MODUL

MATEMATIKA UNTUK AKUNTANSI

Materi:

Introduction to Data Analytics

Disusun oleh:
Ambar Kusumaningsih, S.E., Ak., M.A., CA, CFE, ASEAN CPA
NIP 198605162019032011

PRODI S1 AKUNTANSI
FAKULTAS EKONOMIKA DAN BISNIS
UNIVERSITAS NEGERI SURABAYA
2023
DEFINISI DATA ANALYTICS
Data analytics dalam konteks bisnis adalah proses mengevaluasi data dengan tujuan menarik
kesimpulan untuk menjawab pertanyaan bisnis (Richardson, Teeter, & Terrell, 2023). Analisis
Data yang efektif menyediakan cara untuk menelusuri data terstruktur berukuran besar (data
yang mengikuti model data yang telah ditentukan sebelumnya dalam format tabel) dan data
tidak terstruktur (data yang tidak mengikuti format data yang telah ditentukan sebelumnya)
untuk menemukan pola atau hubungan yang tidak diketahui. Analisis Data sering kali
melibatkan teknologi, sistem, praktik, metodologi, basis data, statistik, dan aplikasi yang
digunakan untuk menganalisis beragam data bisnis guna memberikan informasi yang
dibutuhkan organisasi untuk membuat keputusan bisnis yang tepat dan tepat waktu. Artinya,
proses Analisis Data bertujuan untuk mengubah data mentah menjadi pengetahuan untuk
menciptakan nilai.

DATA ANALYTICS PADA AKUNTANSI

Penggunaan data analysis pada akuntansi secara lebih khusus dapat dilihat pada beberapa
bidang sebagai berikut:
A. Auditing.
Saat ini telah terjadi perubahan paradigma pada proses audit, yaitu dari proses tradisional
ke proses yang lebih otomatis, yang akan memungkinkan auditor untuk lebih fokus pada
logika dan alasan di balik permintaan data dan kurang fokus pada pengumpulan data aktual.
Hasilnya, audit tidak hanya menghasilkan temuan penting dari sudut pandang keuangan,
namun juga informasi yang dapat membantu perusahaan menyempurnakan proses,
meningkatkan efisiensi, dan mengantisipasi permasalahan di masa depan. Analisis Data
memungkinkan auditor menganalisis kumpulan data secara lengkap, bukan mengambil
sampel data keuangan yang dilakukan dalam audit tradisional. Analisis Data
memungkinkan auditor untuk meningkatkan penilaian risikonya baik dalam pengujian
substantif maupun terperinci.

B. Akuntansi Manajemen
Dari semua bidang akuntansi, tujuan Analisis Data paling mirip dengan akuntansi
manajemen. Akuntan manajemen (1) ditanyai pertanyaan oleh manajemen, (2) menemukan
data untuk menjawab pertanyaan tersebut, (3) menganalisis data, dan (4) melaporkan
 hasilnya kepada manajemen untuk membantu pengambilan keputusan. Deskripsi tugas
akuntan manajemen dan analis data tampaknya sangat mirip, bahkan identik dalam banyak
hal. Baik itu memahami biaya melalui job order costing, memahami activity based costing
drivers, memperkirakan penjualan di masa depan, atau menentukan apakah akan menjual
atau memproses lebih lanjut atau membuat atau melakukan outsourcing proses
produksinya. Sebagai penyedia informasi bagi perusahaan, penting bagi akuntan
manajemen untuk memahami kemampuan data dan Analisis Data untuk menjawab
pertanyaan manajemen.

C. Penyusunan dan Analisis Laporan Keuangan

Data dari dalam dan eksternal perusahaan dapat digunakan untuk menjawab banyak
pertanyaan yang dihadapi dalam pelaporan keuangan. Banyak akun laporan keuangan yang
hanya berupa estimasi, sehingga akuntan sering mengajukan pertanyaan seperti ini untuk
mengevaluasi estimasi tersebut:
 Berapa jumlah saldo piutang yang pada akhirnya akan tertagih? Seperti apa bentuk
penyisihan kerugian pinjaman?
 Apakah ada yang sudah usang? Haruskah persediaan dinilai berdasarkan pasar atau
biaya (menerapkan aturan yang lebih rendah antara biaya atau pasar)? Kapan
persediaan akan kedaluwarsa? Apakah perusahaan perlu menawarkan diskon sekarang
agar dapat terjual?
 Apakah goodwill mengalami penurunan nilai akibat penurunan profitabilitas akibat
merger? Akankah nilainya kembali dalam waktu dekat?
 Bagaimana seharusnya menilai kewajiban kontinjensi seperti klaim garansi atau
litigasi? Berapakah jumlah yang tepat?
Analisis Data juga dapat digunakan untuk memindai lingkungan—yaitu, memindai
penelusuran Google dan media sosial (seperti Instagram dan Facebook) untuk
mengidentifikasi potensi risiko dan peluang bagi perusahaan. Misalnya, dalam pengertian
analitik data, hal ini memungkinkan perusahaan memantau pesaing dan pelanggannya
untuk lebih memahami peluang dan ancaman di sekitarnya.

D. Perpajakan
Perencana perpajakan harus mengembangkan kemampuan perencanaan pajak yang
canggih yang membantu perusahaan meminimalkan pajaknya sedemikian rupa untuk
 menghindari atau mempersiapkan kemungkinan audit. Analisis data perpajakan menjadi
berharga karena kemampuannya membantu staf pajak memprediksi apa yang akan terjadi
daripada bereaksi terhadap apa yang baru saja terjadi. Salah satu hal terbaik yang dilakukan
Analisis Data adalah analisis prediktif atau memprediksi masa depan. Contoh bagaimana
analisis data pajak dapat digunakan adalah kemampuan untuk memprediksi potensi
konsekuensi pajak dari potensi transaksi internasional, investasi penelitian dan
pengembangan, atau usulan merger atau akuisisi.

Seorang akuntan mungkin tidak perlu membangun database dari awal atau melakukan Analisis
Data yang kompleks, namun untuk menjalankan tugasnya sebagai akuntan sebaiknya memiliki
kemampuan melakukan hal-hal berikut:
 Mengartikulasikan dengan jelas permasalahan bisnis yang dihadapi perusahaan.
 Berkomunikasi dengan data scientist tentang kebutuhan data tertentu dan memahami
kualitas dasar data tersebut.
 Menarik kesimpulan yang tepat terhadap masalah bisnis berdasarkan data dan memberikan
rekomendasi secara tepat waktu.
 Menyajikan hasilnya kepada masing-masing anggota manajemen (CEO, manajer audit,
dll.) dengan cara yang dapat diakses oleh setiap anggota.

JENIS DATA
Data dapat diklasifikasikan berdasarkan jenisnya dalam tiga kelompok klasifikasi. Kelompok
klasifikasi yang pertama membagi data menjadi data kualitatif dan kuantitatif, kemudian
kelompok klasifikasi kedua membagi jenis data menjadi data terstruktur dan data tak
terstruktur. Klasifikasi ketiga adalah berdasarkan kumpulan data yang digunakan dalam
analisis ekonometrik, yaitu terdapat tiga jenis: data cross section, data time series, dan data
panel.
Klasifikasi 1
1. Data Kualitatif
Data kualitatif merupakan data yang direpresentasikan baik dalam format verbal
maupun naratif (Academy for Educational Development, 2006). Jenis data ini
dikumpulkan melalui kelompok fokus, wawancara, kuesioner terbuka, dan situasi
kurang terstruktur lainnya. Data kualitatif dapat berupa data categorical atau counting
yang dapat disajikan dalam bentuk nominal (misalnya suku, warna mata, negara asal,
 dsb), ordinal (misalnya tingkat pendidikan, tingkat pendapatan, status ekonomi) dan
binary (misalnya True/False, Yes/No) (Köseoğlu, 2022).
2. Data Kuantitatif
Data kuantitatif merupakan data yang dinyatakan dalam bentuk numerik (Academy for
Educational Development, 2006). Data kuantitatif dapat merupakan hasil dari suatu
pengukuran atau menyatakan bilangan hasil perhitungan (Köseoğlu, 2022). Data hasil
pengukuran atau continuous data dapat disajikan dalam bentuk interval (misalnya
pendapatan tahunan, suhu udara, tingkat IQ). Data hasil perhitungan atau discrete data
misalnya jumlah orang (1000 orang, 2000 penduduk) dapat disajikan dalam bentuk
binary (nomor yang diberikan ke kategori biner 1-0), nominal (nomor yang diberikan
nilai nominal), atau ordinal (misal rating 1-10).

Klasifikasi 2

Sumber: Indiarti, Rohmawati, dan Gunawan (2021).

Gambar 1. Perbandingan Data Terstruktur dengan tidak Terstruktur

1. Data Terstruktur
Data terstruktur adalah data yang terorganisir sehingga dapat dengan mudah dicari di
database terkait. Data terstruktur umumnya disimpan dalam tabel di database. Data
terstruktur dapat dilihat dari bentuk data berupa tabel dengan baris dan kolom di
 dalamnya. Pada umumnya, data berupa angka-angka, tanggal, string yang disimpan
dalam tabel termasuk data terstruktur. Data dengan tipe ini memiliki biaya memori yang
sedikit karena data ini sudah dalam bentuk yang paling sederhana dan terstruktur
(Indwiarti, Rohmawati, & Gunawan, 2021).
2. Data tidak Terstruktur
Data tidak terstruktur tidak memiliki format yang ditentukan, data tersebut disimpan
dalam potongan yang lebih tidak beraturan di database. Contoh umum dari data tidak
terstruktur adalah file teks sederhana, gambar, video, dll. Data tidak terstruktur dapat
diubah menjadi data terstruktur setelah melalui proses. Perbandingan antara data
terstruktur dengan data tidak terstruktur dapat dilihat pada gambar 1.

Klasifikasi 3
1. Data Cross Section
Data cross section dikumpulkan melalui survei sampel atau metode enumerasi lengkap.
Informasi yang dikumpulkan dari seluruh unit lintas bagian (cross section) seperti
rumah tangga, perusahaan atau negara, pada suatu waktu tertentu membentuk data cross
section. Dalam sebagian besar kasus, informasi tidak dapat dikumpulkan secara tepat
pada periode waktu yang sama. Data cross section dihasilkan oleh seorang peneliti
individu melalui survei lapangan atau oleh lembaga resmi di berbagai negara. Data
cross section banyak digunakan di bidang ekonomi dan ilmu sosial lainnya (Das, 2019).
2. Data Time Series
Data time series terdiri dari pengamatan terhadap suatu variabel atau beberapa variabel
yang dikumpulkan sepanjang waktu (Das, 2019). Waktu merupakan dimensi penting
dalam data time series. Sebagian besar data makroekonomi bersifat time series. Proses
pembuatan data time series bersifat stokastik, dan realisasi data time series dicirikan
oleh fungsi kepadatan probabilitas gabungan. Karena data time series bersifat stokastik,
peneliti harus menguji perilaku stokastik variabel sebelum menggunakannya dalam
model ekonometrik. Data time series tidak dikumpulkan melalui survei seperti pada
data cross section. Sebagian besar data time series merupakan perkiraan dan tersedia
dalam statistik resmi. Saat data time series diestimasi, data tersebut bersifat stokastik.
Data time series berguna dalam menganalisis tren dan peramalan dalam model
makroekonometrik. Di bidang keuangan, mereka digunakan dalam memperkirakan
volatilitas serta pengembalian rata-rata suatu aset keuangan.
 Ciri utama data time series adalah bahwa data tersebut terkait, seringkali sangat terkait,
dengan sejarah terkininya. Fitur ini menimbulkan masalah kritis dalam penggunaan
data time series dalam model ekonometrik standar. Diperlukan lebih banyak langkah
dalam menentukan model ekonometrik untuk data time series sebelum
menggunakannya dalam metode ekonometrik standar.
3. Data Panel
Data panel merupakan gabungan data cross section dan time series (Das, 2019). Data
panel diperoleh dengan mengulangi survei dengan kumpulan unit sampel yang sama
untuk mendapatkan informasi mengenai isu serupa dari waktu ke waktu. Time series
untuk setiap unit penampang membentuk sekumpulan data panel atau data longitudinal.
Jika unit penampangnya adalah unit mikro seperti rumah tangga, dan perusahaan, maka
panel tersebut disebut panel mikro. Dalam panel mikro, dimensi waktu lebih kecil dari
dimensi penampang. Sebaliknya, jika unit penampangnya merupakan unit makro
seperti negara, maka panel tersebut disebut panel makro. Dimensi waktu sangat besar
dibandingkan dengan dimensi penampang pada panel makro. Data panel juga mungkin
seimbang atau tidak seimbang tergantung pada apakah semua informasi tersedia untuk
semua unit pada setiap titik waktu.
Fitur utama dari data panel adalah bahwa ia mempertimbangkan unit-unit penampang
yang sama selama periode waktu tertentu. Kumpulan data panel, terutama data
individu, rumah tangga, dan perusahaan, lebih sulit diperoleh di negara-negara
berkembang. Karena alasan ini, kumpulan data penampang telah mendapatkan
popularitas dalam penggunaan model ekonometrik di negara berkembang.

MODEL ANALISIS DATA

Terdapat empat model utama analisis data (Bekker, 2019) yang dapat dikelompokkan
berdasarkan tingkat kompleksitas dan value yang diberikan, antara lain Descriptive,
Diagnostic, Predictive, dan Prescriptive Analysis. Visualisasi tingkat kompleksitas proses
analisis dan value yang dihasilkan dapat dilihat pada gambar 2.
1. Descriptive Analysis
Analisis deskriptif adalah prosedur yang merangkum data yang ada untuk menentukan apa
yang telah terjadi di masa lalu (Richardson, Teeter, & Terrell, 2023). Beberapa contoh
analisis deskriptif mencakup statistik ringkasan (misalnya, hitungan, min, maks, rata-rata,
median, deviasi standar), distribusi, dan proporsi.
2. Diagnostic Analysis
Analisis diagnostik adalah prosedur yang mengeksplorasi data terkini untuk menentukan
mengapa sesuatu terjadi, biasanya membandingkan data dengan tolok ukur (Richardson,
Teeter, & Terrell, 2023). Sebagai contoh, analisis diagnostik memungkinkan pengguna
menelusuri data dan melihat perbandingannya dengan anggaran, pesaing, atau tren.
3. Predictive Analysis
Analisis prediktif adalah prosedur yang digunakan untuk menghasilkan model yang dapat
digunakan untuk menentukan apa yang mungkin terjadi di masa depan (Richardson, Teeter,
& Terrell, 2023). Contoh analisis prediktif meliputi analisis regresi, peramalan, klasifikasi,
dan pemodelan prediktif lainnya.
4. Prescriptive Analysis
Analisis preskriptif adalah prosedur yang berfungsi untuk mengidentifikasi opsi terbaik
mengingat kendala atau kondisi yang berubah (Richardson, Teeter, & Terrell, 2023). Hal
ini biasanya mencakup pengembangan model pembelajaran mesin dan kecerdasan buatan
yang lebih canggih untuk merekomendasikan tindakan, atau optimalisasi, berdasarkan
batasan dan/atau kondisi yang berubah.

Sumber: tommarch.com (2020)

Gambar 2. Jenis Analisis Data

Pilihan model Analisis Data sangat bergantung pada jenis pertanyaan yang ingin dijawab dan
akses ke data yang diperlukan untuk menjawab pertanyaan tersebut. Analisis deskriptif dan
diagnostik biasanya dipasangkan ketika ingin mendeskripsikan data masa lalu dan kemudian
membandingkannya dengan tolok ukur untuk menentukan mengapa hasilnya seperti itu, mirip
dengan konsep akuntansi perencanaan dan pengendalian. Demikian pula, analitik prediktif dan
preskriptif dapat menjadi pilihan ketika ingin memprediksi suatu hasil dan kemudian membuat
rekomendasi tentang cara menindaklanjutinya, mirip dengan auditor yang menandai suatu
transaksi sebagai risiko tinggi dan kemudian mengikuti diagram alur keputusan untuk
menentukan apakah akan meminta tambahan bukti atau memasukkannya ke dalam temuan
audit.

EXCEL SEBAGAI ALAT ANALISIS DATA

Excel adalah spreadsheet software yang paling banyak digunakan untuk basic data
analysis. Excel pada umumnya digunakan dalam pembuatan tabel, penggunaan rumus untuk
melakukan penghitungan cepat atau rumit, membuat PivotTable, serta membuat bagan dan
grafik. Salah satu masalah utama dalam penggunaan Excel untuk analisis big data adalah
batassan sebanyak 1.048.576 baris karena keterbatasan memori. Excel tersedia di Windows
dan Mac serta Microsoft 365.
Analisis Data melibatkan penggunaan berbagai model dan teknik untuk memahami
lingkungan (analisis deskriptif), membuat perbandingan (analisis diagnostik), memprediksi
masa depan (analisis prediktif), dan menentukan arah terbaik untuk masa depan (analisis
preskriptif). Sebelum data dianalisis, sebaiknya data dipersiapkan, divalidasi dan dipastikan
keakuratan format serta kelengkapannya. Cara mempersiapkan data dibahas lebih rinci pada
matakuliah statistik, pada modul ini kita akan lebih fokus membahas teknik analisis data secara
matematis dengan menggunakan Excel sebagai alat analisis.

Analisis Deskriptif
Analisis deskriptif membantu meringkas apa yang terjadi di masa lalu. Misalnya, seorang
akuntan keuangan akan menghitung semua transaksi penjualan dalam suatu periode untuk
menghitung nilai Penjualan yang muncul pada laporan laba rugi. Akuntan dapat menggunakan
fungsi Excel “=SUM()” untuk mendapatkan jumlah tersebut. Contoh lainnya, seorang analis
akan menghitung jumlah record dalam suatu data ekstrak untuk memastikan data sudah
lengkap sebelum melakukan analisis yang lebih kompleks. Analis tersebut dapat menggunakan
fungsi Excel “=COUNT()” atau “=COUNTA()” atau “COUNTIF()”. Kedua contoh tersebut
merupakan bagian dari summary statistics. Summary statistics menggambarkan lokasi,
penyebaran, bentuk, dan ketergantungan serangkaian pengamatan (Richardson, Teeter, &
Terrell, 2023). Fungsi pad Excel yang termasuk summary statistics antara lain count, sum,
minimum, maximum, mean or average, standard deviation, median, quartiles, correlation
covariance, dan frequency.

Latihan
Dari data Excel yang tersedia, lakukan analisis dekripsi – summary statistics untuk mengetahui
hal-hal berikut:
1. Berapa jumlah staff Precision Prosperity Corporation?
Langkah pengerjaan:
a. Buka file Excel sheet “Staff”
b. Pada baris terbawah tulis rumus berikut: “=COUNTA(C6:C16)”

c. Diketahui jumlah staff adalah 11 orang

2. Berapa rata-rata penjualan per hari selama periode Januari sampai dengan Juni 2023?
Langkah pengerjaan:
a. Buka file Excel sheet “Sales”
b. Tuliskan rumus berikut: “=AVERAGE(G7:G366)”
 c. Diperoleh rata-rata penjualan per hari adalah sebesar Rp 44.513.889,-
3. Berapa rata-rata penjualan per hari selama bulan Januari?
Langkah pengerjaan:
a. Cara 1: Lakukan hal yang sama dengan poin nomor 2 namun data yang dipilih hanya
untuk data bulan Januari. Rumus yang diperoleh adalah sebagai berikut:
“=AVERAGE(G7:G66)”, dan hasil yang diperoleh adalah sebesar Rp 43.833.333,-
b. Cara 2: Lakukan operasi AVERAGEIF untuk menyaring data hanya pada bulan januari.
Rumus yang bisa digunakan “=AVERAGEIF(C7:C366;"<=31/01/2023";G7:G366)”,
dan hasil yang diperoleh sebesar Rp 44.736.842,11
c. Cara 3: Lakukan filter data, pilih data hanya pada bulan Januari, kemudian lakukan
operasi SUBTOTAL. Rumus yang dapat digunakan “=SUBTOTAL(1;G7:G66)”
dengan hasil yang diperoleh sebesar Rp 44.736.842,11
Apabila seorang auditor akan menyaring data untuk membatasi ruang lingkup transaksi yang
mewakili risiko tertinggi, auditor tersebut dapat menggunakan fungsi filter pada Excel, atau
melakukan proses data reduction. Data reduction adalah upaya mengurangi jumlah informasi
terperinci yang dianggap berfokus pada hal-hal yang paling penting, menarik, atau tidak normal
(misalnya, biaya tertinggi, risiko tertinggi, dampak terbesar, dll.). Hal ini dilakukan dengan
memfilter sekumpulan data yang besar (mungkin total populasi) dan menguranginya menjadi
kumpulan data yang lebih kecil yang memiliki sebagian besar informasi penting dari kumpulan
data yang lebih besar. Data reduction dilakukan terutama dengan menggunakan data
terstruktur.

Latihan
Dari data Excel yang tersedia, lakukan analisis dekripsi – data reduction untuk mengetahui
hal-hal berikut:
1. Temukan 3 Vendor dengan jumlah pembelian terbanyak!
Langkah pengerjaan:
a. Buatlah tabel pivot dari data pembelian yang tersedia.
Pilih data pembelian, kemudian buat tabel pivot dengan cara: Insert > PivotTable >
From Table/Range

Pilih New Worksheet

 Drag kolom Vendor pada Rows dan kolom Amount pada Values

b. Sort data berdasarkan jumlah pembelian terbanyak.

Pilih data Amount
 Klik Data > Sort Largest to Smallest

Ditemukan hasil Vendor dengan pembelian terbanyak adalah Daniel Clark, Stella
Coleman, dan Emma Lopez.

2. Apakah terdapat indikasi karyawan melakukan penggelapan dana dengan cara berpura-
pura menjadi vendor?
Langkah pengerjaan:
Salah satu indikasi penggelapan adalah apabila karyawan memalsukan informasi vendor,
misal no rekening, alamat, atau informasi lainnya, sehingga apabila dana dikirim ke
rekening tersebut seolah-olah dana untuk membayar barang dagangan namun sebetulnya
dana masuk ke rekening pribadi karyawan. Untuk memeriksa apakah terdapat informasi
yang sama dari dua data berbeda, bisa menggunakan fungsi VLOOKUP pada Excel dengan
cara sebagai berikut:
1. Tentukan data tujuan dan data sumber. Dalam hal ini data tujuan adalah data karyawan
dan data sumber adalah data vendor. Data tujuan dan sumber dapat diganti sesuai
kebutuhan. Pada latihan ini hanya terdapat informasi alamat, sehingga hal yang
diperiksa pada latihan ini memastikan apakah ada alamat karyawan yang sama dengan
alamat vendor. Apabila terdapat informasi lain yang lebih lengkap, auditor dapat
melakukan pemeriksaan untuk semua informasi terkait yang memiliki risiko indikasi
kecurangan.
2. Lakukan operasi VLOOKUP pada data karyawan dengan rumus
“=VLOOKUP(D6;Vendor!$D$6:$D$30;1;FALSE)”
D6 = cell alamat karyawan yang diperiksa
Vendor!$D$6:$D$30 = sumber data alamat vendor
penggunaan tanda $ agar sumber data tidak bergeser
ketika rumus dicopy ke baris lainnya
1 = menunjukkan kolom ke berapa yang diambil datanya
dalam hal ini yang dipilih hanya 1 kolom yaitu D
FALSE = range lookup ketika tidak ditemukan data pada sumber

3. Copy rumus untuk semua baris pada data karyawan

Dari hasil VLOOKUP diketahu terdapat dua karyawan yang alamatnya sama dengan
 vendor. Perlu pemeriksaan lebih lanjut di lapangan apakah transaksi terkait vendor
tersebut valid.

Analisis Diagnostik
Analisis diagnostik memberikan wawasan tentang alasan terjadinya sesuatu atau
bagaimana nilai data individu berhubungan dengan populasi umum. Salah satu metode
analisis diagnostik yang umum adalah profiling. Profiling atau pembuatan profil data
dapat dilakukan dengan cara yang sederhana seperti menghitung ringkasan statistik
pada data transaksional, seperti jumlah hari rata-rata untuk mengirimkan suatu produk,
jumlah rata-rata yang kami bayarkan untuk suatu produk, atau jumlah jam kerja yang
diharapkan oleh seorang karyawan. Di sisi lain, pembuatan profil dapat digunakan untuk
mengembangkan model kompleks untuk memprediksi potensi fraud. Misalnya data
profil untuk setiap karyawan di perusahaan yang mungkin menyertakan kombinasi gaji,
jam kerja, dan perilaku pembelian perjalanan dan hiburan. Penyimpangan yang tiba-tiba
dari perilaku karyawan di masa lalu mungkin merupakan risiko dan memerlukan tindak
lanjut oleh auditor internal. Mirip dengan mengevaluasi perilaku, pembuatan profil data
biasanya digunakan untuk menilai kualitas data dan pengendalian internal. Misalnya,
pembuatan profil data dapat mengidentifikasi pelanggan dengan data master yang tidak
lengkap atau salah atau transaksi yang salah ketik.

Latihan
Dari data Excel yang tersedia, lakukan analisis diagnostik – profiling untuk mengetahui
profil penjualan berdasarkan hari.
Langkah pengerjaan:
1. Menentukan hari penjualan
Pada file excel hanya terdapat informasi tanggal, sehingga perlu dicari terlebih dahulu
penjualan terjadi pada hari apa. Rumus yang digunakan adalah
“=TEXT(C7;"[$]dddd")”

2. Membuat tabel penjualan per hari

Cara 1: menggunakan rumus SUMIF
Buat kolom hari (Minggu sampai Sabtu) dan hitung jumlah penjualan per hari dengan
rumus berikut: “=SUMIF($H$7:$H$366;K7;$G$7:$G$366)”

SUMIF = rumus menjumlahkan dengan syarat tertentu

$H$7:$H$366 = range data; tanda $ mengunci range sehingga saat rumus
dicopy ke cell lain range tidak akan berubah
K7 = cell kriteria; tanpa tanda $ sehingga jika rumus dicopy ke cell
lain maka akan berubah mengikuti arah cell tersebut
$G$7:$G$366 = range yang akan dijumlahkan

Cara 2: menggunakan pivot table

Pilih data penjualan, klik Insert > Pivot Table. Masukkan kolom Day pada Row dan
kolom Sales Amount pada Values.
3. Mempersiapkan data grafik
Agar angka pada grafik tidak terlalu panjang dapat disingkat dengan menampilkan
format dalam jutaan atau in million. Pilih angka penjualan, klik Number > Format Cell
> Custom > tuliskan “#.###.."M"”

4. Membuat grafik
Pilih data penjualan (kolom Day dan Sales), klik Insert > pilih model chart yang
diinginkan.

Berikut hasil menggunakan jenis clustered column

Contoh tersebut menunjukkan visualisasi data sederhana. Akuntan atau analis data
dapat menampilkan visualisasi kreatif sesuai kebutuhan informasi. Tampilan visual
yang menarik dan informatif akan mempermudah pengguna informasi untuk
memahami dan membuat keputusan berdasarkan data yang ada. Dari contoh di atas
terlihat penjualan tertinggi pada hari Sabtu dan Minggu, sehingga manajemen
perusahaan dapat menentukan strategi penjualan pada hari lain agar jumlah
penjualan semakin tinggi atau memanfaatkan hari Sabtu dan Minggu sebagai media
promosi produk lain.
LATIHAN SOAL :

1. Dari data Excel yang tersedia, lakukan analisis dekripsi – summary statistics untuk
mengetahui hal-hal berikut:
a. Berapa jumlah vendor di Precision Prosperity Corporation?
b. Berapa jumlah vendor yang memiliki alamat di City M?
c. Berapa jumlah pembelian setiap bulan?
d. Berapa jumlah penjualan tertinggi per bulan dan pada bulan apa?
e. Buat daftar harga pembelian barang per vendor!
2. Dari data Excel yang tersedia, kalukan analisa diagnostic – profiling untuk mengetahui hal-
hal berikut:
a. Profil jumlah pembelian ke vendor berdasarkan kota asalnya
b. Profil pembelian per bulan
 DAFTAR PUSTAKA

Academy for Educational Development. (2006). Introduction to Data Analysis Handbook.

Academy for Educational Development.
Bekker, A. (2019, 5). 4 Types of Data Analytics to Improve Decision-Making. Retrieved from
www.scnsoft.com: https://www.scnsoft.com/blog/4-types-of-data-analytics
Das, P. (2019). Econometrics in Theory and Practice. Analysis of Cross Section, Time Series
and Panel Data with Stata 15.1. Singapore: Springer Nature Singapore.
Indwiarti, Rohmawati, A. A., & Gunawan, P. H. (2021). Pengantar Statistika Eksplorasi Data
dengan Ms. Excel dan R. Jogjakarta: KBM Indonesia.
Köseoğlu, S. D. (2022). Financial Data Analytics: Theory and Application. Switzerland:
Springer International Publishing.
March, T. (2020, 1 10). 4 Types of Data Analytics for Educators. Retrieved from
tommarch.com: https://tommarch.com/2020/01/4-types-data-analytics-for-educators/
Richardson, V., Teeter, R., & Terrell, K. (2023). In Data Analytics for Accounting (p. 4). New
York: McGrawHill LLC.