Vona Chapter 5

Perusahaan sekarang ini menginput jutaan transaksi setiap tahun. Semua pengujian
transaksi tersebut mind-boggling atau membingungkan. Sehingga, auditor
melakukan sampling untuk melakukan pengujian dan identifikasi fraud. Dengan
adanya fraud data mining, auditor dapat menguji seluruh populasi transaksi dan
memilih sampel untuk menguji pengendalian dan mengidentifikasi fraud.
Data mining merupakan penggunaan ekstraksi software untuk menguji data.
Bentuknya dapat berupa wawancara terstruktur atau penghakiman ulasan atas
jurnal akuntansi. Fraud data mining merupakan proses mendapatkan dan
menganalisis data transaksi untuk mengidentifikasi anomaly atau bentuk indikasi
dari skema spesifik fraud. Teknik yang digunakan adalah analitis dan intuitif. Analitis
karena auditor dapat menghubungkan data yang tersedia dengan skema fraud
tertentu. Intuitif, karena auditor menginterpretasi transaksi yang bentuknya
berhubungan dengan skema fraud.
Dengan analisis data dalam aturan logis step-by-step, skema fraud tertentu melekat
pada sistem bisnis yang dapat dikenali. Tahapannya adalah memetakan database
menuju profil data fraud; penggunaan teori pengecualian dan penyertaan untuk
menghaluskan data, sampling desain pertimbangan, dan pengembangan pencarian
rutin. Penggunaan data mining dilakukan tanpa progress logis dalam menganalisis
data sama seperti Internet Surfing.
Kesalahan auditor adalah seringkali mengira bahwa mereka dapat menghasilkan
satu laporan yang akan merangkum transaksi fraud. Realitasnya, prosesnya adalah
proses yang berjalan melingkar membutuhkan auditor secara kontinu menilai data
dan menunjukkan analisis yang tidak biasa, dalam pernyataan mereka, seperti
penilaian tambahan.
(Vona, 20: 69-70)
Fokus data mining adalah penyertaan transaksi dan pengecualian transaksi.
Tujuannya adalah menemukan angka yang berlainan yang dapat diuji menggunakan
prosedur fraud audit. Apabila satu transaksi fraud ditemukan bersamaan dengan
transaksi dengan angka yang berbeda, audit plan akan mendikte bahwa sampel
diperluas. Esensinya, auditor sedang menggambarkan lukisan dari skenario fraud
dengan data. Setiap satu data fraud dapat mencerminkan skema fraud yang
berbeda.
(Vona, 20: 70)
Delapan langkah dalam mengembangkan fraud data mining:
a. Memahami database
b. Memetakan elemen database menuju profil data fraud

c. Mengaplikasikan teori pengecualian dan penyertaan terhadap elemen

database yang berhubungan dengan profil data fraud
d. Menampilkan analisis integritas data pada elemen database yang
berhubungan dengan profil data fraud
e. Mengidentifikasi peluang false positif dengan data yang dipilih
f. Mengembangkan rencana sampling
g. Mengembangkan pencarian rutin, termasuk:
a. Memahami kesalahan yang sering dalam mengembangkan analisis
data
b. Menggunakan aplikasi bisnis untuk data mining.
(Vona, 20: 71)
Database adalah informasi organisasi yang dikumpulkan dan disatukan dalam baris
dan kolom. Langkah memahami database:
a. Identifikasi tabel yang menyatukan database. Temukan administrator
database dan pelajari tentang struktur tabel dan minta kamus data yang
menjelaskan struktur tabel.
b. Memahami hubungan diantara tabel satu dan tabel yang lain
c. Identifikasi informasi yang menyatukan rekaman setiap tabel dan database
akhir
d. Indentifikasi informasi yang ada disetiap kolom data
e. Memahami tujuan setia kolom dan informasi didalamnya. Informasi tersebut
mungkin disajikan dengan tujuan yang berbeda dari organisasi.
f. Memahami bagaimana informasi disimpan dalam kolom.
g. Memahami kegunaan data
Proses pemetaan dirancang untuk menghubungkan data menuju variasi skema
fraud. Kamus data yang berisikan deskripsi tabel data, bidang data, dan informasi
yang terkandung dalam bidang data base, diperlukan sebelum proses dimulai.
Kemudian, tahapannya:
a. Bidang informasi (misalnya, nama dan alamat). Bidang ini digunakan untuk
analisis kecocokan dan analisis pemantauan pengendalian
b. Angka pengendali transaksi (misalnya, PO, faktur atau angka cek). Bidang ini
digunakan dalam analisis duplikat, analisis berurutan, perbedaan atau gap
angka transaksi, dan analisis logis.
c. Jumlah dollar. Bidang ini mengembangkan informasi statistika, analisis tingkat
pengendalian, jumlah yang duplikat, dan anomali angka.
d. Kode akuntansi (misalnya struktur akun buku besar yang berfokus pada
perusahaan, pusat pertanggungjawaban, dan akun spesifik). Bidang ini
berguna untuk mengembangkan data yang bertingkat-tingkat, analisis
perubahan, favorit, dan analisis tipuan.
e. Kode transaksi. Misalnya, kode transaksi dari mata uang, cek, transfer
rekening, atau kartu pembelian. Tujuannya adalah untuk memisahkan setiap

kode pembayaran ke dalam database terpisah yang akan dianalisis untuk

fraud.
Tahapan ini dilakukan dengan tujuan untuk melihat alamat fisik, alamat yang
hilang, alamat yang sama dengan vendor satu dan yang lainnya, alamat yang
cocok dengan identitas karyawan.
(Vona, 20: 71-72)

Teori Pengecualian dan Penyertaan

Teori pengecualian adalah implementasi penyaringan transaksi yang tidak konsisten
dengan kriteria teori fraud dan kriteria penyaringan. Sedangkan, teori penyertaan
adalah implementasi fokus pada transaksi, yang seharusnya diuji dari perspektif
audit fraud. Contoh penggunaan dua kriteria pengecualian data:
a. Kriteria penyaringan. Misalnya, menyaring transaksi pengeluaran atas jasa.
b. Kriteria teori fraud. Misalnya, analisis mendalam berdasarkan pengeluaran
atas jasa sesuai dengan teori fraud
c. Penilaian auditor. Misalnya, kecocokan validitas data perusahaan dan
informasi yang diperoleh auditor tentang vendor.
Teori penyertaan menandakan adanya kriteria yang sesuai dengan teori fraud audit
dan red flags. Auditor perlu mencermati jenis red flag yang tepat dan berapa
banyak red flag yang diindikasikan sesuai dengan skema fraud. Keputusan ini
berdasarkan angka red flags yang berubah-ubah atau penilaian auditor. Penting
diingat bahwa, sebuah transaksi dapat dikecualikan untuk satu analisis tetapi
memiliki kemungkinan dapat disertakan dalam analisis lainnya.
Analisis Integritas data
Analsis integritas data penting untuk menentukan ketersediaan dan reliabilitas
informasi dalam database untuk analisis fraud. Analisis ini dilakukan untuk menilai
pemrosesan data dan bagaimana pengendalian proses bisnis. Misalnya, menilai
duplikasi nomor telepon atau inkonsistensi pada saat pengisian data dan data yang
bersangkutan.
False Positive
Transaksi yang sesuai dengan resiko fraud, tetapi bukan fraud disebut false positif.
Biasanya transaksi ini berhubungan dengan isu integritas data dan anomaly
kebenaran data. Misalnya, vendor memiliki alamat yang sama karena berada pada
gedung yang sama, karyawan pasutri yang memiliki nomor rekening yang sama,

seorang vendor memiliki tiga alamat yang berbeda karena sejarah lokasi
perusahaan.
Mengembangkan Desain Sampling
Pada tahapan ini, auditor diminta untuk melakukan sampling yang fokus, tidak acak,
dan bias dari skema fraud tertentu. Tujuannya adalah untuk menemukan transaksi
fraud. Pencarian error ini dapat dikategorikan sebagai pencarian total database
(informasi terkait data), pencarian stratified database (menyaring data dari
berbagai database), dan pencarian rutin fraud (mencari kesalahan yang
berhubungan dengan skema fraud).
Kesalahan umum pada analisis data terjadi ketika auditor ingin mencari rutinitas
sebelum mendefinisikan skema fraud dan mengacu pada transaksi dengan nilai
uang yang tinggi saja.
Data Mining menggunakan aplikasi bisnis mampu membantu auditor untuk
mengidentifikasi transaksi secara detail.
Rencana analisis data fraud
Terlebih dahulu, auditor perlu memahami populasi transaksi dengan alat untuk
mengurutkan dan merangkumnya. Kemudian, auditor perlu mencari bentuk data
yang konsisten dengan variasi skema fraud.
Tujuan dari analisis untuk membantu auditor dalam menyaring populasi audit
kedalam transaksi yang homogeny. Alat pencarian sebagai analisis kerja didesain
untuk mengidentifikasi informasi. Fungsi tunggalnya adalah mengidentifikasi bentuk
data yang akan diinterpretasi oleh auditor. Dalam menggabungkan resiko pengujian
dalam rencana analisis data, pada akhirnya, akan menghasilkan transaksi yang
ditandai yang memerlukan pengawasan atas dokumentasi.
a. Grup data yang homogen (menjumlah, menghitung, memisahkan atau
mengklasifikasikan untuk meilihat transaksi normal dan ekstrim termasuk
jumlah akun dan transaksi berdasarkan statistik), (mengurutkan data
berdasarkan angka atau huruf)
Contoh: HPP vs pengeluaran administrative, pengeluaran jasa vs barang
berwujud, pembelian persediaan vs permintaan pembelian, pengeluaran
yang terkendali
b. Analisis data rutin
Mencari bentuk data yang konsisten dengan skema fraud. Seperti, missing or
gaps, duplikasi, pengujian logis, analisis penipuan, pencocokan, analisis
perubahan.
c. Pengujian Resiko Fraud (kecanggihan fraud, daya tarik fraud, dan transaksi
kunci). Berikut ini pertimbangan pengujiannya:
a. Apa saja jenis transaksi yang berbeda?
b. Apa saja variasi skema sebagai entitas dan transaksi?

c. Bagaimana aliran transaksi melalui akun buku besar?

d. Peluang pengendalian berhubungan dengan kemampuan individu
untuk melakukannnya, memproses, mencatat dan mengotorisasi
transaksi.
e. Pelaku kecanggihan fraud akan berhadapan langsung dengan
kemampuan auditor untuk mendeteksi transaksi fraud.
d. Mengembangkan laporan yang menjumlahkan total rupiah vendor dan total
faktur vendor.
e. Mengaplikasikan teori eksklusi dan inklusi
f. Menampilkan analisis data rutin
g. Data Mining via Wawancara Terstruktur