Data Analytics: Sebuah Konsep Dalam Audit Intern

2781 Views

0 Comments

April 8, 2019

Definisi Audit Intern

Di dalam dunia internasional sampai dengan saat ini, definisi audit internal masih merujuk pada dua pakar ahli, yaitu 1) Lawrence B. Sawyer dengan bukunya yang terkenal “Sawyer’s Internal Auditing”, definisi Sawyer juga dipakai dalam Modul pusdiklatwas BPKP, bahwa audit intern adalah sebuah penilaian sistematis dan objektif yang dilakukan auditor intern terhadap operasi dan control yang berbeda-beda dalam organisasi untuk menentukan apakah:

  1. Informasi keuangan dan operasi telah akurat dan dapat diandalkan;
  2. Risiko yang dihadapi perusahaan (organisasi) telah diidentifikasi dan minimalisasi;
  3. Peraturan ekstren serta kebijakan dan prosedur intern yang bisa diterima telah dipenuhi;
  4. Kriteria operasi (kegiatan) yang memuaskan telah dipenuhi;
  5. Sumber daya telah digunakan secara efisien dan ekonomis; dan
  6. Tujuan organisasi telah dicapai secara efektif semua dilakukan dengan tujuan untuk dikonsultasikan dengan manajemen dan membantu anggota organisasi dalam menjalankan tanggungjawabnya secara efektif.

Pakar ahli berikutnya adalah 2) Alvin A. Arens, bahwa audit merupakan proses yang ditempuh seseorang yang kompeten dan independen agar dapat mengumpulkan serta mengevaluasi bukti-bukti mengenai informasi dari suatu entitas (organisasi) untuk mempertimbangkan dan melaporkan tingkat kesesuaian dari informasi tersebut dengan kriteria yang telah ditetapkan.
Kita ketahui bersama proses bisnis suatu organisasi akan mengalami perubahan seiring dengan perkembangan jaman, sehingga mengharuskan auditor internal untuk terus beradaptasi agar tetap terus memberikan nilai tambah bagi organisasi mereka (auditi), sehingga diharapkan auditor internal secara efektif merespon perubahan jaman dengan memperhatikan berbagai tren yang muncul saat ini, meliputi teknik audit, ketentuan perundang-undangan yang berlaku.

Sejarah Singkat Data Analytics (DA)

DA sebenarnya bukanlah konsep baru, namun merupakan pengembangan atas konsep yang dimulai pada tahun 1980 akhir, dikenalkan pertamakali melalui pengunaan aplikasi untuk pemeriksaan akuntansi, yang dikenal dengan Generalized Audit Software (GAS), selanjutnya pada tahun 1990-an, dalam hal penggunaan aplikasi ini oleh Auditor dijadikan sebuah teknik audit baru yang disebut dengan CAATs (Computer Assisted Audit Techniques) atau di Indonesia dikenal dengan TABK (Teknik Audit Berbantuan Komputer). Selanjutnya Pada era tahun 1990-an, di saat keberadaan komputer menjadi bagian dari hampir semua pekerjaan, lalu istilah CAATs menjadi seperti sebuah akronim yang aneh, karena pada saat itu, semua Auditor telah terbiasa menggunakan komputer dalam bekerja.

Dan kini istilah CAATs di dunia internasional menjadi tidak populer tergantikan dengan istilah Data Analytics, bagi beberapa Auditor dianggap sama, namun sebenarnya terdapat perbedaan mendasar pada prinsip kerjanya, menurut Hunton et. al (2004) dan MAP, Inc (2008), bahwa prinsip kerja DA adalah mengambil (extraksi) sekumpulan data dari suatu system informasi milik auditi/klien untuk kemudian oleh auditor dilakukan Analisa menggunakan aplikasi GAS dan DA diharapkan dapat melampaui pengujian risk control yang membantu memahami risiko bisnis yang telah diketahui maupun yang tidak diketahui.

Perlu diketahui istilah DA dalam beberapa literasi internasional, dikenal juga dengan istilah Data Analysis, Digital Analysis, Data Extraction and Analysis (DEA) atau Digital Mining yang sangat terkait dengan konsep Big Data Analytics, salah satu diksi yang populer pada era revolusi industry 4.0 saat ini.

Penerapan Data Analytics (DA)

Wajar apabila membicarakan penerapan DA bagi auditor adalah tentang meningkatkan kualitas audit. Ada sudut pandang berbeda tentang apa artinya ini dalam praktik tetapi kualitas audit adalah tujuan umum auditor, regulator, dan pembuat standar. Audit berkualitas tinggi, terfokus, dan efektif diselaraskan dengan cara entitas yang diaudit mengelola data dan operasinya. DA menawarkan cara praktis bagi auditor untuk mengelola beberapa aspek penting dari sistem Teknologi Informasi dalam audit dengan ruang lingkup yang lebih besar. Tender kompetitif untuk audit perusahaan yang terdaftar telah mempertajam fokus pada teknik analisa data, dan komite audit sekarang secara rutin bertanya kepada calon auditor bagaimana mereka akan menggunakan-nya (Data Analytics) dalam audit. (International Accounting, Auditing & Ethics: 2016).

Dalam dunia bisnis perusahaan saat ini, DA dapat menjadi disiplin baru bagi auditor, hal ini membutuhkan investasi besar dalam perangkat keras, perangkat lunak, keterampilan dan kontrol kualitas. Ini adalah bagian penting dari respon perusahaan yang lebih besar dan menengah untuk memenuhi permintaan pasar di pasar audit perusahaan besar. DA dapat diterapkan untuk berbagai Quality Assurance, bukan hanya audit. DA memungkinkan auditor untuk memanipulasi kumpulan data lengkap suatu populasi bukan hanya sample (Institute of Chartered Accountants in England and Wales: 2016)

DA merupakan suatu pendekatan baru yang digunakan untuk pencegahan dan deteksi penipuan melibatkan pemeriksaan pola dalam data aktual. DA dapat dimengerti sebagai penggunaan aplikasi canggih untuk analisis data atau alat baru untuk auditor dan pemeriksa yang tertarik untuk mencegah dan mendeteksi penipuan/kecurangan. Bahkan, DA jika diterapkan pada kasus dengan jutaan transaksi menjadikan identifikasi gejala penipuan lebih mudah ditemukan dibandingkan ketika hanya diterapkan hanya pada beberapa ribu transaksi, dikarenakan analisa terhadap pola-pola dalam data menjadi lebih jelas dan memusatkan perhatian pada penipuan. (David Coderre, Author of ‘The Fraud Toolkit; ‘Fraud Detection: Using Data Analysis Techniques to Detect Fraud’ and ‘CAATTs and Other BEASTs for Auditors’: 2013).

Penggunaan proses analisis data melalui DA menggunakan perangkat lunak tertentu yang didedikasikan untuk audit, mampu memberikan analisa mendalam tentang kemungkinan ditemukenalinya proses ekonomi tidak wajar, penipuan dan korupsi.

Teknik analisis data melalui DA dikenal juga dengan istilah Forensic Data Analytic (FDA), yang saat ini digunakan dalam banyak organisasi internasional, tetapi ada adopsi yang jauh lebih rendah dari alat FDA yang lebih canggih seperti yang digambarkan pada Tabel 1. Diketahui, 65% peserta survei melaporkan penggunaan alat spreadsheet seperti Microsoft Excel dan 43% laporkan penggunaan alat basis data seperti MS Access atau MS SQL Server. Meskipun alat ini penting untuk setiap program FDA, mereka sering fokus pada pencocokan, pengelompokan, pemesanan, penggabungan atau pemfilteran data yang terutama bersifat deskriptif.

Tabel.1. jenis FDA yang banyak digunakan organisasi (sektor privat)
(Sumber: http://www.ey.com/Publication/vwLUAssets/EY-Global-Forensic-Data-Analytics-Survey-2014/$FILE/EY-Global-Forensic-Data-Analytics-Survey-2014.pdf)

No. Forensic data Analytic Tools Percent
1 Spreadsheet tools (ex: Microsoft Excel) 65%
2 Database tools (ex: Microsoft Access, Microsoft SQL Server) 43%
3 Continuous monitoring tools, which may include governance risk and compliance (GRC) tools (SAP, SAI Global, Oracle) 29%
4 Text analytics tools or keyword searching
5 Forensic analytics software (ACL, iDEA) 26%
6 Social media/web monitoring tools 21%
7 Visualization and reporting tools (Tableau, Spotfire, QlikView) 12%
8 Statistical analysis and data-mining packages (SPSS, SAS, R, Stata) 11%
9 Big data technologies (Hadoop, Map Reduce) 2%
10 Voice searching and analysis (Nexidia, NICE) 2%

Menurut kesimpulan dari laporan ACFE 2014, perlu dicatat bahwa penulis mengidentifikasi pemantauan / analisis data proaktif sebagai salah satu alat yang paling efektif untuk pengendalian antifraud, dalam membantu mengurangi kerugian penipuan dan durasi skema penipuan, diketahui sebanyak 34,8% Organisasi (non-privat) yang telah menggunakan DA secara proaktif mengalami kasus fraud, sedangkan organisasi yang belum menggunakan DA secara proaktif mengalami kasus fraud sebanyak 65,2%, alasan kendala utama dalam penerapan DA secara proaktif diuraikan dalam tabel 2:

Tabel.2. Kendala dalam memanfaatkan Data Analytics pada saat audit
(Sumber: PricewaterhouseCoopers (2010) State of the internal audit profession study)

No. HAMBATAN %
1 SDM dengan keterampilan dan pengetahuan yang diperlukan saat ini tidak berada di dalam departemen audit internal 19,8
2 Keterbatasan akses data ke auditi untuk dilakukan TABK maupun DA 20
3 Belum diatur lengkap metodologi dan pendekatan audit yang mendukung penggunaan DA maupun TABK 20
4 Penggunaan DA maupun TABK tidak dianggap sebagai sarana untuk meningkatkan efisiensi melakukan kegiatan audit 19,8
5 Lainnya 20,4

DA dapat digambarkan sebagai pemeriksaan mendalam tentang makna dan fitur-fitur penting dari data yang tersedia, untuk mengidentifikasi informasi penting, menggunakan metode dan teknik khusus. Ini adalah domain interdisipliner yang mencakup cabang seperti komputer sains (ilmu komputer), ilmu matematika, statistik, ekonomi, psikologi, hukum, dan ilmu kognitif lainnya.
Pemeriksaan data yang teliti ini mengidentifikasi kesenjangan data, kekuatan, kelemahan, disfungsi, kerentanan dan faktor-faktor risiko yang mungkin merupakan ancaman dan akhirnya menyarankan garis pemandu. Meskipun di lapangan ada beberapa konsep analisis data seperti analisis intelijen, analisis bisnis, dll., Semuanya memiliki komponen yang sama. Perbedaan tergantung pada ruang lingkup, sifat data, produk analitis, kegunaan praktis, dan penerapan.

Menurut Cofan S. M. et al., (2014), terkait dengan DA sebagai sistem untuk pencegahan dan deteksi penipuan, dapat diidentifikasi dengan beragam jenis analisis, beberapa di antaranya sangat kompleks, tetapi di antara semuanya, kita bisa mengidentifikasi dua tipe analisis klasik: analisis operasional (operational analysis) dan analisis strategis (strategic analysis). Konsep dasar analisis dengan DA, diringkas dalam Tabel.3.

Tabel 3. Konsep dasar analisi dengan DA
(Sumber: Cofan S. M. et al., 2014)

Methodes Strategic analysis Operational analysis
Techniques Risk analysis, Results analysis, Phenomenon analysis, Situational picture analysis, statistical analysis, SWOT Analysis PESTEL Analysis, Scenarios technique Case analysis, Comparative case

Analysis Links analysis, Flow analysis, Event analysis Analysis of activities, Financial Analysis, Analysis phones, Risk analysis, SWOT Analysis, Profile Suspect Analysis, Geospatial Analysis, Technology scenarios etc.

Procedures Graphical representation (histograms, relation maps, flow maps, maps of activities, of events, geospatial maps), Space viewing, Three dimensional Viewing etc.
Instruments Mathematics, Statistics, Office Excel, Access, SAS, iDEA, GeoMedia Professional, GPS, Map, ANB, iBase, Palantir, paper, pencil, etc.

DA memang bekerja lebih efektif apabila diperuntukkan Audit dengan volume data yang besar, melalui analisa statistik, untuk menggambarkan fenomena disertai rumusan penjelasan dan prediksi, untuk menjadi bahan keputusan manajemen. Berbicara secara kiasan, analis riset harus melihat objek yang relevan seperti “elang dari langit”, mampu membedakan bintik-bintik warna daripada detail (Cofan et al, 2014), (Comes, 2013). Dan pada akhirnya yang menjadi harapan utama adalah DA sebagai salah satu analisis strategis menawarkan tinjauan makro terkait dengan adanya risiko terjadinya fraud, untuk dapat dilakukan mitigasi.

Disadur dari berbagai sumber:

[ECS]

Loading

Share Now: