:::Catatannya The Echo:::: 2025

Sunday, February 16, 2025

Saturday, February 15, 2025

TCM Model : Fit best

Tax Compliance Model (TCM) untuk Deteksi Penghindaran Pajak

✅ Apa itu Model Kepatuhan Pajak (TCM)?
Tax Compliance Model (TCM) adalah model yang digunakan untuk menganalisis :

Mendeteksi penghindaran pajak, ketidakpatuhan, atau manipulasi pajak .
Membandingkan pajak yang dilaporkan, laba bersih, arus kas, dan rasio pajak terhadap industri .

📌 Indikator dalam Model Kepatuhan Pajak

1️⃣ Rasio Pajak terhadap Laba Bersih (Tarif Pajak Efektif - ETR)

ETR = \frac{Pajak yang Dibayar/}{Laba Bersih}

💡 Jika ETR terlalu rendah dibandingkan standar industri, bisa jadi ada indikasi penghindaran pajak.

2️⃣ Rasio Pajak terhadap Pendapatan

Rasio Pajak terhadap Pendapatan = \frac{Pajak yang Dibayar /}{Pendapatan}

💡 Jika rasio ini sangat kecil, perusahaan mungkin melaporkan pendapatan lebih rendah dari yang sebenarnya.

3️⃣ Rasio Arus Kas terhadap Pajak yang Dibayar

Rasio Pajak Kas = \frac{Pajak yang Dibayar /}{Arus Kas Operasi}

💡 Jika perusahaan memiliki arus kas tinggi tetapi pajak rendah, bisa jadi ada skema penghindaran pajak.

📊 Membuat Model Kepatuhan Pajak untuk Analisis Pajak

Saya akan:
✅ Membuat data dummy perusahaan dengan laporan pajak .
✅ Menghitung indikator hadirnya pajak (ETR, Tax to Revenue, Cash Tax Ratio).
✅ Menentukan apakah ada indikasi penghindaran pajak.

🚀 Mari kita jalankan modelnya!

Hasil Analisis Tax Compliance Model (TCM) – Indikasi Penghindaran Pajak

Berdasarkan model TCM yang dibuat, ditemukan bahwa semua perusahaan dalam dataset ini memiliki indikasi penghindaran pajak karena ETR (Effective Tax Rate) jauh di bawah standar normal (22%) .

📌 Ringkasan Temuan Model Kepatuhan Pajak

Perusahaan	ETR (Seharusnya 22%)	Rasio Pajak terhadap Pendapatan	Rasio Pajak Kas	Bendera Merah Pajak?
Alfa	1,25% dari	0,20%	5,00% dari	⚠ Ya
Bahasa Inggris	1,50%	0,21%	2,50%	⚠ Ya
Gamma	1,60%	0,20%	4,00%	⚠ Ya
Delta	1,50%	0,23%	2,57%	⚠ Ya
Epsilon	1,22%	0,15%	4,40%	⚠ Ya

🔍 Indikasi Manipulasi Pajak

⚠ Semua perusahaan hanya membayar pajak 1.2% - 1.6% dari laba mereka, jauh dari tarif pajak normal 22%.
⚠ Tax to Revenue Ratio juga sangat kecil (0.15% - 0.23%), yang berarti pajak yang dimiliki hampir tidak berpengaruh terhadap pendapatan.
⚠ Rasio Pajak Kas menunjukkan bahwa pajak yang dibayar hanya 2.5% - 5% dari arus kas operasi, yang sangat rendah untuk perusahaan dengan keuntungan tinggi.

🛠 Rekomendasi Audit & Investigasi Lanjutan

🔍 Audit Pajak Mendalam :

Bandingkan laba sebelum pajak dengan pajak yang membayar untuk melihat apakah ada pengurangan pajak berlebihan atau skema transfer pricing .
Periksa apakah ada penggunaan faktur pajak fiktif untuk menurunkan kewajiban pajak.

Akuntansi Forensik & Audit Digital :

Periksa transaksi dengan perusahaan afiliasi untuk melihat apakah ada transfer laba ke perusahaan dengan pajak lebih rendah.
Analisis laporan keuangan historis untuk melihat apakah pola pajak yang rendah ini sudah berlangsung lama.

🔍 Uji Kepatuhan Perpajakan :

Bandingkan perusahaan ETR dengan rata-rata industri untuk melihat apakah ada kejanggalan dalam pembayaran pajak.
Jika ditemukan selisih pajak yang besar , otoritas pajak bisa melakukan koreksi dan menagih pajak yang kurang dibayar.

🔥 Kesimpulan Akhir:
✔ Semua perusahaan dalam dataset ini memiliki indikasi penghindaran pajak yang kuat.
✔ Perusahaan Alpha & Epsilon memiliki rasio pajak yang paling rendah.

Hasil

M Score Identifikasi Potensi Pajak

Tren M-Score → Untuk melihat apakah perusahaan dengan skor tinggi memiliki pola khusus.
Perbandingan Penjualan vs Piutang → Untuk melihat apakah peningkatan kepuasan tidak wajar.
Pendapatan Bersih vs Arus Kas Operasi → Untuk melihat apakah laba meningkat tetapi arus kas stagnan.
Potensi Pajak Terutang → Untuk memperjelas estimasi pajak yang kurang dibayar.

Interpretasi Grafik:

Tren Beneish M-Skor
- Semua perusahaan memiliki M-Score di atas -2.22 , yang berarti terindikasi manipulasi laporan keuangan .
- Perusahaan ke-4 memiliki M-Score tertinggi (0.6757) , yang menunjukkan risiko penipuan tertinggi .
Perbandingan Penjualan vs Piutang
- Piutang meningkat signifikan dibandingkan Penjualan , terutama pada perusahaan ke-3, ke-4, dan ke-5.
- Hal ini bisa menjadi indikasi pengakuan pendapatan yang agresif atau fiktif .
Laba Bersih vs Arus Kas Operasional
- Pendapatan Bersih jauh lebih tinggi dibandingkan Operasi Arus Kas , yang berarti ada kemungkinan manipulasi akrual .
- Idealnya, arus kas operasi seharusnya berbanding lurus dengan laba bersih.
Potensi Pajak Terutang
- Perusahaan ke-4 memiliki potensi pajak tertinggi (132,000) , yang bisa menjadi fokus utama pemeriksaan pajak.

Kesimpulan dan Rekomendasi:

✔ Semua perusahaan dalam dataset memiliki indikasi penipuan berdasarkan Beneish M-Score.
✔ Peningkatan perolehan yang lebih besar dari penjualan mengindikasikan potensi pengakuan pendapatan fiktif.
✔ Laba bersih yang lebih tinggi dari arus kas operasi menunjukkan kemungkinan manipulasi akrual.
✔ Total potensi pajak yang bisa dikoreksi: Rp 451,000.

✅ Rekomendasi:

Audit lebih lanjut terhadap perusahaan dengan M-Score tertingg.
Hasil Perhitungan Beneish M-Score dan Deteksi Fraud**

Beneish M-Score dihitung berdasarkan 8 indikator utama. Jika **M-Score > -2.22**, maka perusahaan terindikasi melakukan manipulasi laporan keuangan.

|-------|---------|----------------|----------------------------|

| 0 | -1.7203 | **✅ Terindikasi Penipuan** | M-Score mendekati batas -2.22 |

| 1 | -1.6135 | **✅ Terindikasi Penipuan** | Indikasi manipulasi cukup kuat |

| 2 | -0,8879 | **✅ Terindikasi Penipuan** | M-Score tinggi, kemungkinan besar ada penipuan |

| 3 | 0,1804 | **✅ Terindikasi Penipuan** | M-Score positif, indikasi penipuan sangat tinggi |

| 4 | 0,6757 | **✅ Terindikasi Penipuan** | Skor tertinggi, kemungkinan manipulasi besar |

Temuan:

- Semua perusahaan dalam dataset memiliki M-Score lebih besar dari -2.22, sehingga semuanya terindikasi melakukan manipulasi laporan keuangan.

- Perusahaan ke-4 (indeks 4) memiliki M-Score tertinggi (0.6757), yang menunjukkan kemungkinan belum sesuai terbesar.

2. Akun Keuangan yang Berpotensi Bermasalah

Analisis lebih lanjut dilakukan pada akun-akun keuangan utama dari perusahaan yang terindikasi penipuan:

|-------|-----------------|---------------------|-------------|------------|---------------|--------------|

| 0 | 1.000.000 | 250.000 | 450.000 | 250.000 | 180.000 | 55.000 |

| 1 | 1.200.000 | 300.000 | 550.000 | 300.000 | 200.000 | 66.000 |

| 2 | 1.500.000 | 500.000 | 700.000 | 400.000 | 250.000 | 88.000 |

| 3 | 1.800.000 | 800.000 | 850.000 | 500.000 | 300.000 | 110.000 |

| 4 | 2.000.000 | 1.000.000 | 950.000 | 600.000 | 350.000 | 132.000 |

Temuan Utama:

1. Peningkatan Piutang (Piutang) yang Tidak Wajar

- Perusahaan dengan penjualan meningkat**, tetapi piutang naik drastis, bisa menunjukkan pengakuan pendapatan fiktif atau agresif.

- Misalnya, pada indeks 4, kredit naik hingga 50% dari penjualan (1 juta dari 2 juta).

2. Margin Kotor Tetap Tinggi

- Biasanya, saat penjualan meningkat, margin kotor bisa mengalami tekanan karena biaya produksi.

- Namun, dalam kasus ini, margin kotor tetap tinggi, yang bisa mengindikasikan perbedaan biaya produksi atau beban pokok penjualan.

3. Pendapatan Bersih yang Meningkat Tajam, tapi Arus Kas Relatif Lebih Rendah

- Jika laba bersih naik drastis tetapi arus kas operasi (cash flow ops) tidak naik sebanding, bisa jadi ada manipulasi akrual.

- Misalnya, pada indeks 4, laba bersih mencapai 600,000, tetapi arus kas operasi hanya 350,000.

3. Potensi Pajak yang Harus Dibayar

Jika laba yang dimanipulasi dikenakan pajak dengan tarif 22%, berikut potensi pajak yang harus dioperasikan:

| Indeks | Laba Bersih (Laba) | Potensi Pajak (22%) |

|-------|------------------|--------------------|

| 0 | 250.000 | 55.000 |

| 1 | 300.000 | 66.000 |

| 2 | 400.000 | 88.000 |

| 3 | 500.000 | 110.000 |

| 4 | 600.000 | 132.000 |

Total potensi pajak dari seluruh perusahaan: 451.000.

Jika terbukti manipulasi, maka total pajak yang bisa dikoreksi oleh otoritas pajak mencapai 451 ribu.

4. Kesimpulan dan Rekomendasi

Temuan utama:

✔ Semua perusahaan dalam dataset ini memiliki indikasi penipuan berdasarkan Beneish M-Score.

✔ Piutang meningkat signifikan → Bisa menunjukkan pengakuan pendapatan fiktif.

✔ Laba naik tajam, tapi arus kas tidak sebanding → Indikasi manipulasi akrual.

✔ Potensi pajak yang bisa dikoreksi: 451 ribu.

Rekomendasi:

✅ Audit lebih lanjut untuk memastikan tidak ada manipulasi pendapatan atau akrual yang berlebihan.

✅ Fokus pemeriksaan pada akun piutang dan arus kas operasi.

✅ Otoritas pajak dapat melakukan investigasi terhadap perusahaan dengan M-Score tertinggi untuk estimasi pajak tambahan.

impor panda sebagai pd

def hitung_skor_m(df):

"""

Menghitung Beneish M-Score dari DataFrame

"""

DSRI = df['Piutang_Saat Ini'] / df['Penjualan_Saat Ini'] / (df['Piutang_Sebelumnya'] / df['Penjualan_Sebelumnya'])

GMI = (df['Margin_Kotor_Sebelumnya'] / df['Margin_Kotor_Saat Ini'])

AQI = ((1 - (df['Aset_Lancar'] - df['PPE_Lancar'] - df['Piutang_Lancar']) / df['Aset_Lancar'])) / \

((1 - (df['Aset_Sebelumnya'] - df['PPE_Sebelumnya'] - df['Piutang_Sebelumnya']) / df['Aset_Sebelumnya']))

SGI = df['Penjualan_Saat Ini'] / df['Penjualan_Sebelumnya']

DEPI = (df['Penyusutan_Sebelumnya'] / (df['PPE_Sebelumnya'] + 1e-6)) / (df['Penyusutan_Saat Ini'] / (df['PPE_Saat Ini'] + 1e-6))

SGAI = (df['SGA_Saat Ini'] / df['Penjualan_Saat Ini']) / (df['SGA_Sebelumnya'] / df['Penjualan_Sebelumnya'])

TATA = (df['Pendapatan_Bersih'] - df['Operasi_Arus_Kas']) / df['Aset_Lancar']

LVGI = (df['Total_Kewajiban_Lancar'] / df['Total_Aset_Lancar']) / (df['Total_Kewajiban_Sebelumnya'] / df['Total_Aset_Sebelumnya'])

df['M_Score'] = (-4,84 + (0,92 * DSRI) + (0,528 * GMI) + (0,404 * AQI) +

(0,892 * SGI) + (0,115 * DEPI) - (0,172 * SGAI) + (4,679 * TATA) - (0,327 * LVGI))

kembali df

def mendeteksi_penipuan(df):

"""

Menentukan apakah ada indikasi manipulasi berdasarkan M-Score

"""

df['Indikator_Penipuan'] = df['Skor_M'] > -2,22

kembali df

def hitung_potensi_pajak(df, tarif_pajak=0,22):

"""

Menghitung potensi pajak terutang akibat laba penipuan

"""

df['Potensi_Pendapatan_Penipuan'] = df['Indikator_Penipuan'] * df['Pendapatan_Bersih']

df['Potensi_Pajak'] = df['Potensi_Pendapatan_Penipuan'] * tarif_pajak

kembali df

def menganalisis_akun_penipuan(df):

"""

Analisis potensi penipuan dari masing-masing akun keuangan

"""

akun_penipuan = df[df['Indikator_Penipuan']]

analisis = akun_penipuan[['Penjualan_Lancar', 'Piutang_Lancar', 'Margin_Kotor_Lancar',

'Pendapatan_Bersih', 'Arus_Kas_Operasi', 'Potensi_Pajak']]

analisis pengembalian

# Contoh penggunaan dengan DataFrame dummy yang menunjukkan indikasi penipuan

datanya = {

'Penjualan_Saat Ini': [1000000, 1200000, 1500000, 1800000, 2000000],

'Penjualan_Sebelumnya': [900000, 1000000, 1200000, 1500000, 1800000],

'Piutang_Lancar': [250000, 300000, 500000, 800000, 1000000], #Meningkat signifikan

'Piutang_Sebelumnya': [140000, 150000, 170000, 190000, 220000],

'Gross_Margin_Current': [450000, 550000, 700000, 850000, 950000], # Ditekan agar mempengaruhi GMI

'Margin_Kotor_Sebelumnya': [450000, 500000, 600000, 750000, 900000],

'Aset_Lancar': [5000000, 5500000, 6000000, 7000000, 8000000],

'Aset_Sebelumnya': [4800000, 5000000, 5500000, 6000000, 7000000],

'PPE_Saat Ini': [2000000, 2200000, 2500000, 3000000, 3500000],

'PPE_Sebelumnya': [1800000, 2000000, 2200000, 2500000, 3000000],

'Penyusutan_Saat Ini': [100000, 120000, 140000, 160000, 180000],

'Penyusutan_Sebelumnya': [90000, 100000, 120000, 140000, 160000],

'SGA_Saat Ini': [100000, 110000, 120000, 140000, 160000],

'SGA_Sebelumnya': [90000, 100000, 110000, 120000, 140000],

'Pendapatan_Bersih': [250000, 300000, 400000, 500000, 600000], #Laba meningkat signifikan

'Operasi_Arus_Kas': [180000, 200000, 250000, 300000, 350000],

'Total_Kewajiban_Lancar': [3000000, 3200000, 3500000, 4000000, 4500000],

'Total_Kewajiban_Sebelumnya': [2800000, 3000000, 3200000, 3500000, 4000000],

'Total_Aset_Lancar': [5000000, 5500000, 6000000, 7000000, 8000000],

'Total_Aset_Sebelumnya': [4800000, 5000000, 5500000, 6000000, 7000000]

}

df = pd.DataFrame(data)

df = hitung_skor_m(df)

df = deteksi_penipuan(df)

df = hitung_potensi_pajak(df)

analisis_penipuan = analisis_akun_penipuan(df)

cetak(df[['M_Score', 'Indikator_Penipuan', 'Potensi_Pajak']])

cetak(analisis_penipuan)

Thursday, February 13, 2025

TCRS-

Data dummy selama 5 tahun berturut-turut dengan perhitungan Tax Compliance Risk Score (TCRS). Saya akan membuatnya berdasarkan faktor-faktor berikut:

ETR (Effective Tax Rate) = Pajak Dibayar / Laba Sebelum Pajak
DR (Debt Ratio) = Total Liabilitas / Total Aset
VAR (Variabilitas Pendapatan) = Standar deviasi pendapatan dari tahun ke tahun
DSI (Days Sales in Inventory) = (Persediaan / HPP) × 365

Saya akan menggunakan bobot W1 = 0.4, W2 = 0.3, W3 = 0.2, W4 = 0.1 untuk menghitung TCRS.

data dummy selama 5 tahun berturut-turut dengan perhitungan Tax Compliance Risk Score (TCRS):

Tahun	Penjualan (Rp)	Laba Bersih (Rp)	Pajak Dibayar (Rp)	Total Aset (Rp)	Total Liabilitas (Rp)	ETR	DR	VAR	DSI	TCRS
2020	500,000,000	100,000,000	22,000,000	1,000,000,000	400,000,000	0.22	0.40	0.074	243.3	24.56
2021	550,000,000	120,000,000	26,400,000	1,050,000,000	420,000,000	0.22	0.40	0.074	243.3	24.56
2022	600,000,000	110,000,000	24,200,000	1,100,000,000	430,000,000	0.22	0.39	0.074	212.9	21.51
2023	580,000,000	130,000,000	28,600,000	1,150,000,000	450,000,000	0.22	0.39	0.074	241.2	24.34
2024	620,000,000	125,000,000	27,500,000	1,200,000,000	470,000,000	0.22	0.39	0.074	220.8	22.29

Interpretasi

TCRS tertinggi terjadi di tahun 2020 dan 2021 (24.56), menunjukkan risiko kepatuhan yang lebih tinggi.
TCRS terendah di tahun 2022 (21.51), menunjukkan kepatuhan lebih baik.
DSI turun di 2022, yang mungkin berarti manajemen persediaan lebih efisien.
Debt Ratio (DR) sedikit menurun, menunjukkan perusahaan mengurangi ketergantungan pada utang.

Tren TCRS dari Tahun ke Tahun

Berikut adalah perubahan nilai TCRS dari tahun ke tahun:

Tahun	TCRS
2020	24.56
2021	24.56
2022	21.51
2023	24.34
2024	22.30

TCRS tertinggi terjadi di 2020 & 2021 (24.56), sementara terendah di 2022 (21.51).
TCRS mengalami kenaikan kembali di 2023 (24.34), lalu turun di 2024 (22.30).

Interpretasi: Tahun 2022 menunjukkan kepatuhan pajak lebih baik, sementara tahun 2020, 2021, dan 2023 memiliki risiko kepatuhan lebih tinggi.

Kesimpulan dan Insight Penting

Faktor	2020	2021	2022	2023	2024	Analisis
TCRS	24.56	24.56	21.51	24.34	22.30	Risiko tinggi di 2020, 2021, & 2023. Paling rendah di 2022.
ETR	0.22	0.22	0.22	0.22	0.22	Stabil, tidak ada indikasi penghindaran pajak.
DR	0.40	0.40	0.39	0.39	0.39	Utang lebih tinggi di 2020 & 2021.
VAR	0.074	0.074	0.074	0.074	0.074	Pendapatan stabil, tidak ada fluktuasi besar.
DSI	243.3	243.3	212.9	241.2	220.8	DSI lebih rendah di 2022, meningkatkan kepatuhan pajak.

M-Score : Professor Messod Beneish : Mendeteksi kemungkinan manipulasi laporan keuangan

Contoh Laporan Keuangan Usaha "Apa Saja"

Laporan Laba Rugi

Keterangan	Apa (Rp)	Saja (Rp)
Penjualan	500,000,000	700,000,000
Harga Pokok Penjualan (HPP)	300,000,000	400,000,000
Laba Kotor	200,000,000	300,000,000
Beban Operasional	50,000,000	70,000,000
Laba Operasional	150,000,000	230,000,000
Pajak (10%)	15,000,000	23,000,000
Laba Bersih	135,000,000	207,000,000

Laporan Neraca

Keterangan	Apa (Rp)	Saja (Rp))
Aset Lancar	200,000,000	300,000,000
Aset Tetap	500,000,000	700,000,000
Total Aset	700,000,000	1,000,000,000
Liabilitas	200,000,000	300,000,000
Ekuitas	500,000,000	700,000,000
Total Liabilitas dan Ekuitas	700,000,000	1,000,000,000

Perhitungan Fraud dengan Model Beneish M-Score

Model Beneish M-Score digunakan untuk mendeteksi kemungkinan adanya manipulasi laporan keuangan. Berikut adalah rumus dan contoh perhitungannya:

Rumus Beneish M-Score

M - S c o r e = - 4.84 + (0.92 \times D S R I) + (0.528 \times G M I) + (0.404 \times A Q I) + (0.892 \times S G I) + (0.115 \times D E P I) + (- 0.172 \times S G A I) + (4.679 \times T A T A) + (- 0.327 \times L V G I)

Indikator dan Perhitungan

Days Sales in Receivable Index (DSRI):
$D S R I = \frac{{Account Receivables}_{t} / {Sales}_{t}}{{Account Receivables}_{t - 1} / {Sales}_{t - 1}}$
Gross Margin Index (GMI):
$G M I = \frac{({Sales}_{t - 1} - {COGS}_{t - 1}) / {Sales}_{t - 1}}{({Sales}_{t} - {COGS}_{t}) / {Sales}_{t}}$
Asset Quality Index (AQI):
$A Q I = \frac{1 - ({Current Assets}_{t} + {Net Fixed Assets}_{t}) / {Total Assets}_{t}}{1 - ({Current Assets}_{t - 1} + {Net Fixed Assets}_{t - 1}) / {Total Assets}_{t - 1}}$
Sales Growth Index (SGI):
$S G I = \frac{{Sales}_{t}}{{Sales}_{t - 1}}$
Depreciation Index (DEPI):
$D E P I = \frac{{Depreciation Expense}_{t - 1} / ({Depreciation Expense}_{t - 1} + {Net PPE}_{t - 1})}{{Depreciation Expense}_{t} / ({Depreciation Expense}_{t} + {Net PPE}_{t})}$
Sales, General and Administrative Expenses Index (SGAI):
$SGAI = \frac{\text{SG&A Expenses}_t / \text{Sales}_t}{\text{SG&A Expenses}_{t-1} / \text{Sales}_{t-1}}$
Leverage Index (LVGI):
$L V G I = \frac{({Long Term Debt}_{t} + {Current Liabilities}_{t}) / {Total Assets}_{t}}{({Long Term Debt}_{t - 1} + {Current Liabilities}_{t - 1}) / {Total Assets}_{t - 1}}$
Total Accruals to Total Assets (TATA):
$T A T A = \frac{({Working Capital}_{t} - {Working Capital}_{t - 1}) - ({Cash}_{t} - {Cash}_{t - 1}) + ({Income Tax Payable}_{t} - {Income Tax Payable}_{t - 1}) + ({Current Maturities of Long Term Debt}_{t} - {Current Maturities of Long Term Debt}_{t - 1}) - {Depreciation Expense}_{t}}{{Total Assets}_{t}}$

Contoh Perhitungan

Misalkan kita memiliki data berikut:

Account Receivables: Rp 50,000,000 (tahun ini), Rp 45,000,000 (tahun lalu)
Sales: Rp 1,200,000,000 (tahun ini), Rp 1,000,000,000 (tahun lalu)
COGS: Rp 800,000,000 (tahun ini), Rp 700,000,000 (tahun lalu)
Current Assets: Rp 300,000,000 (tahun ini), Rp 250,000,000 (tahun lalu)
Net Fixed Assets: Rp 500,000,000 (tahun ini), Rp 450,000,000 (tahun lalu)
Total Assets: Rp 1,000,000,000 (tahun ini), Rp 900,000,000 (tahun lalu)
Depreciation Expense: Rp 50,000,000 (tahun ini), Rp 45,000,000 (tahun lalu)
SG&A Expenses: Rp 100,000,000 (tahun ini), Rp 90,000,000 (tahun lalu)
Long Term Debt: Rp 200,000,000 (tahun ini), Rp 180,000,000 (tahun lalu)
Current Liabilities: Rp 150,000,000 (tahun ini), Rp 130,000,000 (tahun lalu)
Working Capital: Rp 100,000,000 (tahun ini), Rp 90,000,000 (tahun lalu)
Cash: Rp 50,000,000 (tahun ini), Rp 45,000,000 (tahun lalu)
Income Tax Payable: Rp 20,000,000 (tahun ini), Rp 18,000,000 (tahun lalu)
Current Maturities of Long Term Debt: Rp 10,000,000 (tahun ini), Rp 9,000,000 (tahun lalu)

Menggunakan data ini, kita dapat menghitung masing-masing indeks dan kemudian menghitung M-Score untuk mendeteksi kemungkinan adanya fraud.

Berdasarkan data yang diberikan, berikut adalah hasil perhitungan M-Score menggunakan Model Beneish:

Indikator dan Perhitungan

Days Sales in Receivable Index (DSRI):
$D S R I = \frac{\frac{50, 000, 000}{1, 200, 000, 000}}{\frac{45, 000, 000}{1, 000, 000, 000}} = 0.9259$
Gross Margin Index (GMI):
$G M I = \frac{\frac{1, 000, 000, 000 - 700, 000, 000}{1, 000, 000, 000}}{\frac{1, 200, 000, 000 - 800, 000, 000}{1, 200, 000, 000}} = 1.0417$
Asset Quality Index (AQI):
$A Q I = \frac{1 - \frac{300, 000, 000 + 500, 000, 000}{1, 000, 000, 000}}{1 - \frac{250, 000, 000 + 450, 000, 000}{900, 000, 000}} = 1.1111$
Sales Growth Index (SGI):
$S G I = \frac{1, 200, 000, 000}{1, 000, 000, 000} = 1.2$
Depreciation Index (DEPI):
$D E P I = \frac{\frac{45, 000, 000}{45, 000, 000 + 450, 000, 000}}{\frac{50, 000, 000}{50, 000, 000 + 500, 000, 000}} = 1.0$
Sales, General and Administrative Expenses Index (SGAI):
$S G A I = \frac{\frac{100, 000, 000}{1, 200, 000, 000}}{\frac{90, 000, 000}{1, 000, 000, 000}} = 0.9259$
Leverage Index (LVGI):
$L V G I = \frac{\frac{200, 000, 000 + 150, 000, 000}{1, 000, 000, 000}}{\frac{180, 000, 000 + 130, 000, 000}{900, 000, 000}} = 1.0$
Total Accruals to Total Assets (TATA):
$T A T A = \frac{(100, 000, 000 - 90, 000, 000) - (50, 000, 000 - 45, 000, 000) + (20, 000, 000 - 18, 000, 000) + (10, 000, 000 - 9, 000, 000) - 50, 000, 000}{1, 000, 000, 000} = - 0.065$

Perhitungan M-Score

M - S c o r e = - 4.84 + (0.92 \times 0.9259) + (0.528 \times 1.0417) + (0.404 \times 1.1111) + (0.892 \times 1.2) + (0.115 \times 1.0) - (0.172 \times 0.9259) + (4.679 \times - 0.065) - (0.327 \times 1.0)

Setelah menghitung, nilai M-Score yang diperoleh adalah:

M - S c o r e = - 2.652

Interpretasi

M-Score < -2.22: Tidak ada indikasi kuat adanya manipulasi laporan keuangan.
M-Score > -2.22: Ada indikasi kuat adanya manipulasi laporan keuangan.

Dengan M-Score sebesar -2.652, tidak ada indikasi kuat bahwa laporan keuangan telah dimanipulasi.

:::Catatannya The Echo:::

Sunday, February 16, 2025

Buku Kas 3 Lajur

Saturday, February 15, 2025

TCM Model : Fit best

📌 Indikator dalam Model Kepatuhan Pajak

1️⃣ Rasio Pajak terhadap Laba Bersih (Tarif Pajak Efektif - ETR)

2️⃣ Rasio Pajak terhadap Pendapatan

3️⃣ Rasio Arus Kas terhadap Pajak yang Dibayar

📊 Membuat Model Kepatuhan Pajak untuk Analisis Pajak

Hasil Analisis Tax Compliance Model (TCM) – Indikasi Penghindaran Pajak

📌 Ringkasan Temuan Model Kepatuhan Pajak

🔍 Indikasi Manipulasi Pajak

🛠 Rekomendasi Audit & Investigasi Lanjutan

M Score Identifikasi Potensi Pajak

Interpretasi Grafik:

Kesimpulan dan Rekomendasi:

Thursday, February 13, 2025

TCRS-

Interpretasi

Tren TCRS dari Tahun ke Tahun

Kesimpulan dan Insight Penting

M-Score : Professor Messod Beneish : Mendeteksi kemungkinan manipulasi laporan keuangan

Laporan Laba Rugi

Laporan Neraca

Perhitungan Fraud dengan Model Beneish M-Score

Rumus Beneish M-Score

Indikator dan Perhitungan

Contoh Perhitungan

Indikator dan Perhitungan

Perhitungan M-Score

Interpretasi

Buku Kas 3 Lajur

Report Abuse

Labels

081535327473