Nama: Hanida Alya P

NIM: 122000733

RMK Chapter 7 Analisis Data dan Presentasi

Ada empat kategori analisis data: deskriptif, diagnostik, prediktif, dan preskriptif.
analitik ini berbeda dalam hal kompleksitas dan nilai yang mereka tambahkan ke
organisasi.

Akuntan perusahaan menghitung analitik deskriptif untuk memahami bagaimana

kinerja bisnis. Metrik seperti biaya per unit, rasio perputaran persediaan, biaya
akuisisi pelanggan, dan varians anggaran dengan pengeluaran dan pendapatan aktual
adalah contoh analitik deskriptif.

Analisis deskriptif menggunakan teknik analisis data eksplorasi. Analisis data

eksplorasi adalah pendekatan yang mengeksplorasi data tanpa menguji model atau
hipotesis formal.
Jenis analisis ini sering digunakan untuk hal-hal berikut:
1. Untuk menemukan kesalahan dalam data.
2. Untuk memahami struktur data.
3. Untuk memeriksa asumsi yang diperlukan oleh teknik pemodelan statistik
yang lebih formal.
4. Untuk menentukan ukuran, arah, dan kekuatan hubungan antar variabel.
Saat memeriksa data baru, berusahalah untuk memahami kecenderungan pusat data,
penyebaran data, distribusi data, dan korelasi dalam data. Tendensi sentral data
mengacu pada penentuan nilai yang mencerminkan pusat distribusi data. Ukuran
tendensi sentral yang paling umum adalah mean dan median.
Rata-rata adalah jumlah rata-rata—yaitu, jumlah semua nilai dibagi dengan jumlah
pengamatan dalam kumpulan data.
Median adalah nilai yang memisahkan separuh nilai yang lebih tinggi dari separuh
nilai yang lebih rendah.
Pencilan adalah titik data, atau beberapa titik data, yang terletak pada jarak abnormal
dari nilai lain dalam data.
Mengidentifikasi outlier penting karena mereka dapat memberikan pengaruh yang
tidak semestinya pada perhitungan banyak analitik — yang dapat menyebabkan
interpretasi data yang salah.
Ukuran penyebaran yang paling umum adalah jangkauan data dan standar deviasi
data. Rentang data adalah selisih antara nilai terendah dan tertinggi. Standar deviasi
adalah perhitungan statistik yang mengukur penyebaran data di sekitar rata-rata.
Distribusi data adalah istilah statistik yang mengacu pada seberapa sering nilai dalam
data muncul atau berulang. Distribusi yang paling umum adalah distribusi normal.

Korelasi dalam data mengacu pada seberapa dekat dua item berfluktuasi bersama
dalam kumpulan data. Ukuran korelasi yang paling umum adalah koefisien korelasi
yang diukur sebagai nilai dari 21 hingga 1. Nilai 21 berarti kedua variabel berkorelasi
negatif—sebagai satu variabel naik, yang lain turun dengan jumlah relatif yang sama.
Nilai 1 berarti kedua variabel berkorelasi positif—saat satu variabel naik, yang lain
naik dengan jumlah relatif yang sama. Korelasi 0 berarti tidak ada hubungan dalam
pergerakan variabel. Sebagai contoh korelasi, jika perusahaan menaikkan biaya untuk
pelanggan yang terlambat membayar tagihan, kemungkinan akan ada peningkatan
jumlah tagihan yang dibayar tepat waktu (korelasi positif) karena pelanggan berusaha
menghindari biaya keterlambatan. Peningkatan biaya keterlambatan kemungkinan
akan terkait dengan penurunan kepuasan pelanggan (korelasi negatif) karena
pelanggan marah ketika mereka dinilai biaya keterlambatan.

Analisis diagnostik lebih dari sekadar memeriksa apa yang terjadi untuk mencoba
menjawab pertanyaan, “mengapa ini terjadi?” Dalam analisis diagnostik, analisis
informal dan formal dapat dilakukan. Analisis diagnostik informal dibangun di atas
analisis deskriptif. Ini termasuk menggunakan logika dan tes dasar untuk mencoba
mengungkapkan hubungan dalam data yang menjelaskan mengapa sesuatu terjadi.
Analisis diagnostik juga bisa jauh lebih formal dan menggunakan teknik analisis data
konfirmasi.
Analisis data konfirmasi menguji hipotesis dan memberikan ukuran statistik
kemungkinan bahwa bukti (data) menyangkal atau mendukung hipotesis. Proses dasar
pengujian hipotesis melibatkan langkah-langkah berikut:
1. Nyatakan hipotesis nol dan alternatif.
2. Pilih tingkat signifikansi untuk menyangkal hipotesis nol.
3. Kumpulkan sampel data dan hitung nilai probabilitasnya.
4. Bandingkan probabilitas yang dihitung terhadap tingkat signifikansi dan tentukan
apakah bukti menyangkal hipotesis nol.

Hipotesis nol adalah pernyataan kesetaraan, menunjukkan tidak ada hubungan antara
konsep atau ide dalam hipotesis. Hipotesis alternatif adalah pernyataan
ketidaksetaraan, yang menunjukkan bahwa satu konsep, ide, atau kelompok terkait
dengan konsep, ide, atau kelompok lain. Dengan hipotesis nol dan alternatif yang
ditentukan, dua kesalahan mungkin terjadi. Kesalahan tipe I adalah penolakan yang
salah terhadap hipotesis nol yang benar. Kesalahan tipe II adalah kegagalan untuk
menolak hipotesis nol yang salah.

Dalam statistik, kriteria untuk memilih antara hipotesis nol dan alternatif disebut
tingkat signifikansi. Tingkat signifikansi adalah probabilitas menerima kesalahan tipe
I. Aturan ilmiah umum menggunakan tingkat probabilitas 0,05, atau terkadang lebih
lunak 0,10.
Setelah tingkat signifikansi diputuskan, seseorang harus mengumpulkan dan
menganalisis data. Cara yang ideal untuk mengumpulkan data adalah dengan
mengumpulkan sampel data secara acak. Analisis data dapat mengambil banyak
bentuk, termasuk uji-t, regresi, analisis varians (ANOVA), dll. Pada langkah terakhir,
seseorang menghitung probabilitas yang relevan dan mengevaluasi apakah lebih besar
atau lebih kecil dari tingkat signifikansi yang telah ditentukan.
Tujuan melakukan langkah-langkah pengujian hipotesis adalah untuk membantu
memahami mengapa suatu fenomena terjadi. Tantangan dengan metode ini adalah
membutuhkan desain yang cermat untuk mendapatkan inferensi yang tepat.

Analitik prediktif melangkah lebih jauh daripada analitik diagnostik untuk menjawab
pertanyaan “apa yang mungkin terjadi di masa depan?” Analisis prediktif yang sukses
dapat menjadi transformatif dalam suatu organisasi.
analitik prediktif mengharuskan peristiwa masa depan dapat diprediksi berdasarkan
data masa lalu dan organisasi telah mengumpulkan data yang diperlukan untuk
prediksi. Untuk membantu memahami analitik prediktif dengan lebih baik,
pertimbangkan langkah-langkah berikut:
1. Pilih hasil target.
2. Cari dan siapkan data yang sesuai.
3. Membuat dan memvalidasi model.

Para peneliti telah mengidentifikasi beberapa manfaat memvisualisasikan data relatif

terhadap membaca, termasuk:
1. Data yang divisualisasikan diproses lebih cepat daripada informasi tertulis
atau tabel.
2. Visualisasi lebih mudah digunakan. Pengguna membutuhkan lebih sedikit
panduan untuk menemukan informasi dengan visualisasidata.
3. Visualisasi mendukung gaya belajar yang dominan dari populasi karena
sebagian besar pelajar adalah pembelajar visual.
Perusahaan banyak berinvestasi dalam analitik untuk membuat model yang
memprediksi di lingkungan mana calon pelanggan paling mungkin membeli produk
perusahaan. Namun, analisis tersebut tidak membantu tenaga penjualan sampai
perusahaan menyadari bahwa mereka harus menggunakan media yang lebih baik
daripada mengirimkan laporan panjang kepada tenaga penjualan. Perusahaan
menyederhanakan penyajian data dengan menyediakan peta yang memiliki lapisan
berwarna untuk setiap tenaga penjual yang menunjukkan kemungkinan menemukan
pelanggan baru di area yang berbeda. Berbekal visualisasi ini, tenaga penjualan lebih
termotivasi dan langsung dapat melihat ke mana harus memfokuskan pekerjaan
mereka untuk menghasilkan pengembalian tertinggi.
Visualisasi yang berbeda dirancang untuk menyampaikan pesan yang berbeda.
Memilih jenis visualisasi yang tepat memperkuat kemampuan yaitu untuk
berkomunikasi secara efektif. Data dapat disajikan dalam berbagai bentuk, termasuk
grafik statis, tabel, video, model statis dan dinamis, dll. Bab ini berfokus pada grafik
statis karena merupakan jenis visualisasi yang paling umum dalam bisnis dan satu-
satunya yang dapat ditampilkan. digunakan di percetakan.

Jenis visualisasi yang paling umum digunakan dalam membuat perbandingan adalah
diagram batang (juga disebut diagram batang, plot batang, atau, jika diputar, diagram
kolom atau diagram batang yang diputar). Bagan batang menempatkan variabel data
kategorikal pada sumbu x (atau pada sumbu y jika bagan diputar) dan kemudian
memplot nilai numerik pada sumbu lainnya.

Contoh grafik yang terkait dengan prinsip perbandingan yang dapat dihitung dari data
S&S antara lain:
1. Bagan batang yang membandingkan perbedaan gaji antara pria dan wanita.
2. Bagan batang yang menunjukkan perbandingan kepuasan kerja dan kinerja
menurut gelar perguruan tinggi.
3. Bagan butir yang membandingkan peringkat kinerja tahun berjalan untuk
setiap karyawan dengan peringkat kinerja tahun sebelumnya
Seringkali, garis regresi dan persamaan regresi ditumpangkan untuk menunjukkan
hubungan statistik keseluruhan antara dua variabel.
Visualisasi korelasi kedua yang paling sering adalah peta panas. Peta panas terlihat
seperti tabel data, tetapi alih-alih menampilkan nilai data, peta panas menunjukkan
warna yang berhubungan dengan besaran entri yang berbeda. Peta panas
memungkinkan representasi korelasi antara bidang numerik dan non-numerik jika
bidang non-numerik dapat dipesan dengan cara yang berarti. Dalam kumpulan data
S&S, peta panas dapat digunakan untuk menampilkan hubungan antara pendapatan
dan pendidikan perguruan tinggi di mana kategori pendidikan perguruan tinggi
diurutkan dari jumlah pendidikan paling sedikit hingga jumlah pendidikan terbanyak.
Contoh grafik lain yang terkait dengan prinsip korelasi yang dapat dibuat dari data
S&S antara lain:
1. Plot sebar yang menunjukkan hubungan antara prestasi kerja dan pendapatan.
2. Sebuah scatterplot yang menunjukkan hubungan antara kepuasan kerja dan
prestasi kerja.
3. Peta panas yang menunjukkan hubungan antara pelatihan dan kinerja
pekerjaan.
4. Pada kasus ini,
kebanyakan orang merasa lebih mudah untuk memahami ketika ditampilkan secara
visual.
Dua visualisasi distribusi yang paling umum adalah histogram dan boxplot (juga
disebut plot box-and-whisker).
Untuk histogram, nilai numerik tunggal dibagi menjadi nampan berukuran sama, dan
ukuran nampan dicantumkan pada sumbu x. Kemudian, sebuah bar digunakan untuk
menunjukkan hitungan setiap nilai yang masuk ke dalam bin.
Boxplot menggambar garis pada nilai median untuk variabel numerik dan kemudian
menunjukkan garis lain untuk kuartil atas dan kuartil bawah (hubungan garis-garis ini
membentuk kotak). Kotak biasanya memiliki "kumis" yang terpasang. Penting untuk
menentukan apa yang diwakili oleh kumis, yaitu karena sering kali mewakili nilai
yang berbeda dalam praktik, termasuk minimum dan maksimum, persentil tertentu
dari respons, deviasi standar, atau beberapa kelipatan rentang interkuartil — yang
merupakan jarak dari kuartil pertama ke kuartil ketiga.
Contoh bagan distribusi yang dapat dibuat dari data S&S antara lain:
1. Histogram yang menunjukkan gaji per tempat sampah sebesar $10.000.
2. Plot kotak yang menunjukkan distribusi peringkat kinerja karyawan.
3. Plot kotak yang menunjukkan distribusi gaji untuk masing-masing dari tiga
departemen (plot kotak akan memiliki tiga boxplot yang berbeda).
Perbedaan antara visualisasi yang menunjukkan tren dan korelasi adalah bahwa
sumbu dalam tren yaitu dipesan. Bagan garis adalah yang paling umum digunakan
untuk menunjukkan tren. Dalam diagram garis, sumbu x adalah satuan yang diurutkan
seperti hari, bulan, atau tahun.
Jenis bagan kedua yang digunakan untuk menunjukkan tren adalah bagan area. Bagan
area sama dengan bagan garis kecuali area antara garis dan sumbu x diisi.
Dibandingkan dengan bagan garis, bagan area membantu fokus pada tren daripada
nilai individual, sehingga bagan area berguna ketika mencoba menunjukkan
perkembangan dari waktu ke waktu.
Contoh dari data S&S yang terkait dengan tujuan tren evaluasi meliputi:
1. Bagan garis yang menunjukkan bagaimana kompensasi berubah setiap tahun
untuk setiap karyawan.
2. Bagan area yang menunjukkan perbedaan total kompensasi untuk setiap tahun
menurut departemen.

Diagram lingkaran adalah diagram yang paling sering digunakan. Diagram lingkaran
sering disalahgunakan untuk mengkomunikasikan perbandingan atau tren di mana
diagram batang atau grafik garis adalah diagram yang lebih baik. Diagram lingkaran
paling tepat saat menampilkan persentase yang berjumlah hingga 100% dan data
hanya memiliki beberapa kategori.
Contoh dari data S&S yang terkait dengan tujuan part-to-whole meliputi:
1. Diagram lingkaran yang menunjukkan persentase total gaji karyawan untuk
setiap departemen.
2. Sebuah peta pohon yang menunjukkan bagaimana derajat akademik yang
berbeda membentuk jumlah total pembayaran.
Ada jenis dan tujuan visualisasi selain lima yang paling umum dibahas di atas.
Contohnya termasuk data spasial seperti peta dengan overlay data dan diagram
jaringan atau diagram Sankey yang menunjukkan aliran data. Jenis visualisasi juga
dapat digabungkan untuk memenuhi berbagai tujuan. Misalnya, bagan kombo yang
memperlihatkan batang dan garis dapat berguna untuk mengomunikasikan
perbandingan dan tren.

Visualisasi berkualitas tinggi mengikuti tiga prinsip desain penting: penyederhanaan,

penekanan, dan presentasi etis..
Dalam masing-masing prinsip desain yang berbeda ini terdapat teknik dan pilihan
yang berbeda untuk meningkatkan kemampuan yaitu berkomunikasi secara efektif.
Prinsip dan teknik dapat diterapkan pada empat bagian utama yaitu: judul, sumbu
(termasuk label, tanda centang, dan garis), legenda, dan area data. Area data dalam
visualisasi adalah area di mana garis/bar/irisan/dll. ditampilkan. Penyederhanaan,
penekanan, dan penyajian yang etis dapat meningkatkan kemampuan masing-masing
bagian ini, yaitu untuk secara individual dan dalam kombinasi mengkomunikasikan
pesan secara efektif.

Sebuah visualisasi dapat disederhanakan dengan mempertimbangkan tiga teknik

penting yang akan meningkatkan desain semua visualisasi: kuantitas, jarak, dan
orientasi.
Hal yang harus diperhatikan dalam visualisasi:
1. kuantitas
Visualisasi paling berdampak ketika mengikuti prinsip Goldilocks yang berisi
tidak terlalu banyak dan tidak terlalu sedikit, tetapi jumlah data yang tepat.
Saat memeriksa kuantitas informasi, periksa masing-masing elemen terpisah
dari a yaitu dan kemudian pertimbangkan bagaimana elemen-elemen tersebut
bekerja bersama.
2. Jarak.
Teknik jarak mengacu pada seberapa jauh informasi terkait disajikan.
Misalnya, pada Gambar 7-3, untuk mempelajari arti warna di bagian data viz,
Anda harus merujuk ke legenda, yang mengharuskan Anda mengalihkan
pandangan dari area data viz. Hal ini membuat lebih sulit untuk menafsirkan
informasi.
3. Orientasi.
Data lebih mudah dipahami jika diorientasikan dengan cara yang benar.
4. Highlighting.
Teknik penyorotan meliputi penggunaan warna, kontras, keterangan,
pelabelan, font, panah, dan teknik lain apa pun yang menarik perhatian pada
suatu item.
5. Pembobotan. Bobot visual mengacu pada jumlah perhatian yang ditarik suatu
elemen. Ada berbagai teknik untuk meningkatkan bobot visual, termasuk
warna, kompleksitas, kontras, kepadatan, dan ukuran.
6. Ordering
Pengurutan data adalah penataan 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. Metode-metode ini hampir selalu lebih unggul daripada hanya
mengurutkan data dalam bentuk acak.
Untuk menghindari penipuan data, pertimbangkan prinsip-prinsip berikut:
1. Tunjukkan representasi angka yang proporsional dengan angka yang
dilaporkan (memulai sumbu y dari nol membantu memastikan hal ini).
2. Dalam hal yang dirancang untuk menggambarkan tren, tunjukkan waktu yang
berkembang dari kiri ke kanan pada sumbu x.
3. Menyajikan data lengkap sesuai konteksnya.
Pada contoh gambar 7-3 Sumbu berisi terlalu banyak data dan informasi yang
berlebihan.
Pada Gambar 7-4, data dirancang sedemikian rupa sehingga lebih mudah untuk
membandingkan jumlah jam pelatihan lintas gelar dalam suatu departemen karena
semua informasi gelar dikelompokkan bersama.
Pada Gambar 7-5, akan lebih mudah untuk membuat perbandingan antar departemen
dalam satu tingkat pendidikan karena informasi yang disajikan berdekatan.
PRINSIP: Penekanan Sebagian besar visualisasi dibuat untuk membantu pengambil
keputusan meningkatkan kualitas pengambilan keputusan mereka. Dengan demikian,
kualitas tinggi yaitu harus menekankan data yang paling relevan, penting, atau tepat
waktu, untuk pengambil keputusan. Memahami apa yang harus ditekankan tergantung
pada tujuan situasi. Ini juga berarti bahwa analis data perlu memahami konteks
keputusan—bukan hanya teknik analisis data.
Setelah tujuan telah diputuskan, tiga teknik berbeda dapat digunakan untuk
menekankan data secara lebih efektif: penyorotan, pembobotan, dan pengurutan.