Tugas Kelompok 9
Nama Anggota Kelompok
1. Lola Egidiya-2413031087
2. Faiz Ramadhan_2413031096

Link Post Test : https://forms.gle/mRKp4Ldt7fAfWT9t6

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

1. Perbandingan pendekatan tradisional vs. AI dalam penilaian fair value
Menurut saya, perbedaan paling mendasar antara penilaian fair value tradisional dan penilaian berbasis AI terletak pada sumber otoritas dan cara pengetahuan nilai itu dibangun. Pendekatan tradisional mengandalkan teknik yang dapat dijelaskan seperti market approach atau income approach di mana asumsi, data pembanding, dan proses perhitungan bisa ditelusuri dengan jelas. Ini sejalan dengan prinsip IFRS bahwa nilai wajar harus merefleksikan harga pasar yang dapat diverifikasi. Sebaliknya, AI menghasilkan estimasi dengan memproses big data dan pola yang sering kali tidak dapat diterjemahkan langsung ke dalam logika valuasi tradisional. Meski AI bisa lebih cepat dan menangkap dinamika pasar yang kompleks, sifatnya yang “black box” membuat auditor sulit memastikan apakah hasil akhirnya benar-benar mencerminkan market participant assumptions atau hanya hasil dari struktur model yang tidak transparan. Jadi, keunggulan efisiensi AI perlu diseimbangkan dengan kebutuhan akuntansi akan penjelasan dan keterlacakan.

2. Implikasi epistemologis penggunaan AI
Dari sudut pandang epistemologi akuntansi, penggunaan AI membuat sumber pengetahuan tentang nilai menjadi lebih problematis. Biasanya, nilai wajar dianggap sah karena bertumpu pada bukti pasar yang bisa dipertanggungjawabkan. Namun AI membangun pengetahuannya dari pola statistik yang tersembunyi, sehingga “kebenaran” nilai yang dihasilkan sangat bergantung pada dataset dan desain model, bukan hanya pada kondisi pasar aktual. Menurut saya, ini memunculkan risiko bahwa nilai yang tampak objektif sebenarnya merupakan interpretasi algoritmik yang tidak sepenuhnya dapat diuji oleh auditor. Selain itu, bias data historis atau noise pasar dapat dengan mudah terbawa ke dalam model dan kemudian dianggap sebagai informasi yang valid. Dengan demikian, penggunaan AI menuntut kita untuk lebih kritis terhadap apa yang kita sebut sebagai fair value, karena validitasnya tidak lagi hanya ditentukan oleh pasar, tetapi juga oleh kualitas teknis model.

3. Strategi akuntabilitas dan pelaporan agar sesuai IFRS 13
Agar AI tetap sejalan dengan IFRS 13, menurut saya perusahaan perlu membangun kerangka akuntabilitas yang jauh lebih transparan dibanding metode tradisional. Minimal, perusahaan harus mendokumentasikan bagaimana model bekerja, sumber data yang digunakan, serta alasan pemilihan parameter utama. Selain itu, penjelasan model (explainability) perlu diperkuat, misalnya dengan teknik seperti SHAP atau analisis sensitivitas, sehingga auditor bisa memahami mengapa nilai tertentu dihasilkan. Perbandingan berkala antara output AI dan metode valuasi tradisional juga penting untuk menilai konsistensi. Dalam laporan keuangan, perusahaan wajib mengungkapkan metode AI yang digunakan, tingkat ketidakpastian, dan input mana yang termasuk Level 2 atau Level 3 menurut IFRS 13. Menurut pandangan saya, prinsip utamanya sederhana: AI boleh mempercepat proses, tetapi akuntabilitas tetap harus berada pada manusia, bukan algoritma.

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

1. Dampak Blockchain terhadap Teori Akuntansi (Reliabilitas & Transparansi)
Penggunaan blockchain dapat meningkatkan reliabilitas dan transparansi karena setiap data keberlanjutan seperti jejak karbon atau asal bahan baku dicatat secara permanen dan sulit dimodifikasi. Ini sejalan dengan prinsip faithful representation dalam teori akuntansi. Namun, blockchain juga menantang konsep tradisional karena akuntabilitas berpindah dari manusia ke sistem. Jika data awal yang dimasukkan salah, blockchain justru mengabadikan kesalahan tersebut. Artinya, reliabilitas tidak hanya berasal dari teknologi, tetapi dari kualitas governance dan kontrol internal yang memastikan data yang masuk benar dan dapat diverifikasi.

2. Tantangan Regulasi di Indonesia dan Global
Tantangan utama adalah belum adanya pedoman regulasi spesifik di Indonesia yang mengatur penggunaan blockchain dalam sustainability reporting, sehingga auditor dan regulator mungkin meragukan validitasnya. Integrasi blockchain dengan standar GRI juga belum sepenuhnya terakomodasi. Selain itu, perbedaan standar global, isu privasi data, dan keterbatasan kemampuan rantai pasok terutama petani kecil dapat menimbulkan inkonsistensi data. Stakeholder mungkin menghargai transparansi, tetapi mereka tetap menuntut penjelasan teknis dan jaminan bahwa teknologi tidak menggantikan penilaian profesional.

3. Rekomendasi Strategis
PT Hijau Lestari perlu membangun tata kelola data yang kuat, termasuk audit data awal dan standar input sebelum data masuk ke blockchain. Perusahaan juga sebaiknya menerapkan hybrid assurance: audit teknologi digabungkan dengan audit profesional untuk memastikan informasi tetap sesuai prinsip akuntansi dan GRI. Selain itu, perusahaan harus berkolaborasi dengan regulator dan auditor sejak awal agar implementasi diterima secara formal, sekaligus melatih seluruh rantai pasok agar mampu menghasilkan data yang akurat. Dengan langkah ini, blockchain dapat menjadi alat peningkat kredibilitas, bukan sekadar inovasi teknologi yang sulit diverifikasi.

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

ANALISIS KRITIS
1. Penerapan teori akuntansi tradisional menghadapi tantangan mendasar ketika dihadapkan pada sistem otomatisasi AI dan Blockchain, terutama pada isu verifiabilitas dan objektivitas. Blockchain menciptakan sistem triple entry yang secara teknis sangat andal karena sifatnya yang immutable (tidak dapat diubah), namun secara bersamaan menantang auditor konvensional yang terbiasa melacak jejak audit dokumen sumber fisik berdasarkan prinsip substance over form. Selanjutnya, dalam ekosistem fintech yang bergerak cepat dan aset digital yang volatil, prinsip biaya historis menjadi kurang relevan untuk menyajikan nilai aset yang benar dan wajar. Selain itu, penggunaan smart contracts di Blockchain mengotomatisasi pengakuan transaksi, secara efektif mengeliminasi judgement akrual di titik waktu tertentu, sehingga memaksa kerangka teori akuntansi untuk beradaptasi dari pengukuran berbasis peristiwa menjadi pengukuran yang didorong oleh kode dan algoritma.

2. Digitalisasi menciptakan peluang substansial melalui otomatisasi, mengurangi kesalahan manusia, dan meningkatkan integritas data karena sifat immutable dari ledger terdistribusi, yang pada gilirannya dapat meningkatkan keandalan (reliability) laporan keuangan. Namun, digitalisasi juga melahirkan risiko manipulasi yang jauh lebih canggih, seperti yang dicurigai terjadi di PT Delta Finansial. Manipulasi bergeser dari penyesuaian entry manual menjadi manipulasi input dan parameter algoritma. Akuntan atau manajemen dapat secara sengaja memilih atau mengubah asumsi dalam model AI (misalnya, suku bunga, tingkat diskonto) yang digunakan untuk estimasi akuntansi seperti cadangan kerugian piutang untuk menunda pengakuan beban (delay recognition of expenses) atau menstabilkan laba secara artifisial, yang menghasilkan praktik earnings management yang tersembunyi dalam kompleksitas kode dan sulit dideteksi tanpa audit teknologi yang mendalam.

ETIKA DAN TRANSPARANSI
1. Ketika estimasi dan judgement keuangan digantikan oleh algoritma AI, risiko etika utama bergeser dari kesalahan manusia menjadi algorithmic bias dan opacity. Kurangnya akuntabilitas etis menjadi isu sentral, sebab sulit untuk menentukan pihak yang bertanggung jawab (akuntan, data scientist, atau pemrogram) jika algoritma secara sistematis menghasilkan output yang manipulatif atau bias (misalnya, selalu meremehkan risiko). Selain itu, masalah kotak hitam (black box) pada model AI yang canggih melanggar prinsip objektivitas dan transparansi akuntan. Akuntan mungkin hanya menerima hasil tanpa mampu memverifikasi atau menjelaskan logika internal model tersebut secara memadai, yang merupakan pelanggaran serius terhadap tanggung jawab profesional untuk menyajikan gambaran yang benar dan wajar.

2. Akuntan profesional wajib menyikapi tekanan manajemen untuk "menyesuaikan" hasil laporan seperti yang dihadapi PT Delta dengan berpegang teguh pada Prinsip Integritas dan Objektivitas yang diamanatkan Kode Etik Akuntan Profesional (IESBA). Akuntan harus menolak setiap permintaan untuk memanipulasi judgement atau estimasi akuntansi, terlepas dari insentif atau tekanan untuk menjaga citra perusahaan. Tanggung Jawab Publik (Public Interest) harus menjadi prioritas utama, di atas loyalitas kepada manajemen. Jika tekanan mengarah pada pelanggaran etika yang material, akuntan internal harus mencari perlindungan whistleblowing dan meningkatkan masalah ini kepada Komite Audit dan Dewan Komisaris, sementara akuntan publik harus mengeluarkan opini audit yang tidak wajar (adverse) atau qualified untuk melindungi kepentingan stakeholder dan pasar modal.

RESPONS STRATEGIS
1. Untuk menghadapi sistem akuntansi berbasis teknologi tinggi, praktik audit dan pengawasan harus bertransformasi dengan fokus pada teknologi itu sendiri. Perusahaan dan auditor publik harus mengimplementasikan Audit Algoritma (Algorithmic Auditing), yang tidak hanya menguji output data tetapi juga mengaudit kode sumber (source code) model AI yang digunakan untuk estimasi akuntansi. Fokus pengawasan harus diarahkan pada Manajemen Risiko Model (Model Risk Management), memastikan bahwa asumsi dan parameter model diverifikasi oleh pihak independen dan tidak mengandung bias yang disengaja. Selain itu, Audit Blockchain memerlukan keahlian kriptografi untuk memverifikasi keutuhan ledger terdistribusi dan memastikan bahwa smart contracts beroperasi sesuai dengan prinsip pengakuan akuntansi, dengan penekanan pada titik input data awal (di luar Blockchain) untuk mencegah manipulasi.

2. Pandangan saya adalah bahwa standar pelaporan keuangan saat ini (IFRS/PSAK) belum sepenuhnya adaptif, meskipun memiliki dasar prinsip yang kuat. Standar yang ada, yang sebagian besar dirancang untuk lingkungan transaksional konvensional, memang principle-based dan memungkinkan judgement untuk mencakup model bisnis baru. Namun, kurangnya panduan eksplisit mengenai disclosure tata kelola dan parameter model AI yang digunakan untuk estimasi material (seperti yang dicurigai di PT Delta) merupakan kelemahan utama. Standar perlu berevolusi dengan mewajibkan pengungkapan yang jauh lebih detail mengenai bagaimana algoritma AI mempengaruhi estimasi penting dan bagaimana integritas serta fairness model tersebut dijamin. Adaptasi ini harus melampaui pelaporan keuangan tradisional dan mencakup kerangka Governance data dan algoritma, agar kompleksitas keuangan digital dan globalisasi dapat direpresentasikan secara transparan dan andal.

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

1. Analisis Praktik Earnings Management pada PT Karya Sentosa
Dugaan praktik earnings management berbasis akrual pada PT Karya Sentosa sangat kuat didukung oleh tiga indikator utama yang saling berkaitan. Pertama, kenaikan signifikan pada akun piutang usaha beriringan dengan peningkatan laba bersih 45% mengindikasikan bahwa perusahaan mungkin telah mengakui pendapatan secara agresif dari penjualan kredit yang belum tentu tertagih. Kedua, penurunan cadangan kerugian piutang (CKP) memperkuat dugaan ini, sebab CKP yang lebih rendah akan secara artifisial meningkatkan laba bersih pada periode berjalan, melanggar prinsip konservatisme. Ketiga, peningkatan pendapatan yang tidak sejalan dengan arus kas operasi adalah sinyal paling kritis, karena laba yang tinggi tetapi minimnya penerimaan kas dari kegiatan operasi (seperti penagihan piutang) merupakan ciri khas dari earnings management yang mengandalkan akrual diskresioner, di mana pendapatan diakui di laporan laba rugi tetapi kasnya belum diterima. Secara keseluruhan, PT Karya Sentosa tampaknya menggunakan akrual diskresioner untuk melaporkan kinerja yang lebih baik dari yang sebenarnya (income increasing), terutama dengan memanipulasi Accounts Receivable dan Allowance for Doubtful Accounts.

2. Perbandingan Dua Jurnal Ilmiah Terkini tentang Earnings Management
Dua jurnal ilmiah terkini mengenai earnings management mungkin memiliki fokus yang berbeda. Misalnya, Jurnal A berfokus pada pendekatan akrual berbasis Model Jones Modifikasi untuk mendeteksi earnings management di perusahaan teknologi, menggunakan sampel perusahaan high-growth di Amerika Serikat dengan metodologi kuantitatif regresi data panel. Temuan utamanya adalah bahwa perusahaan dengan insentif bonus berbasis laba cenderung memiliki tingkat akrual diskresioner positif yang lebih tinggi (income increasing). Sementara itu, Jurnal B mungkin mengambil pendekatan kualitatif berbasis wawancara dengan auditor senior dan regulator di Asia Tenggara, menyoroti real earnings management (REM) melalui manipulasi keputusan operasional seperti overproduction atau diskon penjualan. Pendekatan Jurnal B adalah berbasis wawancara mendalam, dan temuan utamanya adalah bahwa REM lebih sulit dideteksi oleh auditor dan regulator dibandingkan accrual-based earnings management (ABEM), dan bahwa tekanan pasar saham menjadi pendorong utama praktik REM. Perbedaan utama terletak pada pendekatan (kuantitatif vs. kualitatif), metodologi (model ekonometri vs. wawancara), dan fokus temuan (ABEM didorong insentif vs. REM didorong tekanan pasar).

3. Evaluasi Kritis: Apakah Earnings Management Selalu Negatif?
Meskipun secara umum earnings management (EM) dipandang negatif karena merusak kualitas laba dan kepercayaan investor (opportunistic view), tidak selalu demikian. Beberapa argumen teoritis dan bukti empiris mendukung pandangan bahwa EM dapat bersifat netral atau bahkan positif (efficient contracting view). Secara positif, manajer dapat menggunakan EM untuk mengkomunikasikan informasi privat mengenai nilai perusahaan yang sebenarnya (informative signal) kepada pasar, misalnya dengan menghaluskan laba (income smoothing) untuk menunjukkan stabilitas dan mengurangi volatilitas laba yang dianggap berlebihan. Selain itu, EM dapat digunakan untuk tujuan efisiensi kontrak, seperti untuk memenuhi batasan kontrak utang (debt covenants) dan menghindari biaya pelanggaran kontrak, atau untuk menyeimbangkan kompensasi manajerial. Argumentasi kritisnya adalah bahwa EM yang bertujuan untuk memenuhi ambang batas laba (seperti analyst forecasts) atau yang menghasilkan manfaat ekonomi bersih bagi perusahaan dan pemangku kepentingan (misalnya menghindari kebangkrutan teknis) bisa dianggap sebagai manajemen laba yang bijaksana (prudent earnings management), asalkan tidak melanggar Prinsip Akuntansi yang Berlaku Umum (PABU) atau bersifat material.

4. Kesimpulan dan Rekomendasi kepada Stakeholder
Kesimpulan: Indikasi earnings management berbasis akrual pada PT Karya Sentosa sangat kuat, ditandai oleh diskrepansi antara laba bersih yang melonjak dan penurunan kualitas akrual (piutang usaha tinggi dan CKP rendah), yang pada akhirnya tidak didukung oleh arus kas operasi. Praktik ini kemungkinan dilakukan secara oportunistik untuk memenuhi ekspektasi pasar atau memaksimalkan bonus manajerial, yang berpotensi merusak kredibilitas laporan keuangan dan menimbulkan misallocation of capital. Rekomendasi kepada Stakeholder:

Investor: Segera lakukan analisis forensic accounting dengan fokus pada Kualitas Laba (Quality of Earnings), terutama membandingkan pertumbuhan laba dengan pertumbuhan Operating Cash Flow (OCF) dan meninjau kebijakan pengakuan pendapatan serta estimasi cadangan kerugian piutang secara mendalam.

Dewan Komisaris dan Komite Audit: Meminta audit khusus untuk akrual diskresioner, memperkuat fungsi pengawasan internal, dan mengevaluasi independensi auditor eksternal. Perlu adanya reformasi kebijakan kompensasi manajerial agar tidak terlalu fokus pada target laba akuntansi jangka pendek.

Regulator (OJK/BEI): Melakukan pemeriksaan mendalam (inspeksi) terhadap laporan keuangan dan kebijakan akuntansi yang digunakan oleh PT Karya Sentosa, terutama terkait konservatisme dan estimasi akuntansi yang signifikan.