Big Data sebagai Bukti Audit Pelengkap

INTRODUCTION
audit didefinisikan sebagai seluruh rangkaian informasi yang dikumpulkan dan
dievaluasi oleh auditor ketika memutuskan apakah laporan keuangan suatu perusahaan
dinyatakan sesuai dengan prinsip akuntansi yang berlaku umum. Dalam praktiknya, auditor
eksternal berurusan dengan sejumlah besar informasi yang, meskipun kurang dari seluruh
rangkaian bukti audit yang mungkin, memenuhi persyaratan profesional yang diterima sebagai
''cukup dan tepat''.
Di era Big Data, teknik seperti pengenalan pola, penambangan data, dan pemrosesan
bahasa alami telah meningkatkan kekuatan prediksi rutinitas analisis data. Dengan demikian,
diharapkan bahwa keputusan akan lebih banyak didorong oleh data daripada didorong oleh
pengalaman. Dengan kenyataan baru ini, kami mengantisipasi bahwa dengan memanfaatkan
Big Data, upaya auditor untuk mengumpulkan bukti audit yang cukup dan tepat dapat
ditingkatkan. Dalam makalah ini, kami mengevaluasi Big Data sebagai bukti audit dari perspektif
persyaratan pembuktian dan memberikan analisis biaya-manfaat untuk kemungkinan aplikasi.

BIG DATA AND AUDIT EVIDENCE

Meskipun ada berbagai cara untuk mendefinisikan istilah ''Big Data'', makna dasarnya
pertama-tama berkaitan dengan ukurannya yang sangat besar. Selain volume yang “besar”,
karakteristik Big Data lainnya adalah kecepatan (real-time basis), variasi, dan kejujuran. Variasi
mengacu pada berbagai jenis sumber data, seperti pengukuran Sistem Pemosisian Global
(GPS), blog, aliran video, lalu lintas situs web, file audio, dll. Sumber yang berbeda memiliki
format yang berbeda, dan data itu sendiri sering kali tidak terstruktur. Veracity terkait dengan
menghilangkan kebisingan dan mendapatkan informasi yang benar dari Big Data.
Big Data bisa sangat andal karena sering kali dihasilkan secara eksternal dan diakuisisi
oleh auditor secara langsung. Di sisi lain, kebisingan di Big Data dapat menyebabkan kelebihan
positif palsu, yang mengarah ke keandalan yang lebih rendah. Salah satu langkah penting
dalam menggunakan Big Data adalah menghilangkan noise (kebenaran) untuk tujuan audit.
Berkenaan dengan relevansi, Big Data memberikan bukti yang unik dan terkadang lebih tepat
waktu daripada sumber tradisional. Misalnya, analitik Big Data sangat berguna untuk tujuan
audit yang terkait dengan pelanggan.

Big Data as Audit Evidence: Sufficiency Consideration

Secara teoritis, auditor harus memiliki akses ke semua informasi perusahaan yang
diperlukan. Pada kenyataannya, ruang lingkup dan kualitas bukti audit yang dikumpulkan
dipengaruhi oleh teknologi (yaitu, apakah bukti tersebut dalam bentuk komputerisasi), kendala
biaya/manfaat, dan interaksi sosial dengan klien. Big Data dapat menawarkan dukungan ketika
bukti audit tradisional kurang, seperti yang mungkin benar dalam kasus penipuan. Mendapatkan
bukti untuk penipuan itu sulit karena bukti untuk komponen yang terkait dengan motivasi dan
rasionalisasi terkait dengan gaya hidup, perilaku, dan moralitas individu.
Manfaat utama yang terkait dengan kecukupan adalah kelimpahan informasi yang
disediakan oleh berbagai bentuk data dalam jumlah besar. Biaya utama adalah upaya
pemrosesan data yang diperlukan untuk mencapai asersi audit tertentu. Untungnya, analitik
data tingkat lanjut tersedia, dan alat analitik ini lebih kuat untuk kumpulan data yang lebih besar
dan ramah untuk data yang tidak terstruktur. Auditor juga dapat membuat gudang data mereka
sendiri untuk mencapai skala ekonomi di antara klien untuk mengurangi biaya pemrosesan
data.

Big Data as Audit Evidence: Reliability Consideration

Jenis Big Data tertentu dapat membantu menilai keandalan bukti audit tradisional.
Misalnya, dokumen pengiriman digunakan untuk memverifikasi pengiriman, tetapi data GPS
menyediakan sumber data yang lebih andal dan tahan kerusakan untuk verifikasi. Dalam audit
tradisional, dokumen diperiksa secara manual untuk memverifikasi transaksi bisnis.
Menggunakan informasi non keuangan sebagai bagian dari prosedur analitis dapat
memberikan tolok ukur independen untuk mengevaluasi laporan keuangan (SAS No. 56, AICPA
1988). Di baris ini, Big Data dari sumber eksternal, seperti artikel berita, laporan analisa, dan
laporan pemerintah, dapat menawarkan tolok ukur independen untuk menilai tren akun
keuangan internal dan eksternal. Sumber utama keandalan Big Data adalah sangat sulit untuk
mengutak-atik data mengingat ukurannya yang sangat besar, terutama ketika data dihasilkan
secara real-time dari sumber eksternal. Perhatian utama adalah kualitas data. Keandalan
menurun ketika kebisingan di Big Data menyebabkan kelebihan positif palsu. Selain itu, Big
Data dari situs media sosial, seperti Twitter, dapat menjadi bias karena penggunanya tidak
mewakili seluruh populasi pelanggan.

Big Data as Audit Evidence: Relevance Consideration

Standar profesional juga mengharuskan auditor mengevaluasi risiko yang terkait dengan
kelemahan pengendalian internal dan pernyataan palsu. Literatur sebelumnya telah
menyediakan berbagai cara untuk menilai risiko klien, dan pengungkapan manajemen dapat
sangat berguna untuk tugas ini. SAS No 99 (AICPA 2002) menunjukkan bahwa "siaran pers
yang terlalu optimis atau pesan laporan tahunan" adalah faktor risiko yang terkait dengan
potensi penipuan. Dalam nada ini, Humpherys, Moffitt, Burns, Burgoon, dan Felix (2011)
mempelajari pengungkapan penipuan dengan menganalisis bagian Diskusi Manajemen dan
Analisis. Demikian pula, Larcker dan Zakolyukina (2012) menemukan bahwa penggunaan
bahasa menipu eksekutif dalam panggilan konferensi dapat membantu mengidentifikasi salah
saji keuangan. Oleh karena itu, analisis teks pengungkapan manajemen relevan untuk menilai
risiko kecurangan manajemen.

Levels of Audit Evidence

Audit Bukti audit dapat dikategorikan menjadi tiga tingkatan: laporan keuangan, akun
individu, dan tujuan audit. Efisiensi audit dapat ditingkatkan secara signifikan jika bukti audit
pada tingkat laporan keuangan dilengkapi dengan Big Data terkait dengan kemungkinan salah
saji, karena auditor cenderung mengumpulkan bukti yang berlebihan pada tingkat yang detail
tanpa menganalisis bukti pada tingkat laporan keuangan secara menyeluruh. Kerangka
pembuktian dan prosedur substantif akan lebih (kurang) komprehensif jika risiko salah saji yang
diestimasi tinggi (rendah). Analisis teks pengungkapan perusahaan dan transkrip panggilan
konferensi membantu auditor memperkirakan kemungkinan salah saji.
Critical Challenges
Integration with Traditional Audit Evidence
Mengintegrasikan Big Data dengan bukti audit yang lebih tradisional sangat penting
karena Big Data seringkali tidak terstruktur dan, khususnya, mungkin tidak memiliki struktur
yang dibutuhkan oleh database relasional untuk mengidentifikasi transaksi, pelanggan, atau
produk secara unik. Misalnya, auditor dapat menggunakan data lokasi GPS untuk memverifikasi
transaksi tertentu. Namun, mencocokkan informasi Big Data, seperti gambar atau data GPS,
dengan catatan akuntansi tradisional terbukti sulit. Agar berhasil memasukkan Big Data ke
dalam audit, auditor harus menemukan ''metode jembatan'' yang tepat untuk menghubungkan
informasi baru dan bukti audit tradisional.
Rangkuman dan evaluasi Big Data untuk diintegrasikan dengan bukti audit tradisional
menghadirkan rintangan lain untuk menyediakan bukti audit yang berguna. Karena ukuran dan
sifat Big Data yang tidak terstruktur, auditor harus memiliki teknik canggih untuk menyaring dan
meringkas informasi, seperti teknik penambangan data dan analisis statistik yang dipelajari
dalam literatur sebelumnya (Pang dan Lee 2008; Russom 2011). Auditor kurang akrab dengan
banyak sumber Big Data (dibandingkan dengan sumber tradisional), dan properti bukti auditnya
seperti kecukupan, keandalan, dan relevansi. Oleh karena itu, sulit untuk secara apriori
memprediksi seberapa efektif penggunaan Big Data untuk tujuan tertentu. Selain itu, sumber
data mungkin berkorelasi (seperti media sosial dan artikel berita pihak ketiga), sehingga nilai
tambahan dari sumber data mungkin terbatas, dan bukti yang diperoleh dari berbagai sumber
mungkin kurang dari jumlah bukti dari masing-masing sumber. bagian.

Information Transfer
Auditor yang berspesialisasi dalam industri tertentu sering dianggap menghasilkan audit
dengan kualitas lebih tinggi karena pengetahuan mereka yang mendalam dan skala ekonomi
yang lebih besar. Untuk mengatasi masalah transfer informasi, auditor harus secara resmi
membuat kontrak dengan klien sehubungan dengan penggunaan data internal klien, seperti
notulen rapat dan lalu lintas situs web. Jika data internal satu klien digunakan untuk tugas audit
klien lain, maka informasi pengidentifikasi kunci harus dihapus atau disembunyikan. Secara
umum, auditor hanya boleh menggunakan informasi yang sangat disintesis dari Big Data untuk
tugas audit lainnya dan membatasi akses ke data asli yang belum diproses.

Information Privacy
informasi, yang digambarkan sebagai ''kemampuan individu untuk mengontrol, secara
pribadi, informasi tentang diri sendiri'', merupakan tantangan signifikan untuk memanfaatkan Big
Data sebagai bukti audit. Smith, Milberg, dan Burke (1996) membahas kekhawatiran utama
individu terkait dengan privasi informasi, seperti penggunaan sekunder yang tidak sah secara
internal dan eksternal. Email internal dapat digunakan untuk mendeteksi perilaku karyawan
yang curang. Namun, begitu auditor eksternal memiliki akses ke email karyawan, karyawan
mungkin merasa privasi informasi mereka dilanggar. Jika auditor dapat mengakses informasi
yang lebih luas termasuk data GPS, video, dan file audio, maka kekhawatiran tersebut hanya
akan meningkat.
CONCLUSION AND FUTURE RESEARCH DIRECTIONS
Big Data akan memainkan peran penting dalam audit karena melengkapi bukti
tradisional dengan informasi yang cukup, andal, dan relevan. Big Data akan digunakan untuk
mengurangi ketergantungan auditor pada data klien dan memberikan tolok ukur independen
untuk mengevaluasi bukti audit internal. Perubahan dalam lingkungan audit yang dibawa oleh
Big Data memberi auditor peluang unik untuk membangun keunggulan penggerak pertama dan
mencapai skala ekonomi. Dalam mendidik auditor dan mahasiswa akuntansi, kurikulum harus
mencerminkan perubahan sumber bukti audit dan memastikan lebih banyak konten tentang
analitik data tingkat lanjut.