CASE STUDY 2

CASE STUDY 2

Jumlah balasan: 34

Perusahaan teknologi Indonesia, PT Cerdas Digital, menggunakan sistem berbasis AI untuk melakukan penilaian otomatis atas aset tetap dan properti investasi berdasarkan data pasar real-time dan analisis big data. Sistem ini diklaim dapat menentukan nilai wajar secara cepat dan akurat.

Namun, auditor eksternal mempertanyakan keandalan dan objektivitas dari hasil penilaian tersebut, karena AI dianggap sebagai "black box", di mana proses pengambilan keputusan tidak selalu dapat dijelaskan secara transparan.

Pertanyaan:

  1. Bandingkan pendekatan tradisional penilaian fair value dengan pendekatan berbasis AI dari perspektif teori akuntansi.
  2. Identifikasi dan analisis implikasi epistemologis (sumber dan validitas pengetahuan akuntansi) dari penggunaan AI dalam penentuan fair value.
  3. Usulkan strategi akuntabilitas dan pelaporan yang dapat memastikan bahwa pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13).

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Fathiyah Dzahirah 2413031001 -
Nama : Fathiyah Dzahirah
NPM : 2413031001

1. Pendekatan tradisional bergantung pada teknik valuasi yang terbuka (market approach, income approach, cost approach), asumsi yang terdokumentasi, dan pengujian realitas pasar melalui data observabel — sehingga sejalan dengan prinsip verifiability dan representational faithfulness dalam teori akuntansi. Pendekatan AI menekankan pemanfaatan big data dan model prediktif untuk mengestimasi nilai wajar secara cepat; kelebihannya adalah kemampuan menemukan pola non-linier dan update real-time, tetapi kelemahannya adalah berkurangnya transparansi proses (black-box) dan potensi ketergantungan pada data historis yang mungkin tidak lagi representatif. Dari segi teori, AI memindahkan sumber kebenaran akuntansi dari dokumen & observasi pasar ke model dan data, menimbulkan konflik dengan prinsip verifikasi dan kemandirian judgement manusia.

2. Sumber pengetahuan berubah: sebelumnya knowledge berasal dari harga pasar, arus kas terukur, dan estimasi manajerial; dengan AI, “pengetahuan” juga berasal dari fitur turunan, agregasi dataset eksternal, dan pola statistik. Validitas terancam bila data bermasalah (bias, manipulasi, sampling error) atau saat model overfit/underfit; kebenaran menjadi probabilistik dan tergantung pada asumsi model serta kualitas data. Selain itu muncul isu reliabilitas—apakah output AI mencerminkan nilai yang dapat dipertanggungjawabkan?—dan isu norma epistemik: AI memberikan “konsensus statistik” bukan penilaian kausal/ekonomis, sehingga auditor dan pengguna harus menguji apakah model mencerminkan ekonomi aset (fundamentals) atau hanya korelasi historis.

3. Strategi akuntabilitas & pelaporan agar AI sesuai IFRS 13
- Kaitkan output AI dengan hierarki IFRS 13: setiap penilaian harus diklasifikasikan Level 1/2/3; bila model memakai input tidak-observabel, perlakukan sebagai Level 3 dan laporkan asumsi signifikan.
- Dokumentasi & disclosure: catat teknik valuasi, algoritma (ringkasan arsitektur), sumber data, versi model, parameter utama, validasi back-testing, sensitivitas, dan ketidakpastian — sampaikan di catatan atas laporan keuangan sebagaimana disyaratkan IFRS 13.
- Governance & model risk management: bentuk Valuation Committee independen; terapkan kontrol versi, data lineage, akses terbatas, dan proses change approval.
- Validasi eksternal & auditabilitas: lakukan independent model validation (internal/external), uji back-testing periodik, dan audit trail yang memungkinkan auditor merekonstruksi valuasi (data input → preprocessing → output).
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Nashita Shafiyah -

NASHITA SHAFIYAH

2413031009

1. Perbandingan pendekatan tradisional fair value vs AI dalam teori akuntansi

Dalam pendekatan tradisional, penilaian fair value sangat bergantung pada penilaian profesional, penggunaan data pasar yang dapat diverifikasi, serta pertimbangan akuntansi yang dapat dijelaskan secara transparan, sehingga auditor dapat menelusuri asumsi, input, dan teknik penilaian yang digunakan. Sebaliknya, pendekatan berbasis AI memindahkan proses penilaian ke algoritma yang mengolah big data secara otomatis, sehingga meskipun hasilnya cepat dan adaptif terhadap kondisi pasar, proses pengambilannya cenderung menjadi “black box” yang sulit dipahami. Dari perspektif teori akuntansi, pendekatan tradisional menekankan verifiability dan understandability, sedangkan AI menonjolkan efisiensi dan predictive accuracy, namun berpotensi melemahkan representational faithfulness jika modelnya tidak dapat dijelaskan.


2. Implikasi epistemologis penggunaan AI dalam fair value

Penggunaan AI mengubah sumber pengetahuan akuntansi karena informasi tidak lagi sepenuhnya berasal dari penilaian manusia, tetapi dari model algoritmik yang bergantung pada kualitas data, parameter tersembunyi, dan pola historis semua ini tidak selalu terlihat oleh pengguna laporan keuangan. Secara epistemologis, validitas pengetahuan akuntansi menjadi dipertanyakan apabila akuntan tidak memahami bagaimana AI membentuk nilai wajar atau jika data pelatihan mengandung bias pasar yang tidak terdeteksi. Hal ini menciptakan tantangan baru terhadap prinsip justifiability dalam akuntansi, karena hasil AI dapat menghasilkan angka yang tampak objektif tetapi tidak dapat dibenarkan secara substantif tanpa mekanisme explainability yang memadai.


3. Strategi akuntabilitas dan pelaporan agar sesuai IFRS 13

Untuk memastikan penilaian AI tetap selaras dengan IFRS 13, perusahaan perlu mengembangkan kerangka akuntabilitas yang mencakup dokumentasi lengkap atas model, sumber data, asumsi utama, serta prosedur validasi yang dilakukan secara berkala. Transparansi dapat diperkuat dengan model explainability, seperti mengungkapkan faktor pasar yang paling berpengaruh terhadap output AI, rentang sensitifitas nilai, dan uji kecocokan data input dengan hierarki fair value (level 1–3). Selain itu, perusahaan harus menyediakan governance yang kuat berupa pengawasan manusia (human oversight), audit model oleh pihak independen, serta mekanisme fallback jika algoritma gagal atau memberikan hasil yang tidak wajar. Dengan cara ini, penilaian AI tetap dapat diterima auditor dan regulator tanpa mengorbankan keandalan informasi keuangan.






Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Tantowi Jauhari -
Nama : Tantowi Jauhari
NPM : 2413031008

1. Perbandingan penilaian fair value tradisional vs berbasis AI (perspektif teori akuntansi)
Pendekatan tradisional penilaian fair value mengandalkan metode seperti market approach, income approach, atau cost approach yang dilakukan oleh penilai profesional dengan asumsi, pertimbangan, dan dokumentasi yang dapat diaudit sehingga konsisten dengan prinsip faithful representation dalam teori akuntansi. Sebaliknya, pendekatan berbasis AI menggunakan algoritma dan data besar (big data) untuk menghasilkan estimasi nilai wajar secara otomatis, sehingga meningkatkan timeliness dan potensi akurasi berbasis pola pasar real-time, namun menimbulkan tantangan karena proses pengambilan keputusannya tidak selalu dapat dijelaskan, sehingga mengurangi aspek verifiability dan understandability dalam karakteristik kualitatif laporan keuangan. Dengan demikian, secara teori akuntansi pendekatan tradisional unggul dalam transparency & auditability, sementara AI unggul dalam relevance & predictive value, tetapi berisiko tidak memenuhi elemen-elemen representasi setia jika model tidak dapat dijelaskan secara memadai.

2. Implikasi epistemologis penggunaan AI dalam penentuan fair value
Dari sudut epistemologi akuntansi, penggunaan AI menggeser sumber pengetahuan dari profesional manusia menuju sistem algoritmik yang bergantung pada data, sehingga pengetahuan akuntansi tidak lagi lahir dari expert judgement tetapi dari pola statistik yang belum tentu dapat dipahami secara konseptual. Validitas pengetahuan akuntansi menjadi problematis karena hasil AI bersifat correlation-based, bukan causation-based, sehingga pengguna laporan tidak dapat menilai ketepatan dasar asumsi yang digunakan mesin dalam menentukan nilai wajar. Selain itu, black box issue melemahkan klaim bahwa fair value tersebut adalah “pengetahuan akuntansi yang terpercaya” karena proses epistemiknya tidak dapat diverifikasi oleh auditor, sehingga mengancam prinsip objectivity dan faithful representation. Akibatnya, epistemologi akuntansi menghadapi tantangan baru: apakah nilai wajar yang tidak dapat dijelaskan secara manusiawi tetap dapat dianggap sebagai pengetahuan yang sah.

3. Strategi akuntabilitas dan pelaporan agar sesuai IFRS 13
PT Cerdas Digital perlu menerapkan strategi explainable AI (XAI) untuk memastikan bahwa algoritma penilaian dapat dijelaskan, termasuk dokumentasi model, variabel utama, sumber data, serta penilaian risiko bias sehingga auditor dapat melakukan model audit. Selain itu, perusahaan harus menyediakan disclosure tambahan sesuai IFRS 13, seperti teknik valuasi, level hirarki fair value (Level 1–3), sensitivitas asumsi, serta batasan reliabilitas model AI untuk memperkuat transparansi. Perusahaan juga dapat menerapkan human oversight, yaitu kombinasi AI dan profesional penilai untuk melakukan reasonableness check agar estimasi tetap dapat dipertanggungjawabkan secara normatif. Terakhir, governance teknologi perlu diperkuat melalui komite audit, kebijakan manajemen model (model validation framework), dan audit independen algoritma untuk memastikan proses AI memenuhi prinsip verifiability, faithful representation, dan neutrality sesuai standar IFRS 13.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Refamei Kudadiri -
Nama: Refamei Kudadiri
Npm:2413031014

1. Perbandingan Pendekatan Tradisional vs. AI dalam Penilaian Fair Value
Pendekatan tradisional berlandaskan teori akuntansi yang menekankan judgement manusia, observabilitas data pasar, serta teknik valuasi yang dapat dijelaskan seperti market approach, income approach, dan cost approach. Prosesnya transparan karena setiap asumsi, parameter, dan langkah perhitungan dapat ditelusuri. Sebaliknya, pendekatan berbasis AI memanfaatkan model algoritmik yang mengolah big data dan pola non-linear yang mungkin tidak terjangkau metode tradisional. Walaupun lebih cepat dan dapat menangkap sinyal pasar secara real-time, prosesnya sering tidak dapat dijelaskan secara eksplisit. Dari sudut teori akuntansi, ini menantang prinsip verifiability dan understandability karena nilai wajar menjadi hasil dari mekanisme yang tidak mudah diuji atau ditelusuri.
2. Implikasi Epistemologis: Sumber dan Validitas Pengetahuan Akuntansi
 Penggunaan AI menimbulkan pertanyaan mengenai dari mana pengetahuan akuntansi diperoleh dan bagaimana validitasnya diuji. Dalam epistemologi akuntansi tradisional, nilai wajar dianggap “valid” bila didasarkan pada bukti empiris yang dapat diuji serta asumsi yang dapat dipertanggungjawabkan. Dengan AI, pengetahuan tersebut dihasilkan dari pola statistik, machine learning, dan fungsi algoritmik yang tidak sepenuhnya dapat dijelaskan secara normatif. Ini menciptakan epistemic opacity—ketidakjelasan mengenai mengapa suatu nilai muncul. Selain itu, bias data, kualitas data historis, serta preferensi model dapat membentuk nilai wajar tanpa terdeteksi. Akibatnya, kebenaran akuntansi tidak lagi berdiri pada bukti dan judgement manusia, tetapi pada performa model, yang memerlukan bentuk validasi baru.
3. Strategi Akuntabilitas dan Pelaporan sesuai IFRS 13
Untuk mempertahankan kepatuhan terhadap IFRS 13, perusahaan harus memastikan bahwa pendekatan AI tetap dapat diaudit dan diverifikasi. Strateginya meliputi dokumentasi rinci tentang desain model, termasuk variabel yang digunakan, sumber data, metode pelatihan, serta evaluasi performa model. Perusahaan harus menyediakan penjelasan alternatif (model interpretability layer) yang dapat menerjemahkan hasil algoritma ke dalam bahasa akuntansi, misalnya sensitivitas nilai terhadap input tertentu. Pengujian berkala terhadap akurasi model dibandingkan dengan transaksi pasar aktual perlu dilakukan sebagai bentuk validasi. Selain itu, perusahaan wajib mengungkapkan tingkat hierarki nilai wajar dalam IFRS 13, menjelaskan ketidakpastian estimasi, serta memperjelas sejauh mana AI digunakan dalam menentukan hasil akhir. Dengan langkah-langkah ini, penggunaan AI tetap dapat memenuhi prinsip relevansi, reliabilitas, dan transparansi sesuai standar pelaporan keuangan internasional.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Nurida Elsa -

Nama: Nurida Elsa

NPM: 2413031012

1. Perbandingan Pendekatan Fair Value Tradisional dan Berbasis AI
Pada pendekatan tradisional, penilaian fair value dilakukan melalui metode yang jelas seperti pendekatan pasar, biaya, atau arus kas, dan seluruh asumsi dapat dijelaskan secara transparan kepada auditor. Sementara itu, pendekatan berbasis AI menggunakan analisis big data dan algoritma otomatis untuk menghasilkan estimasi nilai wajar secara cepat dan dinamis. Keunggulan AI adalah kemampuannya memproses data besar secara real-time, tetapi dari perspektif teori akuntansi, metode ini menimbulkan tantangan terkait transparansi karena mekanisme penentuan nilai tidak selalu dapat dijelaskan secara rinci. Kondisi ini membuat hasil AI sulit diaudit dan berpotensi tidak sepenuhnya selaras dengan prinsip penilaian yang dapat dipertanggungjawabkan.

2. Implikasi Epistemologis (Sumber & Validitas Pengetahuan Akuntansi)
Secara epistemologis, penggunaan AI mengubah cara pengetahuan akuntansi diperoleh. Jika sebelumnya penilaian mengandalkan judgement manusia dan asumsi yang eksplisit, kini nilai wajar dibentuk oleh pola yang ditemukan mesin dari data historis dan pasar. Hal ini menimbulkan tantangan karena AI sering beroperasi sebagai “black box”, sehingga sulit dipahami bagaimana input diproses menjadi output. Akibatnya, validitas pengetahuan akuntansi menjadi lebih kompleks karena model dapat terpengaruh bias data, kesalahan pelatihan, atau pola yang tidak mencerminkan kondisi ekonomi nyata. Meskipun AI dapat meningkatkan akurasi teknis, hasilnya tetap harus diverifikasi melalui pengujian sensitivitas, tinjauan profesional, dan kontrol kualitas yang ketat.

3. Strategi Akuntabilitas dan Pelaporan agar Sesuai IFRS 13
Agar penggunaan AI tetap sejalan dengan IFRS 13, perusahaan perlu memastikan adanya tata kelola model yang kuat, dokumentasi lengkap, serta pengungkapan yang transparan. Perusahaan harus mencatat sumber data, asumsi utama, dan metode pemrosesan yang digunakan oleh AI agar auditor dapat menilai keandalan model tersebut. Validasi independen, back-testing, serta penggunaan teknik Explainable AI (XAI) penting untuk memastikan bahwa proses perhitungan nilai dapat dijelaskan secara logis. Selain itu, perusahaan harus mengungkapkan dalam catatan laporan keuangan bahwa penilaian fair value dilakukan menggunakan AI, termasuk penjelasan tentang input signifikan dan sensitivitas estimasi. Dengan demikian, pendekatan AI tetap dapat memenuhi standar IFRS 13 dan menjaga kredibilitas informasi keuangan perusahaan.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Serly Natasa -
Nama: Serly Natasa
NPM: 2413031028


1. Pendekatan tradisional dalam penilaian fair value umumnya mengandalkan keahlian profesional (appraiser) yang melakukan analisis pasar, membandingkan transaksi serupa, dan mempertimbangkan faktor-faktor subjektif seperti kondisi fisik dan lokasi aset. Sementara itu, pendekatan berbasis AI menggunakan algoritma dan big data untuk menentukan nilai wajar secara otomatis, memanfaatkan data pasar real-time dan analisis statistik yang dapat memproses informasi dalam jumlah besar secara cepat. Dari perspektif teori akuntansi, pendekatan tradisional lebih menekankan pada judgement manusia dan transparansi proses, sedangkan pendekatan AI menawarkan efisiensi dan konsistensi namun sering kali sulit dijelaskan secara transparan (black box).

2. Penggunaan AI dalam penilaian fair value menggugat fondasi epistemologi akuntansi, khususnya mengenai sumber dan validitas pengetahuan akuntansi. Dalam pendekatan tradisional, pengetahuan diperoleh melalui pengalaman dan judgement profesional yang dapat dijelaskan dan diaudit. Sebaliknya, AI menghasilkan pengetahuan berbasis data dan algoritma, yang prosesnya tidak selalu dapat dijelaskan secara logis oleh manusia, sehingga menimbulkan pertanyaan tentang objektivitas, keandalan, dan validitas hasil penilaian. Hal ini berpotensi mengurangi transparansi dan memunculkan risiko bias algoritmik, yang dapat memengaruhi kualitas informasi akuntansi.

3. Untuk memastikan pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13), PT Cerdas Digital perlu menerapkan strategi akuntabilitas dan pelaporan yang kuat. Pertama, perusahaan harus mendokumentasikan secara rinci algoritma dan data yang digunakan, serta melakukan validasi berkala terhadap hasil penilaian AI oleh pihak independen. Kedua, perusahaan wajib menyediakan penjelasan yang memadai dalam laporan keuangan mengenai metode dan asumsi yang digunakan dalam penilaian berbasis AI, termasuk batasan dan risiko yang melekat. Ketiga, perlu adanya pengawasan internal dan eksternal yang berkelanjutan untuk memastikan kepatuhan terhadap prinsip-prinsip IFRS 13, seperti transparansi, konsistensi, dan objektivitas.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Resti Gustin -
Nama : Resti Gustin
NPM : 2413031020

1. Pendekatan tradisional penilaian fair value dalam akuntansi mengandalkan judgment profesional akuntan dan auditor, serta metode seperti pendekatan pasar, pendekatan biaya, dan pendekatan pendapatan. Penilaian ini sering kali membutuhkan waktu dan keterlibatan langsung manusia, serta mengedepankan transparansi proses dan dokumentasi pendukung. Sebaliknya, pendekatan berbasis AI menggunakan data pasar real-time dan analisis big data untuk menentukan nilai wajar secara otomatis, yang dapat lebih cepat dan konsisten, namun sering dianggap sebagai "black box" karena proses pengambilan keputusannya tidak selalu dapat dijelaskan secara transparan.

2. Implikasi epistemologis dari penggunaan AI dalam penentuan fair value terletak pada sumber dan validitas pengetahuan akuntansi. Pengetahuan tradisional berasal dari judgment manusia dan standar akuntansi yang dapat dijelaskan dan diaudit. Dengan AI, pengetahuan berasal dari data dan algoritma, yang validitasnya tergantung pada kualitas data dan desain algoritma. Hal ini menimbulkan pertanyaan tentang objektivitas, keandalan, dan kemampuan untuk diaudit, karena proses pengambilan keputusan AI sering kali tidak sepenuhnya transparan.

3. Untuk memastikan pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13), strategi akuntabilitas dan pelaporan yang dapat diterapkan antara lain:
-mendokumentasikan secara lengkap metode dan asumsi yang digunakan dalam algoritma AI
-melakukan audit independen terhadap proses dan output AI
-memastikan transparansi dalam laporan keuangan dengan menjelaskan peran AI dan keterbatasannya
-membangun kerangka kerja pengendalian internal yang kuat untuk memverifikasi data dan hasil penilaian
-melibatkan auditor dan regulator dalam proses validasi dan pengawasan penggunaan AI.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Syifa Dwi Putriyani -
Nama: Syifa Dwi Putriyani
NPM: 2413031024

1. Dalam metode tradisional penilaian fair value, prosesnya bergantung pada kemampuan profesional (penilai) yang menganalisis kondisi pasar, membandingkan transaksi sejenis, serta mempertimbangkan aspek subjektif seperti keadaan fisik dan lokasi aset. Berbeda dengan itu, pendekatan berbasis AI memanfaatkan algoritma dan big data untuk menghasilkan nilai wajar secara otomatis dengan menggunakan data pasar real-time serta analisis statistik berkecepatan tinggi. Dari sudut pandang teori akuntansi, pendekatan tradisional menonjolkan judgement manusia dan keterjelasan proses, sedangkan pendekatan AI memberikan keunggulan efisiensi dan konsistensi namun sering kali tidak mudah diuraikan secara transparan karena sifatnya yang menyerupai “black box”.


2. Pemakaian AI dalam proses penilaian fair value menantang dasar epistemologis akuntansi, terutama terkait sumber dan pembuktian pengetahuan akuntansi. Dalam metode tradisional, pengetahuan bersumber dari pengalaman serta pertimbangan profesional yang dapat dijelaskan dan diuji melalui audit. Sebaliknya, AI membentuk pengetahuan melalui pengolahan data dan algoritma, yang proses internalnya tidak selalu dapat dipahami manusia, sehingga memunculkan keraguan mengenai objektivitas, keandalan, serta validitas hasil penilaiannya. Kondisi ini berpotensi mengurangi transparansi dan menimbulkan kemungkinan bias algoritmik yang dapat memengaruhi mutu informasi akuntansi.


3. Agar pendekatan berbasis AI tetap sesuai dengan standar pelaporan internasional (IFRS 13), PT Cerdas Digital perlu menerapkan mekanisme akuntabilitas serta dokumentasi yang kuat. Pertama, perusahaan harus menyusun dokumentasi yang jelas terkait algoritma dan sumber data yang digunakan, serta melakukan evaluasi rutin terhadap output penilaian AI oleh pihak independen. Kedua, perusahaan wajib memberikan penjelasan yang memadai dalam laporan keuangan mengenai metode, asumsi, keterbatasan, dan risiko yang melekat pada model AI. Ketiga, pengawasan internal dan eksternal harus dilakukan secara berkelanjutan untuk memastikan keselarasan dengan prinsip IFRS 13, termasuk aspek transparansi, konsistensi, dan objektivitas.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Eris Ana Dita -

Nama : Eris Ana Dita

Npm : 2413031017

1. Pendekatan tradisional penilaian fair value menggunakan data pasar yang dapat diperiksa dan metode penilaian yang transparan dari ahli manusia sesuai IFRS 13. Sedangkan pendekatan AI menggunakan analisis data besar dan algoritma untuk menentukan nilai harga pasar secara cepat, namun prosesnya sulit untuk dipahami dan dijelaskan secara transparan (dikenal sebagai "black box").

2. Implikasi epistemologis penggunaan AI adalah validitas pengetahuan menjadi bergantung pada akurasi hasil dan bukti historis, bukan proses yang jelas dan dapat dilacak. Hal ini menimbulkan keraguan auditor dan pengguna laporan mengenai reliabilitas dan objektivitas nilai wajar yang diberikan AI.

3. Strategi yang bisa digunakan adalah mengadopsi AI yang dapat dijelaskan (explainable AI) agar proses penilaian dapat dipahami, menyediakan informasi lengkap tentang metode dan asumsi yang digunakan, melakukan validasi dan audit independen terhadap model AI, serta mematuhi standar IFRS 13 dengan mengungkapkan tingkat hierarki input dan analisis sensitivitas nilai yang tidak pasti.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Rahma Amelia -
Nama: Rahma Amelia
NPM: 2413031026

1. Perbandingan pendekatan tradisional vs AI
Pendekatan tradisional menggunakan metode penilaian yang jelas, seperti market approach atau income approach, dengan data pasar yang dapat diobservasi dan asumsi yang dapat dijelaskan. Prosesnya transparan, sehingga auditor mudah menelusuri sumber nilai, sesuai dengan tuntutan IFRS 13. Sebaliknya, pendekatan AI mengolah data dalam jumlah besar dengan model pembelajaran mesin. AI mampu memberikan nilai wajar secara cepat dan mendeteksi pola kompleks, tetapi sering dianggap “black box” karena cara kerjanya sulit dijelaskan. Akibatnya, meski lebih efisien, pendekatan AI memiliki tantangan dalam hal transparansi dan auditabilitas.

2. Implikasi epistemologis penggunaan AI
Penggunaan AI mengubah sumber pengetahuan akuntansi: dari data dan asumsi yang eksplisit menjadi hasil model yang dipengaruhi kualitas data latih dan algoritma. Output AI tampak objektif, tetapi sebenarnya dapat bias karena bergantung pada desain model dan data historis. Selain itu, hasil AI sulit direproduksi tanpa akses penuh ke model, sehingga menimbulkan pertanyaan tentang validitas dan keandalan nilai wajar. Hal ini membuat pengetahuan akuntansi menjadi lebih bergantung pada teknologi dibanding penilaian profesional yang dapat dijelaskan.

3. Strategi akuntabilitas dan pelaporan agar sesuai IFRS 13
Agar sesuai IFRS 13, perusahaan perlu menerapkan tata kelola model (model governance) yang jelas, termasuk dokumentasi sumber data, asumsi, dan proses validasi. Perusahaan juga harus melakukan pengujian seperti backtesting dan analisis sensitivitas untuk memastikan hasil AI konsisten dengan kondisi pasar. Dalam pelaporan, perusahaan harus mengungkapkan bagaimana AI digunakan, jenis data yang dipakai, serta risiko dan keterbatasan model. Transparansi ini membantu auditor dan pengguna laporan menilai apakah nilai wajar yang dihasilkan tetap dapat dipercaya.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Reyhta Putri Herdian -
Nama : Reyhta Putri Herdian
NPM : 2413031035

1. Pendekatan tradisional penilaian fair value biasanya mengandalkan metode manual atau semi-manual, seperti penilaian ahli, analisis pasar, dan perhitungan menggunakan model valuasi yang transparan. Dalam perspektif teori akuntansi, metode ini menekankan prinsip verifiability, reliability, dan relevansi informasi, karena proses dan asumsi penilaian dapat dijelaskan dan diverifikasi oleh pihak eksternal. Sebaliknya, pendekatan berbasis AI menggunakan algoritma untuk menganalisis data pasar real-time dan big data secara otomatis. Dari sudut pandang teori akuntansi, AI meningkatkan efisiensi, akurasi, dan konsistensi estimasi, namun menimbulkan tantangan pada aspek transparency dan auditability karena proses pengambilan keputusan internal AI sering berupa “black box” yang sulit dijelaskan.

2. Penggunaan AI mengubah sumber dan validitas pengetahuan akuntansi. Sumber pengetahuan tidak lagi sepenuhnya berasal dari judgement manusia atau data historis yang diverifikasi, melainkan dari pola yang diidentifikasi oleh algoritma dari big data yang sangat luas. Hal ini menimbulkan pertanyaan epistemologis: sejauh mana hasil AI dapat dianggap sebagai “pengetahuan akuntansi yang sahih”? Keakuratan AI bergantung pada kualitas data input, desain algoritma, dan asumsi yang diprogram, sehingga validitas informasi akuntansi bisa terancam jika salah satu faktor ini bermasalah. Dengan kata lain, AI berpotensi meningkatkan objektivitas, namun juga menimbulkan risiko bias sistemik yang sulit dideteksi oleh auditor manusia.

3. Untuk memastikan pendekatan AI tetap sesuai dengan IFRS 13, perusahaan perlu mengembangkan strategi akuntabilitas yang mencakup dokumentasi lengkap parameter dan asumsi yang digunakan AI dalam menentukan fair value, serta mekanisme validasi silang (cross-validation) dengan metode tradisional atau penilaian eksternal. Auditor harus memiliki akses untuk meninjau algoritma, logika pemrosesan, dan data input yang digunakan agar dapat mengevaluasi kewajaran estimasi. Selain itu, disclosure dalam laporan keuangan harus jelas tentang metode AI yang digunakan, batasan sistem, serta tingkat ketidakpastian estimasi. Dengan demikian, transparansi dan keandalan informasi tetap terjaga meski menggunakan teknologi canggih.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Rahmi Taqiya Darmawanti -
Nama: Rahmi Taqiya Darmawanti
NPM: 2413031006

1. Pendekatan tradisional fair value mengandalkan tiga metode utama—pasar (market approach) dengan perbandingan harga aset serupa, pendapatan (income approach) melalui diskonto arus kas masa depan, dan biaya (cost approach) dengan penyesuaian depresiasi—yang menekankan judgement profesional dan data observasi untuk memastikan relevansi sesuai IFRS 13 dan PSAK 68. Sebaliknya, pendekatan AI memproses data pasar real-time serta big data secara otomatis untuk estimasi cepat, meningkatkan kecepatan dan volume analisis tapi mengurangi transparansi karena proses black box yang sulit dilacak. Dari perspektif teori akuntansi, tradisional lebih unggul dalam verifiabilitas dan reliabilitas melalui audit manual, sementara AI unggul dalam timeliness namun rentan bias model.

2. Penggunaan AI dalam fair value menggeser sumber pengetahuan akuntansi dari observasi empiris dan judgement ahli ke algoritma prediktif, menimbulkan keraguan validitas karena ketergantungan pada data pelatihan yang mungkin bias atau tidak lengkap, mengaburkan prinsip representasi setia. Epistemologisnya, black box AI melemahkan falsifiability pengetahuan akuntansi, di mana auditor sulit memverifikasi asumsi model terhadap kondisi pasar aktual, berpotensi menimbulkan asimetri informasi bagi stakeholder. Hal ini menantang paradigma positivisme akuntansi tradisional yang mengutamakan bukti objektif, memerlukan paradigma baru yang mengintegrasikan explainable AI untuk menjaga integritas epistemik.

3. Terapkan explainable AI (XAI) untuk mendokumentasikan proses keputusan model secara transparan, dilengkapi sensitivity analysis dan backtesting terhadap data historis agar sesuai hierarki IFRS 13. Libatkan auditor independen dalam validasi input data dan kalibrasi model secara berkala, dengan pengungkapan lengkap asumsi AI dalam catatan laporan keuangan untuk memenuhi prinsip pengungkapan wajar. Adopsi triangulasi metode—kombinasi AI dengan pendekatan tradisional—serta sertifikasi eksternal untuk meningkatkan akuntabilitas, memastikan objektivitas di tengah kompleksitas aset tetap PT Cerdas Digital.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Mourien Ganesti -

Nama : Mourien Ganesti 

Npm : 2413031013

CASE STUDY 2

1. Dalam metode konvensional, penilaian nilai wajar dilakukan lewat teknik penilaian seperti pendekatan pasar, pendekatan pendapatan, atau pendekatan biaya yang didukung oleh data yang dapat diamati serta asumsi yang bisa dijelaskan dengan jelas oleh penilai. Proses ini sejalan dengan teori akuntansi yang menekankan pentingnya transparansi, kemudahan verifikasi, serta penggunaan penilaian profesional. Sebaliknya, pendekatan yang didasarkan pada AI memanfaatkan data pasar secara real-time dan big data melalui model pembelajaran mesin yang mampu menghasilkan estimasi yang cepat dan konsisten, namun proses di dalamnya sering kali sulit dipahami secara langsung. Ini menciptakan masalah bagi prinsip keterwakilan yang akurat dan verifiability karena auditor mengalami kesulitan dalam melacak bagaimana nilai akhir ditentukan.

2. Dari sudut pandang epistemologis, penerapan kecerdasan buatan dalam penentuan nilai wajar mengubah sumber dan keabsahan pengetahuan akuntansi. Pengetahuan yang dulunya berlandaskan pada metode penilaian yang logis dan asumsi yang dinyatakan secara eksplisit kini beralih menjadi pengetahuan yang bersifat empiris, didasarkan pada pola data yang terkadang tidak bisa dijelaskan dari segi ekonomi. Keabsahan nilai kini lebih dipengaruhi oleh kinerja statistik model, alih-alih argumen teknis tentang penilaian, sehingga muncul risiko epistemik seperti bias data, kesalahan dalam representasi pasar, overfitting, dan pergeseran konsep ketika kondisi ekonomi bertransformasi. Di samping itu, karakteristik “kotak hitam” dari kecerdasan buatan memunculkan pertanyaan mengenai siapa yang bertanggung jawab atas akurasi dan keandalan nilai yang dihasilkan.

3.Untuk memenuhi standar IFRS 13, organisasi harus membangun sistem tata kelola model yang kokoh melalui verifikasi independen, dokumentasi sumber data, jejak audit, pengujian ulang, dan analisis sensitivitas. Metode Explainable AI perlu diterapkan agar organisasi dapat menjelaskan faktor-faktor utama yang mempengaruhi nilai dan menyediakan landasan yang dapat diaudit. Dalam laporan, organisasi wajib mengungkapkan metode AI yang diterapkan, input penting termasuk klasifikasi Level 1–3, asumsi krusial, kinerja validasi model, dan juga risiko terkait model beserta langkah mitigasinya. Dengan pendekatan ini, pemanfaatan AI tetap dapat sejalan dengan prinsip transparansi, konsistensi, dan verifikasi yang diperlukan oleh IFRS 13.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Amara Gusti Kharisma -

Nama : Amara Gusti Kharisma

NPM : 2413031033

1. Perbandingan pendekatan fair value tradisional vs AI

Pendekatan tradisional fair value mengandalkan hierarki IFRS 13 (Level 1: harga pasar aktif; Level 2: input observable; Level 3: unobservable), menggunakan teknik market, income, atau cost approach dengan penilaian manual oleh appraiser independen untuk memastikan objektivitas dan verifiability sesuai positive accounting theory. Pendekatan AI PT Cerdas Digital memproses data pasar real-time dan big data secara cepat untuk akurasi tinggi, mengurangi bias manusia dan error subyektif, selaras dengan efisiensi agency theory, tetapi rentan black box yang menyulitkan transparansi. Tradisional lebih reliabel untuk Level 3 aset kompleks seperti properti investasi karena memerlukan judgment pasar partisipan, sementara AI unggul di kecepatan dan konsistensi namun bergantung hybrid human oversight untuk compliance IFRS 13.

2. Implikasi epistemologi penggunaan AI

Penggunaan AI menimbulkan implikasi epistemologis dengan menggeser sumber pengetahuan akuntansi dari judgment manusia (positivis, verifiable) ke data-driven model yang opaque, mempertanyakan validitas faithful representation karena black box menyulitkan auditor verifikasi proses pengambilan keputusan. Di Indonesia, risiko bias algoritmik dan halusinasi AI menurut pedoman OJK 2025 dapat erosi kepercayaan pengetahuan akuntansi, di mana validitas bergantung interpretability daripada observable inputs IFRS 13. Hal ini menantang epistemologi akuntansi digital era, di mana AI tingkatkan wawasan real-time tapi kurangi traceability, berpotensi konflik dengan prinsip representational faithfulness dan tuntutan etika lokal.

3. Strategi akuntabilitas dan laporan 

Adopsi Explainable AI (XAI) untuk transparansi model, sediakan audit trail algoritma dan disclosure input/output sesuai IFRS 13 paragraf 93, pastikan hybrid review manusia guna tangkap asumsi pasar partisipan. Integrasikan independent validation oleh auditor eksternal dengan stress testing AI terhadap skenario pasar Indonesia, laporkan sensitivitas Level 3 di catatan laporan keuangan per OJK pedoman AI. Bangun governance internal termasuk training akuntan pada XAI ethics, kolaborasi dengan regulator untuk sertifikasi model, dan pelaporan berkala performa AI untuk akuntabilitas berkelanjutan.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Alya Khoirun Nisa -
Nama : Alya Khoirun Nisa
NPM : 2413031019

1. Perbandingan Pendekatan Tradisional vs AI dalam Penilaian Fair Value

Pendekatan tradisional mengandalkan judgment profesional, penggunaan observable inputs, serta teknik penilaian seperti pendekatan pasar, pendapatan, atau biaya sesuai IFRS 13. Penilai manusia menjelaskan asumsi dan alasan di balik estimasi sehingga prosesnya transparan dan dapat diaudit. Sebaliknya, pendekatan berbasis AI menggunakan algoritma dan big data untuk memprediksi nilai wajar secara otomatis. Keunggulannya adalah kecepatan, konsistensi, dan kemampuan mengolah data besar, tetapi kelemahannya adalah kurangnya transparansi karena model sering bersifat “black box”. Secara teori akuntansi, pendekatan tradisional berfokus pada judgment normatif, sementara AI berfokus pada inferensi statistik dari data, sehingga menimbulkan tantangan terhadap prinsip keandalan, verifiability, dan understandability dalam pelaporan keuangan.

2. Implikasi Epistemologis Penggunaan AI untuk Fair Value

Penggunaan AI mengubah sumber pengetahuan akuntansi dari judgment manusia menjadi pengetahuan berbasis data dan algoritma. Secara epistemologis, validitas nilai wajar bergantung pada kualitas data, desain model, serta kemampuan menjelaskan bagaimana output dihasilkan. Risiko seperti bias data, ilusi kepastian (false precision), dan rendahnya explainability dapat melemahkan legitimasi pengetahuan akuntansi. Selain itu, fair value menurut IFRS harus mencerminkan perspektif market participants, sehingga model AI perlu dibuktikan benar-benar merepresentasikan perilaku pasar—bukan hanya pola statistik internal. Dengan demikian, tantangan epistemik utama adalah memastikan bahwa output AI tetap dapat diuji, dijelaskan, dan diverifikasi sebagai pengetahuan akuntansi yang sah.

3. Strategi Akuntabilitas & Pelaporan agar Sesuai IFRS 13

Agar penilaian berbasis AI tetap sesuai IFRS 13, perusahaan perlu membangun tata kelola model yang kuat, termasuk dokumentasi metode, sumber data, parameter, dan proses validasi. Perusahaan harus menyediakan explainability minimal, seperti penjelasan variabel utama atau hasil pengujian sensitivitas, untuk memungkinkan auditor menilai kewajaran nilai. Selain itu, perlukan back-testing, review independen, dan klasifikasi input sesuai hierarki fair value (Level 1–3). Dalam catatan laporan keuangan, perusahaan harus mengungkapkan metode penilaian, asumsi kunci, risiko model, serta bagaimana AI memaksimalkan penggunaan observable inputs. Dengan strategi ini, estimasi AI tetap dapat dipertanggungjawabkan, diaudit, dan memenuhi prinsip transparansi IFRS 13.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Susan Ti -
NAMA:SUSANTI
NPM:2413031034


1. Perbandingan Pendekatan Tradisional vs AI dalam Penilaian Fair Value

Pendekatan tradisional mengandalkan judgment profesional, penggunaan observable inputs, serta teknik penilaian seperti pendekatan pasar, pendapatan, atau biaya sesuai IFRS 13. Penilai manusia menjelaskan asumsi dan alasan di balik estimasi sehingga prosesnya transparan dan dapat diaudit. Sebaliknya, pendekatan berbasis AI menggunakan algoritma dan big data untuk memprediksi nilai wajar secara otomatis. Keunggulannya adalah kecepatan, konsistensi, dan kemampuan mengolah data besar, tetapi kelemahannya adalah kurangnya transparansi karena model sering bersifat “black box”. Secara teori akuntansi, pendekatan tradisional berfokus pada judgment normatif, sementara AI berfokus pada inferensi statistik dari data, sehingga menimbulkan tantangan terhadap prinsip keandalan, verifiability, dan understandability dalam pelaporan keuangan.

2. Implikasi Epistemologis Penggunaan AI untuk Fair Value

Penggunaan AI mengubah sumber pengetahuan akuntansi dari judgment manusia menjadi pengetahuan berbasis data dan algoritma. Secara epistemologis, validitas nilai wajar bergantung pada kualitas data, desain model, serta kemampuan menjelaskan bagaimana output dihasilkan. Risiko seperti bias data, ilusi kepastian (false precision), dan rendahnya explainability dapat melemahkan legitimasi pengetahuan akuntansi. Selain itu, fair value menurut IFRS harus mencerminkan perspektif market participants, sehingga model AI perlu dibuktikan benar-benar merepresentasikan perilaku pasar—bukan hanya pola statistik internal. Dengan demikian, tantangan epistemik utama adalah memastikan bahwa output AI tetap dapat diuji, dijelaskan, dan diverifikasi sebagai pengetahuan akuntansi yang sah.

3. Strategi Akuntabilitas & Pelaporan agar Sesuai IFRS 13

Agar penilaian berbasis AI tetap sesuai IFRS 13, perusahaan perlu membangun tata kelola model yang kuat, termasuk dokumentasi metode, sumber data, parameter, dan proses validasi. Perusahaan harus menyediakan explainability minimal, seperti penjelasan variabel utama atau hasil pengujian sensitivitas, untuk memungkinkan auditor menilai kewajaran nilai. Selain itu, perlukan back-testing, review independen, dan klasifikasi input sesuai hierarki fair value (Level 1–3). Dalam catatan laporan keuangan, perusahaan harus mengungkapkan metode penilaian, asumsi kunci, risiko model, serta bagaimana AI memaksimalkan penggunaan observable inputs. Dengan strategi ini, estimasi AI tetap dapat dipertanggungjawabkan, diaudit, dan memenuhi prinsip transparansi IFRS 13.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Nayla Andara -

Nama: Nayla Andara

NPM: 2413031018

1. Pendekatan tradisional dalam penilaian fair value mengandalkan metode valuasi seperti pendekatan pasar, biaya, dan pendapatan, yang dilakukan oleh penilai profesional berdasarkan observasi langsung atas data pasar, asumsi ekonomi, serta pertimbangan profesional (professional judgment). Dalam perspektif teori akuntansi, pendekatan tradisional dianggap lebih “dapat diaudit” karena sumber data, metode, dan asumsi biasanya dapat ditelusuri serta dijelaskan secara transparan. Sebaliknya, pendekatan berbasis AI pada PT Cerdas Digital menggunakan algoritma yang menganalisis big data dan informasi real-time untuk menghasilkan estimasi nilai wajar secara otomatis. Walaupun teknologi AI meningkatkan kecepatan, konsistensi, dan kemampuan mengolah data dalam jumlah besar, metode ini menimbulkan tantangan terhadap karakteristik verifiability dan understandability, karena mekanisme pengambilan keputusan AI sering kali bersifat kompleks atau tidak sepenuhnya dapat dijelaskan oleh manusia. Hal ini menyebabkan penilaian berbasis AI perlu diuji lebih ketat agar tetap memenuhi prinsip faithful representation dalam teori akuntansi.

2. Dalam konteks epistemologi akuntansi, penggunaan AI memengaruhi sumber dan validitas pengetahuan akuntansi yang mendasari penentuan fair value. Secara tradisional, pengetahuan akuntansi bersumber dari observasi pasar, teori keuangan, dan pertimbangan profesional yang dapat dipertanggungjawabkan secara rasional. Sementara itu, AI menghasilkan pengetahuan melalui pemrosesan algoritmik terhadap data besar yang mungkin tidak selalu disertai penjelasan sebab–akibat. Hal ini memunculkan risiko epistemologis berupa ketergantungan pada model yang tidak sepenuhnya dapat diverifikasi atau dipahami, meskipun akurasinya secara historis tinggi. Kebergantungan pada data yang bersifat machine-derived knowledge dapat menimbulkan dilema bahwa pengetahuan akuntansi itu valid secara prediktif tetapi lemah dalam aspek justifikasi, terutama jika asumsi algoritmik atau bias data tidak dapat diidentifikasi. Dengan demikian, AI menantang konsep tradisional tentang apa yang dianggap sebagai “pengetahuan dapat dipercaya” dalam penilaian nilai wajar.

3. Agar penggunaan AI tetap sesuai dengan IFRS 13, PT Cerdas Digital harus menerapkan strategi akuntabilitas dan pelaporan yang memperkuat transparansi, pengendalian internal, serta dasar pengukuran. Perusahaan perlu menyediakan dokumentasi yang mengungkapkan sumber data, logika valuasi, jenis model AI yang digunakan, serta parameter utama yang memengaruhi hasil penilaian, sehingga memungkinkan auditor melakukan verifikasi secara memadai. Selain itu, perusahaan dapat memperkenalkan mekanisme model governance, mencakup validasi berkala, uji akurasi (backtesting), pemantauan bias data, serta pengendalian risiko model untuk memastikan output AI konsisten dengan hierarki fair value IFRS 13 (Level 1, 2, atau 3). Perusahaan juga harus mengungkapkan tingkat ketidakpastian estimasi, asumsi signifikan, serta keterbatasan model sebagaimana diwajibkan oleh IFRS. Strategi ini memungkinkan penggunaan AI tetap akuntabel, dapat diaudit, dan memenuhi prinsip transparansi serta faithful representation, sehingga hasil penilaian tetap dapat dipercaya oleh auditor dan pemakai laporan keuangan.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh 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.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Nasroh Aulia -
Nama : Nasroh Aulia
NPM : 2413031004

1. Perbandingan Pendekatan Tradisional vs AI
Pada pendekatan tradisional, penilaian fair value dilakukan oleh penilai profesional menggunakan metode yang telah baku seperti market approach, income approach, dan cost approach. Proses ini cenderung transparan karena setiap asumsi, data pembanding, dan teknik valuasi dapat dijelaskan secara jelas kepada auditor maupun manajemen. Sementara itu, pendekatan berbasis AI mengandalkan algoritma machine learning dan data pasar real-time untuk menghasilkan estimasi nilai secara cepat dan responsif. Meskipun AI mampu mengolah data dalam jumlah besar dan memberikan hasil yang lebih konsisten terhadap perubahan pasar, sifat “black box” membuat proses internalnya sulit dipahami, sehingga auditor meragukan objektivitas dan keterlacakan keputusan yang dihasilkan sistem.

2. Implikasi Epistemologis Penggunaan AI
Dari sisi epistemologi akuntansi, penggunaan AI menggeser dasar pengetahuan dari judgment profesional berbasis teori valuasi menuju pengetahuan prediktif berbasis data dan pola statistik. Perubahan ini menimbulkan pertanyaan mengenai validitas dan reliabilitas pengetahuan akuntansi, karena kualitas hasil sangat bergantung pada kelengkapan, kebersihan, dan representativitas data yang digunakan. Selain itu, keterbatasan transparansi model menurunkan kemampuan pengguna laporan keuangan untuk mengevaluasi apakah nilai wajar benar-benar mencerminkan kondisi pasar atau hanya hasil perhitungan algoritma. Dengan demikian, AI membuka peluang relevansi yang lebih tinggi, tetapi juga menghadirkan risiko epistemologis terkait bias data, overfitting, dan kurangnya jelaskan (explainability).

3. Strategi Akuntabilitas untuk Mematuhi IFRS 13
Agar pendekatan AI tetap sesuai dengan ketentuan IFRS 13, perusahaan perlu menerapkan mekanisme akuntabilitas yang mencakup dokumentasi komprehensif atas model AI, termasuk sumber data, variabel input, teknik analisis, serta batasan model. Evaluasi dan validasi independen harus dilakukan secara berkala untuk memastikan hasil AI konsisten dengan bukti pasar dan tidak menyimpang dari hierarki input fair value, terutama terkait penggunaan input Level 1 dan Level 2. Selain itu, governance yang kuat diperlukan melalui pengendalian internal, audit teknologi, dan keterlibatan ahli valuasi sebagai "human oversight" untuk meninjau dan menyetujui hasil akhir. Perusahaan juga harus memberikan pengungkapan lengkap mengenai metode, asumsi signifikan, sensitivitas, serta risiko model AI agar pengguna laporan dapat menilai keandalan dan transparansi informasi nilai wajar.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Waly Tanti Fitrani -
NAMA: WALY TANTI FITRANI
NPM: 2413031031

1. Dalam pendekatan tradisional, penilaian fair value mengandalkan judgement profesional penilai menggunakan teknik penilaian yang telah diterima seperti pendekatan pasar, biaya, dan pendapatan, dengan asumsi dan input yang dapat dijelaskan serta diaudit. Sebaliknya, pendekatan berbasis AI memanfaatkan data real-time dan algoritma prediktif untuk menentukan nilai wajar secara otomatis, namun proses penalarannya sering sulit dipahami (black box), sehingga menimbulkan tantangan terhadap prinsip transparansi, verifiabilitas, dan faithful representation dalam teori akuntansi.

2. Secara epistemologis, penggunaan AI menggeser sumber pengetahuan akuntansi dari keahlian manusia menuju model statistik yang belajar dari data, sehingga validitas penilaian sangat bergantung pada kualitas data dan desain algoritma. Ketika asumsi dan logika AI tidak dapat diungkapkan secara jelas, evaluasi atas kebenaran dan keandalan informasi menjadi sulit, yang dapat melemahkan dasar keyakinan pemakai laporan keuangan terhadap angka fair value yang disajikan.

3. Untuk menjamin akuntabilitas sesuai IFRS 13, perusahaan perlu menerapkan transparansi model melalui model governance, dokumentasi input signifikan, pengungkapan metode dan asumsi utama, serta uji sensitivitas terhadap parameter yang memengaruhi nilai wajar. Selain itu, harus ada human-in-the-loop dalam proses persetujuan akhir penilaian, audit independen atas data dan algoritma, serta pelaporan yang memadai mengenai keterbatasan model sehingga hasil AI tetap dapat diaudit dan dipercaya oleh pemangku kepentingan.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh TRIASWARI AYUNANDINI -

Nama: Triaswari Ayunandini

NPM: 2413031029

1. Perbandingan Pendekatan Tradisional dan AI dalam Perspektif Teori Akuntansi

Dalam perspektif teori akuntansi, perbedaan mendasar antara pendekatan tradisional dan berbasis AI terletak pada tarik-menarik (trade-off) antara karakteristik kualitatif "Relevansi" dan "Representasi Tepat" (Faithful Representation). Pendekatan tradisional dalam penilaian fair value sangat mengandalkan pertimbangan profesional (professional judgement) dan data historis yang dapat diverifikasi, sehingga unggul dalam aspek verifiabilitas dan jejak audit, namun sering kali terkendala oleh latensi waktu (kurang tepat waktu) dan bias kognitif penilai. Sebaliknya, pendekatan berbasis AI menawarkan tingkat "Relevansi" yang sangat tinggi karena mampu mengolah data pasar secara real-time dan masif (big data), sehingga nilai aset mencerminkan kondisi pasar terkini secara presisi. Namun, sifat AI sebagai "black box" menantang prinsip "Verifiabilitas" dalam akuntansi, karena proses transformasi data menjadi nilai akhir sulit ditelusuri logika kausalitasnya secara manual, berbeda dengan metode tradisional yang logikanya linear dan transparan.

2. Implikasi Epistemologis Penggunaan AI

Penggunaan AI dalam penentuan fair value membawa pergeseran epistemologis yang radikal mengenai sumber dan validitas pengetahuan akuntansi. Dalam epistemologi akuntansi tradisional, kebenaran nilai wajar diperoleh melalui penalaran deduktif atau induktif yang dapat dijelaskan secara logis oleh manusia (auditor/penilai) berdasarkan bukti yang diamati. Validitas pengetahuan bersumber pada kemampuan manusia untuk menjelaskan "mengapa" sebuah angka dihasilkan (explanatory knowledge). Namun, dengan AI, sumber pengetahuan bergeser kepada korelasi algoritmik yang kompleks dan non-linear dari big data yang sering kali tidak terlihat hubungan sebab-akibatnya oleh manusia. Validitas pengetahuan dalam rezim AI tidak lagi didasarkan pada pemahaman proses kausalitas, melainkan pada akurasi prediktif hasil akhirnya (predictive knowledge). Hal ini menciptakan risiko di mana akuntan kehilangan otoritas epistemiknya sebagai "pemilik pengetahuan", karena kebenaran akuntansi kini dihasilkan oleh mesin yang logikanya berada di luar jangkauan kognisi manusia.

3. Strategi Akuntabilitas dan Pelaporan Sesuai IFRS 13

Untuk memastikan kepatuhan terhadap IFRS 13 di tengah penggunaan AI, strategi akuntabilitas harus bergeser dari sekadar validasi input-output menjadi pendekatan Explainable AI (XAI) dan tata kelola hibrida. Perusahaan tidak boleh hanya menyajikan angka akhir, melainkan harus mengembangkan lapisan interpretasi yang mampu menerjemahkan logika algoritma ke dalam hierarki input IFRS 13 (Level 1, 2, atau 3). Mengingat kompleksitasnya, penilaian AI kemungkinan besar jatuh pada Kategori Level 3 (input yang tidak dapat diobservasi secara langsung), sehingga perusahaan wajib melakukan pengungkapan (disclosure) yang ekstensif mengenai asumsi model, sensitivitas algoritma terhadap perubahan data pasar, dan validasi independen (back-testing). Strategi kuncinya adalah menempatkan AI sebagai alat pendukung keputusan (decision support), bukan penentu keputusan mutlak, di mana auditor manusia dan manajemen tetap memegang kendali akhir (human-in-the-loop) untuk memverifikasi anomali dan memastikan bahwa substansi ekonomi transaksi tercermin secara wajar, sehingga "black box" tersebut menjadi transparan secara prosedural bagi auditor eksternal.


Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Alya Nurani -
Nama: Alya Nurani
Npm: 2413031025


1. Pendekatan tradisional dalam menilai fair value selama ini bertumpu pada tangan dan nalar manusia: profesional menafsirkan data pasar, menjelaskan asumsi, serta menyusun penilaian yang dapat ditelusuri auditor langkah demi langkah. Namun, ketika AI masuk ke panggung, cara kerja itu berubah drastis. Algoritma mengolah big data dengan kecepatan yang mustahil dicapai manusia, menghasilkan nilai yang responsif terhadap pasar tetapi sering kali tersembunyi di balik “kotak hitam” yang sulit dijelaskan. Dalam kacamata teori akuntansi, metode klasik unggul dalam aspek keterverifikasian dan keterpahaman, sementara AI menawarkan efisiensi dan ketepatan prediktif yang tinggi—meski berisiko mereduksi kesetiaan representasional jika logika modelnya tidak transparan.

2. Secara epistemologis, kehadiran AI menggeser sumber pengetahuan akuntansi. Nilai wajar tidak lagi sepenuhnya lahir dari pertimbangan manusia, melainkan dari kalkulasi algoritmik yang bergantung pada kualitas data dan pola tersembunyi yang tidak selalu disadari pengguna laporan. Ini memunculkan pertanyaan baru: dapatkah angka yang tampak objektif dianggap sahih bila akuntan sendiri tidak memahami asal-usulnya? Tanpa mekanisme penjelasan yang memadai, prinsip justifiability ikut terancam.

3. Demi menjaga keselarasan dengan IFRS 13, perusahaan perlu memastikan bahwa AI tidak bekerja sendirian tanpa pertanggungjawaban. Dokumentasi model, sumber data, asumsi kunci, hingga proses validasi harus disusun rapi. Faktor pasar yang memengaruhi output AI, sensitivitas nilai, serta kesesuaian input dengan hierarki fair value harus diungkap dengan jelas. Pengawasan manusia, audit model independen, dan protokol darurat ketika AI melenceng menjadi tameng penting agar hasil penilaian tetap dapat dipercaya regulator dan auditor.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Alissya Putri Kartika -

Nama : Alissya Putri Kartika 

NPM : 2413031011

1) Perbandingan penilaian fair value tradisional dan berbasis AI

Dalam penilaian nilai wajar secara tradisional, penilai biasanya menggabungkan data pasar, teknik valuasi yang umum dipakai, serta pertimbangan profesional. Langkah-langkahnya jelas, asumsi-asumsinya dicatat, dan prosesnya bisa ditelusuri. Kelebihannya adalah transparansi dan kemudahan bagi auditor untuk memahami dari mana angka tersebut berasal. Kekurangannya, metode ini butuh waktu dan sulit menangani data dalam jumlah besar.

Sementara itu, pendekatan berbasis AI mengolah data pasar real-time dan informasi lain dalam skala besar untuk menghasilkan perkiraan nilai secara cepat. Sistem ini bisa menangkap pola yang kadang tidak terlihat oleh penilai manusia. Tantangannya, proses kerja model sering tidak mudah dijelaskan, sehingga sulit menilai apakah hasilnya benar-benar mencerminkan kondisi pasar atau hanya mengikuti pola statistik yang tidak semuanya relevan secara ekonomi. Dari sudut teori akuntansi, hal ini menimbulkan pertanyaan tentang sejauh mana hasil AI dapat diuji, ditegaskan asumsi-asumsinya, dan dihubungkan dengan konsep nilai wajar yang berbasis pasar.


2) Implikasi epistemologis penggunaan AI dalam penentuan fair value

Jika sebelumnya pengetahuan akuntansi banyak bertumpu pada penilaian ahli dan data pasar yang eksplisit, penggunaan AI menggeser sumber pengetahuan tersebut ke analisis data dalam skala besar. Validitasnya sangat bergantung pada kualitas dan kelengkapan data yang masuk. Bila data sumber tidak bersih atau berat sebelah, hasil model ikut terdampak.

Selain itu, akuntansi menuntut alasan yang dapat dijelaskan untuk setiap asumsi—misalnya mengapa tingkat diskonto tertentu dipakai, atau mengapa suatu pembanding dianggap relevan. AI sering bergerak berdasarkan pola statistik tanpa memberikan alasan yang mudah dipahami. Ini membuat auditor atau pemangku kepentingan sulit menilai apakah hasil tersebut sudah sejalan dengan pemikiran ekonomi atau hanya paduan angka yang tidak bisa dijelaskan.

Penggunaan AI juga mengubah cara pengetahuan diverifikasi. Jika penilai atau auditor tidak bisa mengulang proses perhitungan atau melihat bagaimana model membuat keputusan, maka legitimasi hasilnya akan dipertanyakan. Karena itu, reproducibility, penjelasan model, serta uji performa menjadi faktor penting dalam menentukan apakah nilai wajar yang dihasilkan dapat dipercaya.


3) Strategi akuntabilitas dan pelaporan agar tetap sesuai IFRS 13

Agar penilaian berbasis AI tetap dapat dipertanggungjawabkan, perusahaan perlu membangun tata kelola yang jelas atas model yang digunakan. Mulai dari mendokumentasikan jenis model, data yang dipakai, hingga siapa yang bertanggung jawab mengelolanya. Proses validasi sebelum model digunakan juga perlu dilakukan, termasuk pengujian terhadap data historis dan perbandingan dengan hasil penilaian manual.

Perusahaan sebaiknya menambahkan lapisan penjelasan sederhana bagi auditor dan pengguna laporan, seperti menunjukkan faktor apa saja yang paling berpengaruh pada hasil model, serta bagaimana input-input tersebut berkaitan dengan kondisi pasar. Hal ini membantu menilai apakah hasil AI masuk kategori input yang dapat diobservasi atau tidak dalam kerangka IFRS 13.

Dokumentasi juga penting. Catatan mengenai versi model, sumber data, dan hasil pengujian harus disimpan sehingga auditor bisa mengulang proses bila perlu. Dalam laporan keuangan, perusahaan perlu menjelaskan teknik valuasi yang digunakan, asumsi penting yang mendasarinya, dan tingkat ketidakpastian nilai. Penjelasan tentang peran AI dan batasannya juga perlu disampaikan agar tidak muncul kesan bahwa perusahaan menyembunyikan prosesnya.

Pendekatan hybrid—gabungan AI dan peninjauan kembali oleh penilai manusia—seringkali menjadi pilihan yang lebih aman. AI menyajikan estimasi awal, sementara penilai manusia memeriksa apakah hasil tersebut masuk akal dari sisi ekonomi. Proses ini menjaga kecepatan dan ketepatan data, tetapi tetap memberi ruang bagi pertimbangan profesional yang diakui standar akuntansi.


Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Eka Saryuni -
Nama: Eka Saryuni
Npm: 2413031030

1. Pendekatan tradisional penilaian fair value mengandalkan pertimbangan profesional, metodologi valuasi yang eksplisit (pendekatan pasar, biaya, dan pendapatan), serta transparansi dalam asumsi dan input yang digunakan. Dari perspektif teori akuntansi, pendekatan ini sejalan dengan prinsip verifiability dan representational faithfulness karena proses penilaiannya dapat dijelaskan dan diuji ulang. Sebaliknya, pendekatan berbasis AI menekankan pemrosesan data skala besar, pembelajaran pola, dan prediksi nilai wajar secara otomatis, sehingga lebih menonjolkan efisiensi dan relevance atas informasi.

2. Secara epistemologis, penggunaan AI menggeser sumber pengetahuan akuntansi dari pertimbangan manusia dan teori valuasi konvensional menjadi pengetahuan yang dihasilkan algoritma melalui pembelajaran dari data. Validitas pengetahuan menjadi bergantung pada kualitas data, desain model, dan asumsi implisit yang tertanam dalam algoritma, yang sering kali tidak terlihat. Epistemologi akuntansi tradisional menekankan justifikasi rasional yang dapat diaudit, tetapi epistemologi berbasis AI menimbulkan “pengetahuan yang dihasilkan mesin”, yang validitasnya bersifat probabilistik dan sulit diverifikasi secara langsung.

3. Strategi akuntabilitas dan pelaporan untuk memastikan kesesuaian AI dengan IFRS 13 meliputi pengembangan dokumentasi yang memadai mengenai arsitektur model, jenis data yang digunakan, metode pelatihan, serta pengujian dan validasi model terhadap pendekatan valuasi konvensional. Perusahaan perlu menyediakan penjelasan mengenai input signifikan dan sensitivitas hasil, termasuk batasan model, bias potensial, dan tingkat ketergantungan pada data pasar.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh FERIN OKTAVIA RAMADANI -
Nama : Ferin Oktavia Ramadani
NPM : 2413031023

1. Perbandingan pendekatan tradisional vs AI
Pendekatan tradisional menggunakan metode penilaian yang jelas, seperti market approach atau income approach, dengan data pasar yang dapat diobservasi dan asumsi yang dapat dijelaskan. Prosesnya transparan, sehingga auditor mudah menelusuri sumber nilai, sesuai dengan tuntutan IFRS 13. Sebaliknya, pendekatan AI mengolah data dalam jumlah besar dengan model pembelajaran mesin. AI mampu memberikan nilai wajar secara cepat dan mendeteksi pola kompleks, tetapi sering dianggap “black box” karena cara kerjanya sulit dijelaskan. Akibatnya, meski lebih efisien, pendekatan AI memiliki tantangan dalam hal transparansi dan auditabilitas.

2. Implikasi epistemologis penggunaan AI
Penggunaan AI mengubah sumber pengetahuan akuntansi: dari data dan asumsi yang eksplisit menjadi hasil model yang dipengaruhi kualitas data latih dan algoritma. Output AI tampak objektif, tetapi sebenarnya dapat bias karena bergantung pada desain model dan data historis. Selain itu, hasil AI sulit direproduksi tanpa akses penuh ke model, sehingga menimbulkan pertanyaan tentang validitas dan keandalan nilai wajar. Hal ini membuat pengetahuan akuntansi menjadi lebih bergantung pada teknologi dibanding penilaian profesional yang dapat dijelaskan.

3. Strategi akuntabilitas dan pelaporan agar sesuai IFRS 13
Agar sesuai IFRS 13, perusahaan perlu menerapkan tata kelola model (model governance) yang jelas, termasuk dokumentasi sumber data, asumsi, dan proses validasi. Perusahaan juga harus melakukan pengujian seperti backtesting dan analisis sensitivitas untuk memastikan hasil AI konsisten dengan kondisi pasar. Dalam pelaporan, perusahaan harus mengungkapkan bagaimana AI digunakan, jenis data yang dipakai, serta risiko dan keterbatasan model. Transparansi ini membantu auditor dan pengguna laporan menilai apakah nilai wajar yang dihasilkan tetap dapat dipercaya.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Tiara Vita Loka -
Nama: Tiara Vita Loka
NPM: 2413031022

1. Perbandingan Pendekatan Tradisional dan AI dalam Penilaian Fair Value

Pendekatan tradisional untuk penilaian fair value mengandalkan penilaian profesional berdasarkan data pasar yang tersedia, metode perbandingan, dan pertimbangan subjektif yang dijelaskan secara transparan. Dari perspektif teori akuntansi, metode ini menekankan keandalan (reliability) dan faithful representation karena prosesnya dapat diaudit dan ditelusuri. Sebaliknya, pendekatan berbasis AI memanfaatkan analisis big data dan algoritma untuk menghasilkan estimasi nilai wajar secara cepat dan dalam skala besar. Pendekatan ini meningkatkan relevansi informasi dan efisiensi, tetapi menimbulkan tantangan pada aspek keandalan dan transparansi, karena mekanisme pengambilan keputusan AI sering berupa “black box” yang sulit dijelaskan secara rinci kepada auditor atau pengguna laporan keuangan.

2. Implikasi Epistemologis Penggunaan AI

Penggunaan AI dalam penentuan fair value menimbulkan pertanyaan epistemologis terkait sumber dan validitas pengetahuan akuntansi. Pengetahuan yang dihasilkan AI bergantung pada kualitas, kelengkapan, dan bias dari data yang dimasukkan serta asumsi algoritma. Hal ini berarti bahwa estimasi fair value bukan sepenuhnya berasal dari penilaian manusia yang dapat diverifikasi, melainkan dari model statistik dan machine learning yang kompleks. Implikasi epistemologisnya adalah adanya ketidakpastian mengenai bagaimana hasil penilaian diperoleh, sehingga auditor dan pengguna laporan harus kritis terhadap validitas, bias data, dan asumsi model, serta memastikan bahwa estimasi AI tetap mencerminkan realitas ekonomi aset.

3. Strategi Akuntabilitas dan Pelaporan

Untuk memastikan AI tetap sesuai dengan IFRS 13, perusahaan perlu mengembangkan strategi akuntabilitas yang mencakup dokumentasi lengkap algoritma, parameter yang digunakan, dan sumber data. Proses validasi internal dan pengujian back-testing terhadap hasil AI harus dilakukan secara rutin untuk menilai konsistensi dan akurasi estimasi. Pengungkapan transparan dalam catatan atas laporan keuangan juga penting, menjelaskan bahwa nilai wajar ditentukan menggunakan model AI, asumsi utama, batasan metode, dan potensi risiko ketidakpastian. Dengan pendekatan ini, perusahaan dapat memanfaatkan efisiensi dan relevansi AI, sekaligus menjaga keandalan informasi dan kepatuhan terhadap standar internasional.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Davina Nur Ramadhani -
Nama: Davina Nur Ramadhani
NPM: 2413031010

1. Pendekatan penilaian nilai wajar tradisional biasanya mengandalkan observasi pasar, pertimbangan profesional, serta teknik valuasi yang dapat dijelaskan secara terbuka. Sementara itu, penilaian berbasis AI menggunakan data real-time dan algoritma kompleks untuk menghasilkan estimasi cepat, tetapi proses kerjanya sering sulit dipahami sehingga menimbulkan pertanyaan mengenai transparansi menurut teori akuntansi.
2. Penggunaan AI dalam penentuan fair value menimbulkan isu epistemologis karena sumber informasi dan proses pengolahannya tidak sepenuhnya terlihat. Hal ini membuat validitas dan dasar pengetahuan akuntansi yang dihasilkan menjadi kurang jelas, terutama jika algoritma tidak dapat menjelaskan mekanisme penilaiannya secara detail.
3. Agar penilaian berbasis AI tetap akuntabel dan sesuai IFRS 13, perusahaan dapat menerapkan dokumentasi metodologi yang jelas, menyediakan penjelasan model yang dapat diaudit, melakukan uji validasi berkala, serta menggabungkan hasil AI dengan penilaian profesional manusia agar laporan tetap transparan dan memenuhi standar internasional.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Revie Nevilla Extin -

Nama : Revie Nevilla Extin 

NPM : 2413031027

1. Dalam pendekatan tradisional, penilaian fair value dilakukan oleh appraiser atau profesional yang mengandalkan data pasar, kondisi fisik aset, dan pengalaman mereka. Kelebihannya adalah prosesnya jelas dan dapat dijelaskan, sehingga auditor atau stakeholder bisa menelusuri dasar penentuan nilai wajar. Namun, pendekatan ini cenderung memakan waktu dan bersifat subjektif karena tergantung pada pertimbangan manusia. Sementara itu, pendekatan berbasis AI menggunakan algoritma dan analisis big data untuk menilai aset secara otomatis dan cepat, bahkan mampu memproses data pasar real-time. Hal ini membuat proses lebih efisien dan konsisten. Namun, sifat “black box” AI berarti proses pengambilan keputusan sulit dijelaskan secara transparan, sehingga menimbulkan pertanyaan terkait keandalan dan objektivitas informasi menurut teori akuntansi.

2. Dari sisi epistemologi akuntansi, pengetahuan dianggap valid jika dapat diverifikasi dan dipertanggungjawabkan. Penggunaan AI mengubah sumber pengetahuan dari penilaian manusia menjadi output algoritma yang bergantung pada kualitas data dan desain model. Meskipun AI dapat meningkatkan akurasi dan konsistensi, risiko kesalahan atau bias dalam data dapat menghasilkan nilai wajar yang kurang akurat. Dengan kata lain, meski AI memberikan informasi lebih cepat, perusahaan harus memastikan bahwa prosesnya tetap transparan, dapat diuji, dan dapat dijelaskan untuk menjaga validitas pengetahuan akuntansi.

3. Agar penilaian berbasis AI tetap sesuai dengan IFRS 13, perusahaan dapat menerapkan beberapa strategi. Pertama, mendokumentasikan algoritma dan metodologi AI secara jelas sehingga auditor bisa memahami bagaimana nilai wajar dihitung. Kedua, membuat audit trail yang mencatat semua data input dan hasil output AI untuk memastikan informasi dapat diverifikasi. Ketiga, menggabungkan penilaian AI dengan review profesional manusia agar hasilnya tetap dapat dijustifikasi. Terakhir, edukasi stakeholder dan auditor tentang cara kerja sistem AI penting untuk meningkatkan kepercayaan terhadap laporan fair value yang dihasilkan.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Laila Asia Somad -

NAMA : LAILA ASI ASOMAD
NPM : 2413031005

1. Pendekatan tradisional untuk penilaian fair value (nilai wajar), sesuai teori akuntansi, sangat bergantung pada prinsip objektivitas dan judgment profesional manusia. Penilaian tradisional (misalnya, menggunakan Level 2 atau 3 IFRS 13) melibatkan penggunaan model diskonto, data pasar yang dapat diobservasi, atau input tak terobservasi yang dijustifikasi oleh penilai manusia, memastikan adanya jejak audit yang jelas. Sebaliknya, pendekatan berbasis AI menggunakan analisis big data dan algoritma kompleks untuk menentukan nilai wajar secara otomatis dan real-time. Walaupun AI menawarkan kecepatan dan akurasi yang lebih tinggi, tantangannya adalah fenomena "kotak hitam (black box)": proses keputusan AI sulit dijelaskan secara rinci. Dari perspektif teori akuntansi, tradisionalisme menekankan input yang dapat diverifikasi dan judgment yang dapat diperdebatkan, sementara AI menekankan hasil yang cepat, meskipun prosesnya kurang transparan.

2. Penggunaan AI dalam penentuan fair value memiliki implikasi epistemologis (bagaimana kita mengetahui dan memvalidasi kebenaran akuntansi) yang mendalam. Dalam akuntansi tradisional, pengetahuan valid (validitas) berasal dari data yang dapat diobservasi dan konsensus judgment para ahli (penilai/auditor). Namun, dengan AI, sumber pengetahuan (sumber) bergeser dari data pasar yang sederhana menjadi model prediktif dan pattern recognition yang dihasilkan oleh algoritma. Ini menimbulkan pertanyaan: apakah nilai wajar yang dihasilkan AI adalah pengetahuan yang valid jika auditor tidak dapat sepenuhnya memahami bagaimana nilai itu dicapai? Implikasi epistemologisnya adalah kita harus menerima bahwa pengetahuan akuntansi yang valid dapat berasal dari output komputasi kompleks, tetapi hal ini menuntut pergeseran dalam kriteria validitas, yaitu dari keterlacakan judgment manusia menjadi keterlacakan dan pengujian logika pemrograman AI.

3. Untuk memastikan pendekatan penilaian AI PT Cerdas Digital tetap sesuai dengan standar akuntansi internasional (IFRS 13), diperlukan strategi akuntabilitas dan pelaporan yang mengikat "kotak hitam" tersebut. Strategi utama adalah transparansi pengungkapan Model sesuai IFRS 13 (Level 3 Input). PT Cerdas Digital harus mengungkapkan:
(a) Arsitektur Model AI: Jelaskan jenis algoritma yang digunakan, data big data apa yang diinput (sumber dan validitasnya), dan bagaimana model tersebut dikalibrasi dan diuji validitasnya secara periodik.
(b) Parameter Kritis: Ungkapkan input yang paling sensitif (disebut "parameter tak terobservasi" dalam konteks AI) yang paling memengaruhi nilai wajar, serta analisis sensitivitas output terhadap perubahan parameter tersebut. Strategi ini memungkinkan auditor dan stakeholders menilai keandalan dan konsistensi hasil AI, bahkan jika mereka tidak dapat melihat setiap langkah internal proses komputasi.


Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Indah Rahma alfiah -
Nama : Indah Rahma Alfiah
NPM : 2413031015

1. Perbandingan Pendekatan Penilaian Nilai Wajar Tradisional dan Berbasis AI dalam Perspektif Teori Akuntansi

Dalam pendekatan tradisional, penilaian nilai wajar berlandaskan judgment profesional yang dilakukan oleh penilai atau akuntan dengan mengacu pada teknik penilaian yang diakui, seperti market approach, income approach, dan cost approach. Dari perspektif teori normatif akuntansi, pendekatan ini menekankan kesesuaian dengan standar (IFRS 13), konsistensi metode, serta keterjelasan asumsi yang digunakan. Pengetahuan akuntansi dihasilkan melalui proses deduktif berbasis kerangka konseptual dan pengalaman profesional.

Sebaliknya, pendekatan berbasis AI lebih dekat dengan teori positif akuntansi dan paradigma empiris, karena penilaian dihasilkan dari pengolahan data historis dan data pasar real-time dalam jumlah besar (big data). AI mengekstraksi pola statistik dan hubungan kompleks yang sering kali tidak tertangkap oleh metode konvensional. Keunggulannya terletak pada kecepatan, skalabilitas, dan potensi peningkatan relevansi informasi. Namun, kelemahannya adalah rendahnya transparansi proses (black box), yang dapat mengurangi verifiability dan faithful representation—dua karakteristik kualitatif utama laporan keuangan.

Dengan demikian, pendekatan tradisional unggul dalam akuntabilitas dan keterjelasan metodologis, sedangkan pendekatan AI unggul dalam efisiensi dan relevansi berbasis data, tetapi menghadapi tantangan legitimasi teoretis dalam akuntansi keuangan.

2. Esensi Epistemologis Penggunaan AI dalam Penentuan Nilai Wajar

Dari sudut pandang epistemologi akuntansi, penilaian nilai wajar tradisional memperoleh validitas pengetahuan dari otoritas profesional, standar akuntansi, dan proses penalaran yang dapat ditelusuri. Pengetahuan dianggap sah karena dapat dijelaskan, diuji ulang, dan diaudit.

Penggunaan AI menggeser sumber pengetahuan akuntansi dari human judgment ke algorithmic judgment. Validitas pengetahuan tidak lagi terutama berasal dari penalaran normatif, tetapi dari akurasi prediktif dan konsistensi statistik model. Hal ini mencerminkan pergeseran dari epistemologi interpretatif menuju epistemologi komputasional.

Masalah epistemologis utama muncul ketika hasil penilaian tidak dapat dijelaskan secara memadai (explainability gap). Dalam konteks akuntansi, pengetahuan yang tidak dapat dijustifikasi secara rasional dan normatif berisiko kehilangan legitimasi, meskipun secara empiris akurat. Oleh karena itu, AI menghasilkan pengetahuan yang bersifat probabilistik, bukan deterministik, sehingga menantang konsep tradisional keandalan (reliability) dalam akuntansi.

3. Strategi Akuntabilitas dan Pelaporan agar Pendekatan AI Selaras dengan IFRS 13
Agar penggunaan AI dalam penentuan nilai wajar tetap sejalan dengan IFRS 13, perusahaan perlu menerapkan beberapa strategi berikut:

1. Model Governance dan Explainability
Perusahaan harus memastikan bahwa model AI dilengkapi dengan dokumentasi metodologi, asumsi utama, sumber data, dan mekanisme explainable AI (XAI), sehingga auditor dapat memahami logika penilaian yang digunakan.

2. Human-in-the-Loop
Hasil penilaian AI tidak digunakan secara otomatis, melainkan ditinjau dan divalidasi oleh profesional yang kompeten. Ini memastikan bahwa judgment manusia tetap menjadi penentu akhir, sesuai dengan prinsip IFRS.

3. Klasifikasi Input sesuai Hirarki Nilai Wajar IFRS 13
Data yang digunakan AI harus dipetakan secara jelas ke dalam Level 1, Level 2, atau Level 3, sehingga tingkat subjektivitas dan ketidakpastian dapat diungkapkan secara transparan.

4. Pengungkapan Tambahan dalam Catatan atas Laporan Keuangan
Perusahaan perlu mengungkapkan penggunaan AI sebagai teknik penilaian, termasuk sensitivitas hasil, risiko model, dan keterbatasan algoritma, untuk meningkatkan faithful representation dan comparability.

5. Audit Model dan Data Secara Berkala
Dilakukan model audit dan data validation untuk memastikan bahwa model AI tetap relevan, bebas bias material, dan konsisten dengan kondisi pasar yang aktual.
Sebagai balasan Indah Rahma alfiah

Re: CASE STUDY 2

oleh Paulina Silaban -
Nama : Paulina Silaban 
NPM : 2413031016

1. Perbandingan pendekatan tradisional fair value vs AI

  • Pendekatan tradisional:
Penilaian fair value biasanya dilakukan dengan survei pasar, analisis transaksi sejenis, atau penilaian profesional. Teorinya mengacu pada prinsip relevansi dan keandalan informasi dalam akuntansi. Hasilnya bisa dijelaskan secara jelas, metodologinya transparan, dan auditor bisa menelusuri dasar penilaian.

  • Pendekatan berbasis AI:
AI menggunakan data real-time dan big data, dengan algoritma yang menganalisis pola untuk menentukan nilai wajar secara otomatis. Keunggulannya cepat, bisa memproses data besar, dan mampu mengidentifikasi tren yang sulit dilihat manusia. Kekurangannya adalah sifat “black box”, sehingga proses pengambilan keputusan tidak selalu bisa dijelaskan secara transparan, dan teori akuntansi tradisional mengenai keandalan dan auditabilitas menjadi tantangan.

2. Implikasi epistemologis penggunaan AI

  • Sumber pengetahuan: AI menghasilkan penilaian dari data historis dan algoritma, bukan dari pengalaman manusia atau transaksi nyata yang bisa diverifikasi langsung.
  • Validitas pengetahuan: Auditor sulit memverifikasi hasil AI karena proses internal algoritma tidak terlihat. Ini menimbulkan pertanyaan: apakah penilaian fair value benar-benar andal, atau hanya prediksi berbasis model ?
  • Implikasi: Menggunakan AI berarti akuntansi harus menyeimbangkan antara relevansi (informasi cepat dan terkini) dan keandalan (bisa diverifikasi dan dijelaskan).

3. Strategi akuntabilitas dan pelaporan
Untuk memastikan AI tetap sesuai IFRS 13 (Fair Value Measurement):

  • Transparansi algoritma: Jelaskan secara dokumentasi bagaimana AI menilai aset — input data, asumsi, dan model analisis.
  • Audit dan verifikasi: Auditor tetap melakukan testing dan pengecekan terhadap data dan output AI, termasuk sampling nilai wajar.
  • Pengungkapan tambahan: Laporan keuangan harus mencakup informasi tentang metode AI, tingkat ketidakpastian, dan sensitivitas hasil terhadap asumsi.
  • Kombinasi dengan penilaian profesional: AI dapat menjadi alat bantu, tapi penilaian manusia tetap memverifikasi dan menandatangani hasil.

Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Saskia Kanesa Dinia -
Nama: Saskia Kanesa Dinia
NPM: 2413031021

1. Bandingkan pendekatan tradisional penilaian fair value dengan pendekatan berbasis AI dari perspektif teori akuntansi
Pendekatan tradisional dan AI berbeda dalam sumber data dan proses penilaian.
- Pendekatan Tradisional: Menggunakan data pasar yang dapat diobservasi secara langsung atau input non-pasar yang didukung oleh judgement dan keahlian manusia. Fokus pada prinsip konservatisme dan kehati-hatian, dengan objektivitas yang didasarkan pada verifikasi manusia.
- Pendekatan Berbasis AI: Menggunakan data pasar real-time dan analisis big data secara otomatis. Fokus pada kecepatan dan akurasi nilai wajar, dengan objektivitas yang dipertanyakan karena proses "black box" AI yang kurang transparan.

2. Identifikasi dan analisis implikasi epistemologis (sumber dan validitas pengetahuan akuntansi) dari penggunaan AI dalam penentuan fair value
Implikasi epistemologis utama adalah pergeseran sumber validitas pengetahuan akuntansi.
- Sumber Pengetahuan: Bergeser dari keahlian dan judgement manusia (pendekatan tradisional) ke algoritma dan big data (pendekatan AI).
- Validitas: Validitas pengetahuan akuntansi dalam AI menjadi ambigu. Meskipun diklaim akurat, kurangnya transparansi proses ("black box") membuat validitasnya sulit diverifikasi secara independen, menantang prinsip objektivitas dan keandalan akuntansi konvensional.

3. Usulkan strategi akuntabilitas dan pelaporan yang dapat memastikan bahwa pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13)
Strategi akuntabilitas dan pelaporan yang efektif diperlukan untuk memastikan kepatuhan IFRS 13.
- Transparansi Algoritma: Mengembangkan kerangka kerja untuk menjelaskan logika algoritma AI kepada auditor dan regulator (menghilangkan aspek "black box").
- Validasi Independen: Melakukan audit eksternal secara berkala terhadap model AI, data input, dan hasil output untuk memastikan keandalan.
- Pengungkapan Tambahan: Melaporkan secara rinci dalam catatan atas laporan keuangan mengenai metode AI yang digunakan, asumsi kunci, dan potensi keterbatasan atau risiko terkait.
- Kontrol Manusia: Menetapkan pengawasan dan kontrol manusia yang kuat dalam proses, termasuk peninjauan berkala atas keputusan otomatis AI.
Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Salsabila Labibah -

Nama : Salsabila Labibah

NPM : 2413031002


1. Perbandingan pendekatan konvensional dan berbasis AI dalam pengukuran fair value

Pada metode konvensional, pengukuran nilai wajar bertumpu pada pertimbangan profesional akuntan atau penilai independen dengan merujuk pada hierarki nilai wajar IFRS 13, yakni harga pasar yang dapat diobservasi, teknik penilaian yang lazim, serta asumsi yang mencerminkan sudut pandang pelaku pasar. Pendekatan ini selaras dengan teori akuntansi normatif yang menempatkan manusia sebagai penafsir utama realitas ekonomi dan penanggung jawab atas hasil pengukuran. Sebaliknya, pendekatan berbasis AI memanfaatkan algoritma pembelajaran mesin dan big data untuk mengolah informasi pasar secara berkelanjutan dan menghasilkan estimasi nilai wajar secara otomatis. Dari sudut pandang teori akuntansi positif, AI dapat meningkatkan efisiensi dan konsistensi pengukuran, namun sekaligus mengurangi peran eksplisit judgement manusia. Perbedaan mendasar di antara keduanya terletak pada sumber dan cara penilaian: pendekatan tradisional bersifat argumentatif dan dapat dijelaskan, sementara pendekatan AI cenderung bersifat teknis dan kurang transparan bagi pengguna laporan keuangan.

2. Implikasi epistemologis penggunaan AI dalam penentuan fair value

Penerapan AI dalam penentuan nilai wajar membawa konsekuensi epistemologis yang berkaitan dengan sumber dan keabsahan pengetahuan akuntansi. Dalam praktik akuntansi tradisional, suatu pengukuran dianggap sahih apabila dapat dijustifikasi melalui bukti pasar, asumsi yang rasional, dan pertimbangan profesional yang dapat dipertanggungjawabkan. Penggunaan AI menggeser dasar pengetahuan tersebut dari penalaran manusia ke inferensi statistik yang bersumber dari pola data historis dan hubungan algoritmik. Permasalahan muncul ketika sistem AI beroperasi sebagai “kotak hitam”, sehingga proses penalaran di balik hasil penilaian sulit dijelaskan. Kondisi ini berpotensi melemahkan transparansi dan menimbulkan keraguan atas validitas pengetahuan akuntansi yang dihasilkan, terutama dalam konteks audit dan pertanggungjawaban kepada publik.

3. Strategi akuntabilitas dan pengungkapan agar selaras dengan IFRS 13

Agar penilaian nilai wajar berbasis AI tetap sejalan dengan IFRS 13, PT Cerdas Digital perlu menempatkan teknologi tersebut sebagai pendukung keputusan, bukan pengganti pertimbangan profesional. Perusahaan harus memastikan bahwa hasil penilaian AI dapat diklasifikasikan secara jelas ke dalam hierarki nilai wajar (Level 1, 2, atau 3) dan didukung oleh data pasar yang relevan serta dapat diobservasi. Selain itu, pengungkapan yang memadai mengenai metode AI, asumsi utama, sumber data, dan sensitivitas hasil terhadap perubahan parameter menjadi sangat penting. Manajemen dan akuntan tetap memegang peran kunci dalam melakukan evaluasi kewajaran, validasi model, dan penyesuaian apabila diperlukan. Dari sisi audit, penerapan prosedur validasi model, penelaahan independen, dan dokumentasi yang komprehensif diperlukan untuk memastikan bahwa pengukuran berbasis AI memenuhi prinsip representasi wajar, keterverifikasian, dan transparansi sebagaimana diatur dalam IFRS 13.







Sebagai balasan Kiriman pertama

Re: CASE STUDY 2

oleh Dera Lediana -
Perbandingan Pendekatan Tradisional Penilaian Fair Value vs Pendekatan Berbasis AI (Perspektif Teori Akuntansi)
a. Pendekatan Tradisional Penilaian Fair Value
Pendekatan tradisional dalam penentuan fair value umumnya merujuk pada standar seperti PSAK 68 / IFRS 13, yang menekankan:
Input yang dapat diobservasi (observable inputs)
Pertimbangan profesional (professional judgment) dari penilai atau akuntan
Metode konvensional:
Pendekatan pasar (market approach)
Pendekatan pendapatan (income approach)
Pendekatan biaya (cost approach)
Dari perspektif teori akuntansi:
Selaras dengan Positive Accounting Theory (PAT) → akuntansi sebagai alat untuk merefleksikan realitas ekonomi.
Mengandalkan Human Judgment Theory → manusia dianggap mampu menilai konteks, asumsi, dan risiko.
Memiliki akuntabilitas personal (penilai dapat dimintai pertanggungjawaban).
Kelemahan utama:
Subjektivitas tinggi
Lambat
Rentan bias manusia dan konflik kepentingan
b. Pendekatan Penilaian Fair Value Berbasis AI
Pendekatan AI menggunakan:
Big data
Machine learning
Data pasar real-time
Algoritma prediktif non-linear
Dari perspektif teori akuntansi:
Sejalan dengan Decision Usefulness Theory → informasi lebih relevan dan tepat waktu.
Mendukung Information Economics Theory → efisiensi informasi meningkat.
Cenderung positivistik ekstrem: nilai dihasilkan dari pola statistik, bukan interpretasi normatif.
Keunggulan:
Cepat dan konsisten
Memproses data dalam skala besar
Mengurangi bias emosional manusia
Kelemahan utama:
Black box problem → proses tidak transparan
Sulit diaudit
Ketergantungan pada kualitas data dan desain algoritma
c. Ringkasan Perbandingan
Aspek
Pendekatan Tradisional
Pendekatan AI
Sumber penilaian
Judgment manusia
Algoritma & data
Transparansi
Tinggi
Rendah
Kecepatan
Lambat
Sangat cepat
Objektivitas
Terbatas
Relatif tinggi
Auditabilitas
Mudah
Sulit
Akuntabilitas
Jelas
Kabur
2. Implikasi Epistemologis Penggunaan AI dalam Penentuan Fair Value
Epistemologi membahas sumber, legitimasi, dan validitas pengetahuan.
a. Pergeseran Sumber Pengetahuan Akuntansi
Tradisional:
Pengetahuan berasal dari:
Teori ekonomi
Standar akuntansi
Pengalaman profesional
Berbasis AI:
Pengetahuan berasal dari:
Korelasi statistik
Pola data historis
Pembelajaran mesin (machine learning)
➡ Terjadi pergeseran dari knowledge-based accounting ke data-driven accounting.
b. Masalah Validitas Pengetahuan
Beberapa isu epistemologis utama:
Opacity of Knowledge
Nilai fair value dihasilkan tanpa penjelasan kausal
Auditor tidak dapat menelusuri logika keputusan
Algorithmic Bias
Data historis dapat mencerminkan distorsi pasar
AI mereproduksi bias masa lalu sebagai “kebenaran”
Loss of Interpretability
Pengetahuan akuntansi tidak lagi dapat diverifikasi secara konseptual
Bertentangan dengan prinsip verifiability dan faithful representation
Epistemic Authority Shift
Otoritas kebenaran berpindah dari akuntan → sistem AI
Menimbulkan pertanyaan: siapa yang “tahu” nilai wajar sebenarnya?
c. Konsekuensi Filosofis
AI memperkuat empirisisme ekstrem
Melemahkan normative accounting theory
Mengaburkan peran etika dan profesionalisme
3. Strategi Akuntabilitas dan Pelaporan untuk Menjamin Keandalan, Objektivitas, dan Transparansi AI
Agar penggunaan AI dalam penilaian fair value dapat diterima oleh auditor dan pemangku kepentingan, diperlukan strategi berikut:
a. Explainable AI (XAI)
Menggunakan model AI yang dapat dijelaskan (misalnya:
Feature importance
Sensitivity analysis)
Menyediakan audit trail algoritmik
➡ Mengurangi masalah black box.
b. Hybrid Judgment Model
AI digunakan sebagai decision support system, bukan decision maker.
Keputusan akhir tetap pada:
Manajemen
Penilai independen
➡ Menjaga akuntabilitas manusia.
c. Pengungkapan (Disclosure) yang Diperluas
Dalam Catatan atas Laporan Keuangan:
Metodologi AI yang digunakan
Jenis dan sumber data
Asumsi utama algoritma
Tingkat ketidakpastian estimasi
Peran judgment manajemen
➡ Selaras dengan prinsip full disclosure.
d. Model Governance dan Audit AI
Pembentukan AI Governance Committee
Audit algoritma secara berkala
Validasi eksternal model AI
➡ Memastikan independensi dan objektivitas.
e. Penyesuaian Standar Akuntansi dan Audit
Standar perlu mengakomodasi:
Algorithm assurance
Data quality assurance
Ethical AI principles