Analisis Penggunaan AI dalam Deteksi Kecurangan Laporan Keuangan

Asri Juana Seran; Desi Ismah  Anggraini

Penulis

Asri Juana Seran Universitas Wijaya Putra
Desi Ismah Anggraini Universitas Wijaya Putra

Kata Kunci:

Kecerdasan Buatan, Deteksi Kecurangan, Laporan Keuangan, XGBoost, Explainable AI, SMOTE, Audit, Federated Learning

Abstrak

Penelitian ini bertujuan untuk menganalisis peran kecerdasan buatan (AI) dalam mendeteksi kecurangan laporan keuangan, dengan fokus pada penggunaan algoritma ensemble seperti XGBoost, teknik penyeimbangan data (SMOTE), dan explainable AI (SHAP). Pendekatan kualitatif melalui tinjauan literatur sistematis dilakukan terhadap berbagai studi terkini yang membahas performa, interpretabilitas, dan penerapan AI dalam konteks audit keuangan. Hasil analisis menunjukkan bahwa kombinasi metode tersebut mampu meningkatkan akurasi, kecepatan deteksi, serta transparansi keputusan sistem. Selain itu, integrasi AI dengan pendekatan audit tradisional berpotensi meningkatkan efektivitas pengawasan keuangan dan mencegah terjadinya manipulasi laporan secara dini. Penelitian ini juga menekankan pentingnya regulasi, pelatihan auditor, dan infrastruktur data sebagai syarat keberhasilan implementasi AI secara etis dan berkelanjutan dalam sistem audit keuangan modern.

Unduhan

Data unduhan belum tersedia.

Referensi

Aljunaid, S. K., Almheiri, S. J., Dawood, H., & Khan, M. A. (2025). Secure and transparent banking: Explainable AI-driven federated learning model for financial fraud detection. Journal of Risk and Financial Management, 18(4), 179. https://doi.org/10.3390/jrfm18040179

Almalki, F., & Masud, M. (2025). Financial fraud detection using explainable AI and stacking ensemble methods. arXiv. https://arxiv.org/abs/2505.10050

Deloitte. (2024). AI in auditing: Augmenting human judgment. Deloitte Insights. https://www2.deloitte.com

Hernandez Aros, L., Bustamante Molano, L. X., Gutierrez-Portela, F., & Moreno Hernandez, J. J. (2024). Financial fraud detection through the application of machine learning techniques: A literature review. Humanities and Social Sciences Communications, 11, Article 1130. https://doi.org/10.1057/s41599-024-03606-0

Horrigan, T., & Turner, L. (2023). Enhancing audit analytics: Digital risk detection and its implications. Journal of Accounting and Digital Innovation, 15(2), 112–129.

Janssen, R., & Glover, S. (2022). Financial red flags: Auditing indicators of fraud in technology firms. International Journal of Auditing Practice, 9(4), 65–78.

Machiraju, R., Ram, S., & Hodas, N. (2021). Trust in machine learning: Explainability and performance. IEEE Transactions on AI in Finance, 2(1), 45–58.

Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039

Thanathamathee, P., Sawangarreerak, S., Chantamunee, S., & Mohd Nizam, D. N. (2024). SHAP-instance weighted and Anchor explainable AI: Enhancing XGBoost for financial fraud detection. Emerging Science Journal, 8(6), 2404–2430. https://doi.org/10.28991/esj-2024-01339

Williams, C. (2025). AI detects potential fraud at two EY clients, raising questions about black-box models. Financial Times. https://www.ft.com