Data-Driven Fraud Detection

Diajukan untuk Mata kuliah:

Audit Kecurangan

Dosen:

Pak Meindy Mursal, Drs., Akt., M.Si

Disusun Oleh:

Marcella Nobel (2016130152)

Universitas Katolik Parahyangan

Fakultas Ekonomi

Semester Ganjil

2019
Anomalies and Frauds
Accounting anomalies terjadi disebabkan oleh kelemahan kontrol. Anomali tidak disengaja merupakan
kecurangan dan biasanya tidak menghasilkan tindakan hukum yang diambil. Anomali terdapat di
kumpulan data. Auditor hanya perlu mengambil sampel statistik dari set data untuk menemukan anomali
karena anomali tersebar ke seluruh set data.
Audit Sampling and Fraud
Karena penemuan anomaly merupakan bagian yang sangat penting dari laporan keuangan, kontrol dan
audit compliance dalam decade terakhir, sprosedur statistic menjadi prosedur standar audit. Pengambilan
sampel ialah prosedur analisis yang efektif untuk menemukan anomali rutin yang menyebar di seluruh
kumpulan data.
The Data Analysis Process

Step 1: Understand the Business

Metode yang dapat dilakukan untuk mengumulkan Informasi:

 Tur bisnis, departemen, atau pabrik

 Menjadi lebih familiar dengan proses pesaing
 Melakukan wawancara pada key personnel (tanyakan dimana fraud dapat terjadi)
 Menganalisa laporan keuangan dan informasi akuntansi lainnya
 Meninjau ulang dokumentasi proses
 Bekerja sama dengan auditor dan personel keamanan
 Mengobservasi pegawai ketika melakukan tugas mereka
Step 2: Identify Possible Frauds That Could Exist
Pada tahap ini membutuhkan pemahaman tentang perbedaan fraud, bagaimana munculnya, dan gejalanya.
Berikut merupakan contoh pertanyaan:

 Siapa yang menjadi kunci dalam bisnis?

 Tipe pegawai, vendor, atau kontraktor yang terlibat dalam transaksi bisnis?
 Bagaimana insider dan outsider saling berinteraksi?
 Tipe fraud apa yang muncul atau yang telah diduga di masa lalu?
 Tipe fraud seperti apa yang dapat dilakukan terhadap perusahaan atau atas nama perusahaan?
Step 3: Catalog Possible Fraud Symptoms
Tipe –tipe gejala fraud:

 Anomali akuntansi
 Kelemahan kontrol internal
 Anomali analitis
 Gaya hidup yang mewah
 Perilaku yang tidak biasa
 Tips dan komplain
Step 4: Use Technology to Gather Data about Symptoms
Ketika gejala telah didefinisikan dan dikorelasikan dengan fraud yang spesifik, data pembantu akan di
ekstrak dari database perusahaan, website online, dan sumber yang lainnya. Pencarian dan analisis
biasanya menggunakan aplikasi analisis data atau dengan Structured Query Language (SQL) yang di
custom.
Step 5: Analyze Results
Ketika anomaly telah disempurnakan dan ditentukkan oleh penguji untuk menjadi indikasi fraud,
kemudian anomaly ini akan di analisa menggunakan metode tradisional atau yang berbasis teknologi.
Step 6: Investigate Symptoms
Tahap akhir dalam pendekatan berbasis data ini adalah melakukan investigasi terhadap indicator yang
menjanjikan. Investigasi harus dilanjutkan dengan menggunakan analisa computer untuk mendapatkan
dukungan dan detail.
Data Analysis Software
Data analysis software packages yang membantu para penyelidik untuk menemukan kecurangan:

 ACL Audit Analytics

 CaseWare’s IDEA
 Picalo
 Microsoft Office + ActiveData
 SPSS
Data Access
Open Database Connectivity
Open Database Connectivity (ODBC) adalah metode standar untuk meminta data dari database relasional
perusahaan. ODBC sudah ada dalam sebagian besara sistem operasi.
ODBC merupakan cara terbaik dalam mengambil data untuk analisis karena
1. Dapat diambil secara real-time
2. Dapat menggunakan Bahasa SQL untuk pencarian dan penyaringan data
3. Memungkinkan tarikan berulang untuk analisis berulang
4. Mengambil metadata (tipe kolom dan hubungan) secara langsung
Text Import
Ada beberapa format teks untuk mentransfer data secara manual dari satu aplikasi ke aplikasi lainnya.
Format yang secara umum digunakan adalah file teks kosong yang terdiri dari 1 baris per catatan
database. Implementasi spesifik dari delimited text adalah Comma Seperated Values (CSV) dan Tab
Seperated Values (TSV). Format teks lain yang digunakan untuk mentransfer data adalah fixed-width
format yang menggunakan 1 baris per catatan file dalam database. ODBC umumnya lebih cepat dan lebih
kuat dibandingkan dengan text import.
Hosting a Data Warehouse
Banyak peneliti hanya mengimpor data secara langsung ke aplikasi analisis mereka, secara efektif
membuat data warehouse agar mudah di akses. Berikut merupakan opsi yang dapat digunakan
investigator yang tidak mahal namun dapat digunakan untuk jumlah data yang besar:

 MySQL (Database yang kuat dan gratis yang dapat didapatkan di www.mysql.com)
 PostgreSQL (Databased Standard dan gratis yang dapat didapatkan di www.postgresql.org)
 SQL Server (Produk dari Microsoft yang mana banyak investigator memiliki lisensinya atau
akses legal lainnya)
Data Analysis Techniques
Data Preparation
Yang menjadi tugas yang sangat penting dalam analisis data adalah persiapan data. Penyelidik harus
memastikan bahwa kolom angka diketik dengan benar sebagai angka dan kolom teks diketik dengan
benar sebagai teks. Kesalahan yang paling umum dapat terjadi ketika analisa time trends tidak di
standarisasi dengan waktu.
Digital Analysis
Digital analysis adalah seni menganalisis angka yang membentuk angka seperti jumlah faktur, jam yang
dilaporkan, dan biaya.
Outlier Investigation
analisa yang paling umum dari investigasi fraud adalah identifikasi outliner. Perhitungan statistik skor-z
adalah salah satu metode yang paling kuat dan sederhana untuk mengidentifikasi outlier.

Z-score = (Value – Mean)

Standard
Stratification and Summarization
Stratification adalah pemisahan set data kompleks menjadi tabel spesifik kasus. Sedangkan
summarization merupakan perpanjangan dari stratifikasi.
Time Trend Analysis
Banyak kecurangan dapat ditemukan melalui analisis dari waktu ke waktu. Teknik paling dasar untuk
analisis tren waktu dengan membuat grafik setiap kasus. Analisa time trend dari kuantitas dan harga atau
kualitas dapat membuktikan fraud.
Fuzzy Matching
Penggunaan klasik dari teknik ini adalah mencocokkan alamat karyawan dan vendor, Kode ZIP, nomor
telepon, atau informasi pribadi lainnya.
Real-Time Analysis
Investigasi berbasis data adalah salah satu metode paling kuat untuk menemukan penipuan. Biasanya
dilakukan selama investigasi secara periodic, tetapi dapat diintegrasikan secara langsung ke dalam sistem
yang ada untuk melakukan analisis real-time pada transaksi. Analisis ini mirip dengan kontrol akuntansi
tradisional karena bekerja pada waktu transaksi, itu adalah teknik yang berbeda karena secara khusus
menganalisis setiap transaksi yang dapat menyebabkan fraud.
Matrix Matosas adalah Salah satu cara untuk melihat hasil dari beberapa indikator adalah dengan
menggunakan grafik dengan mencantumkan satu catatan per kontrak yang ditawar oleh vendor dan setiap
kolom dalam tabel tersebut mewakili indikator yang dijalankan oleh sistem. Matriks Matosas merupakan
pandangan tingkat tinggi di mana kontrak memiliki hit indikator yang perlu diselidiki. Ini memungkinkan
penyelidik untuk secara mental menggabungkan berbagai indikator ke skema yang berbeda.

Analyzing Financial Statement Reports

Bagian ini menyajikan jenis khusus analisis berbasis data yang menargetkan kecurangan dan korupsi
dalam laporan keuangan. Untuk mendeteksi kecuragan melalui laporan keuangan, penyelidik fokus pada
perubahan yang tidak dapat dijelaskan. Balance sheet and income statements dikonversi dari laporan
komposisi dan periode untuk mengubah laporan dalam empat cara, dan cara tersebut adalah pendekatan
pertama dari proses analisa laporan finansial statement:

 Membandingkan saldo akun dalam laporan dari satu periode ke periode

 Menghitung rasio dan membandingkannya dengan periode ke periode
 Melakukan analisis vertikal
 Melakukan analisis horizontal
Common Ratios
Dengan mengonversi neraca dan laporan laba rugi untuk mengubah laporan menggunakan analisis
vertikal, yang mengubah angka laporan keuangan menjadi persentase, rasio key finansial statement
dihitung dan perubahan rasio ini dari periode ke periode dibandingkan. Cara tersebut merupakan
pendekatan kedua dari proses analisa laporan finansial statement
Mendeteksi penipuan melalui rasio laporan keuangan jauh lebih mudah daripada menilai sendiri
perubahan angka-angka laporan keuangan. Rasio biasanya melibatkan angka kecil dan mudah dipahami
yang sensitif terhadap perubahan variabel kunci. Selain itu, tolak ukur untuk sebagian besar rasio sudah
dikenal.
Vertical Analysis of a Balance Sheet
Pendekatan ketiga dari proses analisa laporan finansial statement adalah dengan mengonversi neraca dan
laporan laba rugi untuk mengubah laporan dan menggunakan analisis vertikal, yang mengubah angka
laporan keuangan menjadi persentase. Dengan menetapkan persentase Total Asset pada neraca menjadi
100 persen, dan semua saldo lainnya adalah persentase dari total aset.

Ketika analisis vertikal digunakan untuk menganalisis perubahan dalam saldo laporan laba rugi, penjualan
kotor ditetapkan 100 persen, dan semua jumlah lain dikonversi ke persentase penjualan.
Horizontal Analysis of a Balance Sheet
Pendekatan ketiga dari proses analisa laporan finansial statement adalah dengan mengonversi neraca dan
laporan laba rugi menjadi laporan perubahan dan menggunakan analisis horizontal. Analisis horisontal
adalah metode paling langsung untuk berfokus pada perubahan. Dengan rasio dan analisis vertikal,
pernyataan dikonversi menjadi angka yang lebih mudah dipahami, dan kemudian angka-angka tersebut
dibandingkan dari periode ke periode. Dengan analisis horizontal, perubahan jumlah dari periode ke
periode dikonversi ke persentase (Ubah / Tahun 1 Jumlah = % Perubahan).