TUGAS ANALISIS DATA UNTUK AKUNTANSI

EAS6306

MAKALAH PENDEKATAN ANALISIS DATA: PENDEKATAN

PROFILING, PENDEKATAN REDUKSI DATA PADA ANALISA
DATA DAN CONTOH KASUS

DOSEN
Shafrani Dizar, S.E., M.M.
KELOMPOK II

Tiarani (023002018016)
Binta Rohmah Karyanti (023002018017)
Oktavianto Nugraha Pratama (023002018018)
Komang Muliana (023002018019)
Qotrunnada (023002016506)

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS TRISAKTI
2021
A. MELAKUKAN RENCANA PENGUJIAN: MENDEFINISIKAN PENDEKATAN ANALITIK
DATA
Pada Bab ini akan fokus melakukan rencana pengujian yaitu bagaimana menguji
atau menganalisis data untuk menjawab pertanyaan bisnis yang diajukan. Dalam kata
lain, pendekatan atau teknik analisis data mana yang sesuai untuk menjawab pertanyaan
bisnis tersebut. Namun, sebelum membahas beberapa pendekatan tersebut, berikut
adalah beberapa istilah khusus terkait data:
1. Target adalah atribut atau nilai yang diharapkan yang ingin kita evaluasi. Misalnya,
jika kita mencoba memprediksi apakah suatu transaksi curang (fraud), targetnya
mungkin adalah "fraud score" tertentu. Jika kita mencoba memprediksi suku bunga,
maka targetnya adalah “suku bunga”.
2. Class adalah kategori yang ditetapkan secara manual yang diterapkan ke rekaman
berdasarkan peristiwa. Misalnya, jika departemen kredit telah menolak batas kredit
untuk pelanggan, departemen kredit menetapkan kelas "Ditolak (rejected)" ke catatan
induk pelanggan. Demikian juga, jika auditor internal telah mengkonfirmasi bahwa
penipuan telah terjadi, mereka akan menetapkan kelas "penipuan" untuk transaksi
itu.
Ada banyak model yang dapat dipilih saat mengevaluasi kumpulan data tertentu.
Pilihan model tergantung pada hasil yang diinginkan dari pertanyaan bisnis. Jika tidak
ada pertanyaan spesifik dan hanya menjelajahi data untuk pola minat potensial, maka
pendekatan yang digunakan adalah pendekatan tanpa pengawasan (unsupervised
approach). Misalnya terdapat pertanyaan yaitu "apakah vendor kami membentuk grup
alami berdasarkan atribut yang serupa?" Dalam hal ini, tidak ada specific target karena
kesamaan apa yang dimiliki vendor tersebut belum diketahui. Oleh karena itu, kita dapat
menggunakan pengelompokan (clustering) untuk mengevaluasi atribut vendor dan
melihat mana yang terkait erat (ditunjukkan pada Exhibit 3-1).
Anda juga dapat menggunakan pendekatan co-occurrence grouping untuk mencocokkan
vendor menurut wilayah geografis; data reduction untuk menyederhanakan vendor ke
dalam kategori yang jelas, seperti grosir atau eceran atau berdasarkan volume
keseluruhan pesanan; atau profilling untuk mengevaluasi vendor dengan perilaku
pengiriman tepat waktu yang serupa (ditunjukkan pada Exhibit 3-2). Dalam salah satu
kasus tersebut, data mendorong adanya sebuah keputusan dan kita mengevaluasi output
untuk melihat apakah output tersebut cocok dengan intuisi kita. Latihan eksplorasi ini
dapat membantu untuk menentukan pertanyaan yang lebih baik, tetapi umumnya kurang
berguna untuk membuat keputusan.

Di sisi lain, apabila terdapat pertanyaan yang spesifik seperti “Apakah vendor baru
akan mengirimkan pesanan dalam jumlah besar tepat waktu?”. Untuk menganalisis data
atas pertanyaan tersebut, dimana analisis tersebut menggunakan data historis untuk
memprediksi hasil di masa mendatang, maka pendekatan yang digunakan adalah
pendekatan terawasi (supervised approach). Kita akan menggunakan data historis untuk
membuat model baru. Jika menggunakan classification model, maka akan dapat
memprediksi apakah vendor baru termasuk dalam satu kelas atau yang lain (didasarkan
atas perilaku vendor yang lain), yang ditunjukkan pada Exhibit 3-3.
 Selain itu, kita juga dapat menggunakan pendekatan regression untuk
memprediksi specific value untuk menjawab pertanyaan seperti, “Berapa hari yang kami
perkirakan akan dibutuhkan vendor baru untuk mengirimkan pesanan?”. Pertanyaan
tersebut juga menggunakan prediksi yang didasarkan pada aktivitas yang diamati dari
vendor lain (ditunjukkan pada Exhibit 3-4).

Causal modeling, similarity matching, dan link prediction adalah beberapa pendekatan
lain yang termasuk kedalam pendekatan terawasi (supervised approach) di mana kita
mencoba mengidentifikasi penyebab (yang bisa saja mahal), mengidentifikasi
serangkaian karakteristik yang memprediksi model, atau mencoba mengidentifikasi
hubungan lain.
 Pada akhirnya, model yang akan digunakan mengarah pada pertanyaan yang
ingin dijawab. Sebagaimana dijelaskan dalam bagan alur pada Exhibit 3-5 menunjukkan
beberapa keputusan yang akan membantu dalam memilih model atau pendekatan yang
sesuai. Dengan mengevaluasi data yang ada, pertanyaan yang akan dijawab serta hasil
yang diinginkan, maka kemudian pendekatan yang digunakan dapat ditentukan. Setelah
pendekatan dipilih, maka analisis dapat dilakukan pada tahap selanjutnya. Adapun
beberapa pendekatan analitik data adalah sebagai berikut:
1. Classification: Pendekatan data yang digunakan untuk menetapkan setiap unit (atau
individu) dalam suatu populasi ke dalam beberapa kategori. Contoh classification
antara lain dari semua pinjaman yang ditawarkan bank ini, mana yang paling mungkin
gagal bayar? Atau pengajuan pinjaman mana yang diharapkan disetujui? Dalam hal
ini, classification model akan mengklasifikasikan permintaan pinjaman sebagai
disetujui atau ditolak. Contoh kedua adalah perusahaan kartu kredit yang menandai
transaksi sebagai disetujui atau berpotensi penipuan dan menolak pembayaran.
2. Regression: Pendekatan data yang digunakan untuk memperkirakan atau
memprediksi, untuk setiap unit, nilai numerik dari beberapa variabel menggunakan
beberapa jenis model statistik. Contoh analisis regresi antara lain: berdasarkan saldo
total piutang yang dimiliki oleh perusahaan, berapa tingkat allowance for doubtful
accounts for bad debts?
3. Similarity matching: Pendekatan data yang digunakan untuk mengidentifikasi Alibaba
mengidentifikasi penipuan yang dilakukan oleh penjual dan pelanggan berdasarkan
berbagai karakteristik yang diketahui tentang mereka yang kemudian akan dilihat
apakah penjual atau pelanggan tersebut mirip dengan kasus penipuan yang telah
diketahui.
4. Clustering: Pendekatan data yang digunakan untuk membagi individu (seperti
pelanggan) ke dalam kelompok (atau cluster) dengan cara yang berguna atau
bermakna. Dengan kata lain, mengidentifikasi grup dari elemen data yang serupa
dan penggerak (underlying) yang mendasari grup tersebut. Misalnya,
pengelompokkan pelanggan ke dalam sejumlah kecil kelompok untuk analisis
tambahan dan aktivitas pemasaran. Dengan cara yang sama, transaksi mungkin juga
dimasukkan ke dalam kelompok untuk menganalisisnya.
5. Co-occurrence grouping: Pendekatan data yang digunakan untuk menemukan
hubungan antara individu berdasarkan transaksi yang melibatkan mereka. Amazon
mungkin menggunakan ini untuk menjual barang lain kepada Anda dengan
mengetahui barang apa yang “sering dibeli bersama” atau “Pelanggan yang membeli
barang ini juga membeli . . .”.
6. Profiling: Pendekatan data yang digunakan untuk mengkarakterisasi perilaku "khas"
individu, kelompok, atau populasi dengan menghasilkan ringkasan statistik tentang
data (termasuk rata-rata, standar deviasi, dll.). Dengan memahami perilaku khas, kita
akan dapat mengidentifikasi perilaku abnormal dengan lebih mudah. Ketika perilaku
menyimpang dari perilaku khas itu, yang kita sebut anomali, maka penyelidikan lebih
lanjut diperlukan. Pembuatan profil dapat digunakan dalam akuntansi untuk
mengidentifikasi penipuan atau hanya transaksi-transaksi yang mungkin memerlukan
 beberapa penyelidikan tambahan (misalnya, biaya perjalanan yang tiga standar
deviasi di atas normal).
7. Link prediction: Pendekatan data yang digunakan untuk memprediksi hubungan
antara dua item data. Ini mungkin digunakan di media sosial misalnya, jika dua
individu memiliki teman bersama di media sosial dan keduanya kuliah di universitas
yang sama, kemungkinan mereka saling mengenal dan situs tersebut dapat
membuat rekomendasi agar mereka terhubung seperti yang dilakukan oleh
Facebook dan media sosial lainnya. Link prediction dalam pengaturan akuntansi
mungkin berfungsi untuk menggunakan media sosial untuk mencari hubungan antara
pihak terkait yang tidak diungkapkan untuk mengidentifikasi transaksi pihak terkait.
8. Data reduction: Pendekatan data yang digunakan untuk mengurangi jumlah informasi
yang perlu dipertimbangkan untuk fokus pada item yang paling penting (yaitu, biaya
tertinggi, risiko tertinggi, dampak terbesar, dll.). Hal ini karena data yang diambil
sangat besar sehingga perlu dikurangi menjadi set yang lebih kecil yang memiliki
sebagian besar informasi penting dari set yang lebih besar. Teknik ini memungkinkan
digunakan dalam proses audit. Selama ini, audit telah menggunakan berbagai
pengambilan sampel acak dan bertingkat selama bertahun-tahun, dengan adanya
Data Analytics, maka terdapat saran berupa cara baru untuk menyoroti transaksi
mana yang tidak memerlukan tingkat pemeriksaan yang sama seperti transaksi
lainnya.
Meskipun ini semua adalah pendekatan data yang penting dan dapat diterapkan,
namun yang sering digunakan dalam akuntansi dan audit adalah profiling, data reduction,
regression, classification, dan clustering. Selain itu, pendekatan data ini tidak saling
eksklusif sehingga masih memungkinka adanya analisis actual yang melibatkan
beberapa pendekatan lain untuk sampai pada pengujian data dan hasil yang diinginkan.

B. PROFILING DATA
Profiling adalah pemahaman tentang perilaku khas individu, kelompok, atau
populasi (sampel). Profiling dilakukan dengan menggunakan data terstruktur (structured
data) yaitu data yang tersimpan dalam database atau spreadsheet dan data-data
tersebut mudah untuk dicari. Dengan menggunakan data-data tersebut, dapat dilakukan
analisis dengan menggunakan statistik secara umum untuk menggambarkan individu,
kelompok, atau populasi, termasuk untuk mengetahui mean, standar deviasi, jumlah nilai,
dan informasi lainnya. Profiling umumnya dilakukan pada data yang sudah tersedia dan
siap untuk analisis lebih lanjut.
Profiling data dapat sederhana seperti menghitung statistik data transaksional,
seperti jumlah rata-rata hari untuk mengirimkan produk, jumlah nilai yang harus dibayar
untuk suatu produk, atau jumlah jam kerja bagi karyawan. Selain itu, profiling dapat
digunakan untuk mengembangkan model yang lebih kompleks seperti memprediksi
adanya potensi penipuan (fraud). Seperti contoh, suatu perusahaan melakukan profiling
bagi setiap karyawan perusahaan, dengan menggunakan kombinasi data meliputi gaji,
jam kerja, dan perilaku dalam memanfaatkan anggaran perjalanan dan hiburan (Travel &
Entertainment). Adanya deviasi terhadap pemanfaatan anggaran perjalanan dan hiburan
dari periode (bulan atau tahun) sebelumnya, mencerminkan adanya risiko yang
meningkat dalam pemanfaatan anggaran tersebut dan memberikan informasi kepada
auditor internal untuk menindaklanjuti hal tersebut dengan melakukan pendalam
informasi. Seperti halnya mengevaluasi perilaku karyawan, profiling data dapat
digunakan sebagai alat untuk menilai kualitas data dan kontrol internal. Seperti profiling
data dibuat untuk mengidentifikasikan adanya data pelanggan yang tidak lengkap atau
terjadinya kesalahan penulisan dalam data pelanggan tersebut.
Secara umum terdapat beberapa langkah dalam melakukan profiling data, sebagai
berikut:
1. Identify the objects or activity you want to profile
(Mengidentifikasikan objek atau aktivitas yang akan dilakukan profiling)
Langkah pertama adalah dengan menentukan objek apa yang akan dievaluasi?
Apakah berkaitan dengan transaksi penjualan, data pelanggan, batas pinjaman, atau
objek lainnya. Seperti contoh, seorang manajer perusahaan akan melacak jumlah
penjualan untuk setiap toko retail, manajer tersebut akan mengevaluasi total
penjualan, turnover aset, pemanfaatan promo dan discount, serta insentif bagi
karyawan toko tersebut.

2. Determine the types of profiling you want to perform

(Menentukan tipe profiling yang akan dilakukan)
Langkah berikutnya dengan menentukan apa tujuan dari kegiatan profiling tersebut?
Apakah perusahaan akan menetapkan nilai minimal untuk suatu kegiatan operasi
seperti, nilai penjualan bulanan? besarnya anggaran untuk suatu kegiatan? Atau
identifikasi kegiatan yang dapat dilakukan perusahaan untuk menekan risiko fraud?
Contoh yang terapkan pada toko retail, manajer akan melakukan profiling dengan
membandingkan nilai penjualan dari beberapa toko untuk mengidentifikasi toko mana
saja dengan status underperforming atau overperforming.

3. Set boundaries or thresholds for the activity

(Menetapkan batasan atau ambang batas untuk kegiatan profiling yang dilakukan)
Langkah selanjutnya adalah dengan menetapkan batasan untuk profiling tersebut,
misalkan batas nilai penjualan minimum untuk toko retail, apabila toko tersebut hanya
dapat melakukan penjualan di bawah 20% dari rata-rata nilai penjualan seluruh toko
maka dikategorikan sebagai underperforming disamping itu apabila toko dapat
melakukan penjualan di atas 80% dari rata-rata nilai penjualan seluruh toko maka
dikategorikan sebagai overperforming.
 4. Interpret the results and monitor the activity and/or generate a list of
exceptions
(Melakukan interpretasi dari hasil yang diperoleh dan lakukan monitoring terhadap
kegiatan profiling tersebut serta buat tujuan yang diharapkan dari hasil profiling yang
dilakukan)
Pemanfaatan dashboard data oleh manajemen. Dashboard data adalah sistem
aplikasi yang menyajikan informasi mengenai indikator utama dan aktivitas organisasi
secara sekilas dalam satu layar. Manajemen dapat memanfaatkan dashboard data
untuk melihat hasil profiling data secara cepat dan dapat mengambil keputusan
berdasarkan informasi yang diperoleh tersebut. Seperti contoh, setelah manajer toko
retail melakukan profiling diperoleh beberapa perusahaan yang underperforming dan
overperforming. Maka manajer akan lebih cenderung fokus pada toko yang masuk
dalam kategori underperforming karena akan berdampak buruk bagi kinerja penjualan
secara keseluruhan.

5. Follow up on exceptions
(Menindaklanjuti hasil profiling berdasarkan berdasarkan tujuan yang diharapkan)
Pada saat adanya deviasi yang teridentifikasi dalam profiling data, maka manajemen
harus melakukan validasi, perbaikan, atau mengidentifikasikan penyebab adanya
kegiatan abnormal pada data tersebut. Seperti contoh, ketika manajer perusahaan
mengetahui toko retail mana saja yang dikategorikan underperforming, manajer
perusahaan dapat melakukan evaluasi mengenai kendala yang dihadapi toko
tersebut dan melakukan tindak lanjut berupa penigkatkan aktivitas promosi agar toko
tersebut dapat meningkatkan nilai penjualanya.

C. CONTOH PROFILING DATA

1. Profiling Data pada Akuntansi Manajemen

Teknologi Daur Ulang Lingkungan Tingkat Lanjut / Advanced Environmental
Recycling Technologies (AERT) membuat kayu-plastik komposit untuk hiasan yang
mempertahankan bentuk, warna. Perusahaan telah mengembangkan metode
profiling untuk mengetahui standar berapa banyak kayu, plastik, dan pewarnaan yang
dibutuhkan untuk sebuah produk. AERT digunakan untuk mengembangkan standar
biaya dan standar deviasi dari penggunaan kayu, plastik, pewarna, dan tenaga kerja
untuk setiap produk yang dihasilkan. Proses tersebut menghasilkan profil untuk setiap
batch produksi, dimana perusahaan dapat memperoleh informasi mengenai varian
biaya, varian volume output, dan total varian produksi.
 Gambar 1. Contoh Profiling Varian untuk Biaya dan Penggunaan Bahan Baku (Volume)

Keterangan:
Garis berwarna biru adalah standar yang diterapkan oleh perusahaan; area berwarna hijau
menunjukan bahwa varian tersebut favourable*; dan area berwarna orange menunjukan bahwa
variance tersebut unfavourabele**.

Dalam standard costing dikenal istilah analisis variance yaitu analisis untuk
membandingkan actual cost dengan standard cost yang terdiri dari analisis: (1) Direct
Material, (2) Direct Labour, dan (3) Overhead. Suatu varian dikatakan favourable*
ketika nilai biaya aktual lebih rendah dari standard biaya; dan sebaliknya suatu varian
yang dikatakan unfavourable** ketika biaya aktual lebih besar dari standard biaya.
Profiling yang dilakukan oleh perusahaan sebagai salah satu alat kontrol dalam
melakukan kegiatan produksi, dengan diperolehnya informasi mengenai varian biaya
dan jumlah penggunaan bahan baku maka perusahaan dapat mengetahui produk
mana yang perlu dilakukan investigasi lebih lanjut atau penelitian mendalam ketika
berdasarkan profiling produk tersebut berada di area unfavourable.

2. Profiling Data pada Internal Audit

Pembuatan profil juga dapat digunakan oleh auditor internal untuk mengevaluasi
perjalanan dan hiburan (Travel & Entertainment)/ T&E. Pada beberapa organisasi,
total pengeluaran T&E tahunan adalah yang terbesar setelah pengeluaran gaji
karyawan dimana merupakan beban utama bagi organisasi. Dengan membuat profil
pengeluaran T&E, perusahaan dapat memahami jumlah rata-rata dan kisaran
pengeluaran pada tahun berjalan dan kemudian membandingkan dengan rata-rata
pengeluaran pada periode sebelumnya untuk membantu mengidentifikasi tren yang
berubah dan area risiko potensial untuk dilakukan audit. Profil ini akan bermanfaat
bagi auditor internal untuk membantu menunjukkan area-area dengan kontrol yang
minimal, adanya perubahan dalam prosedur, atau hal lainnya sesuai dengan tujuan
 dari pelaksanaan audit internal. Salah satu penggunaan profiling dalam audit internal
dapat terlihat dari terungkapnya kasus karyawan Wallmart yang menyalahgunakan
dana perusahaan, seperti dalam kasus Tom Coughlin (Washington Post - 15 Juli
2021), seorang eksekutif di Walmart, yang menyalahgunakan "dana perusahaan"
untuk membayar bir, kendaraan, perlengkapan pribadi, bahkan komputer sebagai
hadiah kelulusan putranya dengan mencatat pembelian yang dia lakukan sebagai
sebagai pengeluaran rutin perusahaan (sebagai pengeluaran T&E).

3. Profiling Data pada Audit dan Audit Kebrlanjutan

Profiling data juga berguna dalam audit berkelanjutan. Salah sataunya adalah
jika suatu perusahaan membandingkan nilai (dalam USD) dari masing-masing
transaksi yang dilakukan, perusahaan dapat menentukan Z-score dengan
berdasarkan mean dan standar deviasi. Berdasarkan hasil perhitungan statistik dan
dengan asumsi distribusi normal, setiap transaksi yang memiliki Z-score 3 (tiga) atau
lebih akan menggambarkan adanya transaksi abnormal/anomali yang berpotensi
terhadap adanya risiko yang lebih tinggi. Perusahaan dapat menyelidiki lebih lanjut
untuk melihat apakah transaksi tersebut memiliki telah sesuai dengan SOP yang ada
dan telah mendapatkan persetujuan/otoritas dari pihak yang berwewenang atau tidak.
Analisis hukum Benford juga dapat digunakan untuk menilai transaksi lainnta. Benford
Law, juga disebut Newcomb-Benford Law, hukum angka anomali, atau hukum digit
pertama, adalah pengamatan tentang distribusi frekuensi digit utama dalam banyak
set data numerik kehidupan nyata (accounting.binus.ac.id). Hukum Benford
menyatakan bahwa dalam banyak kumpulan angka yang terjadi secara alami,
signifikan digit pinjaman cenderung kecil. Jika distribusi transaksi untuk akun
seperti"pendapatan penjualan" secara substansial berbeda dari yang diprediksi oleh
hukum Benford, maka perusahaan akan melakukan penyelidikan terhadap akun
pendapatan penjualan tersebut lebih lanjut.

Gambar 2. Contoh profiling menggunakan Hukum Benford antara digit pertama GDP dalam USD
tahun 2016
 4. Profiling Data Pelanggan (Customer Data Profiling)
Customer profiling adalah metode untuk menyesuaikan target market, dan
membantu bisnis melakukan strategi pemasaran, penjualan, dan survey lebih akurat,
sehingga meningkatkan keberhasilan dari campaign yang dijalankan.

Gambar 3. Omni Communication Assistant (OCA) Customer Data Profiling

(Sumber: https://ocaindonesia.co.id/product/profiling)

Customer Profiling menjadikan marketing, sales, dan retention yang lebih baik.
Kebiasaan digital konsumen, lokasi, lifestyle, umur, konten yang sering dicari, dan
lebih lagi indikator yang penting dalam menargetkan konsumen. Profiling dengan
kriteria yang rinci menjadikan pesan ke konsumen yang tepat, memaksimalkan
marketing, sales, survey, penyebaran informasi, dan retention.

D. REDUKSI DATA

Pendekatan reduksi data mencoba untuk mengurangi jumlah informasi rinci yang
dianggap berfokus pada item yang paling kritis, menarik, atau abnormal (yaitu, biaya
tertinggi, risiko tertinggi, dampak terbesar, dll.). Ini dilakukan dengan menyaring melalui
kumpulan data yang besar (mungkin total populasi) dan menguranginya menjadi
kumpulan yang lebih kecil yang memiliki sebagian besar informasi penting dari kumpulan
yang lebih besar. Pendekatan reduksi data dilakukan terutama dengan menggunakan
data terstruktur yaitu, data yang disimpan dalam database atau spreadsheet dan mudah
dicari. Sehingga Reduksi data dapat diartikan sebagai proses pemilihan, pemusatan
perhatian pada penyederhanaan, pengabstrakan dan transformasi data kasar yang
muncul dari catatan-catatan yang muncul di lapangan. Reduksi data berlangsung selama
proses pengumpulan data masih berlangsung. Pada tahap ini juga akan berlangsung
 kegiatan pengkodean, meringkas dan membuat partisi (bagian-bagian). Reduksi data
juga merupakan suatu bentuk analisis yang menajamkan, menggolongkan,
mengarahkan, membuang yang tidak perlu, dan mengorganisasi data dengan cara
sedemikian rupa hingga kesimpulan finalnya dapat ditarik dan diverifikasi. Proses
transformasi ini berlanjut terus sampai laporan akhir penelitian tersusun lengkap.

Reduksi data melibatkan langkah-langkah berikut:

1. Identifikasi atribut yang ingin Anda kurangi atau fokuskan

Misalnya, seorang karyawan dapat melakukan penipuan dengan membuat vendor
fiktif dan mengirimkan faktur palsu. Daripada mengevaluasi setiap karyawan, auditor
mungkin hanya tertarik pada catatan karyawan yang memiliki alamat yang cocok
dengan alamat vendor.

2. Saring hasilnya.
Query dengan frasa WHERE. Ini mungkin juga melibatkan perhitungan yang lebih
rumit. Misalnya, karyawan yang membuat vendor fiktif akan sering menggunakan
alamat yang mirip, tetapi tidak persis sama, sebagai alamat mereka sendiri untuk
menggagalkan kueri SQL dasar. Di sini auditor harus menggunakan alat yang
memungkinkan pencocokan fuzzy, yang menggunakan probabilitas untuk
mengidentifikasi kemungkinan alamat yang serupa.

3. Interpretasikan hasilnya.
Setelah menghilangkan data yang tidak relevan, lihatlah apakah hasilnya masuk akal.
Hitung statistik ringkasan. Sudahkah menghilangkan entri yang jelas? Melihat daftar
karyawan yang cocok, auditor mungkin mengubah probabilitas dalam pencocokan
fuzzy menjadi lebih atau kurang tepat untuk mempersempit atau memperluas jumlah
karyawan yang muncul.

4. Tindak lanjuti hasil.

Pada titik ini, diteruskan dengan membangun model atau menggunakan hasilnya
sebagai sampel yang ditargetkan untuk ditindaklanjuti. Auditor harus meninjau
kebijakan perusahaan dan menindaklanjuti setiap karyawan yang muncul dalam
daftar yang dikurangi karena mewakili risiko.

E. CONTOH KASUS REDUKSI DATA

1. Contoh kasus dari Data Reduksi di Area Internal dan Eksternal Audit
Contoh Penggunaan pendekatan data reduksi dalam audit. Sementara audit telah
menggunakan berbagai macam pengambilan sampel acak dan bertingkat. Salah satu
contohnya pada saat ingin men filter transaksi Travel dan Entertainment (T&E) untuk
mencari nilai tertentu, termasuk berapa dolar biaya T&E. Jumlah biaya yang besar
memiliki kemungkinan lebih besar untuk dibuat – buat atau penipuan.
 Vendor Amount
B $10.00
B $32.33
C $17.00
C $33.00

Reduksi Data digunakan untuk lebih focus kepada data apa yang diinginkan. Pada
contoh diatas data di filter berdasarkan jumlah biaya per setiap vendor.

Pendekatan data reduksi memungkinkan kita untuk lebih fokus kepada

vendor yang memiliki biaya besar dan transaksi lainnya memerlukan analisis untuk
memastikan keabsahannya. Penggunaan lainnya dengan melakukan deteksi
celah, seperti mengecek satu per satu nomor cek yang hilang dalam urutan cek,
mencari tau mengapa terdapat cek dengan nomor tertentu dilewati atau tidak
tercatat. Pendekatan data reduksi ini digunakan audit untuk menyaring semua
data transaksi pihak terkait, dan berfokus kepada transaksi yang mungkin dapat
berpotensi sensitif atau beresiko.

2. Contoh Data Reduksi di Area Akuntansi lain

Pendekatan data reduksi juga digunakan dalam sistem operasional audit.
Contohnya, penyaringan data untuk mencari invoice pembayaran duplikat, apabila
duplikat invoice ditemukan audit diharuskan untuk melakukan analisa dan
identifikasi mengapa hal tersebut dapat terjadi. Ditemukannya invoice yang double
mengakibatkan pengurangan biaya dan penetapan prosedur terkait duplikat
invoice di masa yang akan datang. Selain digunakan dalam audit, data reduksi
juga digunakan untuk analisis laporan keuangan oleh analis keuangan, atau
investor individu. Kegunaan lainnya XBRL (extensible Business reporting
Language) yang digunakan untuk memfasilitasi untuk pertukaran informasi antara
perusahaan dengan SEC (Securities and Exchange Commision).