ANALISIS SAMPLING, BENFORD, SCATTERPLOT, DAN TIME SERIES PADA DATA

DAY_WISE DAN COVID_19_CLEAN_COMPLETE

Untuk Memenuhi Tugas Mata Kuliah Teknik Audit Berbantuan Komputer

Dosen Pengampu:
Frengky Amstrong Ompusunggu

Disusun oleh:
Kelompok 6
Kelas 5-21
Rifqi Adhitia Komara 1302191219/ 26
Steven Ferico 1302191552/ 27
Tiara Nurul Hikmah 1302191162/ 28
Zuwardy Syahputra 1302191660/ 29

Program Studi Diploma III Akuntansi

Politeknik Keuangan Negara STAN
2022
 I. SAMPLING ANALYSIS

Teknik sampling merupakan teknik pengambilan sampel untuk menentukan sampel

yang akan digunakan dalam penelitian (Dr. Garaika & Darmanah, 2019). Simple random
sampling atau biasa disingkat random sampling merupakan suatu cara pengambilan sampel
dimana tiap anggota populasi diberikan opportunity (kesempatan) yang sama untuk terpilih
menjadi sampel. Jika strata atau tingkatan pada suatu populasi menjadi faktor yang diberikan
perhatian, teknik sampling seperti ini disebut stratified sampling. Makna strata atau tingkatan
dalam suatu populasi adalah dalam suatu populasi cenderung memiliki variasi sehingga perlu
dibedakan dalam tingkatan, misalnya kelompok berat badan underweight, normal, dan
overweight, setelah itu pengambilan sampel dilakukan pada masing-masing strata (Arieska &
Herdiani, 2018).
Data day_wise menunjukkan data terkait Covid-19 (terkonfirmasi, meninggal, pulih,
aktif, dan kasus baru) setiap hari pada tanggal 22 Januari—27 Juli 2020 beserta jumlah
negara yang terdampak. Terhadap file day_wise, penulis melakukan analisis sampling pada
aplikasi Microsoft Excel dengan memberikan penomoran secara acak pada setiap data new
cases setiap harinya. Kemudian, penulis mengurutkan dan mengambil 20 data awal
menggunakan rumus VLOOKUP. Penulis juga menganalisis data Covid-19 dari data file
covid_19_clean_complete. File ini menjelaskan data Covid-19 yang dikelompokkan per
negara dan diurutkan per hari pada tanggal 22 Januari—27 Juli 2017. Analisis dilakukan
dengan pertama-tama memberikan penomoran secara acak pada setiap bulan. Setelah itu,
penulis mengambil 5 sampel data kasus aktif dengan menggunakan stratified random
sampling dari setiap bulan. Dengan begitu, terdapat 35 sampel yang digunakan.
Berdasarkan hasil sampling yang telah dilakukan pada file day_wise, dapat diketahui
bahwa rata-rata new cases pada 22 Januari—27 Juli 2020 adalah 50.830 orang. Sementara itu,
dari analisis terhadap file covid_19_clean_complete, dapat diketahui tren kasus aktif Covid-
19 yang meningkat setiap bulan dari bulan Januari hingga Juli. Lonjakan tertinggi terjadi
pada bulan kelima, yaitu bulan Mei. Angka rata-rata pada data pertama dan tren pada data
kedua tersebut perlu dibandingkan dengan data pada suatu negara, misalnya Indonesia.
Berdasarkan hasil pembandingan, analis atau auditor dapat memberikan keterangan dan/atau
rekomendasi keputusan dan/atau perbaikan pada masa yang akan datang.
 II. BENFORD ANALYSIS

Hukum Benford adalah sebuah hukum yang dapat memperkirakan frekuensi

kemunculan sebuah angka dalam serangkaian data numerik. Jika data numerik tersebut
dihasilkan tanpa ada unsur kesengajaan, frekuensi kemunculan angka tersebut akan sesuai
dengan harapan frekuensi dalam Benford’s Law. Sebaliknya, jika ada unsur kesengajaan oleh
manusia untuk menciptakan sebuah kombinasi angka dan dimasukkan dalam sebuah data set,
hasil analisis Benford’s Law akan menunjukkan bahwa ada angka tertentu yang lebih banyak
atau lebih sedikit muncul dari yang diperkirakan (Arkan, 2010).
Terhadap file day_wise, analisis dilakukan dengan mengambil digit pertama dari
seluruh data new cases. Kemudian, penulis menghitung jumlah data dari setiap digit awal dan
memproporsikan jumlah tersebut terhadap total data. Dalam hal, ini angka nol bukan
merupakan bagian dari analisis karena dapat menimbulkan bias. Hasil proporsi kemudian
dibandingkan dengan persentase yang telah ditetapkan hukum Benford. Hasil pembandingan
tersebut menghasilkan selisih yang bervariasi. Selanjutnya penulis menggunakan batasan
residual 5% karena penulis memiliki tingkat kepercayaan atas hasil analisis sebesar 95%.
Berdasarkan analisis yang telah dilakukan, dapat diketahui bahwa terdapat anomaly
tingkat residual, yaitu pada data dengan digit awal 3,4, dan 8. Anomali tersebut dapat menjadi
indikasi adanya terjadi fraud atau manipulasi dataset. Untuk dapat memastikan indikasi
tersebut, auditor perlu melakukan audit investigasi. Selain itu, untuk mencegah anomali
tersebut kembali terulang, auditor perlu merekomdasikan kepada auditee untuk meningkatkan
pengendalian internal, misalnya melalui audit/review internal.

III. TIME SERIES ANALYSIS

Analisis time series merupakan metode peramalan kuantitatif untuk menentukan pola
data masa lampau yang dikumpulkan berdasarkan urutan waktu (Iriawan & Astuti, 2006).
Dalam membuat prediksi, diasumsikan bahwa masa depan merupakan fungsi dari masa lalu,
yaitu dengan menganalisis hal yang terjadi selama kurun waktu tertentu dan menggunakan
data masa lalu tersebut untuk melakukan peramalan.
Analisis time series dilakukan terhadap data yang ada pada file day_wise dan
covid_19_clean_complete. Analisis dimulai dengan memisahkan setiap data berdasarkan
bulan. Kemudian, jumlah kasus baru pada data day_wise dan jumlah kasus aktif pada data
covid_19_clean_complete setiap bulan dicari menggunakan pivot table. Hasil analisis
kemudian dibuat dalam bentuk grafik untuk memudahkan interpretasi.
 Berdasarkan grafik time series, dapat diketahui bahwa terdapat peningkatan kasus
baru dan kasus aktif Covid-19 setiap bulan dari Januari—Juli 2020. Melalui analisis time
series, auditor dapat mengetahui batasan peningkatan kasus baru dan kasus aktif setiap bulan
dan memproyeksi fenomena yang akan terjadi pada bulan-bulan selanjutnya. Dengan begitu,
auditee dapat memitigasi risiko yang muncul pada masa mendatang.

IV. SCATTERPLOT ANALYSIS

Grafik scatterplot—atau disebut juga dengan peta korelasi—adalah grafik yang

menampilkan kuat-lemahnya hubungan pada dua variabel. Pada dasarnya, scatterplot
merupakan suatu alat interpretasi data yang digunakan untuk menguji kekuatan hubungan
antara dua variabel dan menentukan jenis hubungan dari dua variabel tersebut, seperti positif,
negative, atau tidak ada hubungan (Safrizal & Zulaikha, 2021).
Pada analisis ini, penulis membuat scatterplot dari file covid_19_clean_complete,
yaitu data kasus aktif setiap negara pada setiap bulan. Berdasarkan scatterplot, dapat
diketahui bahwa data memiliki korelasi positif. Korelasi positif menunjukkan bahwa
peningkatan variabel X (bulan) menghasilkan peningkatan nilai variabel Y (jumlah kasus
aktif). Artinya, semakin lama pandemi Covid-19 berlangsung, semakin banyak kasus aktif di
berbagai. Jika analisis difokuskan pada sebaran titik, dapat diketahui bahwa terdapat ruang
kosong sejak bulan ke-5 yang menandakan adanya kesenjangan. Terdapat banyak negara
dengan kasus aktif yang sangat banyak, tetapi juga terdapat banyak negara dengan kasus aktif
yang tergolong sangat sedikit. Selain itu, scatterplot juga menunjukkan kesenjangan (ruang
kosong) yang semakin jauh pada bulan-bulan selanjutnya. Kemungkinan yang muncul atas
fenomena tersebut adalah bahwa terdapat penanganan Covid-19 yang sangat baik pada
banyak negara, tetapi di sisi lain juga terdapat penanganan Covid-19 yang sangat buruk pada
banyak negara. Meski begitu, juga dimungkinkan adanya faktor lain yang memengaruhi data
tersebut, misalnya perbedaan jumlah penduduk kondisi geografis lokasi pendataan, serta
jumlah pendataan. Dengan asumsi seluruh negara didata dengan kondisi yang sama, analis
atau auditor selanjutnya perlu membandingkan data tersebut dengan posisi suatu negara.
Sebagai contoh, bila Indonesia merupakan negara dengan kasus aktif yang banyak, perlu ada
percepatan penanganan Covid-19. Sementara itu, bila Indonesia merupakan negara dengan
kasus aktif yang tergolong sedikit, auditor perlu merekomendasikan untuk membantu
penanganan Covid-19 di negara lain dalam rangka mengurangi kesenjangan kasus aktif yang
pada akhirnya mampu menekan pandemi.
 DAFTAR PUSTAKA

Arieska, P. K., & Herdiani, N. (2018). Pemilihan Teknik Sampling Berdasarkan Perhitungan
Efisiensi Relatif. Jurnal Statistika Unimus.
Arkan, M. M. (2010). Analisis Penggunaan Benford's Law Dalam Perencanaan Audit pada
Direktorat Jenderal Bea dan Cukai. Simposium Nasional Akuntansi.
Dr. Garaika, & Darmanah. (2019). Metodologi Penelitian. Lampung Selatan: CV. Hira Tech.
Iriawan, N., & Astuti, S. P. (2006). Mengolah Data Statistik dengan Mudah Menggunakan
MINITAB 14. Yogyakarta: Penerbit Andi.
Safrizal, & Zulaikha, S. (2021). Pengendalian Kualitas dengan Metode Statistical Quality
Control pada Ramadhani Bakery and Cake. Jurnal Samudra Ekonomika.
 LAMPIRAN

A. Link file Microsoft Excel

Dokumentasi kegiatan analisis sampling, benford, scatterplot, dan time series pada
data day_wise dan covid_19_clean_complete dapat diakses pada link berikut:
https://bit.ly/Kel6ExcelAnalisis .
B. Analisis data day_wise
1. Sampling analysis

2. Benford analysis
 3. Time series analysis

C. Analisis data covid_19_clean_complete

1. Sampling analysis
2. Time series analysis
3. Scatterplot analysis