Journal of Forensic dan Investigasi Akuntansi

Volume 9: Edisi 1, Januari-Juni

2017

Penerapan Alat Forensik untuk Mendeteksi Penipuan: Kasus Toshiba

Anupam Mehta *
Ganga Bhavani

pengantar
Referensi atas laporan keuangan penipuan (FFS) telah meningkat dalam frekuensi dalam beberapa tahun terakhir. FFS terutama
terdiri dari memanipulasi elemen dengan melebih-lebihkan aset, penjualan dan laba atau mengecilkan kewajiban, biaya atau
kerugian (Charalambos T., 2002). "Auditor memiliki
tanggung jawab untuk merencanakan dan melaksanakan audit untuk memperoleh keyakinan memadai bahwa laporan
keuangan
bebas dari salah saji material, baik yang disebabkan oleh kesalahan atau penipuan”-SAA 99 dan SAS 113. Namun, selama
beberapa tahun terakhir, penipuan keuangan dan akuntansi telah muncul dalam berita utama dari berita utama di seluruh
dunia. Meskipun akuntansi penipuan adalah bukan fenomena baru, kasus baru-baru ini melibatkan uang dalam jumlah yang
jauh lebih besar dari sebelumnya (Clements, 2016). Penelitian ini menguji efektivitas tiga alat forensik populer dalam
mendeteksi FFS oleh Toshiba Perusahaan 2008-2014. Tiga alat adalah Beneish Model, Altman Z-Score dan Hukum Benford
ini. Perbandingan hasil dan pembahasan alat efektivitas relatif memberikan arahan bagi para penyidik tentang alat yang
dipilih efektivitas untuk mendeteksi FFS. Setiap alat memiliki kelebihan dan keterbatasan. Dengan hanya menggunakan satu
alat forensik untuk mendeteksi fraud, auditor tidak dapat secara memadai menilai laporan keuangan setiap perusahaan. Studi
ini menyoroti kelemahan dari alat forensik yang dipilih serta daerah mereka aplikasi. Aplikasi menyeluruh alat ini untuk
laporan keuangan Toshiba mengungkapkan bahwa tiga alat tidak memberikan hasil yang sama. Selain itu, itu tidak mungkin
untuk menggunakan mereka dengan input yang sama. Fokus penelitian ini adalah untuk mendeteksi kecurangan dalam
laporan keuangan Toshiba Corporation Jepang selama tujuh tahun, dari 2008-2014, sebagai bukti bahwa kecurangan terjadi
di perusahaan selama
tahun-tahun. Untuk mendeteksi penipuan, alat forensik yang dipilih diterapkan untuk laporan keuangan Toshiba untuk periode
sampel. Penelitian tersebut membandingkan hasil dari tiga alat, membahas keterbatasan mereka dan menyarankan yang
terbaik untuk tujuan tersebut. Untuk pengetahuan kita, tidak ada penelitian sebelumnya telah digunakan ketiga alat forensik
dalam satu studi, terutama tidak dalam kasus Toshiba.

Penipuan Toshiba

Toshiba Group adalah sebuah perusahaan berbasis Jepang secara luas diakui dengan kapitalisasi pasar bisnis
¥ 10,12 miliar. Organisasi, yang memiliki sejarah 140 tahun, telah melakukan ekspansi tertib, ¥ 152 miliar (USD
$ 1,2 miliar) dari manfaat selama ini 2.008-2.014 tahun anggaran. FFS muncul setelah pemeriksaan
diminta penolakan dari utama delapan administrator organisasi, termasuk CEO, yang dianggap
bertanggung jawab penuh untuk keliru (The Economist, 2015).

692
* Penulis, masing-masing, Associate Professor di Institut Teknologi Manajemen, Dubai, Fakultas Ajun di Institut Teknologi Manajemen,
Dubai
 Tentang perusahaan
Toshiba Group meliputi Toshiba Corporation, yang memiliki 598 pembantu dikombinasikan, dengan operasi utama di
Energi dan Infrastruktur, Solusi Komunitas, Sistem Kesehatan dan Layanan, Perangkat Elektronik dan Komponen dan
Lifestyle Produk dan Jasa. produk Toshiba Group yang diproduksi dan dijual di seluruh dunia. Pada tanggal 31 Maret 2015,
informasi anggaran dan saham organisasi termasuk beban dasar ¥ 439.901.000, dan jumlah saham yang diterbitkan
adalah
4237600000 (Laporan Toshiba Group Tahunan 2014).
Makalah ini disusun sebagai berikut: bagian berikutnya menyajikan tinjauan alat forensik yang dipilih. Kemudian, kertas
menggambarkan metodologi penelitian. Berikutnya, menyajikan dan membahas hasil studi tersebut. Akhirnya, makalah ini
menyajikan kesimpulan dan saran.

literatur

Mendeteksi FFS

Pada akhirnya, pencegahan dan deteksi FFS bukan hanya tanggung jawab auditor internal dan eksternal tetapi tanggung
jawab kolektif dari semua pemangku kepentingan dalam suatu organisasi. Menurut sebuah laporan dari Kualitas Audit Central
(CAQ, 2010), jika eksekutif perusahaan bertukar informasi, inkonsistensi dalam pelaporan keuangan akan dibawa ke kedepan,
dan kesempatan untuk memperbuat FFS akan dikekang. Namun, pertumbuhan aset yang cepat, peningkatan kebutuhan uang
tunai dan pembiayaan eksternal semua meningkatkan kemungkinan penipuan (Christopher et al., 2008). Per penelitian
Beasley et al., (1999), FFS sering melibatkan berlebihan dari pendapatan dan aset.

salah saji yang disengaja dalam laporan keuangan tercatat lebih sering pendapatan daripada penyalahgunaan aset.
Beasley et al., Mencatat bahwa pada keseluruhan, secara kumulatif, penipuan rata-rata adalah USD $ 25 juta, dan penipuan
rata-rata adalah USD $ 4,1 juta. Selain itu, Cynthia. H (2005) menyatakan pendapat yang sama tentang mencegah dan mendeteksi
laporan keuangan dimanipulasi, mencatat bahwa mendeteksi FFS menggunakan prosedur audit yang normal sangat sulit, tidak
hanya untuk auditor tetapi untuk semua pemangku kepentingan. Ada tiga alasan utama untuk ini, menurut Fanning et al., (1998).
Pertama adalah, kurangnya pengetahuan tentang karakteristik manajemen penipuan. Kedua adalah, auditor tidak memiliki
pengalaman yang diperlukan untuk mendeteksi laporan keuangan dimanipulasi. Ketiga, manajer berasal teknik-teknik baru untuk
menyesatkan auditor dan investor. Penipuan ini sangat umum saat ini. Dari berbagai jenis penipuan, penipuan keuangan
menyebabkan kerugian besar, tidak hanya untuk investor tetapi untuk perekonomian negara secara keseluruhan. Oleh karena itu,
penting untuk mencegah dan mendeteksi kecurangan sebelum menyebabkan bisnis runtuh, menghancurkan investor dan merusak
perekonomian. Ada berbagai metode untuk mendeteksi FFS. Model yang dipilih untuk penelitian ini adalah Beneish Model, Altman
Z-Score dan Hukum Benford ini.

The Beneish Model

The Beneish Model adalah model matematika yang dibuat oleh Profesor Messod Daniel Beneish, yang merumuskan
beberapa rasio analisis dengan variabel untuk mengidentifikasi terjadinya penipuan keuangan atau kecenderungan untuk
terlibat dalam manipulasi laba. variabel model yang dibangun dari data dalam laporan keuangan organisasi dan, sekali
dihitung, mereka menciptakan M-Score, yang menunjukkan sejauh mana laba telah dimanipulasi. Efisiensi model telah
diuji oleh berbagai peneliti. Muntari M (2015) menggunakan model pada Enron Corporation dan menemukan bahwa FFS
perusahaan bisa telah diakui sebagai awal 1997, secara signifikan sebelum dimohonkan kepailitan pada tahun 2001.
Normah Omar et al., (2014) menerapkan Model Beneish dan Rasio analisis untuk Megan Media Holdings Berhad
(MMHB), menemukan bahwa perusahaan

69
dimanipulasi pendapatannya. Its rasio operasi-efisiensi menunjukkan bahwa perusahaan rekaman
pendapatan fiktif, membuktikan bahwa Model Beneish dapat mendeteksi FFS. Drabkova (2014) menguji lima
dari banyak model statistik dan matematika yang tersedia untuk deteksi FFS: yang Beneish M-Score Model,
TATA - Jumlah Akrual terhadap Total Aset dalam t-periode, Tiga Jones nondiscretionary masih harus dibayar,
dan Altman Z-Score Model. Hasil penelitian menunjukkan bahwa Altman dan Beneish Model mampu
mengidentifikasi kesehatan keuangan studi kasus yang dipilih. Banyak peneliti telah menerapkan Model
Beneish ke skandal perusahaan populer WorldCom dan Enron Corporation untuk mengidentifikasi manipulasi
laporan keuangan mereka. Joost (2010) menerapkan Beneish M-Score dan model Skor Logit untuk WorldCom,
dan hasilnya menunjukkan bahwa status perusahaan ini secara berkelanjutan harus telah diubah dengan
sebuah keprihatinan yang bersih.

Namun, penelitian tertentu menunjukkan bahwa Model Beneish tidak detektor utama penipuan. Rasio yang digunakan dalam model hanya
dapat membantu untuk bendera daerah bermasalah untuk diperiksa auditor. Dalam sebuah studi oleh Cynthia (2005), mereka tidak terbukti
indikator yang konsisten dari masalah. Sebagai tambahan,
Ugochukwu (2015) dibandingkan penggunaan versi delapan variabel dan lima variabel Beneish Model pada item yang
relevan dalam laporan keuangan 11 perusahaan manufaktur yang dipilih di Nigeria untuk periode 2008-2013. Hasil penelitian
menunjukkan bahwa versi lima variabel tampaknya lebih efektif dalam memprediksi, risiko yang ada asli dari salah saji
material. Sebuah studi yang dilakukan oleh Amoa (2014) diterapkan baik Altman dan Beneish model untuk FFS oleh Anglo
Emas Ashanti dan menemukan bahwa Model Altman lebih efisien di kedua memprediksi kebangkrutan dan mendeteksi FFS
dari Model Beneish. The Beneish Model tidak menemukan manipulasi laporan keuangan dalam perusahaan, sedangkan
Model Altman menemukan empat kesesakan keuangan perusahaan telah melalui selama tahun-tahun diselidiki.

Demikian pula, penelitian terbaru oleh Edmond (2016) mencatat bahwa Beneish M-Score dan Altman Z Score baik FFS terdeteksi di Enron
Corporation di tahun 1998, 2000, dan 2001. Kedua model digunakan untuk menganalisis data diambil dari laporan tahunan Enron Corporation
, dan masing-masing ditampilkan kelemahan. Kedua menderita dari efek mendefinisikan metrik yang digunakan untuk melakukan analisis
keuangan. Oleh karena itu, masing-masing model yang diproduksi nilai yang berbeda untuk beberapa metrik yang digunakan untuk
menghitung rasio. Hal ini dapat mengakibatkan perbedaan prediksi risiko default dan pendapatan manipulasi perusahaan. The Beneish
M-Score seperti Altman Z-Score kecuali bahwa M-Score berfokus pada menilai tingkat kontrol keuntungan sebagai lawan memutuskan kapan
suatu organisasi dapat mencapai kebangkrutan. Beberapa penelitian telah mencoba untuk menerapkan dua model statistik, tetapi orang-orang
yang memiliki, sebagian telah menggunakan Model Beneish sebagai salah satu dari dua model yang digunakan. Nooraslinda et al., (2013)
dibandingkan penggunaan, proses dan penerapan Hukum Benford dan Model Beneish dalam mendeteksi kecurangan akuntansi,
menyimpulkan bahwa kedua teknik ternyata memiliki manfaat dalam mendeteksi dan mencegah penipuan.

Altman Z-Score
Altman Model telah digunakan di berbagai industri untuk memprediksi kebangkrutan, dan peneliti juga telah digunakan untuk
mendeteksi FFS. Menurut Altman (1968), modelnya benar memprediksi kegagalan keuangan untuk sembilan puluh lima persen dari
perusahaan satu tahun sebelum kematian mereka. Dua tahun sebelum kepailitan, akurasi menurun hingga tujuh puluh dua persen,
dan tiga tahun, untuk lima puluh dua persen. Selain itu, sebuah studi oleh Hawariah et al., (2014) menemukan bahwa Z-Skor, yang
mengukur probabilitas kebangkrutan, cukup untuk mendeteksi FFS. Mereka membandingkan Z-Skor untuk variabel individu lain yang
diharapkan kembali angka negatif, sebagai perusahaan dengan kondisi keuangan yang lebih miskin (dan,
Oleh karena itu, Z-Skor yang lebih kecil) lebih mungkin untuk terlibat dalam kecurangan pelaporan keuangan. Sebuah studi yang dilakukan
oleh Charalambos (2013) digunakan Z-Skor dan teknik lain pada data yang dipublikasikan 70-6 perusahaan, menemukan bahwa Z-Skor
dapat mendeteksi FFS. Charalambos menemukan bahwa Z-Skor diklasifikasikan seluruh sampel dengan tingkat akurasi lebih dari delapan
puluh empat persen, dan indikator umum mereka dikaitkan dengan FFS di perusahaan yang dipilih.

Mehta et al., (2012) menemukan model Z-Score memiliki probabilitas tinggi mendeteksi FFS di sebuah perusahaan sampel. The Altman Model
Z-Score termasuk variabel-variabel berikut: 1) rasio Persediaan untuk Penjualan; 2) rasio total hutang terhadap Jumlah Aktiva; 3) rasio Laba Bersih
terhadap Total Aset; dan 4) kesulitan keuangan (Z-Score). Para peneliti menemukan bahwa model efisien diprediksi variabel, dengan akurasi
keseluruhan 81,28%. Secara umum, indikator masuk dalam model dikaitkan dengan FFS perusahaan. Per hasil, perusahaan dengan Persediaan
yang tinggi sehubungan dengan Penjualan, Hutang tinggi sehubungan dengan Total Aktiva, rendah Laba Bersih terhadap Jumlah Aktiva dan rendah Z-
Skor lebih mungkin untuk menggambarkan laporan keuangan mereka. Gnyana (2015) diterapkan Altman Z-Score untuk memprediksi kebangkrutan
perusahaan dalam lima barang yang dipilih bergerak cepat konsumen (FMCG) perusahaan selama lima tahun, dari 2011-2015.The penulis
menyimpulkan bahwa dengan menerapkan Z-Score dan memilih rasio likuiditas, investor bisa menggunakan model untuk menganalisis posisi
keuangan perusahaan. Z-Skor dari semua perusahaan FMCG yang dipilih untuk tahun yang bersangkutan menunjukkan posisi keuangan yang sehat.
Selain itu, studi ini menyarankan bahwa perusahaan harus secara teratur memperkirakan Z-Skor mereka ketika menyusun strategi untuk
meningkatkan posisi keuangan mereka. Z-Skor dari semua perusahaan FMCG yang dipilih untuk tahun yang bersangkutan menunjukkan posisi
keuangan yang sehat. Selain itu, studi ini menyarankan bahwa perusahaan harus secara teratur memperkirakan Z-Skor mereka ketika menyusun
strategi untuk meningkatkan posisi keuangan mereka. Z-Skor dari semua perusahaan FMCG yang dipilih untuk tahun yang bersangkutan
menunjukkan posisi keuangan yang sehat. Selain itu, studi ini menyarankan bahwa perusahaan harus secara teratur memperkirakan Z-Skor mereka
ketika menyusun strategi untuk meningkatkan posisi keuangan mereka.

Terlepas dari kenyataan bahwa Altman Z-Score mudah untuk menerapkan dan mencakup berbagai rasio keuangan, telah dikritik
karena tidak menggabungkan semua rasio keuangan penting. Selain itu, model ini dibangun berdasarkan neraca accrual-basis dan
laporan laba rugi dan tidak memperhitungkan informasi akun arus kas. Stepanyan (2014) menyoroti sudut pandang baru dalam
Model Z-Score Altman dalam penelitiannya pada kemungkinan kebangkrutan tujuh penerbangan besar AS, menggunakan Z-Skor
selama enam tahun berturut-turut. Dia mencatat bahwa selama tiga puluh tahun terakhir, banyak tes telah menemukan model
prediksi kebangkrutan Altman menjadi sekitar 80-90 persen akurat dalam memprediksi standar perusahaan dua tahun sebelum
pengajuan kebangkrutan.

Hukum Benford ini

Perusahaan akuntansi Big Four menggunakan Hukum Benford untuk sesuai dengan rekomendasi penipuan deteksi dalam
Laporan Keuangan Pernyataan Standar Auditing No. 99, yang menyoroti pentingnya Hukum Benford untuk menilai
kemungkinan salah saji keuangan. Penulis pertama yang benar-benar penelitian dan merekomendasikan hukum Benford
adalah Nigrini. Menurut Nigriniet et al., (1997), Hukum Benford ini bisa menguji keaslian daftar nomor dengan membandingkan
frekuensi digital mereka yang sebenarnya dan yang diharapkan. The ketidaksesuaian dari hasil dapat menunjukkan FFS di
sebuah perusahaan.

Namun, beberapa studi literatur berhati-hati tentang efektivitas Hukum Benford dalam mendeteksi fraud. Sebuah studi yang
dilakukan oleh Hayes (2012) menemukan Hukum Benford ini berguna sebagai indikator awal kemungkinan FFS dan
mungkin penggunaan sebagai tanda peringatan kebangkrutan. Di
Selain itu, penelitian ini menemukan bahwa Benford Hukum saja tidak dapat mendeteksi FFS dan bahwa penyimpangan dari Hukum Benford ini bisa
menyebabkan seorang analis mempertanyakan keabsahan, keakuratan atau kelengkapan nomor. Namun, Hukum Benford ini masih bisa menjadi
metode yang tepat untuk mendeteksi kemungkinan penipuan. Ini adalah cara yang berbeda dalam memandang angka. Dalam hubungannya dengan
alat audit lainnya, dapat membantu auditor meminimalkan kesenjangan harapan dengan meningkatkan peluang mereka menemukan penipuan dan
dapat
 membantu garis bawah perusahaan dengan menemukan inefisiensi dan kesalahan. Selain itu, Hukum Benford membaik sampling
sehingga auditor dapat berkonsentrasi pada bidang penipuan atau mencurigakan (Gogi Overhoff, 2011). Durtschi et al., (2004)
mencatat bahwa Hukum Benford telah dipromosikan sebagai sederhana, alat yang efektif untuk mendeteksi kecurangan. Mereka
mengutip contoh aktual di mana hukum Benford ini berhasil mengidentifikasi penipuan dalam volume data akuntansi. Selain itu,
mereka mencatat bahwa analisis digital berdasarkan UU Benford adalah yang paling efektif dan bahwa ada daerah di mana auditor
harus latihan perhatian. Studi ini menunjukkan bahwa keterbatasan tertentu untuk hukum. Demikian juga, Etteridge et al., (1999)
memperingatkan bahwa data set yang, ketika diuji, tidak sesuai dengan Hukum Benford ini mungkin menunjukkan inefisiensi hanya
beroperasi atau kelemahan dalam akuntansi dan sistem pelaporan,

Perlu dan Signifikansi Studi

Menurut American Institute Akuntan Publik SAS No.82 (1997) dan

Kantor Akuntabilitas Pemerintah AS (2004), ada dua jenis salah saji keuangan. Pertama adalah salah saji keuangan karena
FFS. Kedua adalah salah saji yang dihasilkan dari penipuan karyawan atau penyalahgunaan kepercayaan. kecurangan
pelaporan keuangan sering melibatkan berlebihan pendapatan dan aset (Beasley et al., 1999). analis keuangan, investor dan
manajemen telah mengembangkan berbagai indeks forensik untuk membantu akuntan forensik dalam menilai kemungkinan
manipulasi laba. Setiap alat / model memiliki kekurangan dan hambatan untuk menyediakan hasil yang akurat, dan di situlah
letak kebingungan, yang mempengaruhi auditor dan pemangku kepentingan, mengenai model terbaik untuk digunakan untuk
mendeteksi berbagai jenis salah saji keuangan. Setelah pemeriksaan menyeluruh dari literatur, studi kasus ini memilih tiga
teknik statistik: yang Beneish Model M Score (baik lima dan delapan variabel), Altman Z-Score dan Hukum Benford ini.
Alasan untuk pilihan termasuk popularitas, penggunaan dan penerapan.

Pertama, daftar thiryt-enam fraud-

teknik investigasi dikembangkan menggunakan penipuan umum dan teks forensik-akuntansi (Albrecht et al., 2015)
.Sebagian dari alat-alat dan teknik yang umum dalam praktek dan digunakan tidak hanya untuk deteksi penipuan tapi tujuan
lain juga.
Penelitian ini menguji kemampuan dari tiga model yang dipilih untuk mendeteksi FFS di Toshiba Corporation, yang paling baru dari
akuntansi dan laporan keuangan skandal besar. Meskipun skandal Toshiba terlibat tahun dari 2008-2014, ruang lingkup studi
tersebut adalah 2004-2014. Penelitian ini memberikan kontribusi untuk mengisi kesenjangan dalam literatur yang tersedia pada
aplikasi dan efektivitas alat forensik dalam mendeteksi FFS. Untuk pengetahuan kita, tidak ada penelitian sebelumnya telah
digunakan ketiga alat forensik dalam satu studi, terutama tidak dalam kasus Toshiba.

The Tujuan dari Studi

1. Untuk menguji efektivitas dari Beneish M-Score, Altman Z-Score dan Hukum Benford dalam mendeteksi FFS di Toshiba
Corporation.
2. Untuk membandingkan hasil dari tiga alat dan menyarankan yang paling berguna untuk tujuan ini.

Pengembangan hipotesis
Berdasarkan tujuan di atas, tiga hipotesis berikut dikembangkan mengenai tiga alat.
 H0 (1): The Beneish delapan faktor dan variabel lima terfaktor tidak
akan efektif mendeteksi Toshiba FFS.

Laporan Keuangan penipuan

Toshiba H0 (2): The Altman Z-Score tidak dapat secara efektif berguna dalam
deteksi penipuan dalam Laporan Keuangan Toshiba

H0 (3): Law Model Benford ini tidak dapat secara efektif berguna dalam
deteksi penipuan dalam Laporan Keuangan Toshiba.

Gambar 1: Hipotesis penelitian

Metodologi
• Terapkan Model Beneish dengan baik lima dan delapan faktor variabel laporan keuangan Toshiba.

• Terapkan Altman Z-Score laporan keuangan Toshiba.

• Terapkan Hukum Benford untuk laporan keuangan Toshiba.
• Menganalisa masing-masing aplikasi ini. Masing-masing dari tiga alat memiliki prosedur yang berbeda untuk
aplikasi. Metodologi alat dibahas di bawah ini.

The Beneish Model

The Beneish M-Score adalah model matematika dengan dua versi, satu dengan lima variabel dan satu dengan
delapan variabel, yang keduanya dapat mengidentifikasi penipuan keuangan di manipulasi laba. The Beneish Model
telah diakui sebagai lebih canggih dari analisis rasio (Cynthia, 2005; Roxas, 2011; Ugochukwuet et al, 2013.). Selain
dari comprehensibility tinggi mereka mempertahankan, delapan-variabel dan lima variabel versi model keduanya
cukup sederhana bagi auditor untuk menggunakan (Beneish et al., 2008). Model ini menggabungkan rasio dan tren
analisis direkomendasikan umum di kalangan pembuat laporan keuangan, analis keuangan dan pemeriksa penipuan
dengan membandingkan hubungan antara item keuangan-pernyataan kunci untuk tanda-tanda manipulasi laba
(Ugochukwu et al., 2015). The Beneish Model ini mirip dengan Altman Z-Score Model,

Langkah-langkah untuk penerapan Model Beneish

1. Hitung delapan variabel atau lima variabel Model M-Score.

2. Masukkan variabel yang digunakan ke dalam model persamaan untuk menghitung M-Score. Penelitian ini hadir menggunakan Microsoft Excel
untuk melakukan hal ini.

3. Setelah menghitung M-Score dan mendapatkan hasil, mengkategorikan perusahaan sebagai manipulator jika M-Score> -2,22.

Kemudian, variabel ditunjukkan pada Tabel I yang diterapkan untuk fungsi M-Score: Persamaan untuk menghitung M-Score
menggunakan delapan variabel adalah sebagai berikut.
 M-Score = -4,84 + (0.92 * DSRI) + (0,528 * GMI) + (0,404 * AQI) + (0,892 * SGI) + (0,115 * Depi) - (0,172
* SGAI) + (4,679 * TATA) - ( 0.327 * LVGI).

Tabel I: Beneish (1999) dan Rasional dari Variabel

Persamaan untuk menghitung M-Score menggunakan lima variabel tidak termasuk SGAI, LEVI dan TATA, yang ditemukan tidak
menjadi signifikan terhadap Beneish Model asli. Persamaan untuk menghitung itu adalah sebagai berikut.

M = -6,065 + 0,823 * DSRI + 0,906 * GMI + 0,593 * AQI + 0.717 * SGI + 0,107 * Depi Menurut Beneish (1999),
sebuah M-Score lebih besar dari -2,22 menunjukkan bahwa perusahaan terlibat dalam FFS.

The Altman Z-Score

Pada tahun 1968, Edward Altman mengembangkan model kebangkrutan-prediksi menggunakan Analisis diskriminan Beberapa
(MDA). Z-Skor yang dihasilkannya dapat digunakan untuk memprediksi potensi kebangkrutan dua tahun sebelum pengajuan yang
sebenarnya.
 Langkah-langkah untuk menggunakan Altman Z-Score

1. Hitung semua lima variabel dalam Model Z-Score.

2. Masukkan semua lima variabel ke dalam persamaan model dan menghitung Z-Score. Penelitian ini hadir menggunakan Microsoft Excel
untuk melakukan hal ini.

3. Setelah menghitung Z-Score dan mendapatkan hasil, mengkategorikan perusahaan yang dipilih sesuai standar patokan
dari Z-Score, yang diberikan di bawah ini.
Patokan Standar Z-Score finansial
suara jika lebih besar dari 2,99
Perhatian diperlukan jika antara 2,77-2,99
Kemungkinan bangkrut dalam waktu dua tahun jika antara 1,8-2,7
Kemungkinan kebangkrutan tinggi jika di bawah 1,88
Rata-rata untuk perusahaan non-bangkrut 5.02
Rata-rata untuk perusahaan bangkrut
-0,29
Tabel II: Altman Z-Score dan Rasional variabel

Kemudian, variabel ditunjukkan pada Tabel II yang diterapkan untuk fungsi Z-Score sebagai berikut. Ini Z-Skor, yang menggabungkan lima
rasio keuangan dari sebuah perusahaan publik, yang dihasilkan dengan menggunakan rumus di bawah ini.

Z-Score = 1,2 X1 + 1.4X2 + 3,3 X3 + 0,6 X4 + 1,0 X5.

 Hukum Benford ini

Menurut penelitian oleh Nigrini (1997), Hukum asli Benford ini termasuk 5 tes di bidang akuntansi dan audit. Model
mengkonversi angka ke dalam perhitungan, yang mengapa ia juga disebut tes Digit. Lima tes adalah: Digit Pertama, Digit
Kedua, Pertama Dua Digit, Pertama Tiga Digit, dan terakhir Dua Digit. Setiap tes memiliki tujuan sendiri. Kedua tes Digit
Kedua Pertama dan tes tingkat tinggi yang digunakan untuk memeriksa kewajaran umum data. Mereka mengidentifikasi
hanya mengidentifikasi anomali jelas. Untuk mendapatkan efisien, hasil yang efektif, input data harus besar. Menggunakan
sedikit data tidak memungkinkan perbandingan pola.

Dalam penelitian ini, laporan keuangan Toshiba untuk tahun 2007 sampai dengan 2014, tahun selama periode yang dikenal penipuan,
diperoleh dari website perusahaan, memberikan volume yang cukup data untuk memungkinkan perbandingan pola. Sebuah studi
serupa yang dilakukan oleh Haynes (2012) disusun enam tahun data dari tiga kota Amerika Serikat dan menemukan hasil yang tidak
sesuai, menunjukkan bahwa Hukum Benford ini bisa digunakan untuk menemukan salah saji keuangan.

Meskipun Hukum Benford ini tidak mungkin akurat mendeteksi penipuan, masih bisa menunjukkan kemungkinan penipuan. Ketidaksesuaian
Hukum Benford ini adalah bendera merah yang menunjukkan kemungkinan penyimpangan, sehingga mengarahkan perhatian auditor untuk
laporan keuangan yang pantas perhatian lebih lanjut. Langkah-langkah berikut diambil untuk menganalisis laporan keuangan Toshiba
menggunakan aturan Nigrini (1997).
Langkah-langkah untuk menggunakan Hukum Benford ini

1. Lakukan analisis digital masing-masing set data menggunakan program perangkat lunak yang disebut NigriniCycle.xlsx, yang merupakan program
Excel yang dibuat oleh Nigrini.

2. Menganalisis angka dari diterbitkan, laporan keuangan tahunan yang komprehensif Toshiba.
3. Kompilasi angka-angka untuk semua tujuh tahun untuk mendapatkan data yang cukup besar.

4. nomor Abaikan seperti nomor halaman, tanggal, jumlah catatan, referensi ke waktu (misalnya, penyusutan lebih dari sepuluh tahun
atau catatan sembilan puluh hari).

5.nomor Abaikan yang sub-total atau total yang tidak menyampaikan informasi baru. Misalnya, subtotal dari total
aset atau kewajiban lancar total dapat dihilangkan. Karena subtotal ini dan total adalah jumlah atau perbedaan
antara item dan tidak mencerminkan informasi baru, mereka tidak dapat dimanipulasi.

6. Untuk menilai kesesuaian setiap tes digit untuk Hukum Benford ini, tes yang disebut Mean Absolute Deviation (MAD) digunakan,
sesuai NigriniCycle.xlsx. Dengan mengacu pada rentang nilai MAD, yang diberikan di atas meja, hasilnya dapat dievaluasi untuk
kesesuaian dengan Hukum Benford untuk menunjukkan tingkat kemungkinan penipuan. Semakin tinggi nilai MAD, semakin besar
perbedaan antara nilai yang sebenarnya dan yang diharapkan dan semakin tinggi kemungkinan penipuan.

Patokan lain untuk kesesuaian digunakan dalam model ini adalah Z-Statistik, yang secara otomatis dihasilkan setelah tes
dilakukan. Per GogiGogi Overhoff (2011) bahwa Z-Statistik hukum Benfod ini mengukur ukuran penyimpangan antara yang
diharapkan dan nilai yang sebenarnya. Semakin besar Z-Score (umumnya 1% pada 2,58, 5% di 1,96, atau 10% di 1,65), semakin
kecil kemungkinan itu adalah bahwa hasilnya adalah karena kebetulan. Menurut hukum Benfod ini, setelah menganalisis hasil tes
kesimpulan akan diberikan dalam urutan berikut.
Analisis

The Beneish Model

Tabel III menunjukkan bahwa secara keseluruhan hasil M-Score Toshiba untuk 2008-2014 kurang dari patokan
dari -2,22, menandakan bahwa, secara keseluruhan, Toshiba tidak memanipulasi laba di tahun-tahun di bawah
ulasan. Meskipun FFS Toshiba untuk 2008-2014 telah dibuktikan oleh pemerintah Jepang dan berbagai pihak
berwenang dengan akses ke bukti, Model Beneish tidak mendeteksi penipuan ini. Menggunakan versi delapan
variabel dari model, yang hasilnya adalah relatif ditimbang bahwa versi lima variabel, penelitian ini tidak
mendeteksi kemungkinan risiko salah saji material dalam angka yang dipublikasikan / data keuangan Toshiba
untuk tahun diperiksa. Sebagai Tabel III menunjukkan, indikator M-Score untuk 2008-2014 (-2,75, -2,50, -2,76,
-2,83, -2,58, -2,49 dan -2,58, sesuai dengan model delapan variabel dan -3,02, -2,75, -2,93, -2,96, -2,73, -2,83
dan -2,87,
 Tabel III:

Namun, berikut ini adalah analisis dari nilai individu.

DSRI: DSRI di atas 1,0 di tahun 2010, 2012, dan 2013, menunjukkan bahwa rasio Piutang Penjualan meningkat
pada tahun-tahun ini. Pada tahun 2014, ada sedikit penurunan dari
2013, 1,105-0,964, menunjukkan bahwa pendapatan sebelumnya meningkat berkurang dalam tahun berjalan.

GMI: Rasio Penjualan Harga Pokok Penjualan tetap hampir sama dari tahun 2010-2014. Nilai-nilai GMI untuk tahun 2008
dan 2009 adalah kurang lebih sama, dan setelah itu, nilai-nilai GMI hampir sama dari tahun 2010-2014.

AQI: ini adalah lebih rendah dari 1,0, menandakan penurunan Kualitas Aktiva. Namun, AQI Toshiba selama tujuh tahun
yang dipilih pernah terlintas mean penting dari 1,254.
SGI: Skor ini tidak konsisten selama tujuh tahun dipelajari. Pada tahun 2008, SGI adalah 1,079, namun pada tahun 2009 dan 2010,
jatuh, mencapai 1,135 pada akhir 2014.

Depi: Hasil ini menunjukkan peningkatan nilai Indeks Penyusutan 2008-2014. Ini adalah satu-satunya variabel yang
melebihi indeks rata-rata 1,077, hampir tidak melintasi ambang batas yang menunjukkan kemungkinan manipulasi,
yang 1,0767. Meningkat ditunjukkan pertumbuhan pendapatan yang merupakan hasil dari penurunan depresiasi. Nilai
indeks ini jelas digambarkan manipulasi laba oleh Toshiba untuk tahun dipelajari.

SGAI: Tren di SGAI menyeberangi 1.0 standar dari Model Beneish pada tahun 2008, 2009, 2012, dan
2013, menunjukkan peningkatan dalam penjualan dan Beban Umum dan Administrasi, yang harus meningkatkan kecurigaan
tentang efisiensi administrasi Toshiba. Namun, pada 2014, SGAI menurun menjadi
0,984.
LVGI: Indikator yang paling penting adalah Indeks leverage. Variabel ini menunjukkan hubungan antara kewajiban luar dalam
bentuk kewajiban baik jangka panjang dan jangka pendek terhadap total aset. Peningkatan Leverage Indeks jelas menunjukkan
bahwa perusahaan itu rentan terhadap manipulasi laba. Pada tahun 2009 dan 2012, itu melebihi 1,0, mencapai 1,024 dan 1,123,
masing-masing. Dalam semua tahun-tahun lain, variabel ini adalah stabil.

TATA: Total Akrual Terhadap Jumlah Aktiva berguna untuk menghitung pendapatan dari operasi yang dilanjutkan dan arus kas dari
operasi. Pada tahun 2009, TATA adalah 0,003, tetapi dalam semua tahun-tahun lain, variabel ini memiliki nilai-nilai negatif,
menunjukkan bahwa perusahaan itu tidak menerima keuntungan dari sumber lain selain yang utama mereka.

Tabel IV: Toshiba Perusahaan

Menerapkan Model Beneish laporan keuangan Toshiba menunjukkan bahwa perusahaan itu tidak memanipulasi laba.
Perhitungan dalam dua kolom terakhir pada Tabel IV merupakan temuan model dan mengkategorikan perusahaan menjadi
salah satu dari dua kelompok, non-manipulator dan manipulator. Sebagai Tabel IV menunjukkan, Toshiba mencetak dekat
dengan ambang batas untuk berada di kategori manipulator hanya satu variabel dari delapan yang digunakan: Depi.
Sebuah pertimbangan dekat indikator termasuk dalam versi delapan variabel model menunjukkan bahwa kecuali untuk
Depi, tidak muncul untuk menunjukkan risiko salah saji material.

Altman Z-Score

Pada tahun 2008, Z-Score adalah 1,970, menunjukkan bahwa perusahaan akan bangkrut dalam waktu dua tahun ke depan.
Kecuali untuk 2008, Z-Skor untuk semua tahun lainnya, dari 2009-2014, menunjukkan bahwa Toshiba tidak terdengar dan tidak
akan lama terus di pasar. Ini lebih rendah Z-Skor, 1,237,
 1,641, 1,799, 1,596, 1,541 dan 1,567 masing-masing, menunjukkan bahwa kemungkinan perusahaan mengajukan kebangkrutan yang sangat
tinggi.
Ini Z-Skor benar menunjukkan bahwa perusahaan itu tidak terdengar finansial dan mereka juga menunjukkan bahwa
ada salah saji keuangan oleh Toshiba. Namun, berikut ini adalah analisis dari nilai individu.

X1: Sebagai Tabel V menunjukkan, nilai Z-Score rendah dikondisikan oleh rasio Modal Kerja terhadap Total Aset, yang baik
negatif atau sangat rendah untuk semua tahun diperiksa, indikator kemungkinan bahwa perusahaan memiliki masalah
likuiditas. Komponen model Z-Score menunjukkan masalah likuiditas yang meningkatkan kemungkinan kebangkrutan.
Nilai-nilai sedikit meningkat selama bertahun-tahun, kecuali pada tahun 2008 dan 2009, yang memiliki hasil negatif,
masing-masing -0,0095 dan -0,0637. Dari 2010-2014, hasil, 0,0501, 0,056, 0,0591, 0,0688 dan 0,0689 masing-masing pada
dasarnya stabil. Hasil pada tahun 2013 dan 2014 hampir sama. X2: Rasio Laba Ditahan terhadap Jumlah Aktiva tersirat
bahwa Toshiba belum mampu mengakumulasi dan menginvestasikan kembali keuntungan selama periode belajar.
Keuntungan digunakan untuk menutupi akumulasi kerugian yang terjadi pada tahun-tahun sebelumnya. Meskipun demikian,
nilai-nilai rendah rasio Saldo Laba terhadap Jumlah Aktiva umumnya menunjukkan profitabilitas rendah. Dari 2011-2013, nilai
untuk variabel ini, 0,103, 0,103 dan 0,104 masing-masing stabil.

X3: Rasio Laba sebelum Bunga dan Pajak terhadap Total Aset, yang mencerminkan profitabilitas dan efisiensi operasi, pada
umumnya rendah untuk tahun dipelajari, yang, sekali lagi, berbicara rendahnya tingkat profitabilitas operasi dan efisiensi
operasi sebelum pajak dan leverage keuangan. Dengan kata lain, rasio ini merupakan Return on Assets (ROA) ukuran.
Hanya pada tahun 2009 tidak variabel menunjukkan nilai negatif, -0,045; hasil untuk semua tahun lain baik yang positif dan
stabil. X4: Meskipun pada tahun 2009 hasil untuk variabel ini menurun menjadi 0,1813, untuk semua studi tahun lainnya, nilai
stabil.

X5: Pada 2013, nilai untuk variabel ini sedikit menurun ke 0,9719, menunjukkan efektivitas penurunan penggunaan aset untuk
menghasilkan pendapatan. Pada tahun 2008, hasilnya adalah 1,3365, nilai tertinggi selama tujuh tahun dipelajari.

Tabel V:
 Hukum Benford ini

Sebagai Tabel VI menunjukkan, tes digit pertama untuk data laporan keuangan tahunan Toshiba menunjukkan MAD dari
0.035757, yang melebihi 0.015 nilai kritis untuk non-sesuai dengan lebar margin. Gambar 2 menunjukkan perbedaan antara
proporsi aktual dan diharapkan dari digit pertama dari Hukum Benford ini. Karena ada keseluruhan ketidaksesuaian Hukum
Benford di tes digit pertama, ini sinyal bahwa data set mungkin memiliki duplikasi abnormal dan anomali. Hasil ini
menunjukkan bahwa penyimpangan dari yang sebenarnya dan nilai-nilai Benford adalah lebih besar dari tingkat diterima
dari standar. Namun, angka 1-8 seperti yang diberikan dalam Tabel VII tes digit pertama tidak mengembalikan Z Statistik
lebih tinggi dari 1,96, yang berarti bahwa perbedaan individu dalam frekuensi yang sebenarnya dan diharapkan tidak
signifikan. Angka 9 kembali Z-Statistik 2,006,

1,96, membenarkan bahwa ada manipulasi di tempat ini digit. Sebagai Tabel VI menunjukkan, tes kedua
digit menunjukkan MAD dari 0,02833, yang melebihi nilai kritis 0,012 untuk kesesuaian non dengan lebar
margin. Gambar 3 menunjukkan perbedaan dalam proporsi yang sebenarnya dan diharapkan digit kedua
dari Hukum Benford ini. Karena ada keseluruhan ketidaksesuaian Hukum Benford di tes kedua digit, ini
sinyal bahwa data set mungkin memiliki duplikasi abnormal dan anomali. Hasil ini menunjukkan bahwa
penyimpangan dari yang sebenarnya dan nilai-nilai Benford ini lebih besar dari tingkat diterima dari standar.
Namun, tidak satupun dari angka kedua memiliki Z Statistik lebih tinggi dari 1,96, yang berarti bahwa
perbedaan individu dalam frekuensi yang sebenarnya dan diharapkan tidak signifikan.

Tabel VI:

tabel VI saya : Hasil dari Z-Test Tabel VIII:

Tempat
Angka pertama Tempat kedua

0 1.889991
1 0.533751 0.503298

2 1.499288 0.638015

3 0.156113 0.161703

4 2.002138 0.383824

5 1.172223 1.305913

6 1.195333 1.240557

7 0.407402 0.061803

8 1.199708 1.049519

9 2.005956 2,04154
Gambar 2: Hasil Pertama Digit Gambar 3: Hasil Kedua Digit Uji 0-9
teks dari 1-9

Kesimpulan

The utama Tujuan dari penelitian ini adalah untuk menguji keampuhan dari Beneish M-Score, Altman Z-Score
dan Hukum Benford dalam mendeteksi FFS oleh Toshiba Corporation. Studi ini menemukan bahwa hipotesis
nol Model Beneish diterima, yang berarti bahwa ini adalah model yang tidak efektif dalam mendeteksi FFS di
Toshiba. aplikasi Perbandingan dari versi lima variabel dari model pada data keuangan yang sama
menunjukkan hasil yang sedikit lebih rendah daripada model variabel delapan, memperkuat hasil penelitian ini
dengan lebih mendukung bahwa tidak ada salah saji material dalam laporan keuangan Toshiba. Hasil ini
konsisten dengan penelitian serupa yang dilakukan oleh Karikari (2014) di Anglo Emas Ashanti. Penulis
menggunakan Beneish
M-Score dan Altman Z-Score pada perusahaan yang dipilih,

Dalam penelitian ini, hipotesis nol mengenai Altman Z-Score ditolak, yang berarti bahwa Altman Z-Score berguna dalam
mendeteksi FFS oleh Toshiba. Hasil ini konsisten dengan penelitian yang dilakukan oleh Hawariah et al., (2014), Mehta
et al., (2012) dan Charalambos (2002). Para penulis ini juga menemukan bahwa Z-Skor yang mengukur probabilitas
kebangkrutan yang efektif dalam mendeteksi FFS. Penelitian ini menemukan bahwa tidak seperti ke Beneish M-Score,
Altman Z-Score sangat efektif dalam mengidentifikasi FFS.

Dalam penelitian ini, hipotesis nol tentang Hukum Benford ditolak, artinya Hukum Benford itu berguna dalam mendeteksi FFS
oleh Toshiba. Hasil ini konsisten dengan penelitian yang dilakukan oleh Gogi Overhoff (2011), Durtschi (2004) dan Hayes
(2012). Seperti alat forensik lainnya, ketiga model yang diuji memiliki keterbatasan. Menurut Nigrini (2011), Hukum Benford ini
bisa mengidentifikasi hanya manipulasi angka, dan sementara itu dapat memberikan indikasi kemungkinan penipuan, tidak
dapat memberikan lokasi yang tepat. Volume besar data input yang diperlukan oleh model ini meningkatkan kemungkinan
bahwa itu mengandung kesalahan.

Diskusi dan Saran

Salah satu tujuan dari penelitian ini adalah untuk menunjukkan yang mana dari tiga alat forensik yang diuji adalah yang paling berguna untuk
mendeteksi FFS. Hasil dukungan penelitian ini menggunakan lebih dari satu alat forensik untuk mendeteksi FFS, karena masing-masing model
memiliki kekurangan. Untuk menerapkan variabel Beneish Model, kita harus mempertimbangkan nilai-nilai keuangan dalam laporan keuangan target
korporasi. Hasil model akan lebih akurat bila ruang lingkup penelitian ini adalah lebih dari lima tahun dan nilai-nilai keuangan dalam laporan keuangan
yang besar. The Beneish Model adalah model probabilistik, sehingga tidak akan mendeteksi manipulasi dengan 100% akurasi (Beneish et al., 1999).
Hasil penelitian ini mendukung pernyataan itu, menunjukkan bahwa model ini gagal untuk mendeteksi kecurangan dalam laporan keuangan Toshiba,
kembali sebuah M-Score kurang dari nilai ambang -2,22. Altman Z-Score ini sangat mudah digunakan dan cepat memberikan gambaran posisi
keuangan target korporasi. Penelitian ini menemukan bahwa Z-Score adalah model yang paling akurat dari tiga diuji. Hasil studi itu menunjukkan
bahwa semua alat forensik tidak berguna sehubungan dengan laporan keuangan. Sebagai contoh, Hukum Benford ini berguna untuk mendeteksi
kecurangan digit, sehingga harus diterapkan untuk transaksi sehari-hari, koleksi cek target perusahaan dan pembatalan dan koleksi utang, bukan
untuk laporan keuangan. Namun, semua tiga alat forensik yang digunakan dalam penelitian ini adalah berguna untuk menunjukkan bendera merah
mengenai ruang lingkup penipuan di Toshiba, meskipun tidak bisa pin titik lokasi yang tepat atau daerah penipuan. Altman Z-Score ini sangat mudah
digunakan dan cepat memberikan gambaran posisi keuangan target korporasi. Penelitian ini menemukan bahwa Z-Score adalah model yang paling
akurat dari tiga diuji. Hasil studi itu menunjukkan bahwa semua alat forensik tidak berguna sehubungan dengan laporan keuangan. Sebagai contoh,
Hukum Benford ini berguna untuk mendeteksi kecurangan digit, sehingga harus diterapkan untuk transaksi sehari-hari, koleksi cek target perusahaan
dan pembatalan dan koleksi utang, bukan untuk laporan keuangan. Namun, semua tiga alat forensik yang digunakan dalam penelitian ini adalah
berguna untuk menunjukkan bendera merah mengenai ruang lingkup penipuan di Toshiba, meskipun tidak bisa pin titik lokasi yang tepat atau daerah penipuan. Altman Z-Sc
Referensi

Albrecht, C., Belanda, D., Malagueño, R., Dolan, S., dan Tzafrir, S. (2015). Peran kekuasaan di
skema penipuan laporan keuangan. Journal of Etika Bisnis, 131 (4), 803-813. AICPA (1997),

Pernyataan Standar Auditing (SAS) No. 82: Pertimbangan Penipuan dalam

Audit Laporan Keuangan. American Institute Akuntan Publik, New York.

Altman, E. (1968) Rasio keuangan. analisis diskriminan dan prediksi perusahaan

kebangkrutan. The Journal of Finance 23 (4), 589-609. Beasley, S. Mark, Joseph v. Carcello & Dana R.

Hermanson ( 1987-1997). penipuan Keuangan

Pelaporan: Sebuah Analisis Perusahaan Publik AS. Penelitian Ditugaskan oleh COSO. Beneish,
Messod (1999). Catatan tentang Wiedman (1999). Kasus instruksional: Mendeteksi Laba

Manipulasi. saya masalah ndiana Universitas Pendidikan Akuntansi Vol. 14, No. Beneish, MD (2013).

Laba Manipulasi dan Pengembalian yang diharapkan. Jurnal Keuangan

analis Volume 69.
Beneish, MD, Charles MC Lee, dan D. Craig Nichols (2012). Fraud Detection dan diharapkan
Pengembalian. salinan elektronik tersedia di: http://ssrn.com/abstract=1998387

Pusat Kualitas Audit (2010). Menghalangi dan Penipuan Pelaporan Mendeteksi Keuangan: Sebuah Platform

Aksi, dari: http://www.thecaq.org/anti_fraudinitiative/CAQanti-fraudreport

Christopher J. Skousen, Kevin R. Smith, dan Charlotte J. Wright (2008). Mendeteksi dan memprediksi
penipuan laporan keuangan: efektivitas segitiga penipuan dan SAS tidak ada. 99. copy Elektronik
tersedia di: http://ssrn.com/abstract=1295494
Chrysovalantis Gaganis, Fotios Pasiouras, dan Charalambos Spathis (2013) .Regulations dan Audit
Pendapat: Bukti dari Lembaga Perbankan Uni Eropa. Komputasi Ekonomi 41, 387-
405.

Charalambos T. Spathis (2002). Mendeteksi laporan keuangan palsu menggunakan data yang diterbitkan: beberapa

bukti dari Yunani. Manajerial Auditing Journal 17/4, 179-191. Cindy Durtschi, William Hillison, dan Carl

Pacini Utah, (2004). Penggunaan Efektif Benford ini

Hukum untuk Membantu Mendeteksi Penipuan di Data Akuntansi', Jurnal Akuntansi Forensik,
1524-5586 / Vol V (2004), 17-34.
Cynthia, H. 2005, “Analisis rasio untuk mendeteksi kecurangan Laporan Keuangan,” ACFE Penipuan
Majalah.

Hawariah Dalniala, Amrizah Kamaluddina, Zuraidah Mohd Sanusia, dan Khairun Syafiza
Khairuddin (2014). Akuntabilitas dalam pelaporan keuangan: mendeteksi perusahaan penipuan. Procedia-Sosial
dan Ilmu Perilaku 145, 61-69.

Etteridge ML dan RP Srivastava (1999) .Using analisis digital untuk meningkatkan integritas data. Masalah

Pendidikan Akuntansi. 14 (4): 675-690.

Edmond Ofori (2016). Mendeteksi Perusahaan Penipuan Keuangan Menggunakan Modified Altman Z-Score dan
Beneish M-Score. Kasus Enron Corporation. Jurnal Penelitian Keuangan dan Akuntansi, ISSN 2222-1697
(Paper) ISSN 2222-2847 (Online) vol.7 No.4 www.iiste.org
Edward Altman (1968). rasio keuangan, analisis diskriminan dan prediksi perusahaan
kebangkrutan. Journal of Finance, 23 (23): 589-609.

Fanning K. Cogger (1998). Neural Network Deteksi Penipuan Manajemen Menggunakan Diterbitkan
Data keuangan. Journal of Intelligent Systems di Akuntansi, Keuangan dan Manajemen 7, 21-41 Freed.

Gnyana Ranjan Bal (2015). Prediksi kesulitan keuangan menggunakan Altman Z-Score: studi
pilih perusahaan FMCG. India Journal of Applied Riset Volume: 5 | Issue: 9 | September 2015 |
ISSN - 2249-555X.
Gogi Overhoff, CFE 2011, “Dampak dan realitas hukum penipuan audit Benford ini: mengapa dan bagaimana
menggunakannya,”Asosiasi bersertifikat penipuan Penguji-Certified Fraud Examiner dan Logo ACFE
adalah merek dagang yang dimiliki oleh Asosiasi Certified Fraud Examiners Incorporation.

Hawariah Dalniala, Amrizah Kamaluddina, Zuraidah Mohd Sanusia, dan Khairun Syafiza
Khairuddina (2014). Akuntabilitas dalam pelaporan keuangan: mendeteksi perusahaan penipuan.
ScienceDirect Procedia- Sosial dan Ilmu Perilaku Elsevier Ltd . 145, 61-69.

Hawariah Dalniala, Amrizah Kamaluddina, Zuraidah Mohd Sanusia, dan Khairun Syafiza
Khairuddina (2014). Mendeteksi Pelaporan Keuangan Penipuan melalui Analisis Laporan Keuangan. Journal
of Advanced Science Manajemen 17-22. Haynes H Allyn (2012). Mendeteksi Penipuan di Kota
Bangkrut Menggunakan Hukum Benford ini.
ScrippsSeniorTheses. Kertas 42. http://scholarship.claremont.edu/scripps_theses/42

Joost Impink (2010). Laba manipulasi dan kebangkrutan: WorldCom. Versi ketiga, Sarjana
kertas, Betzabeth Ignacius 5.754.992.

Karikari Amoa-Gyarteng (2014). Menganalisis Kantor Terdaftar di Ghana untuk Tanda Peringatan Dini dari
Kepailitan dan Laporan Keuangan Penipuan: Sebuah Investigasi Empiris dari AngloGold Ashanti. European
Journal of Bisnis dan Manajemen, ISSN 2222-2839 (Online) Vol.6, No.5.

Mehta Ujal, Patel Amit, Patel Hiral, dan Purohit Rajan (2012). Deteksi Keuangan Penipuan
Pernyataan di India: Sebuah Studi eksplorasi. Prosiding Konferensi Internasional ke-2 pada Sistem
Perusahaan & Accounting (ICESA 2005), GFMJR, Vol.No.4 Januari-Juni.

Mark S. Beasley, Joseph V. Carcello, dan Dana R. Hermanson (1999). penipuan Keuangan
Pelaporan-Analisis Perusahaan Publik AS. Proyek ini ditugaskan oleh COSO (COSO). Mark
Warshavsky (2012). Menganalisis Laba Kualitas sebagai Forensik Keuangan, kontribusi

penulis untuk Forensik Badan Keuangan Pengetahuan, FVLE masalah 39. Muntari Mahama (2015). Mendeteksi

kecurangan Perusahaan dan kesulitan keuangan menggunakan Altman dan

model Beneish kasus Enron Corporation. Internasional Jurnal Ekonomi,
 Commerce dan Manajemen United Kingdom, Vol. III, Edisi 1, Jan 2015
http://ijecm.co.uk/ ISSN 2348 0386.

Nigrini, M., Miller, S (2009). Diagnostik Data Menggunakan Tes Kedua-Order of Law Benford ini,
tersedia di: http://www.tcnj.edu/~business/documents/DataDiagnosticsUsingSecon Nigrini, Mark J (1997).

Penggunaan Hukum Benford sebagai sebuah Bantuan di Audit Prosedur Analitis,

Journal of Practice & Theory 16,2 (1997): 52-67.

Normah Omar, Ridzuan Kunji Koya, Zuraidah Mohd Sanusi, dan Nur Aima Shafie (2014).
Penipuan Laporan Keuangan: Sebuah Pemeriksaan Kasus Menggunakan Beneish Model dan Analisis Rasio. International
Journal Perdagangan, Ekonomi dan Keuangan Vol. 5, No. 2. Nooraslinda Abdul Aris, Rohana Othman, Siti Maznah
Mohd Arif, Mohamad Affendi Abdul
Malek, dan Normah Omar (2013). Fraud Detection: Hukum Benford vs Beneish Model. Simposium Humaniora,
Sains dan Teknik Penelitian (SHUSER). Roxas, M. (2011). Laporan Keuangan Fraud Detection Menggunakan
Rasio dan Analisis Digital, majalah
Kepemimpinan, Akuntabilitas dan Etika, Vol. 8, No. 4, 56-66. Stepanyan, A. (2014). Altman
Z-Score di Bisnis Airline. Studi Kasus Mayor AS
Carriers. Apakah mereka Potensi Calon Kepailitan? International Journal of Kemajuan dalam Manajemen
dan Ekonomi Vol.3 Issue 116-24. Tersedia online di:
www.managementjournal.info

Ugochukwu Nwoye J., Okoye Emma I Oraka Azubuike O (2013). Beneish Model sebagai Efektif
Melengkapi dengan Aplikasi SAS No. 99 dalam Pelaksanaan Audit di Nigeria', Academy of Business &
Penelitian Ilmiah. Manajemen dan Ilmu Administrasi Review, ISSN: Volume 2308-1368: 2, Issue: 6,
640-655.