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)

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

$$M-Score=-4.84+(0.92\times DSRI)+(0.528\times GMI)+(0.404\times AQI)+(0.892\times SGI)+(0.115\times DEPI)+(-0.172\times SGAI)+(4.679\times TATA)+(-0.327\times LVGI)$$

Indikator dan Perhitungan

1. Days Sales in Receivable Index (DSRI):

   $$DSRI=\frac{{\text{Account Receivables}}_t\mathrm{/}{\text{Sales}}_t}{{\text{Account Receivables}}_{t-1}\mathrm{/}{\text{Sales}}_{t-1}}$$

2. Gross Margin Index (GMI):

   $$GMI=\frac{({\text{Sales}}_{t-1}-{\text{COGS}}_{t-1})\mathrm{/}{\text{Sales}}_{t-1}}{({\text{Sales}}_t-{\text{COGS}}_t)\mathrm{/}{\text{Sales}}_t}$$

3. Asset Quality Index (AQI):

   $$AQI=\frac{1-({\text{Current Assets}}_t+{\text{Net Fixed Assets}}_t)\mathrm{/}{\text{Total Assets}}_t}{1-({\text{Current Assets}}_{t-1}+{\text{Net Fixed Assets}}_{t-1})\mathrm{/}{\text{Total Assets}}_{t-1}}$$

4. Sales Growth Index (SGI):

   $$SGI=\frac{{\text{Sales}}_t}{{\text{Sales}}_{t-1}}$$

5. Depreciation Index (DEPI):

   $$DEPI=\frac{{\text{Depreciation Expense}}_{t-1}\mathrm{/}({\text{Depreciation Expense}}_{t-1}+{\text{Net PPE}}_{t-1})}{{\text{Depreciation Expense}}_t\mathrm{/}({\text{Depreciation Expense}}_t+{\text{Net PPE}}_t)}$$

6. 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}}

7. Leverage Index (LVGI):

   $$LVGI=\frac{({\text{Long Term Debt}}_t+{\text{Current Liabilities}}_t)\mathrm{/}{\text{Total Assets}}_t}{({\text{Long Term Debt}}_{t-1}+{\text{Current Liabilities}}_{t-1})\mathrm{/}{\text{Total Assets}}_{t-1}}$$

8. Total Accruals to Total Assets (TATA):

   $$TATA=\frac{({\text{Working Capital}}_t-{\text{Working Capital}}_{t-1})-({\text{Cash}}_t-{\text{Cash}}_{t-1})+({\text{Income Tax Payable}}_t-{\text{Income Tax Payable}}_{t-1})+({\text{Current Maturities of Long Term Debt}}_t-{\text{Current Maturities of Long Term Debt}}_{t-1})-{\text{Depreciation Expense}}_t}{{\text{Total Assets}}_t}$$

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

1. Days Sales in Receivable Index (DSRI):

   $$DSRI=\frac{\frac{50,000,000}{1,200,000,000}}{\frac{45,000,000}{1,000,000,000}}=0.9259$$

2. Gross Margin Index (GMI):

   $$GMI=\frac{\frac{1,000,000,000-700,000,000}{1,000,000,000}}{\frac{1,200,000,000-800,000,000}{1,200,000,000}}=1.0417$$

3. Asset Quality Index (AQI):

   $$AQI=\frac{1-\frac{300,000,000+500,000,000}{1,000,000,000}}{1-\frac{250,000,000+450,000,000}{900,000,000}}=1.1111$$

4. Sales Growth Index (SGI):

   $$SGI=\frac{1,200,000,000}{1,000,000,000}=1.2$$

5. Depreciation Index (DEPI):

   $$DEPI=\frac{\frac{45,000,000}{45,000,000+450,000,000}}{\frac{50,000,000}{50,000,000+500,000,000}}=1.0$$

6. Sales, General and Administrative Expenses Index (SGAI):

   $$SGAI=\frac{\frac{100,000,000}{1,200,000,000}}{\frac{90,000,000}{1,000,000,000}}=0.9259$$

7. Leverage Index (LVGI):

   $$LVGI=\frac{\frac{200,000,000+150,000,000}{1,000,000,000}}{\frac{180,000,000+130,000,000}{900,000,000}}=1.0$$

8. Total Accruals to Total Assets (TATA):

   $$TATA=\frac{(100,000,000-90,000,000)-(50,000,000-45,000,000)+(20,000,000-18,000,000)+(10,000,000-9,000,000)-50,000,000}{1,000,000,000}=-0.065$$

Perhitungan M-Score

$$M-Score=-4.84+(0.92\times 0.9259)+(0.528\times 1.0417)+(0.404\times 1.1111)+(0.892\times 1.2)+(0.115\times 1.0)-(0.172\times 0.9259)+(4.679\times -0.065)-(0.327\times 1.0)$$

Setelah menghitung, nilai M-Score yang diperoleh adalah:

$$M-Score=-2.652$$

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.