Faktor – faktor yang mempengaruhi implementasi Big Data dalam

Faktor – faktor yang mempengaruhi implementasi Big Data
dalam Audit
Zaldy Adrianto
Abstract
The Big 4 accounting firm are looking for implement the big data analytics in their audit
engagements. With the growing investment in from $34 billion in 2013 increasing to
$232 billion through 2016 (Gartner 2012). Specially, The Big 4 firms, sees Big Data as an
increasingly important part of their assurance practice. The objective of this paper are to
give first insight and literature regarding the factors that affect the implementation of big
data in audit.
Pendahuluan
Sebuah survey yang dilakukan oleh (Gartner, 2012) menyatakan bahwa 73%
respondennya telah berinvestasi atau berencana untuk menginvestasi dalam bidang Big
Data dalam 24 bulan ke depan. Investasi perusahaan dalam big data juga diprediksi
meningkat dari $34 milyar menjadi $232 Milyar di tahun 2016. Kantor akuntan juga
menyatakan jika Big Data akan memainkan peranan besar dalam jasa assurance mereka.
Contohnya EY, yang menyatakan bahwa audit akan berubah dalam 5-10 tahun kedepan
dikarenakan evolusi dibidang teknologi dan analisa. Data analytics, dan teknologi baru
untuk mengakses informasi di industri dengan lebih detail akan membantu auditor dalam
memahami bisnis, mengidentifikasi risiko, isu, serta menawarkan pemahaman yang lebih
akan suatu bisnis. Lebih jauh lagi, kemampuan untuk meriviu dan menganalisa seluruh
data, bukannya melakukan sampling akan meningkatkan kepercayaan dalam audit (EY,
2017a).
Ketika melakukan diskusi mengenai Big Data dalam konteks audit maka menjadi
penting untuk memahami perbedaan antara data elektronik yang akan digunakan oleh
auditor saat ini menggunakan BDA dengan data yang digunakan secara tradisional untuk
mendapatkan opini audit. Misalnya dalam continuous audit dimana cakupan data tidak
hanya meluas namun juga menjadi semakin sering untuk didapatkan (Kogan, Alles,
Vasarhelyi, & Wu, 2014). Big data juga mendorong sifat kebutuhan data yang sebelumnya
hanya berupa data finansial menjadi juga data non finansial (Non Financial Data), dari
data terstruktur menjadi data yang tidak terstruktur, baik dari dalam organisasi dan luar
organisasi. Kebutuhan ini akan meluas melampaui kemampuan teknis dan zona nyaman
yang dimiliki auditor selama ini (Kogan et al., 2014).
Meskipun Big Data dan data Analytics merupakan konsep yang berbeda, kedua
konsep ini dapat saling berkaitan (seperti dapat terlihat pada gambar 1). Selama bertahun
– tahun, kantor akuntan sangat tergantung pada sel A menggunakan alat pengolah data
tradisional (Excel, ACL, dan lain lain) untuk menganalisa data akuntansi.
Perkembangannya adalah kantor akuntan publik sudah mulai bergeser ke sel B dan
meninggalkan teknik sampling. Aplikasi – aplikasi visualisasi data mulai digunakan untuk
membantu proses audit termasuk dalam pencegahan fraud (Dilla & Raschke, 2015;
Yükçü & Gönen, 2012). Namun masih berfokus kepada data akuntansi tradisional, dan
melaksanakan prosedur audit tradisional. Beberapa praktisi juga berpendapat untuk
mengunakan analisis sosial media untuk sebagai bagian dari audit, dan mulai bergeser ke
sel C, meskipun dapat dikatakan masih sedikit yang bergeser ke sel C. Sel D
menggambarkan bahwa Big Data dan perangkat aplikasi data analytics telah benar –
benar digunakan dalam audit (Alles & Gray, 2016).
Gambar 1. Tahapan untuk melaksanakan data analytics dalam audit laporan keuangan(Alles &
Gray, 2016)
Secara teoritis dan normatif, akan sangat logis bagi auditor untuk memanfaatkan
Big data dalam audit laporan keuangan masa depan (Amani & Fadlalla, 2017; Debreceny
& Gray, 2010; Early, 2015; EY, 2017b). Big data secara potensial akan menyediakan
gambaran yang lebih jelas mengenai aktivitas klien, jauh melebihi jika data tersebut
diambil berdasarkan sampel data yang sesuai dengan standar akuntansi.
Tinjauan mengenai Big Data
Big data adalah fenomena yang secara fundamental akan mengubah apa yang kita
tahu dan apa yang kita lakukan. Big data adalah mengenai mendapatkan, menyimpan,
berbagi, mengevaluasi dan melaksanakan kegiatan berdasarkan informasi yang diciptakan
manusia dan perangkat elektronik serta didistribusikan melalui teknologi komputer dan
jaringan. Data berasal dari berbagai sumber, termasuk sensor yang digunakan untuk
mengumpulkan informasi, media sosial, video dan gambar digital, perangkat RFID dan
lain – lain. Saat ini seluruh manusia menghasillkan 2,5 quintillion data, dan 90% data yang
dihasilkan di seluruh dunia diciptakan dalam dua tahun terakhir ini saja (IBM; WaalMontgomery).
Big data di jelaskan oleh IBM dalam empat dimensi: Volume, Variety, Velocity
dan Veracity. Ketika aplikasi komputer di organisasi telah menjadi sumber informasi
utama dari penghasil data, perangkat komunikasi data digital baik sosial maupun personal
akan meningkatkan jumlah volume data secara eksponensial (Herschel & Miori, 2017;
IBM). Volume mengacu kepada keseluruhan jumlah data yang termasuk dalam dataset.
Velocity, adalah seberapa sering data berubah, beberapa organisasi akan mengumpulkan
data dari sensor elektronik sehinga data diperbaharui secara terus menerus. Variety adalah
cakupan data yang luas yang perlu dikumpulkan dari organisasi. Veracity terkait dengan
integritas data, seringkali jadi masalah bagi auditor untuk menentukan tingkat
kepercayaan dari suatu data klien dengan data non finansial yang sangat masif jumlahnya.
Dibeberapa negara seperti India, China dan Rusia penggunaan utama aplikasi big data
adalah dalam jasa keuangan, namun juga meluas pada data non finansial (Anna &
Nikolay, 2015; Kshetri, 2016; Srivastava & Gopalkrishnan, 2015).
Di negara Eropa Big Data Analytics merupakan investasi strategis untuk
meningkatkan agilitas dan kemampuan bertahan organisasi dalam pasar yang kompetitif.
Untuk menciptakan agilitas ini, perusahaan – perusahaan Eropa cenderung menggunakan
pengetahuan eksternal dibandingkan dari internal perusahaan. Inisiatif BDA akan
mendorong tercapainya efisiensi operasional yang akan mendorong terciptanya
keunggulan kompetitif (Côrte-Real, Oliveira, & Ruivo, 2017).
Dalam mendefinisikan Big Data dalam contoh content yang luas, data dalam big
data dapat termasuk gabungan data finansial terstruktur dan data non finansial, data
logistik, data sensor, email, telepon dan lain lain. Penggunaan definisi yang tepat terkait
dengan definisi big data dalam konteks auditing dapat dijelaskan dengan kerangka dari
Connoly (Connoly, 2012).
Seperti terlihat di gambar 2, (Connoly, 2012) mengidentifikasikan tujuh
pendorong big data dalam bisnis:
Bisnis
1. Kesempatan untuk menemukan model bisnis baru yang inovatif
2. Potensi mendapatkan gambaran baru yang mendorong keunggulan kompetitif.
Teknikal
1. Data yang disimpan dan di kumpulkan akan tumbuh secara eksponensial
2. Data dapat ditemukan dimana saja dalam berbagai macam format
3. Solusi tradisional tidak mampu mengikuti kebutuhan yang baru
Finansial
1. Biaya sistem untuk data, sebagai persentase dari belanja TI akan terus tumbuh
2. Keunggulan biaya hardware umum dan software open source.
Gambar 2. Definisi Big Data (Connoly, 2012)
Faktor – faktor pendorong tersebut sifatnya umum dan tidak spesifik bagi
auditing. Akan tetapi bila Big data akan berdampak secara langsung bagi auditing, maka
akan melalui dua pemicu utama (model baru dan pemahaman baru). (Lucas, 2012)
berpendapat: ―divides the world by intent and timing rather than the type of data. The ‘old world’ is
about transactions, and by the time these transactions are recorded, it's too late to do anything about
them: companies are constantly ‘managing out of the rear-view mirror’. In the ‘new world’, companies can
instead use new ‘signal’ data to anticipate what's going to happen, and intervene to improve the situation.
Examples include tracking brand sentiment on social media (if your ‘likes’ fall off a cliff, your sales will
surely follow) and predictive maintenance (complex algorithms determine when you need to replace an
aircraft part, before the plane gets expensively stuck on the runway)”
Keuntungan Potensial dari Implementasi Big Data untuk Audit
Secara signifikan Big Data analytics akan menambah value bagi organisasi dengan
cara menemukan pola – pola tersembunyi (Jans, Alles, & Vasarhelyi, 2013) yang tidak
akan terlihat dari data set yang terbatas (seperti sample audit yang terbatas). Secara umum
keuntungan Big Data akan disajikan di tabel 1 berikut:
Tabel 1. Keuntungan pemanfaatan Big Data dalam audit (Alles & Gray, 2016)
Karena sebagian besar konten big data dapat di pisahkan secara fisik dan
konseptual, maka pelaku fraud kesulitan untuk memanipulasi semua elemen big data
untuk menyembunyikan fraudnya. Kontens dalam Big data akan memiliki konsep ―100%
Sampling‖ (analisa seluruh populasi), sehingga kemungkinan penemuan ―red flags‖ dan
konten mencurigakan akan lebih meningkat. EY menyatakan bahwa penggunaan utama
dari big data analytics adalah mendeteksi fraud (EY, 2014).
Faktor penghambat Pemanfaatan Big data dalam audit.
Ditingkatan pragmatis, Big data sebagai bagian dari audit merupakan disruptive
technology, yang memerlukan pergeseran paradigma dalam perubahan operasional utama
organisasi.
1. Pergeseran paradigma
Dalam arti yang luas auditor memerlukan akses tidak terbatas kepada data klien
(yang menimbulkan kekhawatiran kerahasiaan data). Perlunya keahlian analitis
yang baru dalam tim audit. Pemahaman akan semakin meningkatnya data
finansial dan non finansial memerlukan pengetahuan dan skill baru bagi para
auditor.
2. Big data analysis dan sifat pengambilan keputusan dalam audit
Salah satu aspek penting dalam audit yang mungkin akan membatasi nilai dari Big
Data adalah keputusan yang sifatnya diskrit dan bukan berkelanjutan, yaitu opini
audit. Namun Big Data tetap memainkan peranan dalam mendeteksi fraud secara
berkelanjutan, misalnya dalam pengembangan prosedur analisis.
3. Implikasi dari ―datafication‖
Seperti dikemukakan oleh (Debreceny & Gray, 2010), bahwa pendekatan data
mining tradisional dapat diklasifikasikan dalam dua kategori: directed, hubungan
spesifik antara variable akan diuji, dan undirected, dimana hubungan yang spesifik
tidak akan diuji,dan membiarkan software mencari relasi dari populasi variabel.
4. Mengumpulkan lebih banyak data
Faktor lainnya yang perlu diperhatikan oleh auditor adalah mengelola keamanan
data terkait dengan klien dan memastikan tidak ada kesalahan atau
penyebarluasan informasi rahasia dan pribadi dari data – data tersebut.
5. Data yang berantakan
Penggunaan Big Data di organisasi, menyebabkan seluruh data akan tersedia dari
sistem informasi klien. Seringkali terjadi klien memberikan seluruh data yang dari
sistem informasinya tanpa disertai dengan penjelasan yang memadai mengenai
data tersebut. Hal itu akan menyulitkan auditor yang kemudian harus memilah –
milah informasi yang mungkin tidak diperlukannya.
Kesimpulan
Big data telah menjadi sumber daya yang tidak tergantikan bagi organisasi dan
memiliki potensi sebagai sumber daya yang sangat berharga bagi auditor laporan
keuangan. Namun hal tersebut perlu di teliti lebih lanjut, jika tidak terdapat kemungkinan
Big data tidak akan diadopsi karena kehilangan potensinya terlebih dahulu.
Daftar Pustaka
Alles, M., & Gray, G. L. (2016). Incorporating big data in audits: Identifying inhibitors
and a research agenda to address those inhibitors. International Journal of Accounting
Information Systems, 22, 44-59. doi:10.1016/j.accinf.2016.07.004
Amani, F. A., & Fadlalla, A. M. (2017). Data mining applications in accounting: A review
of the literature and organizing framework. International Journal of Accounting
Information Systems, 24, 32-58. doi:10.1016/j.accinf.2016.12.004
Anna, K., & Nikolay, K. (2015). Survey on Big Data Analytics in Public Sector of
Russian Federation. Procedia Computer Science, 55, 905-911.
doi:10.1016/j.procs.2015.07.144
Connoly, S. (2012). 7 KEY DRIVERS FOR THE BIG DATA MARKET. Retrieved
from https://hortonworks.com/blog/7-key-drivers-for-the-big-data-market/
Côrte-Real, N., Oliveira, T., & Ruivo, P. (2017). Assessing business value of Big Data
Analytics in European firms. Journal of Business Research, 70, 379-390.
doi:10.1016/j.jbusres.2016.08.011
Debreceny, R. S., & Gray, G. L. (2010). Data Mining Journal Entries for Fraud
Detection: An Exploratory Study. International Journal of Accounting Information
Systems, 11, 157-181. doi:0.1016/j.accinf.2010.08.001
Dilla, W. N., & Raschke, R. L. (2015). Data visualization for fraud detection: Practice
implications and a call for future research. International Journal of Accounting
Information Systems, 16, 1-22. doi:10.1016/j.accinf.2015.01.001
Early, C. E. (2015). Data Analytics in Auditing: Opportunities and Challenges Business
Horizons, 58, 493-500. doi:0.1016/j.bushor.2015.05.002
EY. (2014). Retrieved from http://www.ey.com/GL/en/Services/Assurance/FraudInvestigation—Dispute-Services/EY-Global-Forensic-DataAnalytics-Survey-2014.
EY. (2017a). The Future of Audit. Retrieved from
http://www.ey.com/gl/en/issues/managing-finance/ey-cfo-need-to-knowfuture-of-audit?preview&HL=CON-USDD9XAN4E&utm_source=eycom&utm_medium=homepage_PF&utm_campaign
=Future of audit - the-impact-of-big-data-on-audits
EY. (2017b). How big data and analytics are transforming the audit. Retrieved from
http://www.ey.com/gl/en/services/assurance/ey-reporting-issue-9-how-bigdata-and-analytics-are-transforming-the-audit
Gartner. (2012). Gartner Says Big Data Will Drive $28 Billion of IT Spending in 2012.
Retrieved from http://www.gartner.com/newsroom/id/2200815
Herschel, R., & Miori, V. M. (2017). Ethics & Big Data. Technology in Society, 49, 31-36.
doi:10.1016/j.techsoc.2017.03.003
IBM. What is Big Data? Retrieved from https://www.ibm.com/big-data/us/en/
Jans, M., Alles, M., & Vasarhelyi, M. (2013). The case for process mining in auditing:
Sources of value added and areas of application. International Journal of Accounting
Information Systems, 14(1), 1-20. doi:10.1016/j.accinf.2012.06.015
Kogan, A., Alles, M. G., Vasarhelyi, M. A., & Wu, J. (2014). Design and Evaluation of a
Continuous Data Level Auditing System. AUDITING: A Journal of Practice &
Theory, 33(4), 221-245. doi:10.2308/ajpt-50844
Kshetri, N. (2016). Big data’s role in expanding access to financial services in China.
International Journal of Information Management, 36(3), 297-308.
doi:10.1016/j.ijinfomgt.2015.11.014
Lucas, S. (2012). Beyond the Balance Sheet: Run Your Business on New Signals in the
Age of Big Data. Retrieved from
https://blogs.saphana.com/2012/08/21/beyond-the-balance-sheet-run-yourbusiness-on-new-signals-in-the-age-of-big-data/
Srivastava, U., & Gopalkrishnan, S. (2015). Impact of Big Data Analytics on Banking
Sector: Learning for Indian Banks. Procedia Computer Science, 50, 643-652.
doi:10.1016/j.procs.2015.04.098
Waal-Montgomery, M. d. World's data volume to grow 40% per year & 50 times by
2020: Aureus. Retrieved from https://e27.co/worlds-data-volume-to-grow-40per-year-50-times-by-2020-aureus-20150115-2/
Yükçü, S., & Gönen, S. (2012). Fraud auditing in electronic accounting practices. African
Journal of Business Management, 6(4), 1222.