TRANSLATE!

Ketika fisikawan Frank Benford menguji angka pertama dalam daftar angka
selama tahun 1920an dan 1930an, dia menemukan bahwa sekitar 31% dari angka
tersebut memiliki 1 digit pertama, 19% memiliki 2, dan hanya 5% yang memiliki
9.
(ILUSTRASI ARTOVERNITE.COM)

Mungkinkah untuk mengatakan bahwa ada yang salah hanya dengan melihatnya?
Dalam beberapa kasus, Anda bertaruh. Menggunakan hukum Benford - sebuah
fenomena matematis yang menyediakan metode analisis data unik - CPA dapat melihat
penyimpangan yang menunjukkan kemungkinan kesalahan, kecurangan, bias
manipulasi atau inefisiensi pemrosesan. Hukum Benford digunakan untuk menentukan
tingkat duplikasi bilangan normal dalam rangkaian data, yang pada gilirannya
memungkinkan untuk mengidentifikasi jumlah angka dan angka abnormal. Akuntan
dan auditor telah mulai menerapkan hukum Benford ke data perusahaan untuk
menemukan anomali pola nomor. Untuk kumpulan data yang besar, CPA
menggunakan tes yang sangat terfokus yang berkonsentrasi untuk menemukan
penyimpangan pada subset.

EUREKA!
Frank Benford melakukan pengamatan sederhana saat bekerja sebagai fisikawan di
Laboratorium Penelitian GE di Schenectady, New York, pada tahun 1920an. Dia
melihat bahwa beberapa halaman buku catatan logaritma pertamanya lebih banyak
dipakai daripada yang terakhir dan dari sini dia menduga dia sedang berkonsultasi
dengan halaman pertama-yang memberi nomor angka dengan angka rendah-lebih
sering. Angka pertama dari sebuah nomor paling kiri - misalnya, angka pertama dari
45.002 adalah 4. (Zero tidak dapat menjadi digit pertama.) Benford memperkirakan
bahwa dia melihat angka log dengan angka pertama lebih rendah lebih sering karena
ada lebih banyak angka dengan digit pertama di dunia.
Bukti 1: Frekuensi Digital yang Diharapkan Hukum Benford

Benford kemudian menguji ide ini dengan melihat angka pertama dari 20 daftar angka
dengan total 20.229 observasi. Daftarnya berasal dari beragam sumber, seperti data
geografis, ilmiah dan demografis. Satu daftar berisi semua nomor dalam edisi Reader's
Digest. Dia menemukan bahwa sekitar 31% dari angka tersebut memiliki 1 sebagai
digit pertama, 19% memiliki 2, dan hanya 5% yang memiliki 9 sebagai digit pertama.
Benford kemudian membuat beberapa asumsi yang berhubungan dengan fisika tentang
distribusi data yang terjadi secara alami dan, dengan menggunakan kalkulus integral,
dia menghitung frekuensi yang diharapkan dari digit dan kombinasi digit.
Frekuensi yang diharapkan dari digit pada empat posisi pertama dapat dilihat pada
pameran 1, yang menunjukkan bias besar yang mendukung angka rendah pada posisi
pertama. Probabilitas bahwa digit pertama adalah 1, 2 atau 3 adalah 60,2%.
Tidak semua kumpulan data mengikuti hukum Benford. Kumpulan data tersebut
kemungkinan besar akan memiliki karakteristik sebagai berikut:
Angka tersebut menggambarkan ukuran fenomena serupa (misalnya, nilai pasar
perusahaan).
Angka tidak mengandung nilai maksimum atau minimum bawaan (seperti
kontribusi IRA yang dikurangkan atau tarif upah per jam).
Nomor yang ditugaskan, seperti nomor Jaminan Sosial, kode pos atau nomor rekening
bank tidak sesuai dengan hukum Benford.
Matematika reksa dana Penjelasan intuitif tentang hukum Benford adalah
mempertimbangkan total aset reksa dana yang tumbuh 10% per tahun. Bila total aset
adalah $ 100 juta, digit pertama dari total aset adalah 1. Angka pertama akan berlanjut
menjadi 1 sampai total aset mencapai $ 200 juta. Ini akan membutuhkan kenaikan
100% (dari 100 menjadi 200), yang pada tingkat pertumbuhan 10% per tahun, akan
memakan waktu sekitar 7,3 tahun (dengan peracikan). Pada $ 500 juta digit pertama
adalah 5.
Tumbuh 10% per tahun, total aset akan naik dari $ 500 juta menjadi $ 600 juta sekitar
1,9 tahun, jauh lebih sedikit waktu daripada aset yang tumbuh dari $ 100 juta sampai $
200 juta. Pada $ 900 juta, angka pertama adalah 9 sampai total aset mencapai $ 1 miliar,
atau sekitar 1,1 tahun pada 10%. Setelah total aset adalah $ 1 miliar digit pertama akan
kembali menjadi 1, sampai total aset kembali tumbuh 100% lainnya. Kegigihan 1
sebagai digit pertama akan terjadi dengan fenomena yang memiliki tingkat
pertumbuhan konstan (atau bahkan tidak menentu).
Hukum Benford telah ditemukan untuk diterapkan pada banyak kumpulan data
keuangan, termasuk data pajak atau saham, pencairan perusahaan dan angka penjualan,
demografi dan data ilmiah. Sejak tahun 1940an, lebih dari 150 makalah akademis
tentang hukum Benford telah dipublikasikan oleh para ahli matematika, ahli statistik,
insinyur, fisikawan dan-baru-baru ini oleh akuntan. Tidak ada yang membantahnya
atau menawarkan hukum yang bersaing terkait angka. Mungkin Roger Pinkham
menulis dukungan paling meyakinkan pada tahun 1961, ketika dia menunjukkan
bahwa hukum Benford sedikit berbeda. Dengan kata lain, jika satu set angka mengikuti
hukum Benford secara ketat, dan jika semua angka di himpunan dikalikan dengan
konstanta nol (seperti 22,04 atau 0,323), maka nomor baru akan mengikuti hukum
Benford secara ketat. Hanya probabilitas hukum Benford yang memiliki properti ini.
Invarian skala ini membantu kita untuk memahami mengapa hukum Benford bekerja
pada data keuangan di seluruh dunia, meskipun data dinyatakan dalam mata uang yang
berbeda. Sebuah tinjauan baru-baru ini tentang teori yang mendasari hukum Benford
oleh matematikawan Ted Hill di American Scientist (Juli-Agustus 1998).

Bukti 2: Digit Pertama Data Sensus

Gambar 2, menunjukkan hasil analisis jumlah populasi 3.141 A.S., menurut sensus
1990. Proporsi hukum Benford ditunjukkan sebagai kancing berlian di telepon. Bar
menunjukkan proporsi sebenarnya. Ada sembilan batang, satu untuk masing-masing
digit pertama yang mungkin. Dari grafik itu jelas bahwa proporsi sebenarnya mengikuti
hukum Benford cukup dekat, yang diharapkan dari data asli dan tidak bermanipulasi.
Deviasi absolut rata-rata digit pertama dari data sensus adalah 0,7%, yang berarti
bahwa rata-rata, proporsi sebenarnya berbeda dari proporsi yang diharapkan sebesar
tujuh persepuluh persen. Auditor biasanya menganggap perbedaan besarnya ini tidak
penting. Tesis yang mendasari analisis digital adalah bahwa hukum Benford
memungkinkan untuk menemukan anomali data.

TELLTALE THRESHOLD
Pada tahun 1993, di Negara Bagian Arizona v. Wayne James Nelson (CV92-18841),
terdakwa dinyatakan bersalah karena berusaha menipu negara dengan biaya hampir $
2 juta. Nelson, seorang manajer di kantor Bendahara Negara Bagian Arizona,
berpendapat bahwa dia telah mengalihkan dana ke vendor palsu untuk menunjukkan
tidak adanya pengamanan dalam sistem komputer baru. Jumlah dari 23 cek yang
dikeluarkan ditunjukkan pada pameran 3.

Exhibit3: Periksa Penipuan di Arizona

Karena pilihan manusia tidak acak, angka yang ditemukan tidak mungkin mengikuti
hukum Benford. Berikut adalah beberapa tanda berbeda bahwa hukum Benford akan
menarik perhatian:
Seperti yang sering terjadi dalam penipuan, penggelapan mulai kecil dan
kemudian meningkatkan jumlah dolar.
Sebagian besar jumlahnya di bawah $ 100.000. Mungkin saja jumlah dolar
yang lebih tinggi mendapat sorotan tambahan atau pemeriksaan di atas jumlah
itu membutuhkan tanda tangan manusia dan bukan penulisan cek otomatis.
Dengan mempertahankan jumlah di bawah ambang batas kendali tambahan,
manajer mencoba menyembunyikan kecurangan tersebut.
Pola digit dari jumlah cek hampir berlawanan dengan hukum Benford. Lebih
dari 90% memiliki 7, 8 atau 9 sebagai digit pertama. Apakah setiap vendor telah
diuji terhadap hukum Benford, jumlah angka ini juga akan memiliki kesesuaian
yang rendah, menandakan ketidakteraturan.
Angka tampaknya telah dipilih untuk memb eri tampilan keacakan. Hukum
 Benford cukup berlawanan dengan intuisi; Orang tidak secara alami berasumsi
bahwa beberapa digit lebih sering terjadi. Tidak ada jumlah cek yang
diduplikasi; tidak ada angka bulat; dan semua jumlahnya termasuk sen. Namun,
secara tidak sadar, manajer mengulangi beberapa digit dan kombinasi digit. Di
antara dua digit pertama dari jumlah yang ditemukan, 87, 88, 93 dan 96
semuanya digunakan dua kali. Untuk dua digit terakhir, 16, 67 dan 83
diduplikasi. Ada kecenderungan ke angka yang lebih tinggi; perhatikan bahwa
7 sampai 9 adalah angka yang paling sering digunakan, berbeda dengan hukum
Benford. Sebanyak 160 digit digunakan dalam 23 nomor. Jumlah untuk sepuluh
digit dari 0 sampai 9 masing-masing adalah 7, 19, 16, 22, dan 26. Seorang CPA
yang akrab dengan hukum Benford dapat dengan mudah melihat fakta bahwa
angka-angka ini-ditemukan tampaknya acak oleh seseorang yang tidak tahu
hukum hukum Benford di luar pola yang diharapkan dan karenanya perlu
diperiksa lebih dekat.

Bukti 4: Dua Digit Pertama Data Utang Usaha

APLIKASI ON-THE-JOB
Data hutang perusahaan merupakan target favorit teknologi analisis digital. Tes
pertama dan kedua digunakan sebagai ujian kewajaran tingkat tinggi (keaslian data).
Grafik dua digit pertama dari file hutang dari perusahaan perangkat lunak yang
terdaftar di NASDAQ ditunjukkan pada pameran 4.
Garis plot hukum Benford dan bar menunjukkan proporsi sebenarnya. Ketika bar di
atas garis hukum Benford, proporsi sebenarnya melebihi proporsi hukum Benford,
menciptakan tingkat duplikasi yang tidak normal untuk kombinasi dua digit pertama
itu.
Analisis jumlah dolar aktual menunjukkan bahwa angka $ 25, $ 30 dan $ 10 paling
sering terjadi. Audit tindak lanjut menunjukkan bahwa faktur dengan jumlah ini
terutama untuk biaya kurir. Jumlah dolar rendah yang berulang menyoroti inefisiensi
jika mereka diproses untuk jenis pembelian yang sama. Di satu perusahaan, audit
tindak lanjut menunjukkan bahwa hutang usaha memproses sekitar 12.000 faktur setiap
tahun untuk pembelian kartu nama karyawan dari vendor yang sama. Penagihan
bulanan bisa membuat pengurangan biaya pemrosesan yang curam. Masalah lain yang
telah ditemukan antara lain:
Bias dalam data perusahaan. Dalam satu data hutang perusahaan, ada lonjakan
besar dua digit pertama (melebihi perkiraan sebenarnya) pada 24. Sebuah
analisis menunjukkan bahwa jumlah $ 24,50 terjadi secara tidak normal sering.
Audit tersebut mengungkapkan bahwa ini adalah klaim untuk biaya perjalanan
dan bahwa perusahaan tersebut memiliki kupon sebesar $ 25. Karyawan
tampaknya bias terhadap klaim $ 24,50.
Tingkat otorisasi menipu Terkadang para manajer memusatkan pembelian
mereka tepat di bawah tingkat otorisasi mereka sehingga pilihan mereka tidak
akan diteliti. Manajer dengan tingkat pembelian $ 3.000 mungkin memiliki
banyak tagihan seharga $ 2.800 sampai $ 2.999, yang akan muncul dalam
analisis data dengan paku pada 28 dan 29.
Formula Hukum Benford
P (D 1 = d 1) = log10 (1 + 1 / d 1) untuk d 1 {1, 2, ..., 9}
Selama satu audit bank, auditor menganalisis dua digit pertama saldo kartu kredit yang
dihapuskan karena tidak dapat tertagih. Grafik menunjukkan lonjakan yang besar pada
49. Analisis jumlah dolar terkait (yaitu, dari $ 480 sampai $ 499 dan dari $ 4.800
sampai $ 4,999) menunjukkan bahwa lonjakan tersebut terutama disebabkan oleh
jumlah antara $ 4.800 dan $ 4.999, dan satu petugas bertanggung jawab untuk sebagian
besar penghapusan ini. Batas write-off untuk personil internal adalah $ 5.000. Ternyata
petugas tersebut beroperasi dengan lingkaran teman yang akan mengajukan kartu
kredit. Setelah mereka mencairkan saldo di bawah $ 5.000, dia akan menulis
hutangnya.
Mungkin juga untuk menguji angka bulat yang berlebihan ketika seorang akuntan ingin
memeriksa perkiraan yang berlebihan (mungkin jadwal piutang royalti) dan untuk
menguji dua digit terakhir untuk menemukan penemuan nomor (mungkin dalam
jumlah persediaan).

MENGEMBANGKAN UJI
Kumpulan data perusahaan menjadi lebih besar dan lebih besar. Tes dua digit pertama
bisa disesuaikan dengan tes tiga digit pertama agar ukuran sampel tetap bisa diatur,
namun masih ada potensi sampel besar. Sebagai contoh, dua digit pertama 30 mungkin
memiliki proporsi aktual 0,02, yang lebih tinggi dari 0,0142 yang diharapkan, namun
audit terhadap 2% populasi akan berlebihan dan mahal.
Uji subset mengidentifikasi daftar kecil anomali serius pada kumpulan data yang besar,
membuat analisis lebih mudah ditangani. Mereka berfokus pada kesalahan yang
bertentangan dengan bias, kecurangan atau ketidakefisienan pengolahan. Subset data
adalah pengelompokan data secara alami. Dalam hutang dagang, subset biasanya
merupakan nomor vendor. Dalam data perbankan, himpunan bagian biasanya adalah
nomor rekening. Variabel subset lainnya dapat berupa data untuk rekan penjualan di
ritel, tanggal transaksi, agen perjalanan di data penerbangan, pusat biaya dan karyawan
dalam data penggajian.
Faktor ukuran relatif. Uji RSF menemukan himpunan bagian dimana jumlah terbesar
tidak sesuai dengan jumlah yang tersisa dan mungkin merupakan kesalahan. Ini telah
mendeteksi kesalahan dalam akun saat staf salah menafsirkan titik desimal dalam
jumlah faktur. Faktor ukuran relatif (RSF) untuk subset adalah: RSF = Nomor terbesar
dalam subset / nomor terbesar kedua dalam subset. Sejumlah $ 452.47 diberi kode
sebagai $ 45.247. Itu keliru $ 45.247 sangat melebihi semua pembayaran lainnya ke
vendor itu dan kesalahannya terdeteksi karena RSF tinggi.
Sebuah perusahaan di Midwest memasang $ 600.000 untuk apa yang dipikirkannya
sebagai vendor tapi sebenarnya adalah badan amal. $ 600.000 secara signifikan
melebihi jumlah yang biasanya disumbangkan ke badan amal tersebut. Seandainya
perusahaan menjalankan tes RSF dengan menggunakan nomor rekening pengecer
penerima sebagai variabel subset, tes tersebut akan mendeteksi bahwa jumlah besaran
ini belum pernah ditransfer ke nomor rekening tersebut. Tes ini dirancang untuk
mendeteksi kesalahan data. Sebagai contoh, RSF yang tinggi dalam data penggajian
bisa memberi sinyal kesalahan lembur dan RSF yang tinggi untuk persediaan bisa
memberi sinyal penghitungan atau penghitungan kesalahan.
Sama, sama, berbeda. Tes ini juga mendeteksi kesalahan dengan mengidentifikasi
entri yang hampir identik. Dalam data hutang, tes ini sering digunakan untuk
mengidentifikasi kasus di mana nomor fakturnya sama, jumlah dolar sama dan nomor
vendor berbeda. Entri yang hampir identik ini bisa terjadi jika vendor yang salah
dibayar (mungkin nomor vendornya salah paham) dan pada tahap selanjutnya vendor
yang benar dibayar (karena sistem tidak mendaftarkan pembayaran faktur ke vendor
itu). Perusahaan yang telah menggunakan tes ini telah menuai banyak uang yang salah
arah.
Kriteria yang sama dan berbeda dapat menemukan banyak jenis entri yang hampir
identik. Dalam data pengembalian tiket pesawat, bisa menemukan kasus dimana nomor
tiketnya sama, jumlah dolarnya sama dan nomor kartu kredit berbeda. Dalam data
penggajian, ia dapat menemukan contoh di mana nomor karyawannya sama,
tanggalnya sama dan nomor rekening gironya berbeda. Tes ini bekerja dengan sangat
baik di kumpulan data yang besar dimana koreksinya memberi sinyal kesalahan serius.
Daftar "hit" biasanya cukup singkat untuk memungkinkan audit terhadap semua
pertandingan.
Sama, sama, sama. Tes ini menemukan entri yang sama, seperti pembayaran duplikat
dalam hutang dagang. Meskipun banyak sistem AP dapat membuat identifikasi ini,
duplikat mungkin masih terjadi jika beberapa rincian pembelian salah ketik atau bila
ada sejumlah pusat pembayaran atau beberapa sistem pembayaran. Duplikat terdeteksi
saat semua data pembayaran dianalisis bersama. Tes ini juga bisa digunakan dalam
inventory, payroll, piutang dan penjualan.

MENAMBAHKAN ANOMALI
Menggunakan analisis digital pada data perusahaan memerlukan penggunaan
komputer. Ada program analisis digital yang beroperasi di SAS, IDEA, ACL dan
Excel. Auditor juga bisa menulis program mereka sendiri untuk menghitung angka dan
frekuensi angka.
Analisis digital membutuhkan pengetahuan tentang hukum Benford dan beberapa
penilaian profesional untuk mengidentifikasi anomali yang layak diselidiki. Ini dapat
digunakan dalam aplikasi yang sedang berjalan, seperti hutang dagang, dan untuk
kebutuhan satu kali, seperti masalah Y2K. Ini adalah jawaban yang mengejutkan untuk
mengatasi ketidakberesan data dan alat ampuh untuk CPA.