Anda di halaman 1dari 7

Menjawab Tantangan Bisnis di Era Digital

Dengan Machine Learning Untuk Pengendalian Internal

55516120065 / Khristina Damayanti, S.kep

Universitas Mercubuana, Magister Akuntansi

Dosen :

Hapzi, Prof. Dr. MM

Definisi dan Pengertian System Informasi & Pengendalian Internal


Di Era digital saat ini hampir setiap perusahaan pasti menerapkan system informasi untuk
menunjang proses bisnis. System informasi dapat di definisikan sebagai suatu sistem yang
berhubungan dengan proses penciptaan dan pengaliran informasi dalam upaya pengambilan
keputusan (Prof, Dr, Ir. Hapzi Ali, MM, CMA, Modul System informasi dan Pengendalian Internal
). Kalau dilihat dari perangkat yang digunakan maka Sistem Infromasi adalah suatu totalitas
terpadu yang terdiri dari :
Hardware,
Software,
Database
Brainware,
Communication
Organization
Dimana dari setiap komponen tersebut saling berelasi dan saling ketergantungan untuk
menghasilkan kumpulan data untuk pengambilan keputusan. Dalam bagian ini machine learning
berada pada komponen software. Salah satu fungsi dari system informasi yaitu sebagai alat dan
parameter pengendalian internal. Pengendalian internal didefinisikan sebagai proses yang
dirancang untuk memberikan keyakinan yang memadai tentang pencapaian tujuan manajemen
dalam katagori keandalan pelaporan keuangan, efektifitas dan efisiensi operasi, dan kepatuhan
terhadap hukum dan peraturan yang berlaku. Pengendalian yang efektif dapat memungkinkan
manajemen siap menghadapi perubahan ekonomi yang cepat, persaingan, pergeseran permintaan
pelanggan dan prioritas serta resrukturisasi untuk kemajuan yang akan datang.
Pengendalian internal dalam organisasi bisnis dipergunakan untuk menjaga asset, meberikan
informasi yang akurat dan andal, mendorong dan memperbaiki efisiensi organisasi serta
mendorong kesesuaian dengan kebijakan yang telah diterapkan. Dalam Struktur pengendalian
internal terdapat rangkaian dan prosedur yang dibuat untuk memberikan jaminan yang memadai
bahwa tujuan organisasi tercapai.[1]
Tujuan Pengendalian Internal:

Menjaga asset perusahaan


Menjamin ketelitian dan keandalan data
Meningkatkan efisiensi
Menjamin dipatuhinya kebijakan organisasi
Adapun fungsi pengendalian Internal, Terdapat 3 fungsi :
1. Pengendalian untuk pencegahan
Prosedur dan kebijakan yang dibuat untuk mencegah timbulnya suatu masalah misalnya
adnaya pemisahan tugas, pembagian wewenang dan tanggung jawab, mengendalikan akses
fisik atas asset, fasilitas dan informasi.
2. Pengendalian untuk pemeriksaan
Prosedur dan kebijakan yang dibuat untuk mengungkapkan adanya masalah atau
penyimpangan. Misalnya : pemeriksaan salinan atas perhitungan, mempersiapkan
rekonsiliasi Bank dan neraca saldo setiap bulan.
3. Pengendalian Korektif
Prosedur dan kebijakan yang dibuat untuk memecahkan masalah/ penyimpangan yang
terjaadi yang di temukan pada ditentukan oleh pengendalian pemeriksaan. Misalnya :
Prosedur yang dibuat untuk identifikasi penyebab masalah, perbaikan kesalahan dan
mengubah system agar masalah dimasa datang dapat diminimalis.[2]

Definisi Machine Learning / Mesin Pembelajaran


Dalam kegiatan bisnis, ada banyak sekali data yang sebenarnya bias diolah, dari data transaksi
yang terjadi dalam proses bisnis tersebut biasanya dikeluarkan dalam berbagai bentuk report.
Pengolahan data dan software yang digunakan merupakan salah satu contoh penggunaan system
informasi. Beberapa tahun yang lalu ada teori tentang Penggalian Data / Data Mining, yaitu
sebuah proses untuk menemukan pengetahuan, ketertarikan, dan pola baru dalam bentuk model
yang deskriptif, dapat dimengerti, dan prediktif dari data transaksi di perusahaan dan data
pendukung yang lain. Dengan kata lain data mining merupakan ekstraksi atau penggalian
pengetahuan yang diinginkan dari data dalam jumlah yang sangat besar [3].

Berbeda dengan data mining, machine learning berkaitan dengan studi, desain dan
pengembangan dari suatu algoritma yang dapat memungkinkan sebuah komputer dapat belajar
tanpa harus diprogram secara eksplisit. Sedangkan pada data mining dilakukan proses yang
dimulai dari data yang tidak terstruktur lalu diekstrak agar mendapatkan suatu pengetahuan
ataupun sebuah pola yang belum diketahui. Selama proses data mining itulah algoritma dari
pembelajaran mesin digunakan.
Sehingga dapat didefinisikan machine learning adalah disiplin ilmu yang mencakup perancangan
dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku
yang didasarkan pada data empiris.

Peran Machine Learning dalam membantu proses bisnis

Dalam organisasi binis semua transaksi data telah tersimpan dalam database, dari data tersebut
bias menjadi bahan dalam memprediksi dan menentukan strategi demi mendapatkan pengambilan
keputusan yang tepat dan menyebabkan tujuan strategis tercapai. Machine Learning sudah di
terapkan di berbagai bidang, misalnya untuk mengoptimalkan promosi, kompensasi dan diskon
untuk mendorong perilaku yang diinginkan pasar online ataupun offline. Memprediksi
kecenderungan untuk membeli jalur yang tepat ( apakah promosi dengan media cetak, media
elektronik atau media online), membuat rekomendasi personal kepada pelanggan, peramalan
loyalitas pelanggan jangka panjang dan mengantisipasi risiko kredit, dll. Dalam gambar berikut
berbagai bidang yang sudah menerapkan machine learning.

Sumber: Tata Consultancy Services, Menggunakan Big Data untuk Machine Learning Analytics
di Manufaktur - TCS

Penelitian MIT tentang penggunaan machine learning di marketing yaitu berdasar hasil survei dari
perusahaan dengan penjualan minimal $500 juta menargetkan pertumbuhan penjualan yang lebih
tinggi karena mereka dibantu oleh machine learning. Hasil penelitian mereka dapat disimpulkan
sebagai berikut:
76% mengatakan mereka menargetkan pertumbuhan penjualan yang lebih tinggi
dengan machine learning. Perusahan akan mendapatkan akurasi prediksi yang lebih besar
dengan menciptakan dan mengoptimalkan model kecenderungan untuk memandu up-selling
dan cross-sell.
Setidaknya 40% dari perusahaan yang disurvei sudah menggunakan machine learning
untuk meningkatkan penjualan dan kinerja pemasaran. Dua dari lima perusahaan telah
menerapkan pembelajaran mesin dalam penjualan dan pemasaran.
Beberapa bank Eropa meningkatkan penjualan produk baru dengan 10% sementara
mengurangi churn 20%. Sebuah studi McKinsey baru-baru ini menemukan bahwa banyak
bank-bank Eropa yang menggantikan teknik pemodelan statistik dengan machine
learning. Bank-bank tersebut juga mengalami peningkatan skor kepuasan pelanggan.

Kemampuan mesin belajar untuk skala di seluruh spektrum yang luas dari manajemen kontrak,
layanan pelanggan, keuangan, hukum, penjualan, kutipan-to-cash, kualitas, harga dan produksi
tantangan perusahaan menghadapi disebabkan kemampuannya untuk terus belajar dan
meningkatkan. algoritma mesin pembelajaran yang berulang di alam, terus belajar dan berusaha
untuk mengoptimalkan hasil. Setiap kali salah perhitungan dibuat, algoritma pembelajaran mesin
memperbaiki kesalahan dan mulai iterasi lain dari analisis data. Perhitungan ini terjadi dalam
milidetik yang membuat mesin belajar sangat efisien untuk mengoptimalkan keputusan dan
memprediksi hasil.

Ekonomi komputasi awan, penyimpanan awan, proliferasi sensor mengemudi Internet of Things
(IOT) pertumbuhan perangkat yang terhubung, penggunaan meresap perangkat mobile yang
mengkonsumsi gigabyte data di menit adalah beberapa dari beberapa faktor mempercepat mesin
adopsi belajar. Menambah ini banyak tantangan untuk menciptakan konteks di mesin pencari dan
masalah rumit yang dihadapi perusahaan dalam mengoptimalkan operasi sementara memprediksi
hasil yang paling mungkin, dan kondisi yang sempurna ada untuk belajar untuk berkembang biak
mesin.

Berikut ini adalah faktor kunci yang memungkinkan pertumbuhan mesin belajar hari ini:

Pertumbuhan data eksponensial dengan data yang tidak terstruktur menjadi lebih dari
80% dari data suatu perusahaan bergantung pada untuk membuat keputusan sehari-
hari. Permintaan perkiraan, data yang CRM dan transaksi ERP, biaya transportasi, barcode
dan manajemen persediaan data, harga historis, layanan dan dukungan biaya dan standar
akuntansi biaya adalah hanya beberapa dari banyak sumber dari perusahaan data terstruktur
membuat keputusan dengan hari ini. Pertumbuhan eksponensial dari data yang tidak
terstruktur yang mencakup media sosial, catatan e-mail, log panggilan, layanan pelanggan
dan catatan dukungan, Internet of Things penginderaan data, pesaing dan mitra harga dan
pasokan Data rantai pelacakan sering memiliki pola prediksi perusahaan benar-benar
kehilangan hari ini. Usaha mencari untuk menjadi pemimpin yang kompetitif akan setelah
wawasan dalam sumber-sumber data yang tidak terstruktur ini dan mengubahnya menjadi
keunggulan kompetitif dengan mesin belajar.
Internet of Things (IOT) jaringan, embedded system dan perangkat yang menghasilkan
data real-time yang ideal untuk lebih mengoptimalkan jaringan rantai pasokan dan
meningkatnya permintaan diperkirakan prediksiSebagai IOT platform, sistem, aplikasi
dan sensor meresap rantai nilai bisnis secara global, ada adalah peningkatan eksponensial dari
data yang dihasilkan. Ketersediaan dan nilai intrinsik ini dataset skala besar merupakan
dorongan lebih lanjut mendorong adopsi mesin belajar.
Menghasilkan data besar set melalui cara-cara sintetis termasuk ekstrapolasi dan
proyeksi yang ada data historis untuk membuat data simulasi realistis. Dari prakiraan
cuaca untuk mengoptimalkan jaringan rantai pasokan menggunakan teknik simulasi canggih
yang menghasilkan terabyte data, kemampuan untuk menyempurnakan perkiraan dan
mencapai lebih mengoptimalkan juga mendorong adopsi mesin belajar. Set data simulasi dari
peluncuran produk dan strategi penjualan adalah aplikasi baru lahir hari ini dan salah satu
yang menunjukkan janji dalam mengembangkan model kecenderungan yang memprediksi
tingkat pembelian.
Ekonomi penyimpanan digital dan komputasi awan yang menggabungkan untuk
menempatkan biaya infrastruktur dalam terjun bebas, membuat mesin belajar lebih
terjangkau untuk semua bisnis. Penyimpanan online dan kasus awan publik dapat dibeli
secara harfiah dalam menit online dengan kartu kredit. Migrasi data warisan off dari database
mana aksesibilitas mereka terbatas dibandingkan dengan platform cloud menjadi lebih umum
sebagai kepercayaan terbesar dalam kenaikan penyimpanan awan aman. Bagi banyak usaha
kecil yang kekurangan departemen IT, Cloud menyediakan scalable, platform yang aman
untuk mengelola data mereka di seluruh lokasi geografis yang beragam.[4]

Contoh dan Peran Machine Learning dalam Pengendalian Internal

Penelitian dari MIT tersebut merupakan salah satu bukti bawah machine learning menjadi bagian
penting dari proses bisnis yang berjalan saat ini. Ada banyak penerapan machine learning dalam
penggunaanya di organisasi bisnis untuk pengendalian internal. Kita akan mengambil contoh
penerapan salah satu machine learning untuk membantu petani di jepang dalam menyeleksi timun
berdasarkan bentuk, warna dan atribut atribut lain.
Salah satu tujuan pengendalian internal yaitu untuk meningkatkan efisiensi dan kesalahan. Maka
dari contoh penerpan machine learning untuk membantu pemilihan timun berkualitas merupakan
salah satu contoh penerapan system informasi khususnya komponan software dan hardware pada
machine learning. Adapun proses seleksi timun yang semula dilakukan oleh manusia yaitu dengan
menyeleksi berdasarkan pengalaman mereka yaitu dengan melihat warna, bentuk, ukuran dll,
diubah dengan mengambil foto, lalu menyeleksinya berdasarkan atribut atribut tersebut. Proses
seleksi dengang machine learning terlihat dalam gambar dibawah ini : [5]

Selain padai Quality Control, machine learning juga membantu Departeman HRD dalam
meningkatkan performa dari karyawan. Penelitian ini dilakukan oleh Mark Tomassen, 2012, yang
menyebutkan bahwa machine learning membantu departemen HRD sebagai partner dan support
dari departemen lain dengan memberikan advice dan pendampingan yang tepat.[6]

Sumber
1. Hapzi Ali, Modul Sistem Informasi dan Pengendalian Internal
2. Diana Rahmawati, Pengendalian dan system informasi akuntansi
http://staff.uny.ac.id/sites/default/files/pendidikan/Diana%20Rahmawati,%20M.Si./SIA%
20Bab%207.pdf
3. Wikipedia, Mesin Pembelajaran, https://id.wikipedia.org/wiki/Pembelajaran_mesin
4. H. James Wilson, Narendra Mulani, Allan Alter, 2016, Sales Gets Machine learning
makeover
http://sloanreview.mit.edu/article/sales-gets-a-machine-learning-makeover/
5. How japanes cucumber farmer using deep learning and tensor flow.
https://cloud.google.com/blog/big-data/2016/08/how-a-japanese-cucumber-farmer-is-
using-deep-learning-and-tensorflow
6. Mark Tomassen, 2012, Exploring the blackbox of machine learning in human resources,
http://essay.utwente.nl/70791/1/Mark%20Tomassen%20Master%20Thesis.pdf