Full population

testing: Applying
multidimensional
audit data sampling
(MADS) to general
ledger data auditing
Andani Sepriadi 2220532015
Full population testing: Applying multidimensional audit
data sampling (MADS) to general ledger data auditing
Jamie W. Freiman a,*, Yongbum Kim b, Miklos A. Vasarhelyi c
a Marist College, United States |b Ramapo College, United States |c Rutgers University, United States
International Journal of Accounting Information Systems 46 (2022) 100573 |
Introduction

Literature motivation 2.1. Low-Frequency error detection | 2.2. Non-Statistical method biases | 2.3. Modern
methodologies | 2.4. Utilization of General Ledger datasets

Methodology

Overview of instance implementation | 5.1. The General Ledger |5.2. Alternative data sources | 8.1. Employee filters | 8.2. Business unit
Data | Filter generation | Original filters filters | 8.3. Additional filters
| Auditor suggested filters

Suspicion scoring |Prioritization and | 11.1. Results by filter | 11.2. Results by perceived importance | 11.3. Results by score and
sampling | Evaluation of results | materiality | 11.3.1. Materiality | 11.3.2. Score |
Impact |

Conclusion
 Introducción
1. Untuk memastikan bahwa tidak ada kesalahan
material yang terdapat dalam data akuntansi yang
dilaporkan, auditor yang memeriksa GL harus
memeriksa saldo akun dan semua postingan yang
terkait dengan perubahan saldo tersebut.
2. Untuk mengatasi masalah ini, auditor secara
tradisional mengandalkan teknik pengambilan
sampel statistik dan non-statistik untuk memilih
perubahan akun untuk verifikasi.
3. Di era big data, permasalahan seperti ini semakin
parah. Saat menguji jutaan, bahkan milyaran
catatan, ukuran sampel sebanyak 300 atau bahkan
3.000 mungkin tidak memberikan bukti yang cukup
untuk menarik kesimpulan
4. Makalah ini menjelaskan metodologi
penggunaan teknik yang kami namakan
Pengambilan Sampel Data Audit Multidimensi
(MADS).
Literature motivation
2.1. Low-Frequency error 2.2. Non-Statistical method
01 detection
Masalah utama yang muncul dalam teknik
02 biases

pengambilan sampel adalah efektivitas permasalahan mengenai metode

(atau kekurangannya) dalam mendeteksi pengambilan sampel non-statistik sudah
kesalahan frekuensi rendah dalam suatu ada sejak tahun 1950-an

populasi.
2.4. Utilization of General Ledger
2.3. Modern methodologies
datasets
03 04
Pendekatan modern adalah dengan Penelitian ini juga menguji efektivitas kumpulan
menerapkan teknik audit berbantuan data terkait GL untuk menarik kesimpulan
komputer (CAAT) tentang asersi audit
 01
Methodology
Metodologi MADS menggunakan filter untuk
menyoroti pembaruan yang akan
dipertimbangkan auditor untuk meningkatkan
risiko audit. Berdasarkan evaluasi pentingnya filter
ini dan filter mana yang gagal pada pembaruan
tertentu, pembaruan tersebut diberi skor
kecurigaan. Skor ini kemudian digunakan untuk
menentukan peringkat pembaruan akun dari yang
paling berisiko hingga yang paling tidak berisiko.
Overview of instance
implementation
Pendekatan kami menggabungkan teknik
analitik data ke dalam penyaringan awal
berbasis risiko
Data
5.1. The General
Ledger
Buku besar umum ditujukan
untuk satu segmen operasi dari
pabrikan multinasional besar
yang berfungsi sebagai bisnis
independen
5.2. Alternative data
sources
Yang pertama adalah bagan akun
(COA), kedua adalah daftar
karyawan yang diberi wewenang
untuk melakukan perubahan
akun
Filter generation | Original filters

Filter generation Original filters

Menentukan potensi risiko dan
filter terkait
Lima berasal langsung dari daftar
filter yang diusulkan kepada
auditor (Catatan duplikat,
penyeimbangan Kredit dan
Debit, dan tiga filter waktu).
Auditor suggested filters

8.1. Employee 8.2. Business unit 8.3. Additional

filters filters filtersrnos
Filter terkait karyawan Dirancang untuk mengatasi
Dua filter dikembangkan
memanfaatkan data risiko atau permasalahan
untuk mendeteksi praktik
karyawan untuk mendeteksi serupa yang dianggap
masuk yang tidak normal
potensi risiko atau penting
dalam unit bisnis
penyimpangan
Suspicion scoring |Prioritization and
sampling

Prioritization and
Suspicion scoring
sampling
Skor kecurigaan dapat
didefinisikan sebagai angka yang
Populasi diberi peringkat dari
mewakili total risiko yang
yang tertinggi hingga terendah
dirasakan dari suatu catatan
berdasarkan skor kecurigaan
sebagai fungsi dari filter yang
gagal.
Evaluation of results

Results by
Results by score and
Results by filter perceived
materiality
Hasil ini menunjukkan bahwa
importance
metodologi MADS dapat MADS menggabungkan Materialitas & Skor
diterapkan untuk mendeteksi pendekatan penggunaan
salah saji atau catatan
CAAT ke dalam satu proses
mencurigakan untuk pengujian
rincian lebih lanjut, dan dapat
digunakan untuk mengevaluasi
efektivitas pengendalian internal
Impact
Deteksi masalah yang berhasil dalam populasi
ini tidak boleh diabaikan ketika mengevaluasi
pentingnya MADS dan berdampak pada
evaluasi laporan keuangan. Studi ini
menggunakan metodologi ini pada kumpulan
data terkait GL untuk berhasil mendeteksi
masalah nyata dan berdampak.
 Conclusion
1. Daftar penyesuaian akun dalam GL memberikan masalah unik dan serangkaian
kondisi yang merupakan hubungan penting antara penjurnalan peristiwa bisnis dan
laporan keuangan.
2. Evolusi teknologi komputer dan metode analitik serta tantangan yang ditimbulkan
oleh penerapan sistem elektronik oleh auditee telah mengubah potensi dan ruang
lingkup jaminan perusahaan
3. . Evolusi dari sampel sempit ke pengujian populasi penuh memerlukan penelitian
dan proyek substantif seperti yang disajikan dalam makalah ini
4. Ada beberapa keterbatasan dalam penelitian kami. Pertama, pendekatan ini
diterapkan pada satu segmen operasi dari perusahaan manufaktur besar. Kedua,
meskipun proyek ini dilakukan bersama dengan auditor untuk mengembangkan
filter kami, penelitian ini memiliki keterbatasan data yang mungkin tidak ada dalam
audit langsung
Terima Kasih
©Asp

CRÉDITOS: Esta plantilla para presentaciones es una creación de Slidesgo, e incluye

iconos de Flaticon, infografías e imágenes de Freepik e ilustraciones de Storyset