Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

Jika dibandingkan dengan metode FIFO, penggunaan metode LIFO memberikan pengaruh yang berbeda terhadap laba bersih ketika harga-harga mengalami perubahan. Pada saat harga meningkat (inflasi), LIFO cenderung menghasilkan laba bersih yang lebih rendah dibanding FIFO. Hal ini terjadi karena LIFO menggunakan biaya persediaan terbaru yang lebih tinggi sebagai dasar perhitungan HPP, sehingga laba menjadi lebih kecil. Sebaliknya, FIFO memakai biaya lama yang lebih murah, sehingga laba terlihat lebih tinggi. Namun saat harga menurun (deflasi), kondisinya berbalik: LIFO akan menghasilkan laba yang lebih tinggi karena harga terbaru yang digunakan sebagai HPP lebih rendah dibanding harga lama. Sementara itu, FIFO menghasilkan laba lebih rendah karena HPP didasarkan pada harga lama yang lebih tinggi. Dengan demikian, perbedaan kedua metode tersebut terutama terletak pada bagaimana mereka merespons perubahan harga, dan hal ini berpengaruh langsung terhadap besar kecilnya laba bersih yang dilaporkan perusahaan.

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

Metode FIFO, rata-rata tertimbang, dan LIFO lebih sering digunakan dalam penilaian persediaan karena lebih praktis dan mudah diterapkan dibanding metode identifikasi khusus. Metode identifikasi khusus sebenarnya memberikan hasil yang paling akurat karena setiap barang dicatat sesuai biaya unit sebenarnya. Namun metode ini hanya cocok untuk barang bernilai tinggi atau unik yang jumlahnya tidak banyak. Jika diterapkan pada barang massal, prosesnya akan sangat rumit dan memakan waktu. Dibandingkan metode ini, FIFO lebih sederhana karena mengasumsikan barang yang pertama masuk adalah yang pertama terjual. Secara teoritis, FIFO dianggap layak karena persediaan akhir mencerminkan harga yang paling terbaru, sehingga nilai aktiva lebih relevan dengan kondisi pasar. Rata-rata tertimbang juga dianggap layak karena dapat menstabilkan fluktuasi harga dan memberikan gambaran biaya persediaan yang lebih konsisten. Sementara itu, LIFO secara teori memberikan HPP yang lebih mencerminkan biaya terkini, terutama saat harga naik, sehingga laba lebih realistis. Namun LIFO dapat membuat persediaan akhir tampak undervalued karena dihitung dengan harga lama. Secara keseluruhan, ketiga metode tersebut lebih efisien dan memadai secara teoritis untuk menentukan laba dan nilai aktiva dibanding metode identifikasi khusus, terutama ketika perusahaan mengelola barang dalam jumlah besar.

nama : lola egidiya
npm : 2413031087
kelas : 24c

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

1. Artikel 1: "Digitalization of Financial Reporting Through XBRL and the Cost of Equity" (Tohang & Lusiana, 2022)
Esensi Isi (Resume Singkat):
Artikel ini berfokus pada hubungan antara adopsi Extensible Business Reporting Language (XBRL) dengan biaya ekuitas (Cost of Equity - CoE) di perusahaan-perusahaan yang terdaftar di Indonesia. Penelitian ini membandingkan periode sebelum dan sesudah adopsi XBRL di Bursa Efek Indonesia (BEI). Hasil utama studi ini menyimpulkan bahwa adopsi XBRL secara signifikan berkontribusi pada penurunan biaya ekuitas. Penurunan ini dijelaskan karena XBRL meningkatkan kualitas informasi, mengurangi biaya pemrosesan informasi bagi investor, dan akhirnya mengurangi risiko informasi yang dipersepsikan investor, yang kemudian tercermin dalam CoE yang lebih rendah. Dampak positif ini ditemukan lebih besar pada perusahaan berukuran besar.

Opini Saya:
Menurut saya, artikel ini sangat relevan dan memberikan bukti empiris yang kuat mengenai manfaat adopsi teknologi pelaporan digital di Indonesia. Temuan bahwa XBRL dapat menurunkan biaya ekuitas menegaskan bahwa transparansi dan standarisasi data digital memiliki nilai ekonomi riil. Hal ini krusial bagi BEI dan regulator (OJK) untuk mendorong kepatuhan yang lebih baik. Namun, penting untuk dicatat bahwa dampak yang lebih besar pada perusahaan besar menunjukkan adanya kesenjangan digital; perusahaan kecil mungkin menghadapi hambatan biaya dan kompleksitas dalam adopsi XBRL, sehingga manfaatnya tidak merata. Opini saya adalah, agar manfaat XBRL maksimal, perlu ada dukungan teknis dan edukasi yang lebih intensif dari regulator untuk memastikan perusahaan kecil dapat menikmati pengurangan CoE yang serupa.

2. Artikel 2: "Does XBRL adoption increase financial information transparency in digital disclosure environment? Insights from emerging markets" (Al-Okaily, Alkayed, & Al-Okaily, 2024)
Artikel ini menyelidiki apakah adopsi XBRL mampu meningkatkan transparansi informasi keuangan dalam lingkungan pengungkapan digital, dengan mengambil studi kasus di pasar negara berkembang (Yordania). Studi ini berfokus pada persepsi manajer akuntansi, auditor, dan manajer keuangan yang memiliki latar belakang XBRL. Temuan utama menegaskan bahwa adopsi XBRL memang meningkatkan transparansi pengungkapan informasi keuangan di perusahaan keuangan Yordania. Peningkatan transparansi ini pada gilirannya dipercaya dapat meningkatkan kepercayaan investor dan menarik investasi di pasar modal tersebut.

Opini Saya:
Artikel ini memberikan perspektif yang berharga karena berfokus pada persepsi praktisi di pasar negara berkembang, yang sering kali memiliki tantangan infrastruktur dan regulasi yang berbeda dari pasar maju. Opini saya adalah bahwa kesimpulan ini secara fundamental memperkuat klaim dasar teknologi XBRL: kemampuannya untuk mengubah data menjadi format yang mudah diakses, dibaca mesin, dan dapat dibandingkan (comparable). Peningkatan transparansi ini penting karena di pasar negara berkembang, asimetri informasi cenderung lebih tinggi. Namun, studi ini hanya mengukur persepsi; untuk lebih meyakinkan, akan lebih baik jika didukung oleh data pasar yang objektif (seperti likuiditas saham atau bid-ask spread). Secara keseluruhan, artikel ini menggarisbawahi peran XBRL sebagai pilar penting dalam transformasi digital pelaporan keuangan untuk membangun integritas dan daya tarik pasar modal di negara-negara berkembang.