Publisher

PROVISIPROVISI

Journal Jurnal Ilmiah Manajemen, Ekonomi dan BisnisJurnal Ilmiah Manajemen, Ekonomi dan Bisnis Abstract

Perkembangan teknologi digital dalam akuntansi meningkatkan efisiensi pelaporan keuangan, namun juga memperbesar risiko manipulasi data dan kecurangan laporan. Kondisi ini menuntut penerapan forensic analytics berbasis machine learning untuk memperkuat deteksi anomali secara objektif dan kontekstual. Penelitian ini bertujuan mengembangkan model deteksi kecurangan laporan keuangan perusahaan publik di Indonesia dengan membandingkan efektivitas tiga algoritma utama: Logistic Regression, Random Forest, dan XGBoost. Menggunakan 240 observasi dari 40 perusahaan pada periode 2018–2023, data dianalisis melalui pendekatan kuantitatif eksplanatori dengan SMOTE balancing dan validasi Beneish M-Score. Hasil menunjukkan bahwa XGBoost merupakan model paling unggul dengan akurasi 92,1% dan nilai AUC 0,947, sementara leverage, profit growth, dan pergantian auditor terbukti signifikan terhadap risiko kecurangan. Temuan ini menegaskan bahwa integrasi forensic accounting dengan machine learning mampu menghasilkan deteksi fraud yang lebih presisi dibandingkan dengan metode audit tradisional. Kebaruan penelitian terletak pada penerapan interpretable predictive analytics yang relevan bagi konteks negara berkembang.

Conclusion

Penelitian ini menyimpulkan bahwa forensic analytics berbasis machine learning dengan algoritma XGBoost merupakan model paling efektif dalam mendeteksi kecurangan laporan keuangan perusahaan publik di Indonesia.Model ini menunjukkan kemampuan terbaik dalam menangkap pola non-linear antara indikator keuangan dan non-keuangan, dengan leverage, profit growth, dan pergantian auditor sebagai prediktor utama risiko fraud, sementara ROA dan ukuran dewan direksi tidak terbukti signifikan.Secara teoretis, temuan ini memperkuat integrasi teori fraud triangle dan fraud diamond ke dalam pendekatan prediktif berbasis data yang bersifat interpretatif, khususnya dalam konteks negara berkembang.Secara praktis, model yang dikembangkan berfungsi sebagai early warning system berbasis risiko yang dapat mendukung auditor dan regulator dalam memprioritaskan pengawasan, tanpa menggantikan penilaian profesional dan prosedur audit forensik yang komprehensif.

Future Research

Untuk penelitian lanjutan, disarankan untuk fokus pada pengembangan model deteksi fraud yang lebih adaptif terhadap karakteristik lokal dan dinamika tata kelola perusahaan di Indonesia. Selain itu, perlu dipertimbangkan integrasi teori fraud triangle dan fraud diamond secara lebih mendalam dalam interpretasi hasil algoritmik, serta penguatan validasi forensik dengan menggunakan indikator-indikator tambahan yang relevan dengan konteks Indonesia. Penelitian selanjutnya juga dapat mengeksplorasi potensi penerapan teknik-teknik machine learning yang lebih canggih, seperti deep learning, untuk meningkatkan akurasi dan kemampuan deteksi fraud. Dengan demikian, model deteksi fraud yang dikembangkan dapat semakin relevan dan efektif dalam mendukung transparansi serta tata kelola perusahaan di Indonesia.

References

1.  . 0 doi.org/10.3390/jrfm18030115A 0 doi 10 3390 jrfm18030115
2.  . 0 doi.org/10.3390/app152111787A 0 doi 10 3390 app152111787
3. Effectiveness and Reliability of Artificial Intelligence in Fraud Detection: A Mixed-Method Study on... jmi.stekom.ac.id/index.php/jmi/article/view/168Effectiveness and Reliability of Artificial Intelligence in Fraud Detection A Mixed Method Study on jmi stekom ac index php jmi article view 168

Metadata

File size	472.42 KB
Pages	10
DMCA	Report