Tujuan penelitian ini untuk membahas penerapan metode data mining menggunakan model machine learning untuk mendeteksi fraud laporan keuangan dan mengukur kinerja dari model machine learning tersebut. Metode penelitian yang digunakan dalam penelitian ini adalah kuantitatif yang bersumber dari data sekunder berupa laporan keuangan perusahaan pertambangan yang terdaftar dalam Bursa Efek Indonesia dalam 10 tahun terakhir. Penentuan fraud laporan keuangan sebagai data sampel analisis mengunakan indikator berupa informasi media dan catatan atau sanksi regulator terkait tindakan perusahaan melakukan fraud laporan keuangan serta penyajian kembali laporan keuangan oleh perusahaan. Hasil penelitian menunjukkan metode data mining menggunakan model machine learning dapat mendeteksi fraud laporan keuangan dan model Extremely Randomized Trees memiliki kinerja terbaik dibandingkan dengan model machine learning yang lain dalam setiap percobaan pemisahan data latih dan data uji yang berbeda. Metode over-sampling dengan Synthetic Minority Over-sampling Technique (SMOTE) mampu meningkatkan kinerja model machine learning, sehingga dapat menjadi solusi mengatasi permasalahan ketidakseimbangan data sampel. Implikasi dari penelitian ini memberikan tambahan referensi metode pendeteksian fraud laporan keuangan dan usulan model machine learning dengan kinerja terbaik untuk diterapkan dalam langkah teknis dan pengembangan penelitian selanjutnya.


Deskripsi Lain

The purpose of this study is to discuss the application of data mining methods using machine learning models to detect financial statement fraud and measure the performance of the machine learning model. The research method used in this study is quantitative sourced from secondary data in the form of financial statements of mining companies listed on the Indonesia Stock Exchange in the last 10th years. Determination of financial statement fraud as sample data analysis using indicators in the form of media information and notes or regulatory sanctions related to the company\'s actions to commit financial statement fraud and Restatement of financial statements by the company. The results show that data mining methods using machine learning models can detect financial statement fraud and the Extremely Randomized Trees model has the best performance compared to other machine learning models in each trial of separating training data and different test data. The over-sampling method with Synthetic Minority Over-sampling Technique (SMOTE) can improve the performance of machine learning models so that it can be a solution to overcome the problem of sample data imbalance. The implication of this research is to provide additional references to the method of detecting fraud in financial statements and the proposed machine learning model with the best performance to be applied in technical steps and further research development.

• PERSEPSI MAHASISWA AKUNTANSI UNIVERSITAS TRUNOJOYO MADURA TENTANG PRAKTIK AKUNTANSI KREATIF (CREATIVE ACCOUNTING PRATICE) DITINJAU DARI TEORI ETIKA BISNIS
• PENGARUH PEMAHAMAN SISTEM AKUNTANSI KEUANGAN DAERAH TERHADAP KINERJA PEGAWAI PEMERINTAH KABUPATEN BANGKALAN
• Pengaruh Kepemilikan Manajerial, Kepemilikan Institusional dan likuiditas Terhadap Kebijakan Dividen dan Kebijakan Hutang
• PENGARUH KOMPETENSI, TEKANAN KETAATAN, PENGALAMAN AUDITOR TERHADAP PENDETEKSIAN TEMUAN BERINDIKASI FRAUD DENGAN INDEPENDENSI SEBAGAI VARIABEL INTERVENING(Studi Pada Aparat Pengawas Intern Pemerintah Inspektorat Kabupaten se Madura)Studi Pada Aparat
• ANALISIS KECURANGAN LAPORAN KEUANGAN PERUSAHAAN DENGAN MENGGUNAKAN MODEL BENIESH M-SCORE