WIRYADINATA, Doni and Sugiharto, Aris and Tarno, Tarno (2023) DETEKSI DUGAAN KECURANGAN PADA TRANSAKSI KEUANGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING DAN HUKUM BENFORD. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text 0. Cover dll.pdf Download (5MB)
	Text 1. BAB I.pdf Download (288kB)
	Text 2. BAB II.pdf Download (1MB)
	Text 3. BAB III.pdf Restricted to Repository staff only Download (1MB)
	Text 4. BAB IV.pdf Restricted to Repository staff only Download (12MB)
	Text 5. BAB V.pdf Download (283kB)
	Text Daftar Pustaka.pdf Download (285kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (572kB)

Abstract

Kecurangan pada transaksi keuangan merupakan akar dari permasalahan korupsi dalam suatu organisasi. Saat ini praktik kecurangan semakin kompleks dan sulit dideteksi, sehingga auditor memerlukan alat untuk mendeteksi kecurangan dengan tingkat analisis yang akurat. Pengelompokan data transaksi keuangan menggunakan algoritma K-Means Clustering dapat meningkatkan efektivitas penerapan hukum Benford untuk deteksi kecurangan yang optimal. Penelitian ini mengusulkan sebuah machine learning untuk auditing menggunakan model Multiple Hukum Benford dalam menganalisis data transaksi keuangan untuk mendeteksi kemungkinan terjadinya kecurangan yang tersembunyi dalam daftar transaksi keuangan organisasi auditi. Data transaksi keuangan dikelompokkan ke dalam kategori transaksi rendah, sedang, dan besar menggunakan algoritma K-Means Clustering untuk dianalisis menggunakan model Multiple Hukum Benford yang dirancang untuk tujuan analisis. Penyimpangan yang tampak signifikan lebih/kurang dari 5% dari Hukum Benford dapat dijadikan area potensial dalam audit dan selanjutnya hasil analisis tersebut divalidasi dengan temuan hasil audit dalam laporan audit yang diterbitkan oleh lembaga audit yang berwenang. Model Multiple Hukum Benford yang dihasilkan dalam penelitian ini dirancang dan diimplementasikan dalam sebuah audit toolkit untuk mengotomatisasi perhitungan berdasarkan paradigma Hukum Benford. Hasil penelitian menunjukkan penggunaan Hukum Benford dapat mendeteksi kecurangan sebesar 40,00%, namun jika menggunakan model Multiple Hukum Benford diperoleh hasil deteksi kecurangan mencapai 93,33%. Berdasarkan evaluasi dan validasi kinerja model yang tertuang pada laporan hasil audit menunjukkan 75,00% transaksi keuangan yang terdeteksi berpotensi curang bersesuaian dengan kejadian atau fakta yang ditemukan pada saat audit. Dengan kata lain, penggunaan model Multiple Hukum Benford dalam penelitian ini dapat meningkatkan kinerja deteksi dugaan kecurangan dalam transaksi keuangan yang cukup signifikan.
Kata Kunci: Deteksi Kecurangan, Multiple Hukum Benford, K-Means Clustering, Audit Toolkit, Machine Learning untuk Auditing

Fraud in financial transactions is the root of the problem of corruption in an organization. Currently, fraudulent practices are increasingly complex and difficult to detect, so auditors need tools to detect fraud with an accurate level of analysis. Grouping financial transaction data using the K-Means Clustering algorithm can increase the effectiveness of applying Benford's law for optimal fraud detection. This research proposes a machine learning approach for auditing using Multiple Benford's Law model in analyzing financial transaction data to detect the possibility of hidden fraud in the auditee organization's financial transaction list. Financial transaction data is grouped into low, medium, and large transaction categories using the K-Means Clustering algorithm for analysis using the Multiple Benford's Law model, which is designed for analytical purposes. Deviations that appear significant more or less than 5% from Benford's Law can be used as potential areas in the audit, and then the results of the analysis are validated with the audit findings in the audit report issued by the authorized audit institution. The Multiple Benford's Law model produced in this research was designed and implemented in an audit toolkit to automate calculations based on the Benford's Law paradigm. The research results show that using Benford's Law can detect 40.00% of fraud, but if you use the Multiple Benford's Law model, fraud detection results reach 93.33%. Based on the evaluation and validation of model performance contained in the audit report, it shows that 75.00% of financial transactions detected as potentially fraudulent correspond to events or facts discovered during the audit. In other words, the use of Multiple Benford's Law Model in this research can significantly increase the performance of detecting suspected fraud in financial transactions.
Keywords: Fraud Detection, Multiple Benford's Law, K-Means Clustering, Audit Toolkit, Machine Learning for Auditing.

Actions (login required)

View Item