:::Catatannya The Echo:::

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}

Faktor yang mempengaruhi :

1. Peredaran usaha/omset

💡 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.

🚀 ...........

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 ketidaksesuaian 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 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)