Benford Law

Benford Law, juga disebut Newcomb-Benford Law, hukum angka anomali, atau hukum digit pertama, adalah pengamatan tentang distribusi frekuensi digit utama dalam banyak set data numerik kehidupan nyata. Bila kita membaca koran atau suatu kumpulan data di internet, bagaimana kita menentukan keaslian data tersebut? Apakah data tersebut asli berdasarkan hasil pengukuran ataukah hasil karangan semata? Di dalam matematika terdapat metode-metode untuk menentukan keaslian suatu data. Salah satu metode ini didasarkan pada frekuensi kemunculan digit pertama. Pada tahun 1938, seorang fisikawan bernama Frank Benford menemukan bahwa kemunculan angka 1 pada digit pertama suatu data acak lebih sering dari angka 2, angka 2 lebih sering dari angka 3 dan seterusnya. Frekuensi kemunculan suatu angka akan mengecil seiring bertambah besarnya angka di digit pertama. Benford’s Law dapat digunakan untuk memprediksi frekuensi kemunculan sebuah angka dalam serangkaian data numerik. Berdasarkan kemampuannya dalam menganalisis anomali data pada sebuah data set, Benford’s Law banyak digunakan dalam berbagai bidang.

Benford Law menunjukkan bagaimana diterapkan pada data pasar saham, statistik sensus, data akuntansi dan mencatat bahwa distribusi Benford ini, seperti distribusi normal, merupakan fenomena empiris diamati. bukti Hill bergantung pada Fakta bahwa angka-angka dalam set yang sesuai dengan distribusi Benford yang generasi kedua distribusi, yaitu, kombinasi dari distro lain.

Keputusan Benford Law Dalam Pemeriksaan Data Akuntansi

Auditor telah lama diterapkan berbagai bentuk analisis digital saat melakukan analisis Prosedur. Benford Law sebagai diterapkan auditing hanyalah sebuah bentuk yang lebih kompleks analysis. Varian seorang ekonom, menunjukkan bahwa Benford Law dapat digunakan sebagai uji kejujuran atau validitas data ilmiah konon acak dalam konteks ilmu sosial, tidak dijemput oleh akuntan sampai akhir 1980-an. Pada saat itu, dua studi mengandalkan digital analisis untuk mendeteksi manipulasi laba.

Ketika auditor memilih untuk menggunakan analisis digital dalam upaya untuk mendeteksi fraud Seharusnya dipertimbangkan dahulu, dimana jenis akun mungkin analisis Benford diharapkan untuk menjadi efektif, Sementara sebagian besar set data akuntansi yang terkait sesuai dengan distribusi Benford karena analisis digital hanya efektif bila diterapkan untuk sesuai set, auditor harus mempertimbangkan  satu set data tertentu harus diharapkan untuk jatuh ke dalam distribusi Benford sebelum melakukan analisis digital.

Penggunaan Digital analisis

  1. Memilih Set datayang kapan untuk di analisis

Sebagian besar data yang berhubungan dengan akuntansi dapat diharapkan untuk menyesuaikan diri dengan distribusi Benford, akan menjadi kandidat yang tepat untuk analisis digital Seperti halnya karena khas akun terdiri dari transaksi yang dihasilkan dari kombinasi angka, Hasil dari analisis Benford lebih dapat diandalkan jika seluruh akun dianalisis lebih dari sampel akun. Hal ini karena semakin besar jumlah transaksi atau item dalam kumpulan data, semakin akurat analisis. Selain pertimbangan auditor dalam menentukan populasi cocok dengan distribusi Benford menunjukkan bahwa mean dari set lebih besar dari pada median dan nilai skewness positif, data set kemungkinan mengikuti Benford distribusi, bahwa semakin besar rasio mean dibagi dengan median, semakin erat set akan mengikuti hukum Benford ini. Hal ini berlaku sejak pengamatan dari distribusi Benford memiliki dominasi nilai-nilai kecil. Kesulitan dalam mengandalkan hanya pada tes tersebut sebagai proses penyaringan, sebelum menerapkan analisis digital.

  1. Menafsirkan Hasil Tes statistik

Konsep yang mendasari harus dipertimbangkan ketika memutuskan analisis digital seberapa efektif berdasarkan hukum Benford ini mungkin. Pertama, efektivitas analisis digital menurun karena tingkat entri terkontaminasi tetes, dan tidak semua rekening yang mengandung penipuan mengandung sejumlah besar transaksi penipuan. Kedua, dalam banyak kasus akun diidentifikasi sebagai non-conforming tidak mengandung penipuan. Analisis digital membandingkan jumlah sebenarnya item diamati yang diharapkan dan menghitung penyimpangan.

  1. Keterbatasan Berdasarkan Jenis Penipuan

Tes analisis Benford untuk transaksi penipuan berdasarkan pada apakah digit muncul di tertentu tempat di angka dalam proporsi yang diharapkan. Oleh karena itu, penyimpangan yang signifikan dari harapan terjadi di bawah dua kondisi, Setiap tindakan akan mengakibatkan penyimpangan diamati dari harapan, memberikan nomor relatif terhadap sampel yang cukup besar untuk deteksi statistik. Karena itu, ketika penipuan adalah seperti yang transaksi tidak pernah tercatat (yaitu, off-the-buku penipuan) Selain itu, jenis-jenis penipuan ada yang tidak dapat dideteksi dengan analisis Benford karena set data pemeriksaan yang tidak sesuai untuk analisis tersebut.

Analisis Benford bila digunakan dengan benar, adalah alat yang berguna untuk mengidentifikasi rekening tersangka untuk analisa lebih lanjut. Karena kegunaannya, alat analisis digital berdasarkan hukum Benford ini sekarang sedang dimasukkan dalam banyak paket perangkat lunak populer (misalnya, ACL dan CaseWare 2002) dan sedang disebut-sebut dalam pers populer. Analisis Benford sangat berguna alat analisis karena tidak menggunakan data agregat, melainkan dilakukan pada spesifik account menggunakan semua data yang tersedia. Hal ini dapat sangat berguna dalam mengidentifikasi akun tertentu untuk analisis lebih lanjut dan penyelidikan.

Referensi

  • ACL untuk Windows. 2001. Versi 7, Workbook, Vancouver: ACL: Jasa, Ltd
  • 2017. Penggunaan Efektif Hukum Benford. Kompas
  • Google – Images

IER