Kelompok 6
Vina Nailatul Izza 2413031007
Nashita Shafiyah 2413031009
Posts made by Vina Nailatul Izza
TA2025 -> CASE STUDY 2
by Vina Nailatul Izza -
Nama : Vina Nailatul Izza
NPM : 2413031007
1. Pendekatan tradisional penilaian fair value menekankan prinsip teori akuntansi bahwa nilai wajar adalah ukuran pasar (market-based measurement) — yaitu harga yang akan diterima untuk menjual aset atau dibayar untuk mengalihkan liabilitas dalam transaksi teratur antara pelaku pasar pada tanggal pengukuran. Praktik konvensional mengandalkan hirarki input IFRS 13: Level 1 (harga kuotasian pasar aktif), Level 2 (input yang dapat diobservasi selain harga kuotasian), dan Level 3 (input tidak terobservasi). Metode tradisional memakai teknik valuasi yang transparan dan dapat diuji ulang (market approach, income approach, cost approach), serta asumsi yang didokumentasikan dan verifikasi independen. Sebaliknya, pendekatan berbasis AI memanfaatkan model machine learning untuk menggabungkan volume data besar (price ticks, sentimen, data alternatif, IoT) dan menemukan pola nonlinier. dari perspektif teori akuntansi, ini menggeser fokus dari verifiabilitas observasi langsung ke ketergantungan pada model statistik/algoritmik. AI dapat meningkatkan akurasi estimasi di lingkungan pasar tidak likuid atau untuk aset kompleks, namun menimbulkan tantangan pada aspek verifiability, konsistensi teknik valuasi, dan kemampuan auditor untuk menilai asumsi karena prosesnya lebih “black box”. Dengan kata lain, tradisi akuntansi menuntut bukti pasar dan keterulangan; AI menawarkan prediksi berbasis data besar tetapi memaksa teori untuk merekonsiliasi antara reliability yang diasosiasikan dengan bukti observasi dan usefulness yang mungkin meningkat oleh model.
2. Implikasi epistemologis—yaitu sumber dan validitas pengetahuan akuntansi—ketika AI dipakai untuk menentukan fair value meliputi beberapa hal krusial. Pertama, sumber pengetahuan bergeser dari bukti pasar yang dapat diobservasi ke keluaran model yang bergantung pada data historis, fitur yang direkayasa, dan parameter pelatihan; validitasnya jadi tergantung pada kualitas, representativitas, dan bias data serta desain model. Kedua, keterbuktian (verifiability) melemah karena model kompleks sulit direkonstruksi tanpa akses ke data pelatihan, preprocessing, dan arsitektur; ini menimbulkan masalah epistemik: apakah kita “tahu” nilai karena pasar atau karena pola statistik yang ditemukan algoritma? Ketiga, konteks dan asumsi menjadi lebih tersembunyi—AI mungkin mengandalkan korelasi yang tidak stabil (spurious correlations) sehingga pengetahuan yang dihasilkan rentan runtuh saat kondisi pasar berubah (non-stationarity). Keempat, otonomi epistemik berkurang: keputusan manajerial dan auditor harus bergantung pada validasi model dan interpretasi output AI, bukan semata intuisi atau observasi—ini menimbulkan kebutuhan baru akan epistemic humility (mengakui ketidakpastian) dan dokumentasi provenance data. Singkatnya, penggunaan AI menuntut perluasan definisi “bukti” dalam akuntansi: bukti tidak lagi hanya bukti pasar langsung, melainkan juga bukti model—yang harus dinilai untuk kredibilitas, ketahanan terhadap perubahan, dan kebebasan dari bias.
3. Strategi akuntabilitas dan pelaporan untuk memastikan kecocokan pendekatan AI dengan IFRS 13 harus bersifat teknis, tata kelola, dan pelaporan transparan. Secara teknis, keluaran AI harus dipetakan ke hirarki input IFRS 13: identifikasi apakah nilai berasal dari input observasi (Level 1/2) atau input tidak terobservasi (Level 3), dan jika AI menggunakan data pasar terobservasi, tunjukkan bagaimana data itu dipakai dan disesuaikan. Lakukan model governance ketat: pemisahan fungsi pengembang model, pengguna valuasi, dan validator independen; versi, log perubahan, dan rekaman data pelatihan (data provenance) wajib disimpan. Terapkan validasi model independen (backtesting, out-of-sample testing, stress testing, sensitivity analysis) dan gunakan metode Explainable AI (XAI) agar asumsi utama dan fitur penentu nilai jadi dapat dijelaskan kepada auditor dan pemangku kepentingan. Dalam laporan keuangan, perusahaan harus mengungkapkan metodologi valuasi secara rinci sesuai IFRS 13—termasuk deskripsi model AI, sumber data, asumsi utama, tingkat ketidakpastian, dan pengaruh perubahan signifikan (mis. rentang estimasi, skenario). Auditor harus mengembangkan prosedur audit yang mencakup pengujian algoritma, pemeriksaan kode atau model summary, dan evaluasi data pipeline; jika perlu, libatkan pakar data science independen. Terakhir, institusionalisasi kompetensi (pelatihan akuntan dan auditor pada model AI dan risiko model) dan dialog reguler dengan standard setter (IASB/IFRS Foundation) untuk menafsirkan penerapan AI dalam kerangka IFRS 13 akan membantu menjaga akuntabilitas sekaligus inovasi dalam penilaian fair value.
NPM : 2413031007
1. Pendekatan tradisional penilaian fair value menekankan prinsip teori akuntansi bahwa nilai wajar adalah ukuran pasar (market-based measurement) — yaitu harga yang akan diterima untuk menjual aset atau dibayar untuk mengalihkan liabilitas dalam transaksi teratur antara pelaku pasar pada tanggal pengukuran. Praktik konvensional mengandalkan hirarki input IFRS 13: Level 1 (harga kuotasian pasar aktif), Level 2 (input yang dapat diobservasi selain harga kuotasian), dan Level 3 (input tidak terobservasi). Metode tradisional memakai teknik valuasi yang transparan dan dapat diuji ulang (market approach, income approach, cost approach), serta asumsi yang didokumentasikan dan verifikasi independen. Sebaliknya, pendekatan berbasis AI memanfaatkan model machine learning untuk menggabungkan volume data besar (price ticks, sentimen, data alternatif, IoT) dan menemukan pola nonlinier. dari perspektif teori akuntansi, ini menggeser fokus dari verifiabilitas observasi langsung ke ketergantungan pada model statistik/algoritmik. AI dapat meningkatkan akurasi estimasi di lingkungan pasar tidak likuid atau untuk aset kompleks, namun menimbulkan tantangan pada aspek verifiability, konsistensi teknik valuasi, dan kemampuan auditor untuk menilai asumsi karena prosesnya lebih “black box”. Dengan kata lain, tradisi akuntansi menuntut bukti pasar dan keterulangan; AI menawarkan prediksi berbasis data besar tetapi memaksa teori untuk merekonsiliasi antara reliability yang diasosiasikan dengan bukti observasi dan usefulness yang mungkin meningkat oleh model.
2. Implikasi epistemologis—yaitu sumber dan validitas pengetahuan akuntansi—ketika AI dipakai untuk menentukan fair value meliputi beberapa hal krusial. Pertama, sumber pengetahuan bergeser dari bukti pasar yang dapat diobservasi ke keluaran model yang bergantung pada data historis, fitur yang direkayasa, dan parameter pelatihan; validitasnya jadi tergantung pada kualitas, representativitas, dan bias data serta desain model. Kedua, keterbuktian (verifiability) melemah karena model kompleks sulit direkonstruksi tanpa akses ke data pelatihan, preprocessing, dan arsitektur; ini menimbulkan masalah epistemik: apakah kita “tahu” nilai karena pasar atau karena pola statistik yang ditemukan algoritma? Ketiga, konteks dan asumsi menjadi lebih tersembunyi—AI mungkin mengandalkan korelasi yang tidak stabil (spurious correlations) sehingga pengetahuan yang dihasilkan rentan runtuh saat kondisi pasar berubah (non-stationarity). Keempat, otonomi epistemik berkurang: keputusan manajerial dan auditor harus bergantung pada validasi model dan interpretasi output AI, bukan semata intuisi atau observasi—ini menimbulkan kebutuhan baru akan epistemic humility (mengakui ketidakpastian) dan dokumentasi provenance data. Singkatnya, penggunaan AI menuntut perluasan definisi “bukti” dalam akuntansi: bukti tidak lagi hanya bukti pasar langsung, melainkan juga bukti model—yang harus dinilai untuk kredibilitas, ketahanan terhadap perubahan, dan kebebasan dari bias.
3. Strategi akuntabilitas dan pelaporan untuk memastikan kecocokan pendekatan AI dengan IFRS 13 harus bersifat teknis, tata kelola, dan pelaporan transparan. Secara teknis, keluaran AI harus dipetakan ke hirarki input IFRS 13: identifikasi apakah nilai berasal dari input observasi (Level 1/2) atau input tidak terobservasi (Level 3), dan jika AI menggunakan data pasar terobservasi, tunjukkan bagaimana data itu dipakai dan disesuaikan. Lakukan model governance ketat: pemisahan fungsi pengembang model, pengguna valuasi, dan validator independen; versi, log perubahan, dan rekaman data pelatihan (data provenance) wajib disimpan. Terapkan validasi model independen (backtesting, out-of-sample testing, stress testing, sensitivity analysis) dan gunakan metode Explainable AI (XAI) agar asumsi utama dan fitur penentu nilai jadi dapat dijelaskan kepada auditor dan pemangku kepentingan. Dalam laporan keuangan, perusahaan harus mengungkapkan metodologi valuasi secara rinci sesuai IFRS 13—termasuk deskripsi model AI, sumber data, asumsi utama, tingkat ketidakpastian, dan pengaruh perubahan signifikan (mis. rentang estimasi, skenario). Auditor harus mengembangkan prosedur audit yang mencakup pengujian algoritma, pemeriksaan kode atau model summary, dan evaluasi data pipeline; jika perlu, libatkan pakar data science independen. Terakhir, institusionalisasi kompetensi (pelatihan akuntan dan auditor pada model AI dan risiko model) dan dialog reguler dengan standard setter (IASB/IFRS Foundation) untuk menafsirkan penerapan AI dalam kerangka IFRS 13 akan membantu menjaga akuntabilitas sekaligus inovasi dalam penilaian fair value.
TA2025 -> CASE STUDY 1
by Vina Nailatul Izza -
Nama : Vina Nailatul Izza
NPM : 2413031007
1. Analisis Pengaruh Blockchain terhadap Reliabilitas dan Transparansi dalam Sustainability Reporting
Teknologi blockchain meningkatkan reliabilitas dan transparansi informasi akuntansi karena setiap transaksi terekam secara permanen, terverifikasi, dan sulit dimanipulasi. Dalam sustainability reporting, blockchain memungkinkan perusahaan menyajikan bukti yang lebih objektif terkait jejak karbon, penggunaan energi, dan rantai pasok hijau. Hal ini memperkuat teori akuntansi mengenai faithful representation dan reliabilitas karena data ESG yang dihasilkan berasal dari sistem yang terbuka dan dapat diaudit real-time. Namun, blockchain juga menantang teori akuntansi tradisional yang masih bergantung pada verifikasi manual dan dokumentasi fisik, sehingga memerlukan pembaruan konsep tentang bukti audit, pengendalian internal, dan kualitas informasi keberlanjutan.
2. Evaluasi Tantangan PT Hijau Lestari dalam Regulasi Indonesia dan Global
PT Hijau Lestari akan menghadapi sejumlah tantangan ketika menerapkan blockchain, terutama berkaitan dengan regulasi yang belum sepenuhnya matang di Indonesia. Aturan mengenai audit digital, penyimpanan data berbasis blockchain, serta integrasi dengan SAK/IFRS dan ketentuan OJK terkait sustainability reporting masih dalam tahap berkembang. Secara global, perusahaan juga harus menyesuaikan diri dengan standar ISSB (IFRS S1 & S2), kewajiban transparansi rantai pasok, serta persyaratan pelaporan lingkungan di negara mitra dagang. Tantangan teknis seperti keamanan siber, interoperabilitas antarplatform, biaya investasi awal, dan kebutuhan peningkatan literasi teknologi bagi staf juga dapat menghambat implementasi.
3. Rekomendasi Strategis bagi Perusahaan dan Akuntan
Untuk mendukung keberhasilan implementasi blockchain, PT Hijau Lestari perlu mengambil pendekatan berbasis teori akuntansi modern yang menekankan decision usefulness dan faithful representation. Perusahaan dapat memulai dengan pilot project pada area sustainability yang rawan manipulasi, seperti pendataan emisi atau pelacakan bahan baku ramah lingkungan. Penerapan smart contracts sebagai bagian dari pengendalian internal juga dapat meningkatkan keakuratan data ESG. Selain itu, perusahaan perlu menyelaraskan sistemnya dengan standar internasional seperti IFRS S1/S2 atau GRI, meningkatkan kompetensi SDM akuntansi dalam teknologi dan data analytics, serta berkolaborasi dengan auditor eksternal dan regulator untuk memastikan proses audit blockchain dapat diakui secara hukum dan dipercaya publik.
NPM : 2413031007
1. Analisis Pengaruh Blockchain terhadap Reliabilitas dan Transparansi dalam Sustainability Reporting
Teknologi blockchain meningkatkan reliabilitas dan transparansi informasi akuntansi karena setiap transaksi terekam secara permanen, terverifikasi, dan sulit dimanipulasi. Dalam sustainability reporting, blockchain memungkinkan perusahaan menyajikan bukti yang lebih objektif terkait jejak karbon, penggunaan energi, dan rantai pasok hijau. Hal ini memperkuat teori akuntansi mengenai faithful representation dan reliabilitas karena data ESG yang dihasilkan berasal dari sistem yang terbuka dan dapat diaudit real-time. Namun, blockchain juga menantang teori akuntansi tradisional yang masih bergantung pada verifikasi manual dan dokumentasi fisik, sehingga memerlukan pembaruan konsep tentang bukti audit, pengendalian internal, dan kualitas informasi keberlanjutan.
2. Evaluasi Tantangan PT Hijau Lestari dalam Regulasi Indonesia dan Global
PT Hijau Lestari akan menghadapi sejumlah tantangan ketika menerapkan blockchain, terutama berkaitan dengan regulasi yang belum sepenuhnya matang di Indonesia. Aturan mengenai audit digital, penyimpanan data berbasis blockchain, serta integrasi dengan SAK/IFRS dan ketentuan OJK terkait sustainability reporting masih dalam tahap berkembang. Secara global, perusahaan juga harus menyesuaikan diri dengan standar ISSB (IFRS S1 & S2), kewajiban transparansi rantai pasok, serta persyaratan pelaporan lingkungan di negara mitra dagang. Tantangan teknis seperti keamanan siber, interoperabilitas antarplatform, biaya investasi awal, dan kebutuhan peningkatan literasi teknologi bagi staf juga dapat menghambat implementasi.
3. Rekomendasi Strategis bagi Perusahaan dan Akuntan
Untuk mendukung keberhasilan implementasi blockchain, PT Hijau Lestari perlu mengambil pendekatan berbasis teori akuntansi modern yang menekankan decision usefulness dan faithful representation. Perusahaan dapat memulai dengan pilot project pada area sustainability yang rawan manipulasi, seperti pendataan emisi atau pelacakan bahan baku ramah lingkungan. Penerapan smart contracts sebagai bagian dari pengendalian internal juga dapat meningkatkan keakuratan data ESG. Selain itu, perusahaan perlu menyelaraskan sistemnya dengan standar internasional seperti IFRS S1/S2 atau GRI, meningkatkan kompetensi SDM akuntansi dalam teknologi dan data analytics, serta berkolaborasi dengan auditor eksternal dan regulator untuk memastikan proses audit blockchain dapat diakui secara hukum dan dipercaya publik.
TA2025 -> CASE STUDY
by Vina Nailatul Izza -
Nama : Vina Nailatul Izza
NPM : 2413031007
Analisis Kritis:
Penerapan teori akuntansi tradisional menghadapi tantangan besar ketika perusahaan beralih ke sistem otomatisasi dan blockchain karena konsep dasar pencatatan berbasis dokumen fisik dan verifikasi manual menjadi kurang relevan. Blockchain, misalnya, menciptakan catatan permanen dan tidak dapat diubah, sehingga mengubah peran akuntan dari pencatat transaksi menjadi analis data. Namun, teori tradisional belum sepenuhnya mengakomodasi karakteristik data real-time, kontrak pintar, atau aset digital yang nilainya fluktuatif dan tidak berwujud. Digitalisasi juga membuka peluang efisiensi dan ketepatan data, tetapi sekaligus meningkatkan risiko manipulasi melalui rekayasa algoritma, bias data, serta kemungkinan penyalahgunaan otomatisasi untuk menutupi pola transaksi mencurigakan yang tersamarkan oleh kompleksitas teknologi.
Etika dan Transparansi:
Risiko etika muncul ketika estimasi dan judgement profesional digantikan oleh algoritma AI, karena keputusan keuangan menjadi bergantung pada model yang mungkin tidak transparan, bias, atau tidak dapat dijelaskan secara logis kepada pemangku kepentingan. Akuntan dapat kehilangan kendali dan tanggung jawab moral jika terlalu bergantung pada sistem yang tidak mereka pahami secara penuh. Selain itu, akuntan profesional sering menghadapi tekanan untuk “menyesuaikan” laporan agar tampak lebih menarik bagi investor, terutama dalam perusahaan yang sangat kompetitif. Dalam situasi seperti ini, integritas menjadi kunci: akuntan harus berpegang pada kode etik profesi, menjaga objektivitas, dan menolak manipulasi informasi meskipun ada tekanan internal, karena laporan keuangan bukan alat pemasaran, melainkan fondasi kepercayaan publik terhadap perusahaan.
Respon Strategis:
Untuk menghadapi teknologi tinggi dalam sistem akuntansi, perusahaan dan akuntan publik perlu memperbarui praktik audit dengan pendekatan berbasis data analytics, continuous auditing, dan pemahaman mendalam tentang sistem digital seperti blockchain atau ERP otomatis. Auditor harus meningkatkan kompetensi teknologi, bukan hanya kemampuan akuntansi tradisional, agar mampu mengidentifikasi risiko baru seperti integritas data, keamanan siber, dan ketergantungan pada vendor teknologi. Di sisi standar pelaporan, standar saat ini masih belum sepenuhnya adaptif terhadap kompleksitas keuangan digital, terutama terkait valuasi aset digital, pengakuan transaksi otomatis, serta implikasi kontrak pintar. Diperlukan pembaruan standar yang lebih fleksibel, prinsip-based, dan mampu menyesuaikan perkembangan teknologi global tanpa mengorbankan transparansi dan reliabilitas informasi.
NPM : 2413031007
Analisis Kritis:
Penerapan teori akuntansi tradisional menghadapi tantangan besar ketika perusahaan beralih ke sistem otomatisasi dan blockchain karena konsep dasar pencatatan berbasis dokumen fisik dan verifikasi manual menjadi kurang relevan. Blockchain, misalnya, menciptakan catatan permanen dan tidak dapat diubah, sehingga mengubah peran akuntan dari pencatat transaksi menjadi analis data. Namun, teori tradisional belum sepenuhnya mengakomodasi karakteristik data real-time, kontrak pintar, atau aset digital yang nilainya fluktuatif dan tidak berwujud. Digitalisasi juga membuka peluang efisiensi dan ketepatan data, tetapi sekaligus meningkatkan risiko manipulasi melalui rekayasa algoritma, bias data, serta kemungkinan penyalahgunaan otomatisasi untuk menutupi pola transaksi mencurigakan yang tersamarkan oleh kompleksitas teknologi.
Etika dan Transparansi:
Risiko etika muncul ketika estimasi dan judgement profesional digantikan oleh algoritma AI, karena keputusan keuangan menjadi bergantung pada model yang mungkin tidak transparan, bias, atau tidak dapat dijelaskan secara logis kepada pemangku kepentingan. Akuntan dapat kehilangan kendali dan tanggung jawab moral jika terlalu bergantung pada sistem yang tidak mereka pahami secara penuh. Selain itu, akuntan profesional sering menghadapi tekanan untuk “menyesuaikan” laporan agar tampak lebih menarik bagi investor, terutama dalam perusahaan yang sangat kompetitif. Dalam situasi seperti ini, integritas menjadi kunci: akuntan harus berpegang pada kode etik profesi, menjaga objektivitas, dan menolak manipulasi informasi meskipun ada tekanan internal, karena laporan keuangan bukan alat pemasaran, melainkan fondasi kepercayaan publik terhadap perusahaan.
Respon Strategis:
Untuk menghadapi teknologi tinggi dalam sistem akuntansi, perusahaan dan akuntan publik perlu memperbarui praktik audit dengan pendekatan berbasis data analytics, continuous auditing, dan pemahaman mendalam tentang sistem digital seperti blockchain atau ERP otomatis. Auditor harus meningkatkan kompetensi teknologi, bukan hanya kemampuan akuntansi tradisional, agar mampu mengidentifikasi risiko baru seperti integritas data, keamanan siber, dan ketergantungan pada vendor teknologi. Di sisi standar pelaporan, standar saat ini masih belum sepenuhnya adaptif terhadap kompleksitas keuangan digital, terutama terkait valuasi aset digital, pengakuan transaksi otomatis, serta implikasi kontrak pintar. Diperlukan pembaruan standar yang lebih fleksibel, prinsip-based, dan mampu menyesuaikan perkembangan teknologi global tanpa mengorbankan transparansi dan reliabilitas informasi.
TA2025 -> CASE STUDY
by Vina Nailatul Izza -
Nama : Vina Nailatul Izza
NPM : 2413031007
1.
Dugaan manajemen laba pada PT Karya Sentosa terlihat dari beberapa pola yang tidak wajar, seperti meningkatnya piutang usaha secara signifikan tanpa diikuti kenaikan arus kas operasi serta menurunnya cadangan kerugian piutang pada saat piutang justru naik. Kondisi ini menunjukkan kemungkinan perusahaan mempercepat pengakuan pendapatan atau menurunkan beban cadangan untuk mendorong laba. Selain itu, selisih besar antara pertumbuhan pendapatan dan arus kas menandakan kualitas laba yang rendah dan menjadi indikator umum adanya praktik accrual-based earnings management.
2.
Dua jurnal terkini membahas earnings management dengan pendekatan berbeda. Jurnal pertama menggunakan metode bibliometrik untuk meninjau kecenderungan penelitian global dan menemukan bahwa sebagian besar studi masih berfokus pada accrual-based earnings management dengan metode kuantitatif. Sementara itu, jurnal kedua menggunakan penelitian empiris dengan data perusahaan untuk melihat bagaimana kondisi tertentu, seperti financial distress, dapat mendorong meningkatnya manajemen laba baik melalui akrual maupun aktivitas riil. Perbedaan utamanya terletak pada ruang lingkup dan metodologi; satu bersifat analisis literatur, sedangkan yang lain memberikan bukti empiris langsung berdasarkan data perusahaan.
3.
Manajemen laba tidak selalu bersifat negatif karena dalam beberapa konteks dapat digunakan untuk menyampaikan informasi mengenai prospek perusahaan ketika saluran komunikasi formal tidak memadai. Namun, praktik ini menjadi bermasalah ketika dilakukan untuk tujuan oportunistik seperti memanipulasi bonus, menutupi kinerja buruk, atau menyesatkan investor. Secara teori, manajemen laba dapat bersifat informatif atau oportunistik, tetapi bukti empiris menunjukkan bahwa praktik yang merugikan pemangku kepentingan lebih sering terjadi jika tidak diawasi oleh sistem tata kelola yang kuat.
4.
Stakeholder perusahaan sebaiknya mewaspadai meningkatnya risiko penurunan kualitas laba dan meminta klarifikasi manajemen mengenai dasar pengakuan pendapatan dan perubahan estimasi cadangan piutang. Perusahaan juga perlu memperkuat tata kelola, meningkatkan transparansi, dan menyajikan rekonsiliasi jelas antara laba akuntansi dan arus kas operasi. Dengan pemantauan yang lebih ketat dari komite audit serta pengawasan auditor eksternal, perusahaan dapat memulihkan kepercayaan investor dan memastikan laporan keuangan mencerminkan kondisi ekonomi yang sebenarnya.
NPM : 2413031007
1.
Dugaan manajemen laba pada PT Karya Sentosa terlihat dari beberapa pola yang tidak wajar, seperti meningkatnya piutang usaha secara signifikan tanpa diikuti kenaikan arus kas operasi serta menurunnya cadangan kerugian piutang pada saat piutang justru naik. Kondisi ini menunjukkan kemungkinan perusahaan mempercepat pengakuan pendapatan atau menurunkan beban cadangan untuk mendorong laba. Selain itu, selisih besar antara pertumbuhan pendapatan dan arus kas menandakan kualitas laba yang rendah dan menjadi indikator umum adanya praktik accrual-based earnings management.
2.
Dua jurnal terkini membahas earnings management dengan pendekatan berbeda. Jurnal pertama menggunakan metode bibliometrik untuk meninjau kecenderungan penelitian global dan menemukan bahwa sebagian besar studi masih berfokus pada accrual-based earnings management dengan metode kuantitatif. Sementara itu, jurnal kedua menggunakan penelitian empiris dengan data perusahaan untuk melihat bagaimana kondisi tertentu, seperti financial distress, dapat mendorong meningkatnya manajemen laba baik melalui akrual maupun aktivitas riil. Perbedaan utamanya terletak pada ruang lingkup dan metodologi; satu bersifat analisis literatur, sedangkan yang lain memberikan bukti empiris langsung berdasarkan data perusahaan.
3.
Manajemen laba tidak selalu bersifat negatif karena dalam beberapa konteks dapat digunakan untuk menyampaikan informasi mengenai prospek perusahaan ketika saluran komunikasi formal tidak memadai. Namun, praktik ini menjadi bermasalah ketika dilakukan untuk tujuan oportunistik seperti memanipulasi bonus, menutupi kinerja buruk, atau menyesatkan investor. Secara teori, manajemen laba dapat bersifat informatif atau oportunistik, tetapi bukti empiris menunjukkan bahwa praktik yang merugikan pemangku kepentingan lebih sering terjadi jika tidak diawasi oleh sistem tata kelola yang kuat.
4.
Stakeholder perusahaan sebaiknya mewaspadai meningkatnya risiko penurunan kualitas laba dan meminta klarifikasi manajemen mengenai dasar pengakuan pendapatan dan perubahan estimasi cadangan piutang. Perusahaan juga perlu memperkuat tata kelola, meningkatkan transparansi, dan menyajikan rekonsiliasi jelas antara laba akuntansi dan arus kas operasi. Dengan pemantauan yang lebih ketat dari komite audit serta pengawasan auditor eksternal, perusahaan dapat memulihkan kepercayaan investor dan memastikan laporan keuangan mencerminkan kondisi ekonomi yang sebenarnya.