LECTURE NOTES

Data Analytics in Accounting and

Finance

Week 5

Standardizing Data for Comparison

(Z-Score)
 LEARNING OUTCOMES

LO 3 : Menjelaskan rencana pemeriksaan dan analisa hasil

OUTLINE MATERI :

• Z-Score

• Profiling
 Standardizing Data for Comparison (Z-Score)

A. Standarisasi Data untuk Perbandingan (Z-Score)

Skor standar atau Z-score adalah konsep statistik yang memberikan nilai pada angka,
berdasarkan berapa banyak standar deviasi yang terdapat dari rata-rata.

Gambar 1.1 Z-score Menunjukkan Posisi Relatif dari Tempat Menarik untuk Populasi

Dengan menetapkan rata-rata ke 0, setiap nilai titik data sekarang mewakili jumlah
penyimpangan dari rata-rata. Populasi besar terdistribusi secara normal dan hampir semua nilai
(98 persen) harus berada dalam plus-minus tiga standar deviasi. Oleh karena itu, jika Z-score
titik data lebih besar dari 3, kemungkinan merupakan outlier yang perlu dicermati.

Data Analytics in Accounting and Finance

B. Profiling

Profiling melibatkan mendapatkan pemahaman tentang perilaku khas individu, kelompok, atau
populasi (atau sampel). Pembuatan profil dilakukan terutama menggunakan data terstruktur—
data yang disimpan dalam database atau spreadsheet dan mudah dicari. Dengan menggunakan
data ini, analis dapat menggunakan statistik ringkasan umum untuk mendeskripsikan individu,
kelompok, atau populasi, termasuk mengetahui rata-rata, standar deviasi, jumlah, dan
sebagainya. Pembuatan profil umumnya dilakukan pada data yang sudah tersedia, sehingga data
tersebut telah terkumpul dan siap untuk dianalisis lebih lanjut.

Profiling digunakan untuk menemukan pola perilaku. Dalam Tampilan 3-7, misalnya, semakin
tinggi Z-score (semakin jauh dari rata-rata), semakin besar kemungkinan pelanggan akan
mengalami keterlambatan pengiriman (lingkaran biru). Seperti yang ditunjukkan pada Tampilan
3-7, Z-score 3 mewakili tiga standar deviasi dari rata-rata. Kami menggunakan pembuatan profil
untuk mempelajari atribut produk atau vendor yang mungkin mengalami keterlambatan
pengiriman.

Data Analytics in Accounting and Finance

Plot kotak akan memberikan wawasan serupa. Alih-alih berfokus pada rata-rata dan deviasi
standar, plot kotak menyoroti median dan kuartil, mirip dengan Tampilan 3-8. Plot kotak
digunakan untuk merepresentasikan secara visual bagaimana data tersebar dalam rentang
interkuartil (IQR). IQR adalah cara untuk menganalisis bentuk kumpulan data Anda yang
berfokus pada median. Untuk menemukan rentang interkuartil, dataset pertama-tama harus
dibagi menjadi empat bagian (kuartil), dan dua kuartil tengah yang mengelilingi median adalah
IQR. IQR dianggap lebih membantu daripada ukuran rentang sederhana (observasi maksimum -
observasi minimum) sebagai ukuran dispersi ketika Anda menganalisis sampel daripada populasi
karena mengalihkan fokus ke nilai yang paling umum dan meminimalkan risiko rentang terlalu
dipengaruhi oleh outlier.

Data Analytics in Accounting and Finance

Membuat kuartil dan mengidentifikasi IQR dilakukan dengan langkah-langkah berikut (tentu
saja, Tableau dan Excel juga memiliki cara untuk membuat kuartil dan plot kotak secara
otomatis sehingga Anda tidak perlu melakukan langkah-langkah ini secara manual):

1. Urutkan data Anda terlebih dahulu (sama seperti yang Anda lakukan untuk menemukan
median atau untuk menemukan rentang)

2. Kuartil 1: 25 persen pengamatan terendah

3. Kuartil 2: 25 persen pengamatan berikutnya—batasnya adalah median

4. Kuartil 3: dimulai dari median dan meluas ke 25 persen pengamatan ketiga

5. Kuartil 4: 25 persen pengamatan tertinggi

6. Rentang interkuartil meliputi Kuartil 2 dan Kuartil 3.

Data Analytics in Accounting and Finance

Plot kotak terkadang disebut plot kotak dan kumis karena biasanya terdiri dari satu kotak dan dua
"kumis". Kotak mewakili IQR dan dua kumis mewakili ujung Kuartil 1 dan 4. Jika data Anda
memiliki outlier yang ekstrem, ini akan ditunjukkan sebagai titik yang melampaui "kumis".

Pembuatan profil data dapat sesederhana menghitung statistik ringkasan pada data transaksional,
seperti rata-rata jumlah hari untuk mengirimkan produk, jumlah yang biasanya kita bayarkan
untuk suatu produk, atau jumlah jam kerja yang diharapkan seorang karyawan. Di sisi lain,
pembuatan profil dapat digunakan untuk mengembangkan model kompleks untuk memprediksi
potensi penipuan. Misalnya, Anda dapat membuat profil untuk setiap karyawan di perusahaan
yang mungkin menyertakan kombinasi gaji, jam kerja, serta perilaku pembelian perjalanan dan
hiburan. Penyimpangan yang tiba-tiba dari perilaku masa lalu karyawan dapat menimbulkan
risiko dan memerlukan tindak lanjut oleh auditor internal.

Mirip dengan mengevaluasi perilaku, pembuatan profil data biasanya digunakan untuk menilai
kualitas data dan kontrol internal. Misalnya, pemrofilan data dapat mengidentifikasi pelanggan
dengan data master yang tidak lengkap atau salah atau transaksi yang salah ketik.

Data Analytics in Accounting and Finance

 KESIMPULAN

Z-score adalah konsep statistik yang memberikan nilai pada angka, berdasarkan berapa banyak
standar deviasi yang terdapat dari rata-rata. Profiling melibatkan mendapatkan pemahaman
tentang perilaku khas individu, kelompok, atau populasi (atau sampel). Pembuatan profil
dilakukan terutama menggunakan data terstruktur—data yang disimpan dalam database atau
spreadsheet dan mudah dicari. Dengan menggunakan data ini, analis dapat menggunakan
statistik ringkasan umum untuk mendeskripsikan individu, kelompok, atau populasi, termasuk
mengetahui rata-rata, standar deviasi, jumlah, dan sebagainya. Pembuatan profil umumnya
dilakukan pada data yang sudah tersedia, sehingga data tersebut telah terkumpul dan siap untuk
dianalisis lebih lanjut.

Data Analytics in Accounting and Finance

 DAFTAR PUSTAKA

1. Vernon J. Richardson, Ryan A. Teeter, Katie L. Terrell (2019). Data Analytics for
Accounting. McGraw-Hill Education, New York. ISBN: 9781260837834. Chapter 3.

Data Analytics in Accounting and Finance