Author: Ita Megasari, S.E., MSA.
Dosen: Akuntansi
Pertumbuhan data yang sangat cepat dan aksebilitas yang semakin mudah merupakan keuntungan yang sangat besar bagi para penggunanya. Data tidak dapat langsung digunakan tetapi harus dianalisis terlebih dahulu, dengan menggunakan berbagai metode diantaranya seperti statistik, Artificial Intelligence (AI), dan sistem basis data. Berikut ini metode standar yang memberikan gambaran tentang tahapan dan siklus data mining (yaitu proses identifikasi hubungan dan pola dalam kumpulan data yang besar, secara efektif mengubah data mentah menjadi informasi penting yang berguna):
Sumber : IAI, 2023
Tahap pertama yang penting dan wajib dilakukan dalam data mining atau analitik data adalah Business Understanding, yaitu mengidentifikasi dan menggambarkan tujuan dasar dari prespektif bisnis, identifikasi kebutuhan data dan bagaimana
memperoleh data, menentukan batasan kegiatan dan faktor/data pendukung, tahap kedua adalah Data Understanding yaitu
- data acquisition, yaitu pengambilan data dari sumber masing-masing,
- data description, yaitu menampilkan data dalam bentuk tampilan yang mudah terbaca, baik data kualitatif (narasi) ataupun kuantitatif (angka) dan melakukan pemeriksaan data,
- data exploration yaitu langkah yang didasarkan pada deskripsi data dan melibatkan penggunaan teknik statistik dan visualisasi untuk mengembangkan pemahaman yang lebih dalam tentang data dan kesesuaian untuk dianalisis. Tahap ketiga adalah Data Preparation yang meliputi data selection, data cleaning, data integration, feature engineering. Tahap keempat yaitu Modelling yaitu memilih teknik pemodelan yang paling tepat berdasarkan sifat analisis dan data yang digunakan, tahap kelima adalah Evaluation yaitu evaluasi yang dilakukan terhadap kualitas dan efektivitas satu atau model yang dikirim dalam fase pemodelan sebelum digunakan di lapangan. Dan perlu dilakukan verifikasi dan mendokumentasikan bahwa hasil yang diperoleh dari pemodelan memiliki kebenaran (cukup andal) untuk membuktikan apakah model tersebut benar-benar mencapai tujuan yang ditetapkan pada tahap pertama, yaitu tahap Business Understanding. Dan tahap Keenam yaitu Deployment, selama tahap deployment ini hasil evaluasi akan digunakan untuk menetapkan jadwal dan strategi penerapan model data mining, merinci langkah-langkah yang diperlukan dan bagaimana penerapannya.
Sumber: IAI, 2023
Big Data merupakan kumpulan data yang begitu besar dan kompleks sehingga sulit bahkan tidak mungkin untuk diproses dengan menggunakan “teknik perangkat lunak tradisional” (mengacu pada pemrosesan data pada satu komputer). Contoh Big Data adalah facebook (user login, likes, comments, google (search queries), gmail (emails sent), youtube (video watched). Seorang analis industri Doug Laney menyampaikan konsep Big Data yang terdiri tiga bagian penting, diantaranya :
- Volume, data dikumpulkan oleh organisasi dari berbagai sumber termasuk transaksi bisnis, media sosial dan informasi dari sensor atau mesin;
- Kecepatan (Velocity), data yang diperoleh harus ditangani dengan cepat dan tepat, baik melalui hardware (seperti tag RFID, sensor pintar lainnya), ataupun software;
- Variasi (Variety), pengumpulan data dengan format yang berbeda-beda, mulai dari yang terstruktur, data numerik dalam database tradisional, data dokumen terstuktur email, video, audio, transaksi keuangan dan lain-lain. Selain tiga bagian penting diatas, para peneliti Big Data juga menambahkan bagian yang termasuk penting lainnya
- Veracity, mengacu pada keakuratan atau kualitas data. Dengan berlalunya waktu, kebenaran atau kualitas data dapat menurun karena semakin banyak data yang dihasilkan.;
- Value, nilai dari data setelah dilakukan pengolahan data. Pentingnya penggunaan Big Data keterkaitan dalam hal pengambilan data dari sumber manapun sepanjang patuh hukum, kemudian data dianalisis sehingga pengambilan putusan dapat lebih cepat. Dengan adanya big data analysis membuktikan bahwa adanya alternatif baru yang inovatif yang dapat digunakan oleh auditor akibat kemajuan teknologi dari permintaan klien yang semakin berkembang.
Contoh Big data dapat membantu auditor dalam melakukan pemeriksaan bukti audit (Rokhman, Nur: 2021):
A. Bukti audit harus mempertimbangkan aspek kecukupan (Sufficiency)
- Audit proses produksi, auditor dapat meminta dokumen atau laporan sales forecasts dari manajemen, karena laporan tersebut dapat digunakan auditor untuk memahami volume produksi dan level inventory. Jika laporan sales forecast tidak tersedia atau kualitasnya sangat rendah sehingga tidak cukup untuk dijadikan bukti audit, auditor dapat menggunakan text analysis untuk menganalisis big data dari artikel di media massa (news article), product discussion forum dan social networks agar lebih memahami trend penjualan client nya. Oleh karenanya, big data dapat mendukung auditor dalam mengumpulkan bukti audit ketika bukti audit yang diperoleh melalui tradisional audit tidak mencukupi atau bukti audit berkualitas rendah.
- Kasus fraud. Untuk mendapatkan bukti audit terkait dengan kasus fraud ini dirasakan sangat sulit, karena bukti audit yang diperoleh harus dapat mendeskripsikan motivasi dan rasionalisasi seseorang untuk melakukan fraud. Motivasi dan rasionalisasi seseorang untuk melakukan fraud biasanya tercermin dalam gaya hidup, tingkah laku/conduct dan moral, aspek-aspek tersebut biasanya tidak terobservasi. Untuk mengatasi hal tersebut, auditor dapat mengevaluasi email pelaku fraud dalam menemukan motivasi seseorang bahkan termasuk rasionalisasinya, misalnya ketidakpuasannya dengan perusahaan tempat dia bekerja.
B. Bukti audit harus mempertimbangkan aspek relevansi (Relevance)
Auditor diharapkan memahami kondisi ekonomi makro terutama yang terkait dengan clientnya, dan juga diharapkan dapat menganalisis risiko bisnis client. Untuk dapat memahami kondisi ekonomi, auditor dapat menggunakan news article misalnya untuk memberikan indikasi atas prospek harga saham perusahaan dimasa depan, menganalisis kinerja keuangan dan perubahan perencanaan bisnis clientnya secara cepat.
Salah satu tantangan terkait dengan Big Data adalah penggunaan data analytics yaitu kegiatan untuk meneliti dan memeriksa data mentah untuk mendapatkan kesimpulan yang akurat berdasarkan data yang telah dikumpulkan. Tujuan data analytics adalah 1) mendapa insight dari sebuah set-data, 2) mengungkap rahasia hubungan, 3) mengungkap struktur terselubung, 4) menguji asumsi dan hipotesis, 5) mengidentifikasi variabel independen dan dependen, 6) mengidentifikasi anomali. Berdasarkan hasilnya, ada 3 (tiga) jenis data analytics (IAI, 2023) yaitu:
- Descriptive Analytics yaitu mencoba menjawab pertanyaan “apa yang terjadi di masa lalu?”. Descriptive anaytics ini berguna dalam menganalisis untuk belajar dari perilaku masa lalu dan memahami bagaimana mereka dapat mempengaruhi hasil di masa depan. Hal ini dapat diselesaikan dengan cara menggunakan “Pivot Tables” pada salah satu fitur di Microsoft Excel.
- Predictive Analytics, yaitu membangun model statistik dari data mentah yang diproses dengan tujuan dapat memperkirakan hasil di masa mendatang. Tipe analitik ini mencoba menjawab pertanyaan “apa yang terjadi di masa depan?”. Analisis predictive ini dapat diselesaikan dengan menggunakan “Analisis Regresi” pada fitur yang disediakan oleh Microsoft Excel. Contoh: Sistem rekomendasi yang dipakai di situs e-commerce Amazon. Dari data pengunjung dan pembelian, maka bisa diperkirakan barang apa saja yang pengunjung sekiranya tertarik untuk membeli.
- Prescriptive Analytics, yaitu pengembangan analitik prediktif untuk memperkirakan beberapa hasil di masa depan berdasarkan data masa lalu dan tindakan yang disarankan untuk menentukan tindakan terbaik yang dapat diambil. Tipe analitik ini membantu menjawab pertanyaan “Apa yang harus kita lakukan”. Analitik prescriptive ini mencoba mengukur pengaruh keputusan masa depan dengan memberi saran tentang kemungkinan hasil sebelum keputusan benar-benar dibuat. Analisis ini dapat menggunakan fitur “Goal Seek dan Solver” pada Microsoft Excel.
Banyak manfaat yang diperoleh dengan menggunakan big data, diantaranya:
- Mendukung perusahaan dalam meningkatkan penjualan,
- Meningkatkan efisiensi dan memperbaiki operasioanal perusahaan dan pelayanan kepada pelanggan,
- Meningkatkan kemampuan menangani manajemen risiko,
- Adanya tantangan dalam mengembangkan Big Data Analytics,
- Bagaimana memecahkan data dalam mengakses semua data organisasi yang disimpan di tempat penyimpanan dan sistem yang berbeda,
- Membuat platform yang dapat menarik unstructured data semudah menarik structured data.
Dengan adanya Big Data Analytics tidak hanya membantu untuk memahami informasi yang terkandung didalam data, tetapi juga membantu untuk mengidentifikasi data yang paling penting dalam proses audit sehingga dapat membantu organisasi atau perusahaan dalam mengambil putusan bisnis saat ini dan masa datang.