Oleh : Levana Dhia Prawati

Seiring dengan perkembangan teknologi informasi, sulitnya pengendalian perusahaan dengan volume transaksi yang tinggi, meningkatnya tindakan kecurangan para pelaku bisnis, dan skandal di perusahaan-perusahaan besar internasional mengungkapkan kebutuhan akuntansi forensik. Berdasarkan hasil investigasi fraud yang dilakukan oleh Association of Certified Fraud Examiners (ACFE), auditor dapat menentukan transaksi fraud rata-rata sebesar 10-12%. Berkat perkembangan teknologi dan informasi, program audit yang efektif dan anti Fraud telah dilaksanakan dan fasilitas investigasi Fraud saat ini telah tersedia. Dalam lingkungan digital saat ini, metode tradisional untuk mendeteksi operasi yang curang tidak cukup, dan penggunaan teknik yang dibantu komputer dan teknologi diperlukan dalam data dan struktur teknologi dalam jumlah besar (Pearson & Singleton, 2008).

Akuntan forensik dengan cermat memeriksa apakah transaksi keuangan entitas mematuhi hukum dan prinsip akuntansi yang berlaku umum tanpa membuat asumsi (Nunn et al., 2006, hal. 2). Akuntan forensik tidak tertarik untuk memberikan gambaran umum tentang keseluruhan laporan keuangan seperti yang dilakukan oleh auditor independen; Sebaliknya, mereka mencoba mencari informasi nyata tentang apa yang dicurigai atau diketahui, oleh siapa, bagaimana, untuk alasan apa, dan jenis korupsi atau penipuan tersebut (Gerson, Brolly, & Skalak, 2006, hal 22).

Akuntan forensik cenderung menggunakan metode pengambilan sampel penemuan, yang didasarkan pada penentuan ukuran sampel dan yang setidaknya dapat sekali mengungkapkan penyimpangan dari kualitas yang diperkirakan dalam tingkat keamanan tertentu. Selain itu, akuntan forensik dapat menyelidiki semua transaksi yang terkait dengan pihak ketiga tertentu, seperti semua transaksi yang disetujui oleh personel yang bertanggung jawab, semua transaksi yang terkait dengan pihak ketiga tertentu dalam periode yang relevan, transaksi yang terkait dengan jumlah uang yang luar biasa, sebagai serta meninjau semua transaksi dan komunikasi utama melalui penggalian data dan meninjau email. Akuntan forensik dapat menggunakan semua kontrak yang dibuat oleh orang tertentu tanpa batasan apapun untuk memperoleh informasi spesifik tertentu, database catatan publik, email perusahaan, dan wawancara dengan orang dari luar atau luar perusahaan, informasi dari pengacara, atau akuntansi perusahaan. catatan sebagai sumber informasi. Selain itu, informasi yang diperoleh dari model matematika, seperti Hukum Benford, Faktor Ukuran Relatif, Data Mining, dapat digunakan dalam akuntansi forensik sebagai sumber informasi terhadap transaksi curang (Ranallo, 2006, hlm. 114–116) . Akuntan forensik akan mengetahui bahwa angka yang dibuat dengan Hukum Benford akan memiliki urutan yang berbeda dari angka acak atau valid. Dalam model matematika ini, yang didasarkan pada perbandingan frekuensi jumlah kejadian (frekuensi) dan angka pertama dalam dunia akuntansi nyata yang digunakan di perusahaan dengan database besar, ada risiko kecurangan akuntansi jika frekuensi – cies didistribusikan dalam bentuk yang tidak sesuai dengan Hukum Benford. Berkat Faktor Ukuran Relatif, akuntan forensik akan dapat mengidentifikasi pencilan atau data tidak biasa yang mungkin terjadi karena kesalahan atau penipuan. Melalui penambangan data, mereka akan dapat menyelidiki data dalam jumlah besar untuk mengungkapbelum ditemukan sebelumnya informasi yang, tren tersembunyi, dan hubungan yang kompleks. Dengan bantuan model matematika ini, entry transaksi yang tidak biasa, nilai variabel yang sangat tinggi dan rendah, transaksi akuntansi yang disimpan dalam berbagai file, dan nilai yang tidak dapat dijelaskan untuk dua atau lebih catatan, yang tidak dapat dikaitkan satu sama lain, dapat ditentukan (Grubor , Ristic, & Simeunovic, 2013, hlm. 2–3; Panigrahi, 2006, hlm. 1427).

Jaringan saraf tiruan, yang merupakan salah satu metode penambangan data, sering digunakan untuk mendeteksi pelaporan keuangan yang curang. Jaringan saraf tiruan bersifat multivariat dan teknologi kecerdasan buatan menghasilkan hasil yang sukses dalam situasi di mana terdapat interaksi yang kompleks antara variabel atau jika tidak ada satu set solusi. Jaringan saraf tiruan digunakan untuk menentukan hubungan antara proses dalam kumpulan data dan mengklasifikasikan, mengevaluasi, memprediksi, dan mengontrol operasi ini (Coakley & Brown, 2000, p. 119). Dalam beberapa studi literatur, keberhasilan klasifikasi yang benar dari model jaringan saraf tiruan dimulai dari 75% dan mencapai hingga 100%. Efektivitas teknik klasifikasi data mining dalam menentukan perusahaan yang menerbitkan laporan keuangan yang mengandung kecurangan telah diteliti dan faktor-faktor yang terkait dengan laporan keuangan yang mengandung kecurangan telah ditentukan dalam penelitian yang dilakukan oleh Kirkos, Spathis, dan Manolopoulos (2007). Studi ini menunjukkan manfaat Decision Trees, Artificial Neural Networks, dan Bayesian Belief Networks dalam mendefinisikan laporan keuangan yang mengandung kecurangan. Model Decision Tree telah secara akurat mengklasifikasikan semua kasus non-fraud (100%) dan 35 kasus fraud dari 38 (92%). Model kecerdasan buatan telah mengklasifikasikan semua kasus dengan benar (76) pada tingkat 100%. Jaringan kepercayaan Bayesian mengklasifikasikan 72 kasus dengan benar (kinerja 95%). Secara khusus, itu dengan benar mengklasifikasikan 37 kasus penipuan (97%) dan 35 kasus non-penipuan (92%). Dalam studi yang diadakan oleh Liou (2008), perbedaan dan persamaan antara pelaporan keuangan yang curang dan model prediksi kegagalan bisnis, variabel deskriptif, dan metodologi telah diselidiki dalam hal aspek yang paling efektif. Dalam hal akurasi keseluruhan, terlihat bahwa regresi logistik dan jaringan saraf telah mengklasifikasikan dengan benar semua perusahaan palsu / gagal. Secara khusus, regresi logistik berkinerja lebih baik daripada pendekatan jaringan saraf dalam menentukan pelaporan keuangan dan perkiraan kegagalan bisnis.

Big Data, Hukum Benford, pencitraan elektronik, dan teknik penggalian data berguna dalam deteksi penipuan dan konsultasi litigasi. Akuntan forensik harus sangat berhati-hati saat berurusan dengan bukti elektronik. Bukti yang tepat untuk esensi acara dan tidak ternoda diperlukan agar berada di pihak yang menang di ruang sidang. Akuntan forensik harus memiliki pemahaman dasar tentang aturan pengumpulan dan evaluasi bukti dan menerapkannya (Crumbley et al., 2015).

Di bidang akuntansi forensik, selain model matematika ini, fokusnya adalah pada proses atau peristiwa yang tampak tidak biasa dalam hal waktu, frekuensi, tempat, jumlah, pihak, atau orang saat mengadakan penelitian palsu. Selain itu, budaya perusahaan dan sistem penghargaan, yang dapat menyebabkan pengendalian internal yang diabaikan oleh manajemen senior atau dilakukan tanpa perhatian yang cukup, motivasi karyawan yang rendah, kesukaan pekerjaan, dan perilaku tidak etis juga dapat diperiksa (Clayton, 2006, hal. 305).

Referensi

Coakley, J. R., & Brown, C. E. (2000). Artificial neural networks in accounting and finance: Modeling issues, international journal of intelligent systems in accounting. Finance & Management, 9(2), 119–144.

Clayton, M. M. (2006). Investigative techniques. Im Golden, T. W., Skalak, S. L., & Clayton, M. M. (Eds.), A guide to forensic accounting investigation. Hoboken: John Wiley & Sons, Inc.

Crumbley, L., Heitger, L. E., & Smith, G. S. (2015). Forensic and investigative accounting (7th Ed.). USA: Wolters Kluwer.

Gerson, J. S., Brolly, J. P., & Skalak, S. L. (2006). The roles of the auditor and the forensic account- ing investigator. In Golden, T. W., Skalak, S. L., & Clayton, M. M (Eds.), A guide to forensic accounting investigation (pp. 21–46), Hoboken: John Wiley & Sons, Inc.

Grubor, G., Ristic, N., & Simeunovic, N. (2013). Integrated forensic accounting investigative process model in digital environment. International Journal of Scientific and Research Publications, 3(12), 1–9.

Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraud- ulent financial statements. Expert Systems with Applications, 32, 995–1003.

Liou, F. M. (2008). Fraudulent financial reporting detection and business failure prediction models:

Nunn, L., Mcguire, B. L., Whitcomb, C., & Jost, E. (2006). Forensic accountants: Financial investiga- tors. Journal of Business & Economics Research, 4(2), 1–6.

Panigrahi, P. K. (2006). Discovering fraud in forensic accounting using data mining techniques. The Chartered Accountant, 1426–1430. http://220.227.161.86/102541426-1430.pdf.

Pearson, T. A., & Singleton, T. W. (2008). Fraud and forensic accounting in the digital environment. Issues in Accounting Education, 23(4), 545–559.

Ranallo, L. F. (2006). Forensic investigations and financial audits: Compare and contrast. In Golden,T. W., Skalak, S. L., & Clayton, M. M. (Eds.), A guide to forensic accounting investigation. Hoboken, NJ: John Wiley & Sons, Inc.

Image Sources: Google Image

LDP