Lihat ke Halaman Asli

Meningkatkan Transparansi Audit dengan Process Mining dan Machine Learning

Diperbarui: 5 September 2024   16:27

Kompasiana adalah platform blog. Konten ini menjadi tanggung jawab bloger dan tidak mewakili pandangan redaksi Kompas.

Ilustrasi proses audit. (Sumber: Freepik.com)

Meningkatkan Transparansi Audit dengan Process Mining dan Machine Learning 


Dalam dunia auditing modern, teknologi telah menjadi elemen tak terpisahkan yang dapat membawa perubahan signifikan pada efektivitas dan efisiensi proses audit. Artikel ilmiah berjudul "Integrating Process Mining and Machine Learning for Advanced Internal Control Evaluation in Auditing", yang ditulis oleh Huijue Kelly Duan et al. (2024), menawarkan pandangan baru tentang bagaimana teknologi, khususnya process mining dan machine learning, dapat digunakan untuk meningkatkan kualitas evaluasi kontrol internal dalam audit. Pendekatan tradisional dalam audit internal sering kali bergantung pada pengujian manual dan metode sampling, yang dapat mengakibatkan kelemahan dalam mendeteksi penyimpangan atau kelemahan kontrol yang signifikan. Namun, seperti yang dijelaskan dalam artikel ini, kombinasi teknologi tersebut mampu memperbaiki kelemahan ini dengan memberikan analisis berbasis data secara lebih komprehensif dan tepat waktu.


Menurut penelitian, process mining memiliki kemampuan untuk menganalisis seluruh populasi transaksi dalam suatu sistem, berbeda dengan metode pengambilan sampel tradisional yang hanya menguji sebagian kecil transaksi. Dengan menggunakan dataset yang diambil dari perusahaan manufaktur, penelitian ini menunjukkan bahwa dari 105.748 transaksi yang dianalisis, 13.362 transaksi (12,6%) teridentifikasi menyimpang dari alur proses bisnis standar. Hal ini menunjukkan bagaimana process mining dapat membantu auditor dalam memahami aliran proses bisnis secara lebih mendalam dan menemukan transaksi yang berpotensi bermasalah.


Selain itu, penggunaan algoritma machine learning dalam mendeteksi anomali memungkinkan auditor untuk fokus pada transaksi yang paling berisiko, berdasarkan penilaian kuantitatif. Penggunaan teknologi ini telah terbukti efisien dalam mengidentifikasi area kontrol dengan risiko tinggi, yang memerlukan tindakan lebih lanjut. Artikel ini, dengan demikian, memperlihatkan potensi besar dalam penggunaan teknologi untuk mengubah paradigma audit tradisional menuju audit berbasis data yang lebih canggih dan mendalam.


***


Artikel ini memperkenalkan pendekatan yang menggabungkan process mining dan machine learning untuk evaluasi kontrol internal dalam audit, suatu terobosan yang mengatasi keterbatasan metode tradisional. Penelitian menunjukkan bahwa pendekatan konvensional seperti sampling dan pengujian manual sering kali gagal menangkap keseluruhan risiko yang melekat dalam operasi perusahaan. Sebaliknya, process mining memungkinkan auditor untuk melihat jejak digital dari setiap transaksi yang terjadi dalam sistem, memberikan pemahaman yang lebih mendalam tentang proses bisnis.


Pada studi kasus dalam artikel ini, dari 105.748 transaksi yang dianalisis, sebanyak 12,6% atau 13.362 transaksi ditemukan menyimpang dari alur proses standar. Analisanya menunjukkan bahwa 63,1% transaksi melibatkan masalah pemisahan tugas, di mana pembuat pesanan pembelian juga merilis pembayaran, melanggar prinsip kontrol internal dasar. Ini menggambarkan pentingnya process mining dalam mendeteksi penyimpangan yang mungkin tidak terlihat dengan metode tradisional.


Selain process mining, machine learning berperan penting dalam mendeteksi anomali. Algoritma seperti Isolation Forest (iForest), KNN, dan Cluster-Based Local Outlier Factor (CBLOF) digunakan untuk memberikan skor anomali pada setiap transaksi. Misalnya, dengan menggunakan algoritma iForest, ditemukan bahwa transaksi dengan pola yang sangat menyimpang cenderung memiliki skor anomali yang lebih tinggi, memungkinkan auditor untuk memprioritaskan investigasi pada transaksi yang paling mencurigakan. Hasilnya menunjukkan bahwa dari 477 kasus yang dianalisis lebih dalam, 13 transaksi terkonfirmasi sebagai anomali yang benar, membuktikan bahwa teknologi ini mampu mengidentifikasi transaksi bermasalah secara akurat dan efisien.


Tantangan terbesar dalam penerapan teknologi ini adalah biaya awal dan kebutuhan akan kompetensi teknis yang lebih tinggi. Penerapan process mining memerlukan pemahaman mendalam tentang struktur sistem informasi perusahaan dan kemampuan untuk mengekstrak data yang relevan dari sistem ERP seperti SAP. Namun, setelah diimplementasikan, manfaatnya sangat signifikan. Penelitian menunjukkan bahwa adopsi teknologi ini dapat mengurangi risiko salah penyajian laporan keuangan dan membantu auditor dalam mendeteksi kesalahan material yang sebelumnya sulit terdeteksi.


Dengan meningkatnya kompleksitas operasi bisnis dan volume data yang dihasilkan, pendekatan ini tidak hanya memberikan solusi teknis tetapi juga membantu auditor dalam menyesuaikan metode kerja mereka sesuai dengan tuntutan zaman. Sebagai contoh, penelitian dari McKinsey Analytics pada tahun 2021 melaporkan bahwa 56% perusahaan telah mengadopsi AI dan machine learning dalam setidaknya satu fungsi bisnis mereka, memperlihatkan bahwa tren penggunaan teknologi ini terus meningkat di berbagai sektor.

***

Halaman Selanjutnya


BERI NILAI

Bagaimana reaksi Anda tentang artikel ini?

BERI KOMENTAR

Kirim

Konten Terkait


Video Pilihan

Terpopuler

Nilai Tertinggi

Feature Article

Terbaru

Headline