Kelas : 17 Akuntansi 3
NIM : 3011711087
Tujuan dari penelitian ini adalah untuk mengembangkan model prediksi penipuan akuntansi
baru dari sampel dengan menggunakan data laporan keuangan tersedia dari publik
perusahaan AS.
Pertama model prediksi penipuan berdasarkan data keuangan tersedia untuk umum dapat
diterapkan untuk setiap fi rm publik dengan biaya rendah.Kedua sebagian besar model
prediksi penipuan dalam literatur akuntansi yang ada juga mengandalkan tersedia untuk
umum.
Rumusan Masalah :
1. Adakah pengaruh dalam meningkatkan kinerja terbaik atas penipuan model prediksi ,
belajar ensemble, dengan menambahkan tambahan baku keuangan item data tersedia
dari database komersial yang ada?
2. Mengapa Penipuan Akuntansi sulit untuk dideteksi ?
3. Bagaimana pengembangan metode yang efektif untuk mendeteksi kecurangan
akuntansi perusahaan secara tepat waktu ?
4. Pendekatan yang Digunakan Dalam mendeteksi penipuan dalam akuntansi ?
Sampel:
Menggunakan 28 keuangan item data mentah ini sebagai titik awal untuk evaluasi kinerja
semua model prediksi penipuan. The Dechow et al. Model menggunakan 14 rasio keuangan
yang berasal dari 28 item data mentah, sedangkan Cecchini et al. Model menggunakan
keuangan kernel yang memetakan 28 item data mentah ke dalam satu set yang lebih luas dari
rasio. sampel kami mencakup semua emiten perusahaan AS selama periode 1991-2008.
Hipotesis:
Data mentah adalah sebuah kondisi untuk sebuah data di dalam sebuah sistem komputer yang
dikoleksi langsung dari sebuah sumber langsung tanpa perubahan apapun. Data mentah dapat
berdiri sendiri dan tidak menjadi subjek untuk diproses atau dimanipulasi inilah mengapa
Data mentah juga disebut sebagai data primer.
H2: “Memprediksi kecurangan dalam laporan keuangan menggunakan data mentah dan
metode ensemble”
H3: “Metode rasio keuangan versus data mentah yang menggunakan metode ensemble”
Dalam artikel tersebut tidak ditemukan bukti bahwa dua metode ensemble alternatif
mengungguli metode ensemble berdasarkan 28 data mentah. Ini sesuai dengan anggapan
peneliti yang mana peneliti telah mempertimbangkan 28 data mentah yang disandingkan
dengan metode learning machine yang fleksibel dan berhasil, metode rasio yang terdiri dari
data mentah secara bertahap kurang begitu berguna dalam memprediksi kecurangan.
Hasil:
Hasil ini menunjukkan bahwa penggunaan langsung data keuangan mentah, ditambah dengan
metode pembelajaran mesin fleksibel dan kuat lebih fl, dapat menghasilkan prediksi penipuan
yang lebih baik.
Peneliti juga menguji apakah model pembelajaran ensemble berdasarkan 14 rasio keuangan,
atau kombinasi dari rasio keuangan 14 fi dan 28 item data mentah, dapat menghasilkan
kinerja prediksi yang lebih baik penipuan. Hasil kami menunjukkan tidak ada bukti bahwa di
atas dua model pembelajaran ensemble alternatif mengungguli model pembelajaran ansambel
yang menggunakan 28 item data mentah saja. Hasil ini memberikan bukti lebih lanjut dari
prediksi manfaat t menggabungkan data mentah keuangan dengan metode belajar yang kuat
ensemble.