1
PENGGUNAAN PENGGUNAAN DATA MINING UNTUK MENDETEKSI KECURANGAN KECURANGAN DALAM AUDIT LAPORAN KEUANGAN Sanda Patrisia Komalasari 1620532002
Latar Belakang
Profesi akuntan khususnya auditor diharapkan akan menjadi bagian penjaga kepentingan publik yang akan memberikan jasanya dalam menguji informasi, sehingga informasi yang diberikan kepada publik benar-benar informasi yang akurat, benar dan dapat dimanfaatkan dalam proses pengambilan keputusan, khususnya dalam dunia ekonomi dan bisnis. Dalam proses pengambilan keputusan kualitas informasi yang diberikan haruslah akurat, benar, jujur, dan relevan. Jika informasi yang diberikan tidak benar maka keputusan yang dihasilkan juga tidak akan benar, sehingga akan menimbulkan kerugian pada berbagai pihak. Kerugian yang diakibatkan oleh penipuan laporan keuangan dalam skandal dunia bisnis belakangan ini berpengaruh besar pada industri keuangan, pasar modal, dan insvestor. Kompleksnya kasus penipuan laporan keuangan yang dilakukan oleh perusahaan besar seperti Enron, WorldCom, HealthSouth, HealthSouth, dan banyak banyak daftar lainnya membuat permintaan akan ugas ugas auditor semakin meningkat. Chintalapati dan Jyoutsna (2013) mengatakan bahwa tuntutan tugas audit hari ini telah telah meningkat, ada banyak bukti bahwa prektek akuntansi “book cooking” telah secara luas digunakan. Book cooking adalah cooking adalah ungkapan yang menggambarkan aktivitas kecurangan yang dilakukan oleh perusahaan untuk memalsukan laporan keuangan mereka (http://www.investopedia.com).. (http://www.investopedia.com) Secara ekonomi, kecurangan dalam laporan keuangan menjadi masalah yang semakin serius dan kemampuan untuk mendeteksi secara efektif kecurangan tersebut adalah tugas yang penting, namun kompleks bagi auditor. Prosedur audit tradisional tidaklah
cukup untuk
mendeteksi kecurangan. Keterbatasan prosedur audit tradisional menyarankan perlunya prosedur analisis data otomatis yang efektif ef ektif dalam mendeteksi kecurangan dalam pelaporan keuangan. Data mining adalah salah satu contohnya, Ia akan memberikan bantuan yang besar dalam mendeteksi kecurangan laporan keuangan (Chintalapati ( Chintalapati dan Jyoutsna, 2013). Data mining mengacu pada ekstraksi pengetahuan dari sejumlah besar data (Han dan Kamber, 2006). Turner and Weicknannt (2013) juga mengemukakan bahwa data mining adalah proses
SANDA PATRISIA KOMALASARI
1620532002 1620532 002
Sistem Informasi Akuntansi
2
mencari dan mengidentifikasi pola dalam data yang bisa digunakan untuk memprediksi perilaku masa depan. Dengan pola yang dibentuk dari data mining, auditor akan mampu untuk mendeteksi kecurangan atau mengatasi risiko yang akan timbul dimasa depan, karena sebagaimana yang telah disebutkan bahwa data mining dapat digunakan untuk memprediksi perilaku masa depan. Data mining meliputi akuisisi, pemuatan dan integrasi data, penerapan specialist data mining tools, dan akhirnya interpretasi manusia dalam menemukan makna dari pola yang terbentuk (Grey dan Debreceny, 2014).
Kecurangan dalam Laporan Keuangan.
Turner and Weicknannt (2013) menjelaskan beberapa hal mengenai kecurangan. Kecurangan adalah pencurian, penyembunyian, dan pengkonversian aset selain kas sepert i aset fisik dan informasi untuk kepentingan pribadi. Di dalam istilah kecurangan, ia membedakan antara penyalahgunaan aset dengan pensalah-sajian pada catatan keuangan. Penyalahgunaan aset melingkupi pencurian item/barang perusahaan yang bernilai. Hal ini juga mengacu pada penyalahgunaan kepercayaan yang telah diberikan, pencurian internal, dan pencurian kas atau persediaan. Sedangkan pensalah-sajian atas catatan keuangan melingkupi pemalsuan laporan akuntansi, hal ini biasanya mengacu pada praktek manajemen laba atau kecurangan pelaporan keuangan. Kecurangan yang akan dibahas dalam artikel ini hanya terkait pada kecurangan pada catatan keuangan yakni laporan keuangan. Kecurangan pelaporan keuangan biasanya merupakan kecurangan yang dilakukan oleh manajer perusahaan, dimana ia dengan sengaja mensalah sajikan laporan keuangan agar terlihat baik, sehingga harga saham meningkat dan manjer akan mendapatkan kompensasi atas kejadian itu. Manajer juga dapat dengan sengaja menyalahsajikan laporan keuangan karena ingin menunda masalah aliran kas atau kebangkrutan. Biasanya kecurangan laporan keuangan akan melingkupi melebih-lebihkan nilai pendapatan dan aset, mengecil-ngecilkan nilai beban dan hutang, atau menyalahgunakan prinsip-prinsip akuntansi. Kecurangan biasanya terjadi karena adanya 3 faktor berikut, yakni adanya insentif, peluang, dan rasionalisasi. Ketiga faktor tersebut biasanya dikenal sebagai segitiga kecurangan. Berikut ini adalah penjelasannya :
SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
3
1. Adanya insentif untuk melakukan kecurangan, insentif atau tekanan tertentu dapat menyebabkan seseorang untuk melakukan kecurangan. Manajer mungkin mendapatkan tekanan keuangan, tekanan pasar, atau tekanan karena ketakutakan akan kegagalan menciptakan hubungan kerja, sehingga dia terdorong untuk memanipulasi laporan keuangan. 2. Peluang untuk melakukan kecurangan, peluang ini biasanya adalah sebuah keadaan yang menyediakan akses terhadap aset atau pencatatan. Manajer sebagai pemegang kendali atas pengendalian internal perusahaan dan sebagai pihak yang bertanggung jawab atas laporan keuangan memiliki akses yang sangat besar atas proses pelaporan keuangan. 3. Rasionalisasi terhadap aksi kecurangan, dalam hal ini pelaku kecurangan membenarkan perilaku curang mereka, hal ini terjadi karena pelaku kecurangan tersebut tidak memiliki karakter moral yang baik dalam dirinya. Ketika melakukan kecurangan, manajer mungkin beranggapan bahwa suatu saat nanti mereka dapat membayar kejahatan yang telah mereka perbuat hari ini, atau anggapan bahwa perusahaan berutang kepada mereka atau karena anggapan bahwa manipulasi laporan keuangan adalah baik bagi perusahaan.
Data Mining dan Pengelompokannya
Data mining mengacu pada ekstraksi pengetahuan dari sejumlah besar data (Han dan Kamber, 2006). Turner and Weicknannt (2013) mengatakan bahwa data mining adalah proses mencari dan mengidentifikasi pola dalam data yang bisa digunakan untuk memprediksi perilaku masa depan. Grey dan Debreceny (2014) mengelompokkan pendekatan atas data mining menjadi dua kelompok besar, yaitu pendekatan terarah (atau pendekatan atas ke bawah) dan tidak terarah (pendekatan dari bawah ke atas). Beberapa contoh dari pendekatan data mining terarah yaitu klasifikasi, estimasi, dan prediksi, sedangkan untuk pendekatan data mining tidak terarah terdiri dari pengelompokan afinitas, clustering dan deskripsi dan visualisasi. Berikut adalah penjelasan dari beberapa contoh tersebut :
SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
4
1. Klasifikasi : Klasifikasi yaitu mengembangkan seperangkat aturan berdasarkan data yang ada untuk secara tepat mengklasifikasi objek baru kedalam klasifikasi yang relatif terpisah. Misalnya, teknik klasifikasi untuk mengkategorikan klien audit sebagai klien yang memiliki risiko yang rendah, sedang, atau tinggi, yang berdasarkan pada serangkaian variabel independen seperti variabel laporan keuangan, pergerakan harga saham dan volume. Sharma dan Panigrahi (2012) meyebutkan beberapa teknik klasifikasi yang umum yaitu neural networks, Naive bayes, decision trees and support vector machines. 2. Estimasi : Ketika teknik klasifikasi digunakan untuk hasil yang relatif diskrit, maka teknik estimasi menggunakan variabel kontinyu. Misalnya, daripada mengkategorikan risiko sebagai risiko rendah / sedang / tinggi, teknik estimasi akan menghasilkan skor risiko (mis, dari 0 sampai 10). Estimasi ini kemudian akan mengklasifikasikan objek, melalui teknik yang mirip dengan regresi logistik. Misalnya, klien berisiko tinggi memiliki skor risiko lebih dari 7,5. Estimasi dapat digunakan untuk menentukan peringkat objek populasi dan mengembangkan skor ambang batas. Sebagai contoh, semua klien audit yang memiliki skor di atas nilai ambang batas sebesar 8 harus memiliki auditor forensik yang ditugaskan untuk audit. 3. Prediksi : Klasifikasi dan estimasi adalah teknik data mining yang digunakan untuk mengungkapkan karakteristik variabel yang sebelumnya diidentifikasikan dalam dataset. Saat menggunakan teknik klasifikasi dan estimasi, pengguna tidak berusaha untuk menguji kebenaran hasilnya. Sebaliknya, tujuan prediksi data mining adalah menguji hipotesis secara sistematis dan juga untuk menemukan outlier (titik merah) di mana faktor berada di luar kisaran yang diperkirakan. Sharma dan Panigrahi (2012) mengatakan bahwa Neural networks dan logistic model prediction adalah teknik yang paling umum digunakan untuk alat prediksi. 4. Pengelompokan afinitas: Tujuan pengelompokkan afinitas adalah untuk menemukan hubungan antara variabel dalam kumpulan data. Tidak ada variabel dependen dan independen tertentu. Analis data mencari hubungan yang tidak diketahui sebelumnya antar variabel. Dalam audit, teknik data mining dapat digunakan untuk menemukan hubungan dalam populasi journal entry yang diberikan kepada auditor. Contoh pengelompokan afinitas semacam itu bisa berupa journal entry yang terkait antara properti, pabrik dan peralatan dan pemeliharaan pabrik. Auditor akan menyelidiki journal entry yang berada di luar pengelompokkan afinitas yang diharapkan. Hubungan tersebut juga bisa membangun data yang mengikuti urutan tertentu seperti pola temporal. Pola mining berurutan mencari hubungan dalam kaitannya dengan urutan peristiwa terkait. Kelas data mining ini memiliki SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
5
implikasi yang jelas untuk mengidentifikasi pola, misalnya serangkaian transfer antar akun yang tidak tepat namun kecil. 5. Clustering : Tujuan dari clustering adalah untuk mengelompokkan variabel menjadi subkelompok berdasarkan hubungan dalam kumpulan data. Tujuan klasifikasi dan clustering adalah sama. Implementasi dan hasilnya sangat berbeda. Dalam pendekatan klasifikasi, subkelompok memiliki kelas yang telah ditentukan berdasarkan variabel yang telah dipilih sebelumnya. Sebaliknya, dalam pendekatan clustering, subkelompok tidak dipilih sebelumnya. Auditor harus menafsirkan makna dasar subpengelompokan dalam clustering menggunakan pengetahuan mereka tentang model akuntansi dan model bisnis yang dipekerjakan oleh klien. Dalam satu set jurnal entry, clustering akan mengidentifikasi kelompok jurnal yang diharapkan. Contoh cluster semacam itu adalah entri yang melibatkan pendapatan penjualan, piutang, biaya produk, dan inventaris. 6. Deskripsi dan visualisasi: Tujuan umum dari data mining adalah untuk menemukan statistik deskriptif yang menarik dalam database. Seperti clustering dan pengelompokkan afinitas, akan tergantung pada auditor untuk menafsirkan hasil nya. Namun, ini adalah titik awal yang baik bahwa hasil data mining ini akan memotivasi auditor untuk melakukan pengumpulan data yang lebih terfokus - bahkan mengarahkan data mining - untuk membuktikan atau membantah interpretasi awal hasil deskriptifnya.
Penggunaan Data Mining Dalam Audit.
Dalam beberapa tahun terakhir, khususnya karena semakin difungsikannya lingkungan virtual, menyebabkan terjadinya peningkatan yang besar dalam jumlah data baik pada entitas tingkat global maupun ekonomi. Data-data tersebut berasal dari beragam sumber, seperti kontrak, interaksi dengan pelanggan, call center, media sosial, telepon, email, faksimile, dan lain-lain (Banarescu, 2015). Dengan semakin menigkatnya jumlah data tersebut, khususnya pada lingkungan virtual, maka permintaan akan tugas audit untuk dapat mendeteksi kecurangan dalam laporan keuangan juga akan meningkat. Chintalapati dan Jyoutsna (2013) mengatakan bahwa prosedur audit tradisional tidaklah cukup untuk mendeteksi kecurangan. Keterbatasan prosedur audit tradisional menyarankan perlunya prosedur analisis data tambahan yang dapat secara otomatis dan efektif untuk mendeteksi kecurangan dalam pelaporan keuangan. Laporan ACFE 2014 dalam Banarescu (2015) menyimpulkan bahwa aplikasi otomatis analisis data sangat berguna dalam mendeteksi kecurangan, sebagaimana yang telah ditemukan bahwa Organisasi yang menggunakan pemantauan / analisis data proaktif mengalami penurunan kerugian akibat kecurangan sebesar SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
6
59,7% dibandingkan dengan perusahaan yang tidak menggunakan. Data mining adalah salah satu contoh dari alat yang dapat digunakan untuk analisis data otomatis sebagaimana yang dikatakan oleh Chintalapati dan Jyoutsna (2013) bahwa data mining akan memberikan bantuan yang besar dalam mendeteksi kecurangan laporan keuangan ( Chintalapati dan Jyoutsna, 2013). Grey dan Debreceny (2014) mengatakan bahwa data mining adalah tentang menemukan pola, aturan, atau model berdasarkan satu atau beberapa populasi data. Hasilnya (pola, aturan, atau model) digunakan untuk memprediksi hasil di masa depan. Hasil aktual yang berada di luar rentang perkiraan atau pola adalah red flag yang harus diselidiki oleh auditor. Data mining akan berguna bagi auditor dalam setiap fase auditnya, sebagaimana yang akan dijelaskan sebagai berikut : 1. Memahami Klien Mengembangkan pemahaman tentang klien merupakan aspek kunci dari perencanaan audit. Sebagai bagian dari tahap awal proses perencanaan, auditor harus memahami berbagai faktor risiko terkait klien, termasuk struktur kepemilikan dan organisasi, Mitra bisnis dan hubungan dengan pihak terkait dengannya, dan lingkungan tempat klien beroperasi. Mengingat kompleksitas klien audit yang khas dalam hal proses bisnis, struktur organisasi, dan hubungan mitra bisnis, ada potensi untuk memanfaatkan alat dan teknik pengumpulan data untuk meningkatkan daya analitis auditor atas data kinerja klien, hubungan eksternal, dan jaringan. Biasanya, sebagian besar data mining pra-audit ini akan berfokus pada laporan keuangan terbitan, siaran pers dan analisis, laporan analis, harga saham, peraturan, dan laporan kinerja internal perusahaan. 2. Merencanakan Audit Detail perencanaan audit berbasis risiko akan mengikuti penilaian risiko terhadap klien. Sebagai bagian dari proses perencanaan, auditor biasanya akan melakukan berbagai prosedur analitis untuk mengembangkan ekspektasi saldo akun yang terealisasi seperti tingkat hutang, pendapatan tunai, dan tingkat akrual. Seringkali auditor akan melakukan analisis rasio yang relatif sederhana terhadap laporan keuangan. Penggunaan data mining yang menggabungkan analisis data eksternal yakni tren nasional dan industri dengan data klien dapat membuat fase audit ini lebih efektif dan efisien. 3. Merencanakan prosedur terkait dengan kecurangan Auditor diwajibkan untuk mengkaji risiko kecurangan dalam proses perencanaan audit secara metodis, termasuk melakukan brainstorming aktif antara tim audit. Dalam merencanakan audit, auditor juga harus melakukan prosedur anali tik yang berkaitan dengan pendapatan dengan tujuan untuk mengidentifikasi hubungan yang tidak biasa atau tidak SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
7
terduga yang melibatkan akun pendapatan yang dapat mengindikasikan salah saji material karena laporan keuangan yang tidak benar. Contohnya adalah membandingankan volume penjualan dengan jumlah pendapatan yang tercatat dan kapasitas produksi. Volume penjualan yang melebihi kapasitas produksi mungkin mengindikasikan penjualan yang ketat. Contoh tersebut dilakukan dengan alat data mining. Bagian penting lainnya dari tahap perencanaan adalah mempertimbangkan risiko yang timbul dari kelemahan dalam pengendalian internal untuk mencegah kecurangan. Sebagai bagian dari komitmen auditor untuk memantau efektivitas pengendalian internal, klien sering menyiapkan matriks asertif untuk menilai risiko dan kontrol kunci untuk pengujian selanjutnya 4. Mengumpulkan bukti atas pengendalian Setelah tahap perencanaan, pengumpulan bukti audit dimulai. Aspek kunci dari proses ini adalah menilai efektivitas operasi pengendalian internal. Proses mining pada operasi pengendalian internal sepanjang siklus operasi merupakan aplikasi potensial data mining. Proses mining biasanya beroperasi pada log sistem, misalnya, sistem ERP yang mendukung buku besar umum. 5. Mengumpulkan bukti kecurangan Saat melakukan pekerjaan audit, auditor melakukan prosedur substantif, beberapa di antaranya berhubungan secara khusus dengan deteksi kecurangan. Misalnya prosedur analitis substantif mengenai pendapatan, yaitu dengan membandingkan pendapatan yang dilaporkan per bulan dan lini produk atau segmen bisnis. 6. Menyimpulkan hasil audit, review dan pelaporan Auditor diwajibkan untuk mengevaluasi kemungkinan salah saji material karena kecurangan pada atau di dekat selesainya pekerjaan lapangan menanggapinya dengan tepat. Tanggapan ini mungkin termasuk mengevaluasi ulang penggunaan prosedur data mining yang ditolak sebelumnya. Sebagaimana yang telah diuraikan diatas, sangat penting bagi auditor untuk dapat memanfaatkan data mining dalam setiap proses auditnya, sebagaimana yang dikemukakan oleh Jans et al . (2013) bahwa sangat penting bagi auditor untuk memanfaatkan kemampuan proses yang ditawarkan oleh data mining dalam proses audit, karena: 1. Proses mining menganalisa seluruh populasi data dan bukan sekedar sampel. 2. Secara kritis data terdiri dari meta data, yaitu data yang dimasukan secara independen dari tindakan auditee yang tidak hanya data yang dimasukan oleh auditee.
SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
8
3. Proses mining memungkinkan auditor memiliki cara yang lebih efektif untuk menerapkan model risiko audit dengan cara yang efektif dalam melakukan langkah-langkah proses yang diperlukan dan melakukan prosedur analitik. 4. Proses mining memungkinkan auditor untuk melakukan analisis yang tidak mungkin dilakukan dengan alat audit yang ada, seperti menemukan proses bisnis yang keluar dari praktik, dan mengidentifikasi hubungan sosial antar individu. Gray dan Debreceny (2014) memberikan informasi bahwa pada saat ini penggunaan data mining sebagai alat audit laporan keuangan telah mengalami peningkatan, hal itu dikarenakan konvergensi beberapa faktor berikut, yakni : a. Meningkatkan penekanan pada deteksi kecurangan dalam audit oleh regulator dan standar setter, yang memberikan motivasi untuk mengidentifikasi dan menggunakan alat untuk meningkatkan produktivitas auditor b. Meningkatnya penggunaan alat data mining sebagai alat forensik di dalam akuntansi perusahaan c. Evolusi peralatan data mining yang lebih kuat dan mudah digunakan.
Perhatian dalam Penerapan Data Mining
Chintalapati dan Jyoutsna (2013) dan Banarescu (2015) mengatakan bahwa untuk mendeteksi kecurangan dengan menggunakan prosedur analitis otomatis seperti data mining membutuhkan sistem yang harganya mahal, oleh sebab itu penting bagi auditor maupun perusahaan untuk memperhitungkan biaya deteksi kecurangan dengan biaya perilaku curang, karena menghentikan kecurangan beberapa dolar bisa memerlukan sistem yang sangat mahal.
Kesimpulan
Maraknya kasus kecurangan laporan keuangan yang dilakukan oleh perusahaan dan semakin meningkatnya jumlah data yang beredar menambah kompleksitas pekerjaan auditor. Prosedur audit tradisional tidak lagi mampu untuk menyelesaikan pekerjaan auditor hari ini, sehingga dibutuhkan sebuah alat analisis data otomatis yang efektif untuk mendeteksi kecurangan dalam laporan keuangan yang merupakan bagian penting dari pekerjaan audit. Salah satu contoh alat itu adalah penggunaan data mining. Untuk menggunakan data mining dibutuhkan sistem yang canggih yang mengeluarkan biaya yang relatif tidak murah, sehingga sangat penting untuk mempertimbangkan biaya dan manfaat dari penggunaannya.
SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
9
Daftar Pustaka
Banarescu, Adrian. 2015. “Detecting and Preventing Fraud with Data Analytic”. Procedia Economic and Finance. Chintalapati, S Sowjanya & G.Jyotsna. 2013. “Application of Data Mining Technique for Financial Accounting Fraud Detection Scheme”. International Journal of Advanced Research in Computer Science and Software Engineering . Vol: 3 Gray, Glen L & Roger S. Debr eceny. 2014. “A taxonomy to Guide Research on The Application of Data Mining to Fraud detection in Financial Statement Audits”. International Journal of Accounting Information Systems. Han, Jiawei & Micheline Kamber. 2006. Data Mining : Concepts and Technique. San Francisco: Morgan Kaufmann. Jans, Mieke et al. 2013. “The Case for Process Mining in Auditing: Sources of Value Added and Areas of Application”. International Journal of Accounting Information Systems. Kadam, Sahil & Manan Raval. 2014. “Data Mining in Finance”. International Journal of Engineering Trends and Technology. Vol: 16 Sharma, Anuj & Prabin Kumar Panigrahi. 2012. “A Riview of Financial Accounting Fraud Detection based on Data Mining Technique”. International Journal of Computer Applications. Vol.39 Turner, Leslie & Andrea Weickgenannt. 2013. Accounting Information System: Controls and Processes. United States of America: Courier Kendallville Inc.
SANDA PATRISIA KOMALASARI
1620532002
Sistem Informasi Akuntansi
