Nama: Timothy Tanujaya

NPM: 6041801032
Kelas: A
Resume Chapter 6 – Data – Driven Fraud Detection

Deteksi kecurangan berbasis data

Bidang ini muncul sebagai sintesis dari berbagai bidang pengetahuan yang berbeda, termasuk
kecurangan, audit, investigasi, teori database, dan teknik analisis. Karena membutuhkan
kemampuan lebih dari penyelidikan penipuan secara tradisional, analisis kecurangan berbasis
data menyediakan manfaat terbaru unutk bersedia mempelajari konsep-konsep dari bermacam-
macam bidang. Menggunakan database dan metode lain untuk menentukan apakah kecurangan
itu benar-benar terjadi.
1. Anomalies dan Fraud
Auditor harus menganalisis data untuk mendeteksi kecurangan dan anomali untuk
beberapa waktu. Ada banyak teknik analisis yang bisa digunakan. Teknik yang pertama
adalah teknik menggunakan komputer, yang ternyata sudah lebih canggih. Teknik ini
menggunakan sebuah aplikasi yang disediakan dan bisa menganalisis data besar dan
kecil. Teknik yang kedua adalah teknik tradisional dan masih sering digunakan oleh
auditor. Teknik ini menggunakan statistika samoling, spot checkin dan total kontrol.
Tradisional ini mempunyai keuntungan tersednri yaitu lebih cocok dan lebih bisa
menemukan anomali akuntansi dibandingkan dengan kecurangan.
a. Anomali Akuntansi.
Disebabkan karena lemahnya kontrol. Tetapi bukan sebuah kesalahan. Semuanya
terjadi dikarenakan kesalahan sistem, prosedur dan kebijakan. Ciri dari anomali
akuntansi adalah:
- Tidak disengaja. Mereka tidak menyajikan kecurangan dan normalnya tidak
berakibat hukum
- Akan ditemukan di seluruh data.
b. Kecurangan / Fraud
Kecurangan berbeda dengan anomali akuntansi. Ciri kecurangan :
- Dilakukan dengan sengaja dengan sangat baik
 - Pelaku menutupi jejak mereka dengan membuat dokumen palsu atau merubah
rekaman di sistem database.
- Ditemukan tidak di semua data. Hanya sedikit jejaknya di sebuah data. Biasanya
hanya satu atau dua kasus

Audit Sampling dan Fraud

Karena menemukan anomali merupakan bagian yang penting dari laporan
keuangan, kontrol, penyesuaian audit di beberapa waktu, maka tidak heran bila ini
menjadi standar prosedur auditing. Audit sampling merupakan prosedur analasis yang
efektif untuk menemukan anomali akuntansi diantara data-data. Sedangkan untuk
menemukan kecurangan maka audit sampling bukan pilihan yang tepat. Pendekatan
untuk kecurangan berbeda. Sekarang semua data yang di audit dan pelaksanaan
investigasi kecurangan menggunakan elektronik. Komputer bisa terkadang menganalisis
seluruh populasi secepat mereka menganalisis sampel. Bisa mengurangi waktu dan biaya
yang juga lebih sedikit.

2. Proses Analisis Data

Menganalisis data untuk kecurangan harus ditemukan metode yang efektif. Investigasi
kecurangan harus disiapkan dengan pembelajaran baru, aplikasi perangkat lunak, dan
teknik analisis. Maka digunakan metode proaktif untuk mendeteksi kecurangan.
Langkah-langkah nya adalah sebagai berikut:

Step 1 : Memahami Bisnis

Proses metode deteksi proaktif dimulai dengan memahami bisnis. Metode untuk
mengumpulkan bisnis adalah sebagai berikut:
- Tur bisnis, departemen atau plant
- Akrab dengan pesaing
- Mewawancarai personel
- Menganalisis laporan keuangan dan informasi akuntansi lainnya
- Mereview proses dokumentasi
- Bekerja sama dengan auditor dan personel keamanan
 - Mengobservasi karyawan saat melaksanakan tugasnya

Step 2 : Mengidentifikasi kemungkinan adanya kecurangan

Membagi bisnis menjadi fungsi individu. Dilangkah yang kedua ini, individu memasuki
fungsi bisnis dengan mewancarai. Pemeriksa penipuan harus menanyakan pertanyaan
sebagai berikut:
- Siapa pemain utama dalam bisnis?
- Apa tipe karyawan, vendor, atau kontraktor yang terlibat dalam transaksi bisnis?
- Bagaimana orang dalam dan orang luar berinteraksi satu sama lain?
- Apa jenis penipuan yang telah terjadi atau dicurigai di masa lalu?
- Apa jenis penipuan bisa dilakukan terhadap perusahaan atau atas nama
perusahaan?
- Bagaimana bisa karyawan atau manajemen bertindak sendiri melakukan
penipuan?
- Bagaimana bisa vendor atau pelanggan bertindak sendiri melakukan penipuan?
- Bagaimana bisa vendor atau pelanggan bekerja berkolusi dengan karyawan
melakukan penipuan?

Step 3 : Kemungkinan gejala penipuan

Penipuan itu jarang terlihat hanya pasti dapat dilihat dengan jelas gejala-gejala nya. Tipe
dari gejala kecurangan. Seperti di bab 5, gejala penipuan bisa dibagi sebagai berikut:
- Anomali akuntansi
- Lemahnya internal kontrol
- Anomali analitikal
- Gaya hidup mewah
- Perilaku yang tidak biasa
- Tips dan keluhan

Step 4 : Menggunakan teknologi untuk mengumpulkan data tentang gejala

kecurangan
 Setelah langkah sebelumnya terpenuhi maka langkah selanjutnya adalah mencar gejala
yang spesifik di tiap perusahaan dan unit yang berhubungan dengan perusahaan. Mencari
dan menganalisis dilakukan dengan menganalisis aplikasi data atau dengan menggunakan
Strustured Query Languange (SQL)

Step 5 : Menganalisis hasil

Kemudian setelah semua step diatas dilakukan, langkah selanjutnya adalah hasil. Hasil
dari menganalisis ketika ditemukan data dengan tindak kecurangan. Biasanya pelacak
bekerja sama dengan auditor dan keamanan. Melakukan wawancara dengan rekan kerja,
menginvestigasi dokumen, dan menghubungi pihak luar yang terkait

Step 6 : Menginvestigasi gejala

Ini merupakan langkah terakhir dari kesemuanya. Penyidik dapat sepenuhnya
menggunakan analisis komputer untuk menyediakan data pendukung dan detail data.
Keuntungan utama dari pendekatan data-driven adalah penyidik mengambil alih proses
penyelidikan penipuan. Pendekatan data-driven dapat menyoroti adanya penipuan hal ini
masih kecil. Kelemahan utama pada pendekatan data-driven adalah bahwa proses ini
lebih mahal dan membutuhkan waktu lebih intensif dari pendekatan tradisional.

3. Perangkat Lunak Analisis Data

Banyak perangkat lunak yang dibuat untuk investigasi. Berikut adalah contoh perangkat
lunak yang digunakan:
a. ACL Audit Analytics : program yang handal untuk menganalisis data. Perangkat ini
paling banyak digunakan oleh auditor.
b. CaseWare’s IDEA : sama dengan ACL tetapi sebenarnya berbeda. Berfokus pada
auditing tetapi sebagian termasuk menaikka jumlah teknik kecurangan.
c. Picalo : Mirip dengan ACL dan IDEA tetapi dengan menggabungkan “deteksi
kemungkinan”
d. Microsoft Office + ActiveData : plug-in untuk Microsoft Office. Menyediakan
prosedur analisis data yang berbasis di Excel dan Access. Karena ACL dan IDEA
 merupakan software yang terbilang mahal, maka Microsoft Office menjadi alternatif
yang lebih murah dari ACL dan IDEA
e. SAS dan SPSS : merupakan aplikasi statistika yang menawarkan fiture untuk
mendeteksi penipuan

4. Akses Data
Hal terpenting dalam langkah-langkah analisis data adalah mengumpulkan data yang
benar ke format data yang benar lainnya di satu periode waktu. Metode yang digunakan
adalah sebagai berikut:
a. Open Database Connectivity (ODBC) :
Metode standar query data dari database perusahaan. ODBC merupakan penghubung
antara aplikasi analisis (ACL, IDEA, dan Piccolo) dengan database perusahaan
(Oracle, SQL Server, dan MySQL). Adalah cara terbaik mengambil data untuk
analisis karena:
- Dapat mengambil data secara real time
- Memungkinkan penggunaan bahasa SQL
- Memungkinkan repeated pulls untuk analisis berulang
- itu mengambil metadata (seperti jenis kolom dan hubungan) secara langsung
b. Text Import :
Impor data dengan teks delimited (CSV atau TSV)
Import data with XML or other language
c. Hosting Warehouse Data
Banyak investigator yang dengan mudahnya mengimport data langsung dari aplikasi
analisis mereka, lebih efektif nya adalah membuat data warehouse. Data yang
diimpor, disimpan, dan dianalisis dalam ACL atau program lainnya dikumpulkan
kemudian solusi All in One bagi penyelidik.

5. Teknik Analisis Data

Jika data yang diambil dan disimpian di data ware house, aplikasi analisis, atau text file,
maka dibutuhkan untuk menganalisis untuk mengidentifikasi transaksi yang sama dengan
indikator yang diidentifikasi sebelumnya pada saat proses berjalan. Bagian ini
menjelaskan teknik analisis yang biasanya digunakan untuk investigator kecurangan.
Teknik yang biasa digunakan adalah:
a. Data Preparation:
Ini termasuk jenis konversi dan memastikan konsistensi nilai-nilai. Peneliti harus
memastikan bahwa kolom nomor yang benar diketik sebagai angka dan yang kolom
teks dengan benar ketik sebagai teks
b. Digital Analysis:
Pada tahun 1932 Benford meneliti macam-macam tipe data. Dan sebut dengan
Benford Law. Benford Law ini memprediksi secara akurat untuk beberapa data
keuangan yang memmiliki digit awal dari tiap kelompok pada beberapa nomor acak
yang akan sesuai untuk diprediksi pola distribusi. Analisis digital adalah analisis
yang digit-nya membuat nomor-nomor seperti jumlah tagihan, waktu yang
dilaporkan, dan biaya.
c. Outlier Investigation:
Salah satu analisis yang sering digunakan investigator kecurangan adalah
mengidetifikasi outlier. Dengan fokus pada outlier, investigator bisa dengan mudah
diidentifikasi kasusnya tidak cocok.
d. Stratification and Summarization:
Stratification adalah adalah membagi set data yang kompleks ke dalam tabel yang
memiliki spesifikasi khusus. Sumarization adalah perpanjangan dari stratification.
Bukannya menghasilkan sejumlah subtables, summarization menghitung
perhitungan pada subtables untuk menghasilkan satu catatan yang diringkas dari
nilai di setiap kasus.
e. Time Trend Analysis:
Analisis time trens adalah kuantitas dan harga atau kualitas dari pengembalian yang
mengungkapkan kecurangan
f. Fuzzy Matching:
Adalah nilai textual. penipuan ini mungkin tampak jelas sederhana, tetapi mereka
cukup umum; kadang-kadang analisis sederhana menghasilkan hasil yang paling
berguna
g. Real-Time Analysis:
 Analisis real time sama dengan kontrol akuntansi tradisional karena ini bekerja saat
waktu transaksi.

6. Analyzing Financial Statement Reports

Pendekatan untuk menganalisa Laporan Keuangan:
a. membandingkan saldo rekening dari satu periode ke periode berikutnya
b. menghitung rasio kunci dan membandingkannya dari periode ke periode
c. melakukan analisis vertikal
d. melakukan analisis horisontal