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
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?