EAS6306
DOSEN
Shafrani Dizar, S.E., M.M.
KELOMPOK II
Tiarani (023002018016)
Binta Rohmah Karyanti (023002018017)
Oktavianto Nugraha Pratama (023002018018)
Komang Muliana (023002018019)
Qotrunnada (023002016506)
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.
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.
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.
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.
(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.
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.
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.