Dosen pengampu
Yolanda Pratami, SE., M.Ak
Kelompok 4:
Rara Nuriza Hakim (195310520)
Annisa Nurul Aini (195310544)
Chandra Harga Dinata (195310623)
Jusmiran (195310595)
Molina Veby Anika(195310603)
KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayat-Nya
sehingga kami dapat menyelesaikan tugas makalah dengan pembahasan
“Database Relasional dan Pengantar Analitik Data di Akuntansi”
Adapun tujuan dari penulisan ini adalah untuk memenuhi tugas mata kuliah
Sistem Informasi Akuntansi dengan Ibu Yolanda Pratami, SE., M.Ak selaku
dosen pengampu. Kami mengucapkan terima kasih kepada Ibu yang telah
memberikan tugas ini dengan tujuan untuk menambah wawasan bagi pembaca
tentang bagaimana Sistem Informasi Akuntansi bekerja secara efektif. Terima
kasih juga kepada teman-teman kelompok yang telah bekerja sama dalam
pembuatan tugas ini.
Kami menyadari makalah yang kami buat ini masih jauh dari kata sempurna. Oleh
karena itu, kritik dan saran yang membangun akan kami nantikan demi
kesempurnaan makalah di masa yang mendatang.
Kelompok 4
iii
DAFTAR ISI
KATA PENGANTAR......................................................................................................ii
DAFTAR ISI....................................................................................................................iii
BAB 1 PENDAHULUAN.................................................................................................4
1.1. Latar Belakang Masalah..................................................................................4
1.2. Latar Belakang Masalah..................................................................................5
1.3. Tujuan Masalah................................................................................................5
BAB 2 PEMBAHASAN...................................................................................................6
1.1. DATABASE RELASIONAL...........................................................................6
2.1.1 FILE VERSUS DATABASE.....................................................................6
2.1.2 MENGGUNAKAN GUDANG DATA UNTUK BUSSINESS
INTELLIGENCE.......................................................................................................6
2.1.3 KEUNGGULAN SISTEM DATABASE...................................................7
2.1.4 PENTINGNYA DATA YANG BAIK.......................................................8
2.1.5 SISTEM DATABASE................................................................................9
2.1.6 SISTEM PENGOLAHAN DATABASE..................................................11
2.1.7 DATABASE RELASIONAL...................................................................14
2.1.8 MEMBUAT QUARY DATABASE RELASIONAL...............................16
2.1.9 SISTEM DATABASE DAN MASA DEPAN AKUNTANSI..................17
2.2 PENGANTAR ANALITIK DATA DI AKUNTANSI..................................18
2.2.1 PAHAMI KEBUTUHAN DATA DAN DATA YANG TERSEDIA.......22
2.2.2 TRANSFORMASI DATA.......................................................................23
2.2.3 MEMUAT DATA....................................................................................25
iv
Lalu apa gunanya semua data ini? Dapatkah bisnis memanfaatkan sejumlah besar
data ini untuk mendapatkan wawasan yang tepat? dan keunggulan kompetitif?. Di
bab ini akan mengeksplorasi analitik data dan perangkat yang menyertainya, serta
diperlukan untuk mengubah tumpukan data menjadi informasi yang berguna.
Menggunakan data dengan tepat menjadi sangat penting bagi seorang akuntan.
6
7
BAB 2 PEMBAHASAN
Gudang data (data warehouse) adalah satu atau lebih database besar yang berisi
data detail dan di ringkas untuk beberapa tahun yang digunakan dalam analisis,
bukan untuk pemrosesan transaksi. Gudang data tidak menggantikan database
pemrosesan transaksi; Mereka saling melengkapi dengan memberikan dukungan
untuk pembuatan keputusan strategis. Bussiness intelligence yaitu menganalisis
sejumlah besar data untuk pembuatan keputusan strategis.
Ada dua teknik utama yang digunakan dalam bisnis intelligence:
9
d) Indepedensi data (data indenpedence).oleh karena data dan program
program yang menggunakannya independen satu sama lain, masing-masing
dapat diubah tanpa mengubah lainnya. Independensi data memudahkan dalam
pemrograman dan penyederhanaan manajemen data.
e) Analisis lintas fungsional (cross-functional analysis). Pada sistem database,
hubungan, seperti hubungan antara biaya penjualan dan kampanye promosi,
dapat secara eksplisit didefinisikan dan digunakan dalam mempersiapkan
laporan manajemen.
Data yang tidak benar pada database dapat mengarahkan kepada keputusan yang
buruk kebingungan, dan pengguna yang marah. Contohnya:
10
2.1.5 SISTEM DATABASE
Data yang tidak benar pada database dapat mengarahkan kepada keputusan yang
buruk, menimbulkan kebingungan bagi yang menggunakannya. Untuk
menghindari data yang kadaluwarsa, tidak lengkap atau salah, maka manajemen
memerlukan kebijakan dan prosedur yang menjamin data yang bersih atau
“scrubbed”.
11
layout) adalah dokumen yang menunjukkan item-item yang disimpan dalam file,
termasuk ukuran dan panjang field data serta tipe data yang disimpan. Pendekatan
database memberikan dua tampilan data terpisah, yaitu:
12
2.1.6 SISTEM PENGOLAHAN DATABASE
SKEMA
13
KAMUS DATA
Kamus data (data dictionary) berisi informasi mengenai struktur database. DBMS
menyimpan kamus data, yang input-nya termasuk elemen data baru atau yang
terhapus serta mengubah nama elemen data, penjelasan atau penggunaannya.
Output termasuk laporan untuk para pemrogram, desainer, dan pengguna. Seperti:
14
BAHASA DBMS
15
2.1.7 DATABASE RELASIONAL
a) Model Data (data model): Logis atau representasi Abstrak konten database
b) Model Data Relasional (relational data model): Mempresentasikan skema
level konseptual dan eksternal sebagaimana data disimpan dalam tabel dua
dimensi. Sebagian besar DBMS adalah database relasional.
Setiap baris dalam tabel disebut tuple (disebut juga dengan couple) yang berisi
data mengenai komponen khusus dalam tabel database. Setiap kolom berisi data
mengenai atribut entitas. Tipe – Tipe Atribut:
a) Kunci Utama (primary key): adalah atribut database atau kombinasi atribut
yang secara khusus mengidentifikasi suatu baris tertentu dalam sebuah tabel.
Biasanya kunci utama adalah atribut tunggal. Dalam beberapa tabel, dua atau
lebih atribut dibutuhkan untuk mengidentifikasi secara khusus baris tertentu
dalam tabel
b) Kunci Asing (foreign key): adalah atribut dalam tabel yang juga merupakan
kunci utama dalam tabel lain dan digunakan untuk menghubungkan dua tabel.
c) Atributt non kunci lainnya: yang bukan merupakan kunci utama maupun
kunci asing didalam tabel yang menyimpan informasi penting mengenai
entitas.
Dampak dari beberapa penyimpanan Database yang menyimpan data dalam satu
tabel yang seragam. Salah satu masalah yang timbul adalah terjadinya banyak
pengulangan. Selain itu juga terdapat tiga masalah lain yang timbul jika
menyiman data dalam satu tabel yang serupa;
16
a) Anamoli Pembaruan (Update Anomaly), adalah mengelola database dengan
tidak benar dimana item kunci non utama disimpan beberapa kali. Hal
tersebut menyebabkan komponen dalam satu lokasi sedangkan lokasi lain
tidak diperbarui akan menyebabkan inkonsistensi data dan dapat
menghasilkan penduplikasian surat yang tidak dibutuhkan dan kesalahan-
kesalahan lain.
b) Anamoli Sisipan (Insert Anomaly), adalah mengelola database dengan tidak
benar yang menyebabkan ketidakmampuan untuk menambahkan catatan pada
database. Contoh nya seperti; dikarenakan tidak adanya cara untuk
menyimpan informasi mengenai pelanggan prospektif hingga mereka
membuat pembayaran.
c) Anamoli Penghapusan (Delate Anomaly), adalah mengelola database dengan
tidak benar sehingga menyebabkan hilangnya seluruh data pada suatu entitas
ketika sebuah baris dihapus. Contoh nya seperti; jika alamat pelanggan
disimpan dalam tabel penjualan, kemudian menghapus baris ketika hanya ada
penjualan ke pelanggan yang disimpan, akan menyebabkan hilangnya
informasi untuk pelanggan tersebut.
17
Keempat pedoman tersebut akan menghasilkan database yang terstruktur dengan
baik, yaitu datanya konsisten dan kelebihan data dapat diminimalkan dan
dikendalikan.
Quary adalah merupakan informasi yang diberikan oleh sistem karena sistem
merespon permintaan data secara spesifik, bentuk, sisi maupun waktu yang
dihasilakn oleh informasi tersebut. Dengan jenis laporan ini, maka berbagai
macam persoalan dan pertanyaan yang memerlukan tindakan cepat dan jawaban
yang konstan dan segera diperoleh solusinya. Quary berfungsi untuk membuat
relasi atau penggambungan dari beberapa tabel, dari quary tersebut akan
menghasilkan report yang berfungsi untuk menampilkan bentuk laporan dari
bentuk output yang sesuai dengan data yang diproses.
Untuk mengambil data yang disimpan, pengguna akan menanyai database. Untuk
menanyai database menggunakan Microsoft Access. Ketika anda membuka
database dan memilih pita “Create”, ada dua cara untuk menanyai database:
membuat pertanyaan (query) dalam tampilan Desain (tombol “Query Design”)
atau menggunakan wizard (tombol “Query Wizard”).
18
menghasilkan informasi yang diinginkan; jika lebih banyak tabel dibandingkan
yang seharusnya dipilih, query mungkin tidak akan berjalan dengan semestinya.
19
2.2 PENGANTAR ANALITIK DATA DI AKUNTANSI
Lalu apa gunanya semua data ini? Dapatkah bisnis memanfaatkan sejumlah besar
data ini untuk mendapatkan wawasan yang tepat? dan keunggulan kompetitif?. Di
bab ini akan mengeksplorasi analitik data dan perangkat yang menyertainya, serta
diperlukan untuk mengubah tumpukan data menjadi informasi yang berguna.
Menggunakan data dengan tepat menjadi sangat penting bagi seorang akuntan.
Akuntan di semua area praktik yang berbeda menggunakan data dengan cara yang
menarik. Sebagai beberapa contoh:
20
lebih real-time tentang konsekuensi pajak dari keputusan bisnis. Hal ini
meningkatkan kemampuan profesional pajak untuk mempengaruhi keputusan
bisnis manajemen puncak.
d) Penasihat investasi menggunakan data untuk mengidentifikasi peluang
investasi yang lebih menguntungkan untuk direkomendasikan kepada klien
mereka
Seperti yang ditunjukkan dalam contoh ini, akuntan perlu memahami data dan
bagaimana data itu merubah bisnis. Untuk memahami ruang lingkup revolusi data,
penting untuk mempertimbangkan 4V dari data besar, yaitu: volume, velocity
(kecepatan), Variety (variasi/keragaman), dan veracity (kebenaran). Data besar
adalah istilah yang digunakan perusahaan untuk menggambarkan sejumlah besar
data yang sekarang mereka tangkap, simpan, dan analisis. Volume data mengacu
pada jumlah data yang dibuat dan disimpan oleh suatu organisasi. Velocity data
(kecepatan data) mengacu pada kecepatan di mana data dibuat dan disimpan.
Variety data (variasi/keragaman data) mengacu pada berbagai bentuk data yang
dapat diambil. Veracity data (kebenaran data) mengacu pada kualitas atau
kepercayaan data.
21
mereka pasang di dekat bandara. Stasiun radar ini memiliki kecepatan data yang
tinggi, menyampaikan informasi ke PASSUR Aerospace setiap 4,6 detik.
Mengumpulkan semua data ini telah menghasilkan PASSUR Aerospace memiliki
data yang signifikan volume karena menyimpan catatan historis data untuk
menginformasikan prediksi masa depan dengan lebih baik. Bukti kebenaran data
adalah bahwa PASSUR Aerospace hampir menghilangkan kesenjangan antara
waktu kedatangan pesawat aktual dan perkiraan. Perusahaan penerbangan juga
menggunakan data besar untuk meningkatkan hubungan pelanggan, meningkatkan
pemeliharaan jadwal, merencanakan rute pesawat yang lebih baik, meningkatkan
penjadwalan karyawan, dan untuk memecahkan host tantangan bisnis lainnya
Pola pikir adalah sikap mental, cara berpikir, atau kerangka berpikir. Pola pikir
adalah kekuatan, kumpulan keyakinan dan pemikiran yang membentuk cara
seseorang berpikir dan merasakan serta apa yang seseorang lakukan. Dalam
domain akuntansi, Pusat Kualitas Audit (atau CAQ)—sebuah organisasi nirlaba
nonpartisan organisasi kebijakan publik yang berfokus pada peningkatan kualitas
audit eksternal—menyarankan satu hal penting, pola pikir untuk akuntan masa
depan untuk mengembangkan adalah pola pikir analitik. CAQ mendefinisikan
sebuah analytic pola pikir sebagai “kemampuan untuk memvisualisasikan,
mengartikulasikan, mengkonseptualisasikan, atau memecahkan kedua kompleks
dan masalah sederhana dengan membuat keputusan yang masuk akal mengingat
informasi yang tersedia dan kemampuan untuk mengidentifikasi tren melalui
analisis data/informasi.” Kantor akuntan 4 Besar EY memberikan definisi yang
lebih mudah dipahami tentang pola pikir analitik yang digunakan sebagai
kerangka kerja dalam bab ini. Menurut EY, pola pikir analitik adalah kemampuan
untuk :
22
Spesifik: perlu langsung dan terfokus untuk menghasilkan jawaban yang
bermakna
Terukur: harus dapat menerima analisis data dan dengan pertanyaan harus
dapat diukur dengan data
Achievable :harus dapat dijawab dan jawabannya harus membuat
mengambil keputusan untuk mengambil suatu tindakan
Relevan: harus berhubungan dengan tujuan organisasi atau situasi di
bawah pertimbangan
Tepat waktu: harus memiliki batas waktu yang ditentukan untuk
menjawab.
b) Mengekstrak, mengubah, dan memuat data yang relevan. Proses extracting,
transforming, dan loading data sering disingkat dengan proses ETL. Proses
ETL sering kali merupakan bagian yang paling memakan waktu dari proses
pola pikir analitik. 1 dari alasan proses ETL bisa sangat memakan waktu
adalah karena proses biasanya berbeda untuk setiap program, database atau
sistem berbeda yang menyimpan atau menggunakan data titik hal ini
mengakibatkan banyak contoh mengekspor data dari satu program atau
sistem, mengubah data ke dalam format dan program atau sistem lain dapat
menggunakan, dan kemudian memuat data yang diubah ke dalam program
kedua atau sistem. Bagian ini menyajikan proses ekstraksi sebagai tiga
langkah:
Memahami kebutuhan data dan data yang tersedia
Melakukan ekstraksi data
Memverifikasi kualitas ekstraksi data dan mendokumentasikan apa yang
telah anda lakukan
c) Menerapkan teknik analisis data yang tepat
d) Menafsirkan dan membagikan hasilnya dengan pemangku kepentingan
Definisi pola pikir analitik ini sangat mirip dengan metode ilmiah.
Mengumpulkan data, menguji data, melaporkan hasil pengujian.
23
2.2.1 PAHAMI KEBUTUHAN DATA DAN DATA YANG TERSEDIA.
Data terstruktur mengacu pada data yang sangat terorganisir dan cocok dengan
bidang tetap. contoh termasuk data akuntansi seperti buku besar, data dalam
database relasional, dan sebagian besar jenis dari data lembar kerja. sebaliknya,
data tidak terstruktur adalah data yang tidak memiliki struktur yang seragam.
contohnya termasuk gambar, file audio, document, media sosial, tweet, email,
video, dan presentasi.di antara keduanya, data semi terstruktur diatur dalam
beberapa cara tetapi tidak sepenuhnya terorganisir untuk dimasukkan ke dalam
database relasional. contohnya termasuk data yang disimpan dalam format csv,
24
xml, atau JSON dan berbagai bentuk aliran data (seperti lock atau data operasi
yang dihasilkan).
Gudang data biasanya hanya menyimpan data terstruktur atau data yang memiliki:
diubah menjadi data terstruktur. Gudang data bisa sangat besar karena mereka
mengumpulkan data dari berbagai sumber di seluruh organisasi. Mengingat
ukuran gudang data yang sangat besar, seringkali lebih efisien untuk memproses
data dalam repository data yang lebih kecil yang menyimpan data terstruktur,
yang disebut data mart. Misalnya, sebuah perusahaan dapat merancang dan
terpisah untuk semua data di wilayah geografis seperti Amerika Utara Selatan
Amerika dan Eropa atau perusahaan dapat membuat data mart dengan fungsi
seperti penjualan dan pemasaran data mart.
Data lake adalah kumpulan data terstruktur , semester struktur, dan tidak
terstruktur disimpan dalam satu lokasi titik ketika perusahaan membuat data lake,
mereka biasanya mencoba untuk menambahkan semua data dalam organisasi ke
data lake serta data yang relevan dari luar organisasi.
Standarisasi, penataan, dan pembersihan data sehingga sesuai dengan format yang
dibutuhkan untuk data analisis disebut proses transformasi data. Mengingat
jumlah waktu yang dihabiskan untuk dan kompleksitas transformasi data, Bab 6
membahas topik ini secara rinci. Di bagian ini, ikhtisar dari proses transformasi
empat langkah disediakan. Keempat langkah tersebut adalah:
25
data yang diinginkan saat proses transformasi selesai. Jika kamus data tidak
dilengkapi dengan data yang diekstraksi, trans- membentuk data harus
membuat kamus data dan memastikan mereka memahami data yang mereka
diperoleh dari proses ekstraksi. Penting juga untuk memahami spesifikasi
untuk data yang diubah, termasuk: format file mana data harus berada saat
ditransformasikan, pembatas mana yang harus digunakan, tingkat detail apa
yang harus disediakan, bagaimana data harus disaring, bagaimana data
seharusnya terstruktur untuk analisis, dan spesifikasi lain yang diperlukan
untuk proses pemuatan.
b) Standarisasi, struktur, dan bersihkan data. Ini umumnya waktu yang paling
memakan bagian dari proses transformasi. Pertimbangkan bisnis kecil yang
perlu dijalankan analisis yang relatif mudah membandingkan biaya
penggajian karyawan dari satu tahun ke berikutnya setelah menerapkan AIS
baru. Setiap sistem mengeluarkan data secara berbeda, menggabungkan file
data pada tingkat yang berbeda, menggunakan pembatas yang berbeda, dan
menggunakan kunci utama yang berbeda. Massal waktu yang dibutuhkan
untuk melakukan tugas yang dihabiskan mengubah data ke titik bahwa dua
tahun data dapat digabungkan dengan benar untuk dianalisis. Transformasi
data dapat melibatkan kombinasi teknik yang hampir tak ada habisnya untuk
memastikan datanya berkualitas tinggi dan akurat serta lengkap. Transformasi
data membutuhkan banyak akal dan kreatif dalam memahami dan
memperbaiki semua masalah yang ada dalam data.
c) Validasi kualitas data dan verifikasi data memenuhi persyaratan data. Data
dapat salah rors dari saat awalnya direkam. Mengingat kompleksitas proses
transformasi, itu juga mudah untuk memperkenalkan kesalahan selama proses
ini. Oleh karena itu, sangat penting untuk memvalidasi data. Data mungkin
berkualitas tinggi, artinya semua kesalahan diperbaiki, dan tetap tidak
berguna jika itu tidak memenuhi persyaratan untuk proses ETL. File data
yang diubah dengan susah payah tentang pelanggan tidak berguna jika
analisis yang dimaksudkan adalah tentang vendor. Memastikan data
26
memenuhi persyaratan data sangat penting untuk proses transformasi yang
sukses.
d) Dokumentasikan proses transformasi. Langkah terakhir dari proses
transformasi adalah sekali lagi memperbarui kamus data. Seringkali individu
yang berbeda mengekstrak, mengubah, dan memuat datanya. Dengan
demikian, mendokumentasikan perubahan yang dibuat antara setiap langkah
dalam proses sangat penting untuk orang berikutnya dalam proses. Juga,
begitu data diubah, sering diakses oleh banyak orang orang yang berbeda.
Tanpa dokumentasi berkualitas tinggi dari proses transformasi, individu dapat
menggunakan data secara tidak tepat dalam analisis mereka.
Setelah data terstruktur dan dibersihkan, data siap untuk diimpor ke alat apa pun
digunakan untuk analisis. Jika data telah ditransformasikan dengan benar, proses
ini biasanya relatif cepat dan mudah. Namun, ada beberapa pertimbangan penting
saat memuat data, yaitu:
a) Pertama, data yang diubah harus disimpan dalam format dan struktur yang
dapat diterima oleh perangkat lunak. Beberapa data mungkin perlu disimpan
sebagai file teks menggunakan pembatas. Kalau tidak, data dapat ditempatkan
ke dalam skema seperti XBRL atau JSON atau ke dalam kumpulan tabel
relasional. Jika data diimpor ke database yang menerapkan integritas
referensial, misalnya, maka itu adalah penting untuk memastikan data dimuat
dalam urutan yang benar, sehingga integritas referensial aturan tidak
dilanggar.
b) Kedua, program mungkin memperlakukan beberapa format data secara
berbeda dari yang diharapkan. Itu penting untuk memahami bagaimana
program baru akan menginterpretasikan format data. Karena beberapa format
data diperlakukan berbeda dari yang diharapkan.
27
ribuan, selalu menggunakan tanda minus untuk menunjukkan angka negatif
(bukan menggunakan tanda kurung), dan menggunakan format tanggal standar.
Setelah data berhasil dimuat ke dalam program baru, penting untuk memperbarui
atau buat kamus data baru, karena orang yang memuat data sering tidak tersedia
untuk menjawab pertanyaan ketika data digunakan. Dokumentasi yang sesuai
dapat membantu pemahaman di masa mendatang dan mencegah kebutuhan untuk
mengulang seluruh proses ETL.
Terapkan Teknik Analisis Data yang Tepat Analitik data terbagi dalam tiga
kategori:
28
diprogram untuk mengambil tindakan—dalam kasus pinjaman, pinjaman dapat
diberikan tanpa perlu manusia untuk meninjau aplikasi.
Dalam tiga kategori analitik data ini ada banyak teknik analitik data yang berkisar
dari yang sangat mendasar dan sederhana, seperti menghitung rata-rata atau rasio,
hingga yang sangat kompleks, seperti menggunakan jaringan saraf atau
pembelajaran mesin. Untuk menjadi ahli di semua bidang analitik data akan
membutuhkan pelatihan lanjutan dalam statistik, ilmu komputer, dan matematika
serta pengetahuan domain keunggulan di bidang seperti akuntansi, ekonomi,
keuangan, atau pemasaran. Karena lintas- keluasan plinary yang diperlukan dalam
analitik data, biasanya individu menguasai area tertentu dan kemudian memiliki
pemahaman yang lebih umum tentang bidang lain sehingga mereka dapat mencari
ahli saat dibutuhkan.
Memiliki pengetahuan tentang teknik dan alat berarti bahwa ketika supervisor
meminta Anda untuk melakukan tugas, Anda memiliki pengalaman melakukan
tugas serupa, tapi Anda mungkin perlu meninjau bagaimana melakukan sesuatu.
Namun, dengan sedikit usaha, Anda akan dapat menyelesaikan tugas dengan
sedikit atau tanpa bantuan dari orang lain.
Penguasaan konten berarti bahwa jika atasan Anda datang kepada Anda dengan
sebuah proyek, Anda dapat segera mengerjakan proyek itu dan memiliki
pemahaman mendalam tentang teknik dan alat yang diperlukan untuk
menyelesaikan proyek. Rekomendasi ini harus dilihat sebagai contoh dari setiap
29
kategori dan bukan sebagai tive, daftar lengkap keterampilan yang harus di setiap
kategori.
Seiring berkembangnya analitik data, teknik dan alat yang akan membantu
mencapai kesuksesan juga akan berkembang. Price waterhouse Coopers (PwC)
mendorong hal-hal berikut untuk mahasiswa akuntansi:
Kedua perusahaan setuju bahwa keterampilan penting yang diperlukan dari semua
karyawan baru adalah kemampuan untuk mengajar sendiri konsep baru, keinginan
untuk belajar, dan keinginan untuk mengikuti apa yang "terbaru dan terhebat"
dalam dunia teknologi yang cepat berubah. Selain itu, meskipun ada banyak hal
baru dan mengutip teknologi seperti block chain dan kecerdasan buatan, dasar-
dasar bekerja dengan program spreadsheet, memahami basis data, dan cara
memvisualisasikan data adalah yang terbaik pentingnya. Demikian pula
penguasaan teknik dasar seperti pemahaman analisis rasio, query database, dan
pemahaman statistik dasar tidak boleh diabaikan sebelum menguasai lebih lanjut
teknik-teknik canggih.
30
2.2.4 MENAFSIRKAN DAN MEMBAGIKAN HASIL DENGAN
PEMANGKU KEPENTINGAN
Langkah terakhir dari pola pikir analitik adalah menafsirkan analisis data dan
membagikan hasilnya dengan pemangku kepentingan yang sesuai. Bagian ini
secara terpisah menjelaskan interpretasi hasil dan berbagi hasil dengan orang lain.
a) INTERPRETASI HASIL
Secara teori, interpretasi keluaran alat analitik Anda sangat mudah—jelaskan apa
yang analitik atau visualisasi katakan. Namun, dalam praktiknya, interpretasi hasil
dapat jauh lebih rumit. Menafsirkan hasil membutuhkan penilaian manusia.
Seringkali, manusia membuat kesalahan atau menafsirkan hasil dengan cara yang
salah. Salah satu cara umum orang menafsirkan hasil secara salah berkaitan
dengan korelasi dan sebab-akibat.
Korelasi memberitahu jika dua hal terjadi pada waktu yang sama. Sebab-akibat
mengatakan bahwa terjadinya satu hal akan menyebabkan terjadinya hal kedua.
Pertimbangkan sebuah perusahaan di Idaho yang menjual perlengkapan salju
musim dingin. Di bulan Juni yang panas, mereka memutuskan untuk meluncurkan
kampanye pemasaran besar selama enam bulan ke depan untuk mengiklankan lini
peralatan salju baru, menghabiskan lebih banyak uang setiap bulan mengiklankan.
31
Pada akhir tahun di tengah musim dingin, perusahaan membandingkan dolar iklan
dan pendapatan penjualan untuk peralatan salju dan menemukan korelasi positif—
artinya karena lebih banyak uang yang dihabiskan untuk iklan, lebih banyak
peralatan salju yang dijual. Seseorang mungkin tergoda untuk menyarankan
menganggap bahwa kampanye pemasaran menyebabkan penjualan peralatan
salju. Ini mungkin atau mungkin tidak demikian.
Data ini tidak dapat menentukan apakah penjualan peralatan salju disebabkan oleh
atau hanya berkorelasi dengan kampanye pemasaran. Penjelasan yang bersaing
adalah bahwa peningkatan penjualan dari Juni hingga Desember disebabkan oleh
pergantian musim di Idaho dari musim panas ke musim dingin. Kom- ing musim
dingin mungkin telah menyebabkan lebih banyak orang untuk membeli
perlengkapan salju bahkan tanpa iklan.
Anda mungkin melihat ini dalam konteks seorang manajer mengevaluasi kinerja
karyawan. Misalkan manajer memiliki keinginan yang sudah ada sebelumnya
untuk memberikan penilaian positif kepada karyawan karena mereka adalah
teman. Manajer cenderung menafsirkan informasi apa pun tentang karyawan lebih
positif daripada yang independen evaluator karena keinginan mereka yang sudah
ada untuk menilai teman mereka dengan baik.
Dengan demikian, karyawan dapat menerima evaluasi lebih tinggi dari yang
pantas karena informasi itu tidak ditafsirkan dengan benar. Anda harus berusaha
untuk menginterpretasikan hasil secara objektif, memastikan Anda sepenuhnya
memahami apa hasil analisis rata-rata. Ini membutuhkan pelatihan dan latihan
untuk melakukannya secara efektif.
b) HASIL BERBAGI
32
Berbagi hasil analisis data dengan orang lain sering disebut data storytelling, atau
storytelling. Data mendongen adalah proses menerjemahkan analisis data yang
sering kompleks menjadi lebih mudah dipahami. berdiri istilah untuk
memungkinkan pengambilan keputusan yang lebih baik. Dapat membantu
menyederhanakan semua kompleksitas yang masuk ke dalam proses pengumpulan
data, analisis data, dan interpretasi data.
33
Dasbor data adalah tampilan poin data penting, metrik, dan indikator kinerja
utama dalam visualisasi data yang mudah dipahami. Visualisasi data adalah cara
yang ampuh untuk berkomunikasi dengan cepat dan efektif. Untuk mantan-
cukup, seorang CIO mungkin khawatir bahwa biaya untuk teknologi komputer
baru meroket. Salah satu teknik presentasi yang kurang efektif mungkin
melaporkan kepada CIO bahwa teknologi komputer biaya ogy telah meningkat
47% sementara semua biaya lain telah meningkat 35% dan penjualan telah hanya
meningkat 14%.
Informasi yang sama dapat dimasukkan ke dalam dasbor dan lebih jelas
ditampilkan dalam bagan garis yang menunjukkan biaya teknologi komputer,
pengeluaran lain, dan pendapatan berubah seiring waktu. Bagan ini dengan cepat
menyoroti apa yang dipedulikan CIO dan lebih mudah untuk mencerna dan
mengingat dari kalimat bertele-tele. Visualisasi data yang sukses adalah seni dan
sains. Bagian seni dari visualisasi berkaitan dengan pemahaman bagaimana orang
lain akan menafsirkan visualisasi, menggunakan kreativitas untuk menyampaikan
pesan, dan membuat cantik. Bagian sains dari visualisasi berhubungan dengan
memahami prinsip-prinsip dasar desain suara. Prinsip-prinsip desain visualisasi
yang baik meliputi:
2.2.5 OTOMATISASI
34
Otomasi adalah aplikasi mesin untuk secara otomatis melakukan tugas setelah
dilakukan oleh manusia. Misalnya alih-alih menyalin dan menempelkan data
secara manual dari database ke program lain, program komputer dapat ditulis
yang secara otomatis melakukan tugas ini. Otomasi sering dipikirkan dalam
konteks manufaktur. Banyak mobil-perusahaan tive sekarang menggunakan robot
untuk melakukan pengelasan di jalur perakitan daripada memiliki manusia
melakukan tugas ini.
Namun, otomatisasi tidak terbatas pada manufaktur; itu telah menjadi bagian
penting dari akuntansi, dan bisnis lebih umum, untuk waktu yang lama. Komputer
pertama sistem yang mengumpulkan data akuntansi diprogram untuk secara
otomatis menambahkan kredit jumlah dan jumlah debit entri jurnal untuk
memastikan mereka seimbang. Ini menggantikan orang yang sebelumnya
melakukan tugas ini.
Otomasi bisnis berkisar pada spektrum dari yang sangat mendasar hingga yang
sangat kompleks. Sangat otomatisasi dasar membutuhkan proses yang sangat jelas
sehingga seorang programmer dapat merancang semua logika yang diperlukan
untuk melakukan setiap langkah tugas. Seringkali, jenis otomatisasi ini dilakukan
dengan perangkat lunak robotic process automation (RPA), yaitu perangkat lunak
komputer yang dapat diprogram untuk secara otomatis melakukan tugas l orang
yang menggunakan RPA mendesain bot RPA, yang merupakan program
komputer otonom yang dirancang untuk melakukan tugas tertentu.
35
perusahaan bekerja untuk menciptakan solusi otomatisasi canggih, sebagian besar
perusahaan panies masih bekerja untuk mengotomatisasi tugas di sisi spektrum
otomatisasi dasar.
Untuk contoh, penelitian terbaru menemukan bahwa salah satu kantor akuntan
Big 4 mengotomatisasi 1 juta jam kerja manusia pada tahun 2017 dan bahwa
kantor akuntan berencana untuk meningkatkan jumlah ini 10 kali dalam tiga tahun
ke depan. Tugas otomatis ini tidak akan pernah lagi dilakukan oleh manusia,
melainkan hanya oleh “karyawan digital”. Memang, wakil presiden RPA
company UIPath mengatakan tujuan mereka "adalah memiliki bot di setiap
desktop" yang mengungkapkan keinginan RPA harus digunakan oleh setiap
karyawan untuk membebaskan karyawan dari melakukan pekerjaan biasa dan
rutin. Perusahaan menggunakan RPA dan perangkat lunak otomasi lainnya untuk
mengotomatisasi tugas dalam proses analitik. Misalnya, sehubungan dengan
mengajukan pertanyaan yang tepat, perusahaan Aera Teknologi telah
mengembangkan teknologi untuk menciptakan “perusahaan yang dapat
mengemudi sendiri”.
Profesional secara aktif mencari cara untuk mengotomatisasi proses ETL. RPA
adalah salah satu alat yang dapat digunakan untuk mengotomatisasi tugas-tugas
ETL. Misalnya, seorang siswa magang yang bekerja untuk akuntansi kecil
36
Sementara bab ini berfokus pada analitik data, perlu diingat bahwa analitik data
tidak selalu menjadi alat yang tepat untuk mecapai hasil yang baik. Data yang daat
di andalkan tidak ada untuk aspek banyak pertanyaan. Misalnya, penilaian atau
intuisi manusia mungkin dapat menjelaskan perasaan fakor yang tidak dapat di
ukur secara andal. Artinya, hanya karena analisis data (dari data yang dapat
ditagih) menyarankan untuk mengambil satu tindakan tidak selalu berarti bahwa
ini adalah keputusan terbaik bagi individu atau organisasi.
Sebagai contoh ketika analisis data mungkin gagal, pertimbangan skenario dimana
data analisis menganalisis berbagi banyak uang yang dapat dihasilkan
perusahaannya dari melakukan penipuan dan kemungkinan tertangkap. Meskipun
jenis analisis data ini mungkin menunjukan bahwa perusahan akan mendapatakan
manfaat dari melakukan peniupuan karena imbalannya akan besar dan
kemungkinan tertangkap rendah, CEO yang etis akan menyadari bahwa pilihan
potensial itu salah dan tidak boleh dipilih, apapun analisis data yang di laporkan.
37
BAB 3 PENUTUP
2.1. KESIMPULAN
Database adalah seperangkat koordinasi beberapa file data terpusat yang saling
berhubungan yang disimpan dengan sedikit mungkin kelebihan data. Database
menggabungkan catatan yang sebelumnya disimpan dalam beberapa file terpisah
ke dalam kelompok umum yang melayani berbagai pengguna dan aplikasi
pengolahan data titik database dikembangkan untuk menempatkan proliferasi
(perkembang biakan) file induk.
Sistem manajemen database (database management system -DBMS) adalah suatu
program yang mengelola dan mengendalikan data serta menghubungkan data dan
program program aplikasi yang menggunakan data yang disimpan dalam
database. Data yang tidak benar pada database dapat mengarahkan kepada
keputusan yang buruk kebingungan, dan pengguna yang marah.
Sistem database merupakan kombinasi dari database, sistem manajemen database,
dan program aplikasi yang mengakses database melalui sistem manajemen
database. DBMS (Database Management System) merupakan program yang
mengelola dan mengendalikan data serta menghubungkan data dan program-
program aplikasi yang menggunakan data yang disimpan dalam database.
Data berkembangbiak dengan kecepatan eksponensial, maksudnya adalah data
berkembang dengan sangat cepat tidak terhambat dan real-time. Proliferasi data
atau pertumbuhan dan pertambahan data disebabkan oleh meningkatnya kekuatan
pemrosesan komputer, peningkatan kapasitas penyimpanan, dan peningkatan
bandwidth. Saat sekarang, di dunia Internet of Things (IoT), ditambah dengan
bandwidth 5G, semakin banyak data yang datang dari banyak sumber.
Lalu apa kegunaan semua data ini? Dapatkah bisnis memanfaatkan sejumlah besar
data ini untuk mendapatkan wawasan yang tepat? Serta keunggulan kompetitif?
Menggunakan data dengan tepat menjadi sangat penting bagi seorang akuntan.
Akuntan di semua area praktik yang berbeda menggunakan data dengan cara yang
menarik.
Pola pikir adalah sikap mental, cara berpikir, atau kerangka berpikir. Pola pikir
adalah kekuatan, kumpulan keyakinan dan pemikiran yang membentuk cara
seseorang berpikir dan merasakan serta apa yang seseorang lakukan.