M Score Identifikasi Potensi Pajak

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

Interpretasi Grafik:

1. 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 ketidaksesuaian tertinggi .

2. 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 .

3. 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.

4. 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 ketidaksesuaian 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.

 

Indeks	M-Skor	Indikator Penipuan	Keterangan
0	-1.7203	✅ Terindikasi Tidak Sesuai	M-Score mendekati batas -2.22
1	-1.6135	✅ Terindikasi Tidak Sesuai	M-Score mendekati batas -2.22
2	-0,8879	✅ Terindikasi Tidak Sesuai	M-Score mendekati batas -2.22
3	0,1804	✅ Terindikasi Tidak Sesuai	M-Score mendekati batas -2.22
4	0,6757	✅ Terindikasi Tidak Sesuai	M-Score mendekati batas -2.22

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:

Indeks	Penjualan	Piutang	Margin Kotor	Laba Bersih	Arus Kas Operasional	Potensi Pajak
0	1.000.000	250.000	450.000	250.000	180.000	55000
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)