tabel, dan grafik untuk penyajian data dan informasi adalah alat komunikasi yang sangat kuat.
Mereka dapat membuat artikel mudah dipahami, menarik dan mempertahankan minat pembaca, dan
secara efisien menyajikan sejumlah besar informasi kompleks.Karena sebagian besar data tersedia bagi
peneliti dalam format mentah, mereka harus diringkas, diatur, dan dianalisis untuk memperoleh informasi
yang bermanfaat darinya. Selanjutnya, setiap kumpulan data perlu disajikan dengan cara tertentu
tergantung pada kegunaannya.
3. Tujuan penelitian
 menjelaskan peran dan penggunaan yang tepat dari teks, tabel, dan grafik (grafik, plot, atau bagan),
yang semuanya umum digunakan dalam laporan, artikel, poster, dan presentasi.
 membahas isu-isu yang harus ditangani ketika menyajikan berbagai jenis informasi, dan metode
penyajian data yang efektif, yang merupakan produk akhir penelitian, dan menekankan informasi
spesifik.
4. Isi penelitian
Cara penyajian data :
 Text Presentation
Teks adalah metode utama untuk menyampaikan informasi karena digunakan untuk menjelaskan hasil
dan tren, dan memberikan informasi kontekstual. Teks dapat digunakan untuk memberikan interpretasi
atau menekankan data tertentu.
 Table Presentation
Tabel adalah yang paling tepat untuk menyajikan informasi individu, dan dapat menyajikan informasi
kuantitatif dan kualitatif. Kekuatan tabel adalah mereka dapat secara akurat menyajikan informasi yang
tidak dapat disajikan dengan grafik.
 Graph Presentation
grafik menyederhanakan informasi yang kompleks dengan menggunakan gambar dan menekankan pola
atau tren data, dan berguna untuk meringkas, menjelaskan, atau mengeksplorasi data kuantitatif.
Meskipun grafik efektif untuk menyajikan data dalam jumlah besar, grafik dapat digunakan sebagai
pengganti tabel untuk menyajikan kumpulan data yang kecil.
- scatter plot
yaitu menyajikan data pada sumbu x dan y dan digunakan untuk menyelidiki hubungan antara dua
variabel.
- Bar Graph and Histogram
Grafik batang digunakan untuk menunjukkan dan membandingkan nilai dalam kategori atau kelompok
diskrit, dan frekuensi atau parameter pengukuran lainnya (yaitu rata-rata).
- Pie Chart
Diagram lingkaran, yang digunakan untuk mewakili data nominal (dengan kata lain, data yang
diklasifikasikan dalam kategori yang berbeda), secara visual mewakili distribusi kategori.
- Line plot with whiskers
Plot garis berguna untuk mewakili data deret waktu seperti curah hujan bulanan dan tingkat pengangguran
tahunan; dengan kata lain, digunakan untuk mempelajari variabel yang diamati dari waktu ke waktu.
- Box and whisker chart
Cocok untuk merepresentatifkan data nonparametrik.
- Three-dimensional effects
Efek 3D dapat
menambah kedalaman dan perspektif pada grafik. Namun, karena mereka dapat mempersulit pembacaan
dan interpretasi data, mereka hanya boleh digunakan setelah pertimbangan yang cermat.
5. Kesimpulan
Teks, tabel, dan grafik merupakan media komunikasi efektif yang menyajikan dan menyampaikan data
dan informasi. Mereka membantu pembaca dalam memahami isi penelitian, mempertahankan minat
mereka, dan secara efektif menyajikan informasi kompleks dalam jumlah besar. Karena editor jurnal dan
pengulas akan memindai presentasi ini sebelum Selain itu, memiliki pemahaman yang mapan tentang
metode penyajian data yang berbeda dan penggunaannya yang tepat akan memungkinkan seseorang untuk
mengembangkan kemampuan untuk mengenali dan menafsirkan data yang disajikan secara tidak tepat
atau data yang disajikan sedemikian rupa sehingga menipu mata pembaca