PSPE_TEORI AKUNTANSI_KELAS C_GANJIL 2025/2026

Nama : Nadiya Adila
Npm : 2413031079
Kelas : 24 C

1. Perbandingan pendekatan tradisional penilaian fair value dengan pendekatan berbasis AI dari perspektif teori akuntansi

Pendekatan tradisional penilaian nilai wajar mengandalkan data pasar yang dapat diamati serta metode valuasi yang jelas dan dapat diverifikasi, sesuai dengan prinsip akuntansi yang menekankan keandalan serta kemampuan verifikasi informasi. Sebaliknya, pendekatan berbasis AI memanfaatkan algoritma canggih dan analisis big data untuk menghasilkan penilaian yang cepat dan adaptif terhadap perubahan pasar, tetapi sering kali bersifat "kotak hitam" sehingga sulit dijelaskan secara transparan kepada auditor.

2. Identifikasi dan analisis implikasi epistemologis dari penggunaan AI dalam penentuan fair value

Penggunaan AI dalam penilaian nilai wajar mengubah sumber pengetahuan akuntansi dari penilaian manusia atau data pasar konvensional menjadi model prediktif berbasis data besar, yang lebih berorientasi pada pengambilan keputusan berbasis bukti. Namun, hal ini juga menimbulkan risiko bias tersembunyi akibat kompleksitas model, sehingga memvalidasi pengetahuan akuntansi menjadi lebih sulit karena kurangnya penjelasan proses pengambilan keputusan.

3. Saran strategi akuntabilitas dan pelaporan yang dapat memastikan bahwa pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13)

Untuk mematuhi IFRS 13, PT Cerdas Digital perlu menerapkan tata kelola model AI yang mencakup dokumentasi lengkap versi model, asumsi, dan jejak audit untuk memungkinkan verifikasi oleh auditor. Transparansi dapat ditingkatkan melalui penjelasan sederhana (explainable AI) dan pengujian independen terhadap output valuasi. Selain itu, laporkan metode, data input, serta sensitivitas hasil secara rinci dalam catatan laporan keuangan, sambil menetapkan tanggung jawab jelas atas model untuk memastikan akuntabilitas.

Nama : Ni Made Dwi Agustini
Npm : 2413031086

1. Perbandingan pendekatan tradisional vs AI dalam penilaian fair value (dari perspektif teori akuntansi)
Kalau menurut pemikiran saya, perbedaan terbesar antara penilaian tradisional dan berbasis AI itu ada pada cara keduanya “menghasilkan” angka fair value. Penilaian tradisional itu biasanya lebih mudah dijelaskan karena prosesnya dilakukan manusia. Penilai bisa menunjukkan asumsi, sumber data, sampai alasan kenapa angka tertentu dipilih. Dari sisi teori akuntansi—yang menekankan reliabilitas dan keterlacakan informasi—pendekatan tradisional terasa lebih aman, karena auditor bisa menelusuri langkah-langkahnya satu per satu.

Begitu AI dipakai, situasinya sebenarnya jadi dua sisi: satu sisi, AI jauh lebih cepat dan mampu mengolah data yang mungkin tidak akan sempat diproses oleh manusia. Namun di sisi lain, proses di dalam algoritma kadang terasa gelap; kita tahu hasil akhirnya, tapi tidak selalu tahu bagaimana langkah-langkahnya terbentuk. Dari sudut pandang akuntansi, hal ini bikin nilai yang dihasilkan AI terasa agak “tidak terpegang”, meskipun mungkin secara data lebih akurat. Jadi menurut saya, bedanya ada di aspek transparansi: tradisional lebih bisa dijelaskan, sedangkan AI lebih kuat secara teknologi tapi kadang susah dibuktikan logikanya.

2. Implikasi epistemologis penggunaan AI (soal sumber dan keabsahan pengetahuan akuntansi)
Kalau bicara dari sisi epistemologi, penggunaan AI seperti menggeser sumber pengetahuan akuntansi dari manusia ke mesin. Biasanya pengetahuan akuntansi itu lahir dari analisis profesional, pengalaman auditor, dan aturan-aturan yang jelas. Tapi ketika AI masuk, pengetahuan yang muncul berasal dari pola data dan model yang tidak selalu bisa diurai.

Ini yang menimbulkan pertanyaan: apakah angka fair value yang keluar itu benar-benar “representasi ekonomi yang layak”, atau hanya hasil pola statistik yang kebetulan ditemukan AI? Menurut saya, ketika auditor tidak bisa menjelaskan asal-usul logika internal model, nilai tersebut jadi kurang kuat secara epistemologis, meskipun secara teknis mungkin tepat. Jadi, AI memperluas sumber informasi, tapi sekaligus menambah jarak antara hasil akhir dan pemahaman manusia tentang bagaimana pengetahuan itu terbentuk.

3. Strategi akuntabilitas dan pelaporan agar tetap sesuai IFRS 13
Menurut saya, kunci agar penggunaan AI tidak bertentangan dengan IFRS 13 adalah memastikan bahwa perusahaan tetap bisa menjelaskan prosesnya dengan bahasa manusia. Jadi bukan berarti semua logika AI harus dibuka, tapi minimal perusahaan harus punya dokumentasi yang rapi tentang dari mana data berasal, asumsi apa yang digunakan, dan sejauh mana model tersebut sudah diuji.

Selain itu, perusahaan perlu menyediakan semacam penjelasan yang lebih mudah dipahami, misalnya: faktor apa saja yang paling mempengaruhi nilai wajar, atau kenapa model bisa menghasilkan angka tertentu di kondisi tertentu. Auditor tidak butuh rumus lengkapnya—yang penting mereka bisa mengerti alurnya.

Terakhir, menurut saya perusahaan juga harus melakukan pengecekan berkala: membandingkan hasil AI dengan data pasar sebenarnya atau dengan penilaian manual. Kalau ada selisih yang mencurigakan, berarti model perlu diperbaiki. Dengan cara seperti ini, AI tetap bisa dipakai tanpa mengorbankan prinsip-prinsip IFRS 13 yang mengutamakan transparansi dan keandalan nilai wajar.

Nama: Niabi Rahma Wati
NPM: 2413031078

1. Perbandingan pendekatan tradisional dengan AI dalam penilaian Aset
Pendekatan tradisional menilai aset bergantung pada penilaian manusia. Mereka menggunakan pengalaman, data pasar terbatas, dan metode standar. Prosesnya lambat tetapi alasan dan perhitungannya jelas, sehingga mudah diverifikasi.
Sebaliknya, sistem AI seperti yang digunakan PT Cerdas Digital mengolah data pasar real-time dalam jumlah yang besar. Hasilnya bisa lebih cepat, konsisten, dan mencakup lebih banyak informasi. Namun, proses dalam AI sering kurang transparan dan sulit untuk diverifikasi, sehingga manusia sulit memahami bagaimana Keputusan angka akhirnya dihasilkan.

2. Implikasi penggunaan AI dalam penentuan fair value: sumber dan validitas pengetahuan akuntansi
Dahulu, penggunaan akuntansi yang valid berasal dari ahli yang dapat menjelaskan pertimbangannya. Dengan AI, pengetahuan tersebut muncul dari algoritma dan pola data. Validitasnya yang bergantung pada kualitas data dan model, bukan pada bukti kemampuan seorang profesional. Masalahnya, auditor dan pengguna laporan kesulitan untuk mempercayai angka yang tidak bisa dilacak prosesnya. Jika tidak bida dijelaskan, apakah angka dari AI bisa disebut sebagai nilai wajar yang sah menurut akuntansi? Selain itu juga, AI dapat mengandung bias tersembunyi dari data masa lalu yang digunakan untuk melatihnya.

3. Strategi agar AI tetap memenuhi standar akuntansi internasional IFRS 13
Supaya tetap dapat diterima, perusahaan tidak bisa hanya sekedar mengandalkan output AI. Mereka harus bisa membangun sistem pengawasan:
a. Tetap melibatkan manusia sebagai spesialis penilaian wajib untuk meninjau dan menyetujui hasil AI, terutama untuk aset yang rumit. AI harus menjadi alat bantu, bukan pengganti sepenuhnya.
b. Model AI harus bisa diaudit. Perusahaan dapat mengembangkan AI yang dapat memberikan penjelasan sederhana, contohnya faktor utama apa yang mempengaruhi nilai. Auditor eksternal juga perlu menilai memeriksa keandalan sistem AI ini.
c. Transparansi laporan keuangan, perusahaan harus secara jujur mengungkapkan bahwa mereka menggunakan AI untuk penilaian. Mereka juga dapat menjelaskan metode dasar, kontrol yang dilakukan, dan menyajikan klasifikasi nilai wajar seperti biasa. Untuk aset dengan penilaian paling subjektif, analisis sentivitas tetaplah wajib dilakukan

Nama: Gifrika Tutut Pradiyana
NPM: 2453031008
Kelas: 2024 C

1. Bandingkan pendekatan tradisional penilaian fair value dengan pendekatan berbasis AI dari perspektif teori akuntansi.
   Dalam penilaian fair value, metode tradisional biasanya mengandalkan penilai profesional yang mengumpulkan data pasar, membandingkan aset sejenis, lalu menentukan nilai wajar berdasarkan analisis dan pengalaman mereka. Prosesnya cukup mudah diikuti karena langkah-langkahnya terlihat jelas ada data pembanding, ada pertimbangan profesional, dan ada penjelasan mengapa nilai tersebut layak digunakan. Kekurangannya, cara ini sering membutuhkan waktu lebih lama dan bisa saja dipengaruhi oleh subjektivitas penilai.
   
   Pendekatan AI yang digunakan PT Cerdas Digital bekerja dengan mengolah data dalam jumlah besar secara cepat, sehingga nilai wajar bisa dihitung lebih efisien dan dengan cakupan data yang luas. Namun, dari sudut pandang teori akuntansi, hasil dari sistem AI sering dianggap kurang transparan. Hal ini karena tidak semua proses analisis di dalam model tersebut bisa dijelaskan secara detail kepada auditor, sehingga muncul pertanyaan apakah nilai yang dihasilkan benar-benar dapat diuji dan dipertanggungjawabkan. Jadi menurut saya, pendekatan tradisional unggul dalam penjelasan proses dan transparansi, sedangkan pendekatan AI unggul dalam kecepatan dan kelengkapan data. Tantangan terbesarnya adalah bagaimana memastikan hasil dari AI tetap dapat dipahami dan dipercaya sesuai prinsip dasar akuntansi.
   
   
2. Identifikasi dan analisis implikasi epistemologis (sumber dan validitas pengetahuan akuntansi) dari penggunaan AI dalam penentuan fair value.
   Pemakaian AI mengubah cara kita mendapatkan pengetahuan dalam akuntansi. Biasanya, nilai fair value berasal dari analisis akuntan, bukti pasar, dan penilaian profesional yang bisa diterangkan langkah demi langkah. Dengan AI, pengetahuan itu muncul dari algoritma dan data besar yang tidak selalu bisa dijelaskan secara detail oleh manusia. Ini menimbulkan keraguan tentang validitas informasi. Jika akuntan atau auditor tidak bisa memahami prosesnya, maka sulit memastikan apakah nilai fair value tersebut benar, masuk akal, atau sesuai kondisi pasar. Jadi dari sisi epistemologi, tantangannya adalah bagaimana memastikan hasil AI tetap bisa diuji dan dibuktikan, walaupun prosesnya tidak sepenuhnya terlihat.
   
   
3. Usulkan strategi akuntabilitas dan pelaporan yang dapat memastikan bahwa pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13).
   Agar penggunaan AI tetap sesuai dengan (IFRS 13), perusahaan perlu menyiapkan beberapa langkah. Pertama, harus ada dokumentasi yang menjelaskan dari mana data berasal, asumsi apa yang digunakan AI, dan faktor-faktor apa yang memengaruhi hasil penilaian. Tidak harus teknis, yang penting jelas dan bisa dipahami auditor. Kedua, perusahaan dapat membandingkan hasil AI dengan penilaian manual atau penilaian pihak independen secara berkala. Tujuannya untuk memastikan hasil AI tidak melenceng jauh dari kondisi pasar. Ketiga, dalam laporan keuangan, perusahaan perlu menjelaskan bahwa nilai fair value berasal dari sistem AI, termasuk kelebihan dan keterbatasannya. Dengan begitu, laporan tetap transparan dan pengguna laporan bisa memahami konteksnya. Langkah-langkah ini membantu perusahaan menjaga akuntabilitas dan memastikan bahwa penggunaan AI tetap sejalan dengan standar pelaporan internasional.

Nama: Ivan Kurniawan
NPM: 2453031005
Kelas: 2024 C

1. Perbandingan pendekatan tradisional vs AI dalam penilaian nilai wajar (dari perspektif teori akuntansi)
Kalau menurut pemikiran saya, perbedaan terbesar antara penilaian tradisional dan berbasis AI itu ada pada cara keduanya “menghasilkan” angka nilai wajar. Penilaian tradisional biasanya lebih mudah dijelaskan karena proses yang dilakukan manusia. Penilai bisa menunjukkan asumsi, sumber data, sampai alasan mengapa angka tertentu dipilih. Dari sisi teori akuntansi—yang menekankan reliabilitas dan keterlacakan informasi terasa—pendekatan tradisional lebih aman, karena auditor dapat menelusuri langkah-langkahnya satu per satu.

Begitu AI dipakai, masalah sebenarnya jadi dua sisi: satu sisi, AI jauh lebih cepat dan mampu mengolah data yang mungkin tidak sempat diproses oleh manusia. Namun di sisi lain, proses di dalam algoritma terkadang terasa gelap; kita tahu hasil akhirnya, tapi tidak selalu tahu bagaimana langkah-langkahnya terbentuk. Dari sudut pandang akuntansi, hal ini membuat nilai yang dihasilkan AI terasa agak “tidak terpegang”, meskipun secara mungkin data lebih akurat. Jadi menurut saya, bedanya ada di aspek transparansi: tradisional lebih bisa dijelaskan, sedangkan AI lebih kuat secara teknologi tapi kadang sulit dibuktikan logikanya.

2. Implikasi epistemologis penggunaan AI (soal sumber dan keabsahan pengetahuan akuntansi)
Kalau bicara dari sisi epistemologi, penggunaan AI seperti menggeser sumber pengetahuan akuntansi dari manusia ke mesin. Biasanya pengetahuan akuntansi itu lahir dari profesional, pengalaman analisis auditor, dan aturan-aturan yang jelas. Namun ketika AI masuk, pengetahuan yang muncul berasal dari pola data dan model yang tidak selalu bisa diurai.

Hal ini menimbulkan pertanyaan: apakah angka nilai wajar yang keluar itu benar-benar “representasi ekonomi yang layak”, atau hanya hasil pola statistik yang kebetulan ditemukan AI? Menurut saya, ketika auditor tidak bisa menjelaskan asal-usul logika model internal, nilai tersebut jadi kurang kuat secara epistemologis, meskipun secara teknis mungkin tepat. Jadi, AI memperluas sumber informasi, namun sekaligus menambah jarak antara hasil akhir dan pemahaman manusia tentang bagaimana pengetahuan itu terbentuk.

3. Strategi akuntabilitas dan pelaporan agar tetap sesuai IFRS 13
Menurut saya, kunci agar penggunaan AI tidak bertentangan dengan IFRS 13 adalah memastikan bahwa perusahaan tetap bisa menjelaskan prosesnya dengan bahasa manusia. Jadi bukan berarti semua logika AI harus dibuka, tapi minimal perusahaan harus punya dokumentasi yang rapi tentang dari mana data berasal, asumsi apa yang digunakan, dan sejauh mana model tersebut sudah diuji.

Selain itu, perusahaan perlu menyediakan semacam penjelasan yang lebih mudah dipahami, misalnya: faktor apa saja yang paling mempengaruhi nilai wajar, atau mengapa model bisa menghasilkan angka tertentu dalam kondisi tertentu. Auditor tidak membutuhkan rumus lengkapnya—yang penting mereka bisa memahami alurnya.

Terakhir, menurut saya perusahaan juga harus melakukan pengecekan secara berkala: membandingkan hasil AI dengan data pasar sebenarnya atau dengan penilaian manual. Jika ada selisih yang mencurigakan, berarti model perlu diperbaiki. Dengan cara seperti ini, AI tetap bisa dipakai tanpa mengorbankan prinsip-prinsip IFRS 13 yang mengutamakan transparansi dan kerahasiaan nilai wajar.

Nama: Natasya
NPM: 2413O31O81
Kelas: 2024 C

1. Perbandingan pendekatan penilaian fair value tradisional dan berbasis AI
- Pada pendekan tradisional akutansi positivism atau agnostic pasar sangat bergantung pada data yang dapat diverifikasi dan pertimbangan professional dimana subtansi mengalahkan bentuk dan teori pasar efisien dimana harga mencerminkan semua informasi yang tersedia. Subjektivitas tinggi meskipun menggunakan data pasar, hhasil sanngat dipengaruhi oleh pertimbangan, asumsi dan keahlian penilai. Kemudian pada pendekatan pprofesional keteerverivikasian kuat dimana input dan asumsi dapat di dokumentasikan dan ditelusuri Kembali ke sumber fisik atau laporan pasar. Relevansi nya membutuhkan waktu , sehingga nilainya mungkin tertinggal sedikit di belakkang perubahan pasar yang sangat cepat.
- Pada pendekatan berbasis AI, akutansi itu berbasis data atau prediktif dimana menggunakan analisis data besar dan algoriitma pembelajaran mesin untuk mengidentifikasi pola pasar yang komppleks dan memprediksi nilai. Dasar teorinya bergeser ke validitas prediktif dan inferensi algoritmik. Objektivitas tinggi, proses penilaian dilakukan secara mekanis oleh algoritma, namun subjektivitas bergeser ke tahap desain dan pelatihan algoritma, tetapi keterverivikasian lemah, karna sulit untuk melacak bagaimana input tertentu menghasilkan output nilai wajar dan menciptakan risiko audit yang llebih tinggi, relevansi tinggi karena nilai diperbaharui secara instan sesuai dengan perubbahan pasar da menningkatkan ketepatan waktu informasi akkutannsi.

2. Dapat diidentifikasi bahwa penggunaan AI dalam penentuan fair value menyebabkan beberapa pergeseran apistemologis yang mendasar, meliputi pergeseran sumber pengetahuan, validitas berbasis prediksi, krisis transparansi. Kemudian disini dianalisis bahwa AI akan menimbulkan tantangan pada prinsip keterpercayaan , dimana jika dibandingkan dengan akutansi tradisional menghargai kepercayaan yang di dukung oleh input yang dapat diverivikasi sedangkan dengan AI menghasilkan relevansi yang tinggi tetapi mengancam keterpercayaan karenaa validitasnya sulit diverifikasi tanpa memahami internal algoritma.

3. Laporan keuangan harus memberikan pengguna informasi yang cukup untuk menilai risiko dan validitas dari pengukuran AI, yang pertama yaitu pengungkapan sifat model, dimana perusahaan harus mengungkapkan secara eksplisit jenis algoritma yang digunakan dan pengungkapan harus menjelaskan bahwa nilai wajar ditentukan melalui inferensi big data dan bukan metode penilaian tradisional, Pengungkapan sensitivitas algoritmik. IFRS 13 mensyaratkan pengungkapan sensitivitas pada input Level 3. PT Cerdas Digital harus memperluas ini dengan mengungkapkan variabel data yang paling sensitif yang diidentifikasi oleh AI, misalnya, indeks real-time ketersediaan properti yang secara internal dihitung oleh AI). Pengungkapan tata Kelola data, dimana Perusahaan harus menginformasikan bahwa ada kontrol internal yang ketat terhadap kualitas, integritas, dan ketidakberpihakan (bias) data yang digunakan untuk melatih dan menjalankan model AI, memastikan bahwa prosesnya konsisten dan andal sepanjang waktu.

Nama : Rulla Alifah
NPM : 2413031093

1. Penilaian fair value secara tradisional menggunakan metode seperti market, income, dan cost approach dengan asumsi yang jelas, terdokumentasi, dan mudah diverifikasi sehingga memenuhi prinsip transparansi dalam akuntansi. Sementara itu, sistem AI mengolah data pasar real-time dan menggunakan model prediktif yang sangat cepat dan akurat, tetapi proses kerjanya sulit dijelaskan karena bersifat “black box”. Kondisi ini membuat pendekatan AI lebih relevan secara informasi, namun menimbulkan masalah pada aspek keterandalan dan kejelasan proses penilaian.

2. AI menggeser dasar pengetahuan akuntansi dari model valuasi yang dapat dijelaskan menjadi analisis pola data yang tidak selalu dapat dipahami oleh manusia. Meski nilai yang dihasilkan AI bisa lebih tepat secara prediksi, dasar penalarannya sulit dibuktikan karena mekanisme internal model tidak transparan, sehingga menimbulkan epistemic opacity. Hal ini memicu pertanyaan mengenai keabsahan dan keandalan informasi akuntansi yang dihasilkan, terutama karena IFRS menuntut informasi yang dapat diverifikasi dan bebas bias.

3. Agar penggunaan AI tetap memenuhi IFRS 13, perusahaan perlu meningkatkan keterbukaan model melalui dokumentasi rinci, penerapan explainable AI, serta pencatatan input dan asumsi utama. Output AI juga harus diuji melalui back-testing, perbandingan dengan metode manual, dan audit algoritma untuk memastikan tidak ada bias. Selain itu, perusahaan harus mengungkapkan teknik valuasi AI, sumber data, tingkat fair value, sensitivitas input, dan risiko model dalam laporan keuangan. Dengan cara ini, hasil penilaian AI dapat tetap dianggap akuntabel dan dapat diaudit sesuai standar.

Nama: Erlita pakpahan
NPM : 2413031077
Kelas : c

1. Perbandingan Penilaian Tradisional vs AI.
Penilaian tradisional menggunakan metode yang transparan, dapat dijelaskan, dan berbasis keahlian manusia, sehingga mudah diaudit. Penilaian berbasis AI lebih cepat dan akurat secara data, tetapi cenderung tidak transparan (“black box”) sehingga menimbulkan tantangan terhadap prinsip akuntansi seperti keterjelasan, verifiability, dan transparansi.

2. Analisis Epistemologis Penggunaan AI.
Pengetahuan akuntansi tradisional berasal dari teori valuasi dan penilaian profesional yang dapat dijustifikasi, sedangkan pengetahuan AI berasal dari pola statistik dan pembelajaran data yang sulit dijelaskan. AI valid secara empiris (akurasi), tetapi kurang kuat secara interpretatif, sehingga mempersulit auditor menilai kewajaran model sesuai IFRS 13.

3. Strategi Akuntabilitas dan Kepatuhan IFRS 13
Strategi utama meliputi: penguatan model governance, dokumentasi input dan proses model, penggunaan explainable AI untuk mengurangi sifat “black box”, serta pengungkapan lengkap tentang data, asumsi, dan ketidakpastian estimasi. Langkah-langkah ini memastikan hasil AI tetap transparan, dapat diaudit, dan sesuai IFRS 13.

Nama: Adinda Putri Zahra
NPM: 2413031083

1. Perbandingan pendekatan tradisional fair value dengan pendekatan berbasis AI
Pendekatan konvensional dalam penilaian nilai wajar atau fair value yang mengandalkan penilaian manusia (seperti DCF) lebih unggul dalam hal representasi yang akurat dan keandalan karena asumsi yang jelas dan proses audit yang sederhana, tetapi kurang relevan dan lambat dalam menanggapi perubahan pasar secara langsung. Di sisi lain, metode yang berbasis AI (seperti yang diterapkan oleh PT Cerdas Digital) meningkatkan relevansi dan kemampuan perbandingan melalui analisis data besar dan konsistensi algoritma, menghasilkan penilaian yang cepat dan tepat; namun, masalah "kotak hitam" dan kurangnya transparansi dalam proses pengambilan keputusan dapat mengganggu representasi yang akurat dan keandalan, serta berpotensi mengurangi kepercayaan dari para pemangku kepentingan.

2. Implikasi epistemologis (sumber dan validitas pengetahuan akuntansi) dari penggunaan AI dalam penentuan fair value.
Penggunaan AI dalam penilaian fair value memicu pergeseran epistemologi signifikan dalam akuntansi, menggeser sumber pengetahuan dari yang rasional dan empiris human-centric (analisis ahli) menuju yang empiris data-centric melalui pemrosesan big data oleh algoritma induktif yang menghasilkan pengetahuan prediktif. Perubahan ini secara kritis mempertanyakan keabsahan pengetahuan karena karakteristik yang dimiliki oleh AI, yang menghalangi verifikasi independen dan keterbukaan, sehingga dapat mengurangi kepercayaan epistemik para pemangku kepentingan terhadap objektivitas "nilai wajar" yang dihasilkan, ini merupakan masalah yang sebanding dengan isu ketidakpastian dalam teori akuntansi meskipun AI memiliki potensi untuk meningkatkan keabsahan berkat akurasi statistik yang lebih baik jika data yang digunakan tidak terpengaruh oleh bias.

3. Strategi akuntabilitas dan pelaporan yang dapat memastikan bahwa pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13).
Untuk memastikan bahwa penilaian nilai wajar yang berbasis AI tetap sejalan dengan prinsip IFRS 13, khususnya representasi yang akurat dan keterbukaan, PT Cerdas Digital harus menerapkan strategi akuntabilitas dan pelaporan yang menyeluruh. Strategi ini mencakup: pengembangan Framework Audit AI dengan menggunakan Explainable AI (XAI) seperti teknik SHAP untuk menjelaskan dan mendokumentasikan proses algoritma, guna memenuhi persyaratan pengungkapan IFRS 13 dan mengadopsi pendekatan semi-otomatis yang memerlukan penilaian dari manusia untuk memverifikasi rekomendasi AI, sekaligus melakukan validasi silang dan pengujian ulang terhadap data eksternal untuk memastikan keandalan data yang dapat diamati

Nama : Zara Nur Rohimah
Npm : 2413031070
Kelas : 2024C

1. Pendekatan tradisional dalam penilaian fair value (Nilai Wajar) berakar kuat pada pertimbangan profesional (professional judgment) akuntan atau penilai independen, menggunakan model berbasis input yang dapat diamati (misalnya, Discounted Cash Flow Level 2 atau Level 3 IFRS 13). Teori akuntansi mendasarinya menekankan pada reliabilitas yang dicapai melalui judgment dan keterverifikasian oleh pihak ketiga.

Sebaliknya, pendekatan berbasis AI menggunakan algoritma machine learning untuk memproses big data dan menentukan fair value secara otomatis. Pendekatan ini menawarkan relevansi yang lebih tinggi karena menggunakan data pasar real-time yang menghasilkan nilai yang lebih tepat waktu. Namun, AI menantang reliabilitas karena sifat "black box"-nya; meskipun inputnya (data pasar) dapat diverifikasi, proses internal AI (bobot dan hubungan yang ditentukan oleh algoritma) tidak transparan, sehingga mengurangi keterverifikasian hasil penilaian oleh auditor eksternal.

2. Penggunaan AI dalam penentuan fair value memiliki implikasi epistemologis yang mendalam mengenai sumber dan validitas pengetahuan akuntansi. Secara tradisional, validitas pengetahuan akuntansi (seperti nilai aset) berasal dari otoritas (Standar Akuntansi), konsensus profesional (antara manajer, auditor, dan penilai), serta observasi (transaksi pasar atau input yang dapat diamati).

Dengan AI, sumber validitas bergeser ke otoritas algoritma dan kekuatan komputasi prediktif. Pengetahuan akuntansi kini dihasilkan oleh model yang self-learning, bukan oleh judgment manusia. Tantangan epistemologisnya adalah: apakah sebuah nilai yang akurat secara statistik (prediksi AI) dianggap lebih valid daripada nilai yang didasarkan pada pertimbangan profesional yang logis dan dapat dijelaskan? Jika auditor tidak dapat memahami mengapa AI menghasilkan nilai X (masalah black box), maka justifikasi validitas penilaian tersebut inti dari proses audit menjadi kabur, mengancam prinsip justifikasi rasional yang menjadi fondasi teori akuntansi.

3. Untuk memastikan pendekatan AI PT Cerdas Digital sesuai dengan standar IFRS 13 (Fair Value Measurement), diperlukan strategi akuntabilitas yang berfokus pada transparansi algoritma dan validasi input/output:

Validasi Model dan Dokumentasi (IFRS 13 Level 3): PT Cerdas Digital harus mendokumentasikan secara ekstensif logika, parameter, dan asumsi yang digunakan oleh model AI, meskipun tidak harus mengungkap semua kode. Dokumentasi harus menjelaskan bagaimana AI menentukan input utama yang tidak dapat diamati (seperti prediksi volatilitas atau faktor risiko spesifik). Ini akan mengubah black box menjadi grey box yang dapat diaudit.

Audit Input dan Output (IFRS 13 Level 1/2): Auditor harus secara ketat memverifikasi kualitas dan relevansi big data input yang digunakan AI (Level 1/2). Selain itu, auditor perlu menguji hasil output AI secara berkala terhadap sampel penilaian yang dilakukan oleh penilai manusia tradisional untuk menilai konsistensi dan kewajaran.

Pengungkapan yang Ditingkatkan (IFRS 13.91–99): Laporan keuangan harus mengungkapkan secara eksplisit bahwa fair value ditentukan menggunakan model machine learning. Pengungkapan ini harus mencakup:

-Sifat dan sumber data real-time yang digunakan.
- Dampak yang dihasilkan jika ada perubahan signifikan pada asumsi utama AI (melalui analisis sensitivitas wajib).
- Kebijakan tata kelola internal untuk memvalidasi dan memelihara algoritma AI.

Nama: Rency Husna Adinda
Npm: 2413031082

1. Perbandingan pendekatan tradisional vs AI dalam fair value
Pendekatan tradisional dalam penentuan fair value umumnya mengandalkan penilai independen yang menggunakan data pasar, metode perbandingan, dan pertimbangan profesional. Prosesnya relatif transparan karena langkah penilaian bisa dijelaskan secara jelas dari awal sampai akhir. Sebaliknya, sistem berbasis AI bergantung pada data besar dan algoritma yang bekerja otomatis untuk mengolah harga pasar real-time. Secara teori akuntansi, AI menawarkan efisiensi dan cakupan analisis yang lebih luas, tetapi sering kali dipandang kurang dapat dijelaskan karena mekanisme pengambilan keputusannya tidak selalu terlihat oleh pengguna. Perbedaan utama ada pada tingkat observabilitas proses: tradisional lebih mudah diaudit, sedangkan AI menghasilkan nilai yang cepat namun kurang dapat dijabarkan secara rinci.
2. Implikasi epistemologi sumber dan validitas pengetahuan akuntansi dari penggunaan AI
Penerapan AI menggeser sumber pengetahuan akuntansi dari kemampuan analitis manusia menjadi berbasis data yang dihasilkan mesin. Validitas penilaian semakin bergantung pada kualitas database, model statistik, dan asumsi yang tertanam dalam algoritma. Secara epistemologis muncul pertanyaan mengenai bagaimana nilai tersebut dianggap benar, apakah bisa dijelaskan ulang, dan sejauh mana pengguna memahami proses pembentukan angka fair value. Risiko muncul ketika hasil AI dianggap akurat, tetapi landasan pengambil keputusan tidak sepenuhnya terlihat sehingga keandalan, objektivitas, dan keterujian informasinya bisa diperdebatkan.
3. Strategi akuntabilitas dan pelaporan agar sesuai IFRS 13
Salah satu cara menjaga akuntabilitas adalah memastikan bahwa metode penilaian AI disertai dokumentasi teknis yang menggambarkan pendekatan, asumsi, dan sumber data utama. Perusahaan juga dapat menyajikan ringkasan logika atau kriteria yang mendasari hasil penilaian, termasuk langkah validasi internal seperti perbandingan dengan data historis atau penilaian manual sebagai pengujian kewajaran. Dalam pelaporan, pengungkapan mengenai keterbatasan model, tingkat ketidakpastian, dan faktor yang memengaruhi nilai wajar membantu auditor memahami kualitas informasi yang disajikan. Pendekatan ini memungkinkan penggunaan AI tetap sesuai dengan prinsip transparansi, dapat diuji, dan memenuhi tuntutan pengungkapan IFRS 13.

NAMA : IREN AGISTA PUTRI
NPM : 2413031071

1. Perbandingan Pendekatan Fair Value
Pendekatan Tradisional:
Penilaian didasarkan pada model ekonomi standar dan justifikasi profesional manusia. Keunggulannya adalah Verifiabilitas yang tinggi karena prosesnya eksplisit dan mudah diaudit. Namun, hasilnya mungkin kurang real-time (kurang relevan).
Pendekatan Berbasis AI:
Penilaian didasarkan pada akurasi prediksi dari algoritma machine learning yang menganalisis big data secara real-time. Keunggulannya adalah Relevansi yang tinggi (ketepatan waktu), tetapi menghadapi tantangan Reliabilitas karena proses AI seringkali disebut sebagai "Black Box" dan sulit diverifikasi auditor.

2. Implikasi Epistemologis (Validitas Pengetahuan Akuntansi)
Penggunaan AI mengubah sumber pengetahuan akuntansi dari penjelasan dan bukti manusia (tradisional) menjadi prediksi algoritmik.
Validitas dalam akuntansi tradisional bersumber dari konsensus profesional dan dokumentasi yang transparan. Sebaliknya, validitas AI bersumber dari akurasi prediksinya.
Tantangan epistemologisnya adalah: Auditor hanya melihat hasil akhir tanpa mengetahui secara transparan mengapa model AI sampai pada nilai tersebut. Ini berisiko merusak konsep objektivitas dan verifiabilitas informasi akuntansi.

3. Strategi Akuntabilitas (Kepatuhan IFRS 13)
Untuk memastikan PT Cerdas Digital mematuhi IFRS 13, perusahaan harus meningkatkan transparansi proses algoritmik:
- Gunakan Explainable AI(XAI):
Terapkan teknik yang memungkinkan model AI menjelaskan variabel dan bobot paling berpengaruh yang digunakan dalam penilaian. Ini membantu auditor mengidentifikasi dan memverifikasi Level Input IFRS 13.
- Kontrol Internal (ICFR) Algoritma:
Terapkan kontrol internal yang ketat untuk input data, pengujian independen model secara berkala, dan manajemen perubahan algoritma. Ini menjamin asumsi AI masuk akal (reasonable).
- Pengungkapan yang Ditingkatkan:
Ungkapkan secara detail di Catatan Atas Laporan Keuangan (CALK) jenis algoritma, input data non-tradisional yang digunakan, dan Analisis Sensitivitas Algoritma. Ini memenuhi persyaratan pengungkapan FRS 13.

Nama: Sofia Dilara

NPM: 2413031091

Kelas: 2024 C

1. Bandingkan pendekatan tradisional penilaian fair value dengan pendekatan berbasis AI dari perspektif teori akuntansi.
Dalam penilaian nilai wajar, metode tradisional biasanya mengandalkan analisis profesional, penggunaan model penilaian yang dapat ditelusuri, serta data pembanding dari pasar. Pendekatan ini menekankan keterbukaan proses, sebab auditor maupun manajemen dapat melihat asumsi yang dipakai, dasar perhitungan, serta langkah-langkah evaluasinya. Ketika sistem berbasis AI digunakan, prosesnya berbeda karena algoritma bekerja secara otomatis dengan memproses data dalam jumlah besar. Hasil penilaiannya mungkin lebih cepat dan terasa objektif, namun mekanisme di belakang keputusan tersebut sering sulit dijelaskan. Dari sudut teori akuntansi, perbedaan utamanya ada pada transparansi dan kemampuan verifikasi: model manual menawarkan penjelasan yang jelas, sedangkan AI sering dianggap sebagai kotak hitam yang tidak sepenuhnya dapat dipahami, meskipun hasilnya mungkin sama atau bahkan lebih akurat.

 

2. Identifikasi dan analisis implikasi epistemologis dari penggunaan AI dalam penentuan fair value.
Penggunaan kecerdasan buatan dalam menetapkan nilai wajar menimbulkan pertanyaan tentang asal dan validitas pengetahuan akuntansi. Jika selama ini pengetahuan akuntansi dibangun dari pengalaman profesional, pengamatan pasar, dan teori ekonomi, maka AI memperkenalkan sumber baru, yaitu pembelajaran mesin yang bekerja dengan pola data. Implikasinya muncul ketika auditor atau manajemen diminta menjelaskan dari mana suatu angka berasal. Nilai wajar yang dihasilkan AI mungkin benar secara statistik, tetapi tanpa penjelasan yang memadai, kepercayaan terhadap hasil tersebut bisa terganggu. Hal ini menantang cara tradisional dalam memandang kebenaran informasi akuntansi, karena AI menghasilkan pengetahuan yang sah berdasarkan perhitungan probabilistik, tetapi tidak selalu dapat diceritakan dengan narasi yang bisa dipahami manusia.

 

3. Usulkan strategi akuntabilitas dan pelaporan agar pendekatan AI tetap sesuai dengan IFRS 13.
Agar sistem berbasis AI dapat diterima dalam pelaporan nilai wajar, perusahaan dapat membangun mekanisme akuntabilitas yang jelas. Salah satu cara adalah menyertakan dokumentasi yang menjelaskan model algoritma, jenis data yang digunakan, dan asumsi pasar yang menjadi dasar penghitungan. Selain itu, perusahaan perlu memiliki prosedur validasi internal, misalnya pengujian silang dengan penilaian manual pada sampel aset, agar auditor dapat menilai kewajarannya. Penjelasan mengenai tingkat ketidakpastian dan sensitivitas model juga penting, sehingga transparansi tetap terjaga meskipun metode yang digunakan bersifat otomatis. Selama perusahaan mampu menunjukkan bahwa prosesnya sejalan dengan prinsip nilai wajar menurut IFRS 13, termasuk keterbukaan dan dapat diuji kembali, penggunaan AI dapat diterima sebagai bagian dari praktik penilaian modern.

Nama : Esa Azalia Zahra
NPM : 2413031084
Kelas : 24 C

1. Perbandingan Penilaian Nilai Wajar Tradisional dan Berbasis AI
Pendekatan konvensional dalam penilaian nilai wajar (berdasarkan IFRS 13/PSAK 68) sangat tergantung pada penilaian profesional, penggunaan model diskonto arus kas (DCF), dan rujukan ke data pasar yang tersedia (Level 1 dan Level 2). Dalam kerangka teori akuntansi positif, metode ini berlandaskan pada asumsi bahwa penilaian manusia yang berpengalaman, yang diuji melalui audit biasa, menghasilkan informasi yang dapat dipercaya dan terverifikasi. Di sisi lain, pendekatan yang memanfaatkan AI menggunakan machine learning dan analisis big data untuk menganalisis jutaan data pasar secara langsung untuk menghasilkan estimasi nilai. Dari sudut pandang teori informasi, AI berpotensi untuk meningkatkan relevansi dan ketepatan waktu informasi akuntansi secara signifikan. Namun, AI mengubah dasar dari reliabilitas; bukan lagi pada penilaian manusia, tetapi pada algoritma serta kualitas data yang digunakan. Perbedaan utama antara keduanya terletak pada transparansi proses: pendekatan tradisional mengandalkan penilaian yang dapat dicatat, sementara AI menghadapi tantangan "kotak hitam," yang dapat merusak prinsip verifikasi karena metode penentuan nilai dan pembobotan oleh algoritma tidak selalu mudah untuk dijelaskan.

2. Implikasi Epistemologis Penggunaan AI dalam Penentuan Nilai Wajar
Penerapan AI dalam penentuan nilai wajar membawa dampak epistemologis yang penting terkait dengan asal-usul dan keabsahan pengetahuan. Secara tradisional, pengetahuan akuntansi (termasuk mengenai nilai wajar) berasal dari positivisme, yaitu fakta yang dapat diamati di pasar atau menggunakan metode matematika yang mapan (misalnya, DCF). Namun, AI memperkenalkan jenis pengetahuan baru yang disebut pengetahuan algoritmis. Nilai yang diperoleh oleh AI berasal dari inferensi statistik yang rumit serta pola yang ditemukan dalam data, alih-alih dari hubungan sebab akibat ekonomi yang jelas. Banyak yang meragukan keabsahan pengetahuan tersebut akibat masalah "kotak hitam. " Auditor mempertanyakan: Apakah nilai yang sah adalah yang dapat dijelaskan, atau yang paling akurat dalam prediksi? Jika proses pengambilan keputusan AI sulit untuk ditelusuri (explainability rendah), nilai wajar yang dihasilkan akan menjadi fakta yang tidak bisa langsung diamati atau diinterpretasikan secara logis oleh manusia. Ini menantang prinsip dasar akuntansi yang menuntut transparansi dalam proses (substansi di atas bentuk) untuk membangun kepercayaan publik terhadap laporan keuangan.

3. Strategi Pertanggungjawaban dan Pelaporan Berdasarkan IFRS 13
Untuk memastikan bahwa pendekatan AI PT Cerdas Digital selaras dengan IFRS 13 (Pengukuran Nilai Wajar) dan prinsip akuntabilitas, perusahaan perlu menerapkan strategi pelaporan serta tata kelola yang fokus pada Explainable AI (XAI) dan pengungkapan berjenjang. Pertama, Akuntabilitas dan Tata Kelola: Perusahaan sebaiknya membentuk komite khusus untuk tata kelola AI yang bertanggung jawab dalam memilih, menguji, dan memvalidasi model AI agar terjamin bebas dari bias sistemik. Kedua, Penerapan XAI: PT Cerdas Digital harus menerapkan teknik XAI, seperti LIME dan nilai SHAP, untuk menjelaskan bagaimana kontribusi fitur data (contohnya, harga sewa di area tertentu, suku bunga) berpengaruh terhadap hasil akhir dari nilai wajar. Penjelasan ini wajib didokumentasikan sebagai dasar bagi kesimpulan profesional, menggantikan dokumentasi penilaian tradisional. Ketiga, Pelaporan IFRS 13 yang Diperluas: Pengungkapan harus diperluas sehingga mencakup: (a) Penjelasan mengenai model AI yang digunakan (termasuk jenis algoritma dan frekuensi pelatihan ulang), (b) Metode dan asumsi penting yang diterapkan dalam melatih model, dan (c) Analisis Sensitivitas yang menunjukkan bagaimana perubahan parameter AI (misalnya, rentang data input, bobot fitur) akan berdampak pada hasil nilai wajar. Strategi ini menjamin bahwa meskipun AI digunakan, pengetahuan yang mendasari nilai wajar tetap dapat diverifikasi dan disampaikan secara transparan, sesuai dengan ketentuan Level 3 IFRS 13 yang menekankan pada unobservable inputs.

Nama: Rizky Abelia Putri
Npm: 2413031098
Kelas 24C

1. Kalau Pendekatan tradisional fair value mengandalkan tiga metode utama—market approach (harga pasar aset serupa), income approach (diskonto arus kas masa depan), dan cost approach (biaya pengganti dikurangi depresiasi)—yang memerlukan judgment ahli manusia untuk memastikan faithful representation sesuai IFRS 13, dengan hierarki Level 1-3 berdasarkan observabilitas input. Sedangkan , pendekatan fair value dengan AI di PT Cerdas Digital memproses data pasar real-time dan big data untuk estimasi cepat, meningkatkan relevansi tapi mengurangi transparansi karena black box nature, di mana proses deep learning sulit dijelaskan secara audit trail tradisional. Dari perspektif teori akuntansi, tradisional lebih selaras dengan verifiability (Level 1 prioritas), sementara AI mendukung timeliness namun berisiko subjectivity tersembunyi dalam model training data.​

2. Implikasi Epistemologis AI dalam Fair Value
Penggunaan AI menimbulkan implikasi epistemologis dengan menggeser sumber pengetahuan akuntansi dari judgment manusia (berbasis pengalaman dan standar normatif) ke data-driven inference, di mana validitas bergantung pada kualitas training data yang berpotensi bias atau outdated, mengancam prinsip neutrality dalam Conceptual Framework IASB. Black box AI menghambat traceability, sehingga auditor kesulitan memverifikasi apakah output mencerminkan principal assumptions pasar atau overfitting algoritma, yang melemahkan epistemik reliabilitas dibandingkan metode diskonto manual yang dapat diuji ulang.

3. Strategi Akuntabilitas dan Pelaporan
Strategi yang dapat digunakan Untuk memastikan kesesuaian IFRS 13, terapkan explainable AI (XAI) seperti SHAP atau LIME untuk mendekonstruksi black box menjadi decision tree yang auditable, dengan disclosure lengkap pada input data, model assumptions, dan sensitivity analysis di catatan laporan keuangan. Auditor harus melakukan dual verification: membandingkan AI output dengan Level 1 market quotes jika tersedia. Perusahaan wajib membentuk AI governance committee untuk dokumentasi model versioning dan bias testing, serta mengadopsi hybrid reporting yang mengintegrasikan AI estimates dengan traditional adjustments guna mempertahankan verifiability.

Nama : Grescie Odelia Situkkir
NPM : 2413031088
Kelas : 24C

1. Bandingkan pendekatan tradisional penilaian fair value dengan pendekatan berbasis AI dari perspektif teori akuntansi. Jawab :
Dalam penilaian nilai wajar, pendekatan tradisional umumnya menggunakan metode seperti pendekatan biaya, pasar, dan pendapatan. Proses ini melibatkan manual analisis dan pengalaman. penilai untuk menentukan nilai. Keunggulan dari pendekatan ini adalah transparansinya; setiap langkah dalam analisis dapat dijelaskan dengan baik dan didukung oleh data historis yang kuat. Hal ini memberikan kepercayaan bagi pemangku kepentingan mengenal keakuratan penilaian.Sebaliknya, PT Cerdas Digital menggunakan pendekatan berbasis Al, yang memanfaatkan data pasar real-time dan algoritma analitik canggih. Pendekatan ini mampu menghasilkan penilaian yang cepat dan responsif terhadap fluktuasi pasar. Namun, sifat algoritma Al yang sering dianggap sebagai blackbox membuat proses pengambilan keputusan menjadi kurang transparan. Auditor eksternal mencerminkan hasil penilaian ini, karena sulit untuk menjelaskan berapa nilai tertentu yang ditentukan.

2. Identifikasi dan analisis implikasi epistemologis (sumber dan validitas pengetahuan akuntansi) dari penggunaan AI dalam penentuan fair value. Jawab:
Dari sudut pandang epistemologis, penggunaan Al dalam penentuan nilai wajar membawa tantangan baru terkait sumber dan validitas pengetahuan akuntansi. Pengetahuan dari pendekatan tradisional biasanya bersifat empiris, berdasarkan data yang dapat diolah dan analisis manusia yang dapat dipahami. Namun, hasil dari algoritma Al bisa kurang dapat dijelaskan dengan jelas. Ketergantungan pada data besar dan model analitik membuat penilaian sangat bergantung pada kualitas data yang dimasukkan. Salah satu dampak dari penggunaan Al adalah potensi adanya bias. Jika data yang digunakan untuk melatih model Al tidak lengkap atau mengandung kesalahan, hasil penilaian juga dapat tercemar. Hal ini menciptakan tantangan bagi auditor yang harus menilai keakuratan dan keakuratan data tanpa pemahaman yang jelas tentang bagaimana algoritma berfungsi dan menghasilkan keputusan.

3. Usulkan strategi akuntabilitas dan pelaporan yang dapat memastikan bahwa pendekatan AI tetap sesuai dengan standar akuntansi internasional (IFRS 13). Jawab:
Untuk memastikan pendekatan Al tetap sesuai dengan standar akuntansi internasional (IFRS 13), PT Cerdas Digital dapat menerapkan beberapa strategi:
1. Transparansi Algoritma: Penting untuk mendokumentasikan dan menjelaskan cara kerja algoritma, termasuk asumsi dan parameter yang digunakan. Meskipun tidak semua aspek dapat dipahami sepenuhnya, penjelasan dasar akan membantu auditor dan pemangku kepentingan memahami proses yang mendasarinya.
2. Kontrol Internal yang Kuat: Penggunaan audit berkala oleh pihak ketiga independen sangat penting untuk memvalidasi akurasi dan akurasi hasil penilaian yang dihasilkan oleh sistem Al. Hal ini akan memastikan adanya pengawasan yang efektif dan mitigasi risiko yang tepat.
3. Laporan yang Komprehensif: Perusahaan harus menyediakan laporan yang jelas dan rinci mengenai metodologi penilaian, termasuk risiko dan pemberitahuan terkait penggunaan Al. Ini akan memberikan wawasan tambahan kepada pemangku kepentingan, membantu mereka menilai kerahasiaan informasi.
4. Kolaborasi dengan Ahli Akuntansi dan Teknologi: PT Cerdas Digital harus bekerja sama dengan pakar akuntansi dan ahli Al untuk mengembangkan metodologi penilaian yang seimbang. Dengan cara ini, perusahaan dapat memanfaatkan kekuatan Al tanpa mengorbankan prinsip-prinsip akuntansi yang diakui.

Nama : Siti Haryanti
Npm : 2413031094
Kelas : 2024 C


1. Perbandingan Pendekatan Tradisional vs AI dalam Penilaian Fair Value

Penilaian fair value secara konvensional biasanya dilakukan oleh penilai profesional dengan mengombinasikan observasi pasar, analisis komparatif, serta pertimbangan subjektif. Proses ini bersifat transparan karena setiap langkah dan asumsi dapat ditelusuri.
Sebaliknya, penilaian berbasis AI mengandalkan pemrosesan data masif dan algoritma prediksi. Sistem dapat menghasilkan estimasi nilai wajar dengan cepat, tetapi mekanisme internalnya sering sulit dijelaskan secara rinci. Hal ini membuat hasilnya lebih efisien, namun kurang jelas dari sisi proses penentuannya.

2. Implikasi Epistemologis Penggunaan AI

Pemakaian AI menggeser sumber pengetahuan akuntansi dari pertimbangan manusia menuju model statistik dan data besar. Validitas informasi akuntansi tidak hanya bergantung pada penilaian ahli, tetapi juga pada kualitas data dan desain algoritma.
Masalah muncul ketika proses pengambilan keputusan tidak dapat ditelusuri, sehingga menimbulkan pertanyaan mengenai sejauh mana estimasi tersebut dapat dianggap dapat dipercaya dan objektif menurut kerangka akuntansi.

3. Strategi Akuntabilitas dan Pelaporan sesuai IFRS 13

Untuk menjaga kesesuaian dengan IFRS 13, perusahaan dapat menerapkan beberapa langkah, seperti:

Mengungkapkan asumsi utama, sumber data, dan batasan model AI.

Melakukan model validation dan pengujian berkala oleh pihak independen.

Menyediakan dokumentasi yang menjelaskan bagaimana AI menghasilkan nilai wajar, meskipun tidak seluruh mekanisme teknis dijabarkan.

Mengombinasikan hasil AI dengan penilaian profesional agar tetap ada pertimbangan manusia dalam proses penetapan fair value.


Langkah-langkah ini membantu memastikan bahwa penggunaan AI tetap dapat dipertanggungjawabkan dan dipahami oleh auditor maupun pengguna laporan keuangan.

nama = muhammad khalil fawwaz
npm = 2413031085

Penilaian nilai wajar secara konvensional, sesuai IFRS 13, memakai tingkatan input pasar yang bisa diamati (Level 1 berupa harga yang tertera, Level 2 memakai model valuasi dengan data pasar, dan Level 3 berupa perkiraan yang tak bisa diamati) yang mengandalkan penilaian ahli dan pengecekan manual. Hal ini mengutamakan prinsip penyajian yang jujur dan verifikasi dalam teori akuntansi konseptual FASB/IASB. Sebaliknya, pendekatan berbasis AI di PT Cerdas Digital mengolah data pasar dan big data secara langsung melalui pembelajaran mesin untuk menghitung nilai wajar aset tetap dan investasi properti dengan lebih cepat, meningkatkan relevansi dan ketepatan waktu sesuai teori kegunaan keputusan, namun mengurangi transparansi karena sifat black box yang sulit dijelaskan. Dari sudut pandang teori akuntansi, cara tradisional lebih unggul dalam keandalan karena prosesnya bisa diaudit dengan sedikit subjektivitas tersembunyi, sedangkan AI lebih unggul dalam efisiensi dan akurasi prediksi, tetapi rawan bias algoritmik, sehingga perlu ada penyesuaian antara keduanya untuk menyeimbangkan kualitas.

Penerapan AI dalam menentukan nilai wajar berpengaruh pada epistemologi dengan mengalihkan sumber pengetahuan akuntansi dari empirisisme manusia (berdasarkan bukti yang bisa dilihat dan penilaian ahli) ke reliabilisme komputasional, di mana validitas bergantung pada kualitas data pelatihan daripada peninjauan proses pengambilan keputusan. Black box AI mengancam objektivitas epistemik karena ketidakjelasan menghalangi konfirmasi sebab-akibat dan verifikasi independen, yang berpotensi memunculkan unknown unknowns seperti umpan balik bias historis yang merusak asumsi dasar akuntansi sebagai pengetahuan yang bisa diverifikasi. Meski begitu, AI bisa meningkatkan validitas melalui keandalan eksternal seperti pengujian model dengan hasil pasar, tetapi memerlukan epistemologi gabungan yang menggabungkan pengawasan manusia untuk menjaga kepercayaan terhadap pengetahuan akuntansi di era digital.

Strategi akuntabilitas mencakup penerapan explainable AI (XAI) dengan jejak audit wajib yang mendokumentasikan input data, parameter model, dan analisis sensitivitas untuk memenuhi persyaratan pengungkapan IFRS 13 pada pengukuran Level 3. Ini akan dilengkapi validasi model oleh pihak ketiga yang dilakukan rutin oleh auditor independen. Laporan harus mencakup rekonsiliasi kuantitatif atas perubahan nilai wajar, penjelasan mengenai proses AI, dan pernyataan jaminan terkait model tata kelola, sesuai dengan PSAK 13 Indonesia yang selaras dengan IFRS, agar memastikan observabilitas bagi semua pihak terkait. Selain itu, perlu diterapkan pengawasan human-in-the-loop di mana akuntan memverifikasi output akhir dari AI, bersama dengan penandaan XBRL untuk pengungkapan real-time, sehingga tetap patuh pada regulasi sambil memanfaatkan kecepatan AI.

RATIH APRIYANI
2413031073

1. Perbandingan pendekatan tradisional vs AI dalam pengukuran fair value
Pendekatan tradisional mengandalkan teknik valuasi yang jelas (market, income, cost) dengan input yang dapat diverifikasi dan langkah perhitungan yang transparan. Nilainya dinilai andal karena prosesnya dapat dijelaskan dan direplikasi. Pendekatan berbasis AI memanfaatkan data pasar real-time dan algoritma big data untuk menangkap pola kompleks yang sulit ditangkap metode tradisional. AI meningkatkan relevansi dan kecepatan, tetapi menurunkan transparansi karena proses perhitungannya tidak sepenuhnya dapat dijelaskan (“black box”), sehingga tantangan utamanya adalah verifikasi dan objektivitas.

2. Implikasi epistemologis penggunaan AI
Penggunaan AI mengubah sumber pengetahuan akuntansi dari data terstruktur yang eksplisit menjadi data besar dengan pola yang dipelajari algoritma. Hal ini memperluas basis informasi tetapi memunculkan risiko bias dan ketergantungan pada kualitas model. Validitas pengetahuan menjadi sulit diuji jika langkah pengambilan keputusan tidak dapat dijelaskan atau direplikasi. Oleh karena itu, epistemologi akuntansi menuntut dokumentasi model, uji sensitivitas, dan bukti bahwa output AI tetap mencerminkan asumsi pelaku pasar, bukan sekadar hasil komputasi internal model.

3. Strategi akuntabilitas dan pelaporan sesuai IFRS 13
Perusahaan perlu menjelaskan teknik valuasi yang digunakan dan bagaimana AI mendukung penentuan input dan asumsi yang relevan dengan pelaku pasar. Tata kelola model harus meliputi validasi berkala, audit trail, dokumentasi data dan algoritma, serta pemeriksaan independen. Dalam laporan keuangan, perusahaan harus mengungkap penggunaan AI, asumsi kunci, sensitivitas nilai, serta bukti bahwa output AI konsisten dengan hierarki fair value IFRS 13. Transparansi ini memastikan auditor dan pengguna laporan dapat menilai kewajaran nilai wajar yang dihasilkan model AI.

NAMA: SILVIANA FEBRIANI
NPM: 2413031075

1. Pendekatan tradisional dalam penilaian fair value memakai penilai independen yang mengandalkan observasi pasar, pendekatan biaya, dan pendekatan pendapatan. Prosesnya bisa ditelusuri karena setiap asumsi dan metode dijelaskan secara eksplisit. Pendekatan berbasis AI mengubah proses ini karena model memakai data besar dan algoritma prediktif untuk menghasilkan estimasi otomatis. Dari perspektif teori akuntansi, metode tradisional lebih mudah diuji dan diaudit karena berbasis judgment manusia, sedangkan AI berpotensi meningkatkan relevansi informasi melalui data real-time tetapi menurunkan verifiability karena proses internal AI tidak selalu transparan. Ini membuat perdebatan muncul antara relevansi dan keandalan yang menjadi dasar teori akuntansi.

2. Penggunaan AI membawa implikasi epistemologis karena sumber pengetahuan akuntansinya berubah. Dalam metode tradisional, pengetahuan berasal dari penilai yang memakai teori valuasi dan data pasar yang terverifikasi. Pada AI, pengetahuan muncul dari model yang belajar dari pola data, bukan dari penalaran eksplisit. Validitas informasi bergantung pada kualitas data input dan desain model. Risiko muncul ketika AI menghasilkan nilai tanpa penjelasan yang jelas. Auditor kesulitan untuk memastikan apakah output tersebut mencerminkan nilai wajar sesuai IFRS 13. Ini membuat perusahaan harus mempertanyakan apakah pengetahuan akuntansi yang dihasilkan AI bisa diuji dan dipercaya.

3. Strategi akuntabilitas dan pelaporan yang bisa dilakukan adalah memastikan perusahaan menyediakan dokumentasi yang menjelaskan logika model, sumber data, variabel utama, dan proses validasi. PT Cerdas Digital bisa membuat governance framework untuk AI yang mencakup pengujian berkala, review independen, dan uji sensitivitas terhadap asumsi penting. Perusahaan harus mengungkapkan metode valuasi, karakteristik data, keterbatasan model, dan risiko yang terkait agar tetap sesuai dengan IFRS 13. Penggabungan AI dengan evaluasi manusia juga penting supaya auditor bisa menilai kewajaran output. Pendekatan ini menjaga agar penggunaan AI tetap dapat diaudit, dapat dijelaskan, dan tetap mengikuti prinsip transparansi dalam pelaporan nilai wajar.

Salwa Trisia Anjani
2413031090

Jawab:
1. Perbandingan fair value tradisional vs AI :
Dalam pendekatan tradisional, penilaian fair value dilakukan melalui analisis pasar, proyeksi arus kas, dan judgement profesional yang dapat dijelaskan serta diverifikasi. Transparansi asumsi menjadi poin utama. Sebaliknya, pendekatan berbasis AI mengandalkan data besar dan algoritma untuk menghasilkan nilai secara cepat dan lebih responsif terhadap kondisi pasar. Namun, AI menimbulkan tantangan pada aspek verifiability karena proses pengambilannya sering bersifat “black box”. Secara teori akuntansi, AI meningkatkan relevansi dan ketepatan waktu, tetapi dapat melemahkan keterlacakan dan objektivitas jika tidak ada kontrol tambahan.


2. Implikasi epistemologis penggunaan AI dalam fair value :
Penggunaan AI mengubah sumber pengetahuan akuntansi dari analisis manusia menjadi pola yang dipelajari dari data. Validitas nilai sangat bergantung pada kualitas data dan cara model dilatih. Karena AI dapat menghasilkan angka tanpa penjelasan yang jelas, muncul pertanyaan apakah nilai tersebut benar-benar mencerminkan kondisi pasar atau hanya hasil korelasi historis. Ini menimbulkan tantangan epistemologis: pengetahuan akuntansi harus dapat dipertanggungjawabkan, sementara AI menambah lapisan ketidakpastian baru terkait bias data, transparansi, dan keandalan asumsi.


3. Strategi akuntabilitas & pelaporan agar sesuai IFRS 13 :
Perusahaan perlu memastikan AI tetap tunduk pada prinsip IFRS 13 melalui tata kelola model yang jelas, dokumentasi metodologi, dan verifikasi independen. Hasil AI harus ditinjau oleh valuer manusia, disertai analisis sensitivitas, penjelasan input material, dan pengungkapan batasan model. Selain itu, perusahaan harus menyediakan bukti bagi auditor, seperti log data, hasil uji model, dan rekonsiliasi dengan harga pasar. Dengan kombinasi pengawasan manusia dan pelaporan yang transparan, penggunaan AI dapat diterima sebagai metode penilaian yang dapat dipercaya.

Nama : Alfiantika Putri
Npm : 2413031095

Jawaban Pertanyaan :

1. Dalam pendekatan tradisional, penilaian fair value menggunakan metode yang jelas dan dapat dijelaskan sehingga auditor bisa menelusuri asumsi dan menilai kewajarannya, ini sesuai teori akuntansi. Pendekatan AI lebih cepat dan memakai data real-time sehingga informasinya lebih relevan, tetapi prosesnya sering tidak transparan. Karena itu, AI berpotensi meningkatkan relevansi tetapi menurunkan keandalan jika mekanisme perhitungannya tidak bisa dijelaskan.
2. Secara epistemologis, sumber pengetahuan akuntansi berubah dari penilaian manusia berbasis asumsi yang dapat dijelaskan menjadi hasil algoritma yang bergantung pada kualitas data dan cara model dilatih. Validitas nilai wajar menjadi tergantung pada data input dan performa model, bukan hanya metode. Resiko data, kesalahan model, dan kurangnya penjelasan membuat pengetahuan nilai wajar menjadi lebih sulit diverifikasi secara tradisional.
3. Agar sesuai IFRS 13, perusahaan perlu memastikan AI tetap akuntabel yaitu menjelaskan metode yang digunakan, mendokumentasikan sumber data, melakukan uji validasi terhadap model, serta menyajikan analisis sensitivitas. Perusahaan juga perlu menyediakan penjelasan yang dapat dipahami auditor (misalnya melalui teknik penjelasan AI), dan tetap melibatkan penilai manusia untuk meninjau dan menyetujui hasil akhir. Dengan cara ini, penggunaan AI tetap memenuhi kebutuhan transparansi dan verifikasi yang diwajibkan IFRS 13.

Nama :Della Puspita
NPM :2453031007

1. Perbandingan Pendekatan Tradisional dan AI
Dalam metode konvensional, nilai wajar diperkirakan oleh penilai manusia yang mengumpulkan data pasar, menerapkan asumsi, dan mengambil keputusan berdasarkan pengalaman. Proses ini bersifat transparan dan mudah dijelaskan. Sebaliknya, AI memproses volume data yang sangat besar secara otomatis dan cepat, sehingga menghasilkan output yang lebih cepat dan terkadang lebih akurat. Namun, mekanisme pengambilan keputusan AI sering kali tidak transparan, seperti kotak hitam. Oleh karena itu, pendekatan tradisional lebih unggul dalam hal keterbukaan proses, sedangkan AI lebih unggul dalam kecepatan dan kapasitas pengolahan data.

2. Implikasi Epistemologis AI
Jika pengetahuan akuntansi biasanya berasal dari penilaian manusia, dalam AI pengetahuan tersebut diperoleh dari data dan pola yang dipelajari oleh mesin. Hal ini menimbulkan pertanyaan: “Apakah hasilnya akurat?” atau “Dari mana angka tersebut berasal?” Karena proses AI tidak selalu transparan, auditor mungkin meragukan validitas hasil atau adanya bias dari data yang digunakan. Dengan demikian, AI menawarkan potensi untuk memberikan hasil yang cepat, tetapi kejelasan mengenai sumber angka menjadi tantangan.

3. Strategi Akuntabilitas Sesuai IFRS 13
Untuk memastikan penggunaan AI tetap aman dan sesuai dengan peraturan, perusahaan harus menjelaskan mekanisme kerja AI. Contohnya, data yang digunakan, cara model dilatih, dan batasan-batasannya. Perusahaan juga perlu memverifikasi hasil AI secara berkala, misalnya dengan membandingkannya dengan penilaian manual. Dalam laporan keuangan, perusahaan cukup menguraikan teknik yang diterapkan, input utama, dan alasan penggunaan AI. Dengan demikian, meskipun AI yang melakukan perhitungan, prosesnya tetap dapat dipahami dan diaudit.

Nama : Lola Egidiya
NPM : 2413031087
Kelas : 24C

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

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

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

Nama: Shafa Djiana Wardani
NPM: 2413031080
Kelas: 24C

1. Pendekatan tradisional penilaian fair value dalam akuntansi umumnya mengandalkan penilai independen, model valuasi yang eksplisit (spesifik), serta penilaian/judgement profesional yang dapat ditelusuri. Dari perspektif teori akuntansi, pendekatan ini sejalan dengan prinsip "verifiability" dan "faithful representation", karena asumsi, metode, dan sumber data dapat dijelaskan serta diuji ulang oleh pihak lain, termasuk auditor. Sebaliknya, pendekatan berbasis AI menawarkan keunggulan dalam hal kecepatan, cakupan data yang luas, dan kemampuan memproses informasi pasar secara real time. Namun, dari sudut pandang teori akuntansi, AI menghadirkan tantangan karena proses penilaian sering kali bersifat tidak transparan, sehingga melemahkan aspek keterjelasan judgement (penilaian). Dengan kata lain, pendekatan tradisional lebih kuat dari sisi akuntabilitas, sedangkan pendekatan AI unggul dari sisi relevansi dan ketepatan waktu informasi.

2. Secara epistemologis, penggunaan AI menggeser sumber pengetahuan akuntansi dari judgement manusia menuju pengetahuan berbasis algoritma dan data historis. Validitas pengetahuan akuntansi tidak lagi hanya ditentukan oleh kompetensi profesional, tetapi juga oleh kualitas data, asumsi model, dan desain algoritma. Masalah muncul ketika hasil penilaian AI tidak dapat dijelaskan secara rasional, sehingga pengguna laporan keuangan sulit menilai apakah nilai wajar tersebut benar-benar mencerminkan realitas ekonomi atau sekadar hasil korelasi statistik. Dalam konteks ini, AI berpotensi menciptakan pengetahuan akuntansi yang akurat secara teknis tetapi lemah secara konseptual, karena sulit diuji secara kritis oleh auditor dan pemangku kepentingan.

3. Agar penggunaan AI tetap sesuai dengan IFRS 13, PT Cerdas Digital perlu menerapkan strategi akuntabilitas yang kuat. Pertama, AI harus diposisikan sebagai alat pendukung, bukan pengganti judgement profesional. Kedua, perusahaan perlu mengungkapkan secara jelas metodologi penilaian, jenis data yang digunakan, asumsi utama, serta tingkat input fair value dalam hierarki IFRS 13. Ketiga, hasil penilaian AI harus divalidasi secara berkala melalui penilaian independen dan pengujian sensitivitas. Terakhir, auditor harus dilibatkan sejak awal untuk mengevaluasi tata kelola algoritma dan kontrol internal. Dengan pendekatan ini, nilai wajar berbasis AI tetap relevan tanpa mengorbankan keandalan dan transparansi informasi akuntansi.

Nama : Aura Liyanti Fani
NPM : 2413031089

1. Dalam pendekatan tradisional, penilaian fair value dilakukan menggunakan metode yang diakui dalam teori dan praktik akuntansi, seperti market approach, income approach, dan cost approach. Pendekatan ini menekankan penilaian profesional dari penilai atau manajemen, dengan asumsi bahwa akuntan mampu menafsirkan data pasar dan memilih asumsi yang paling relevan. Dari perspektif teori akuntansi normatif, pendekatan tradisional dianggap lebih bertanggung jawab karena auditor dapat melacak, menjelaskan, dan menilai kembali proses penilaian.
Sementara pendekatan berbasis AI yang digunakan oleh PT Cerdas Digital mengandalkan algoritma, machine learning, dan big data untuk memproses informasi pasar secara real-time. Dari perspektif akuntansi positif, AI dianggap sebagai alat yang mampu meningkatkan efisiensi dan mengurangi bias subjektif manusia. Namun, kelemahan utama dari pendekatan ini adalah sifatnya yang seringkali buram (black box), yang membuatnya sulit untuk menjelaskan hubungan sebab-akibat antara input dan output fair value.
Oleh karena itu, perbedaan mendasar antara kedua pendekatan tersebut terletak pada sumber penilaian yaitu pendekatan tradisional bergantung pada penilaian profesional manusia, sedangkan pendekatan AI didasarkan pada logika algoritmik yang tidak selalu mudah dipahami.


2. Secara epistemologis, penggunaan AI menggeser sumber pengetahuan akuntansi dari pengalaman dan teori berdasarkan penilaian ke pengetahuan berdasarkan pola statistik dan korelasi data. Hal ini menimbulkan pertanyaan tentang validitas pengetahuan yang dihasilkan oleh AI yaitu apakah nilai wajar benar-benar mewakili kondisi ekonomi asset atau hanya mencerminkan pola historis dan asumsi tentang data yang digunakan. Masalah epistemologis juga muncul ketika akuntan dan auditor tidak sepenuhnya memahami cara kerja algoritma. Dalam situasi ini, pengetahuan akuntansi menjadi sekunder dan para profesional hanya menerima hasilnya tanpa sepenuhnya memahami prosesnya. Hal ini dapat merusak prinsip representasi yang jujur, karena keandalan informasi ditentukan tidak hanya oleh akurasi numerik tetapi juga oleh kemampuan untuk menjelaskan dan memverifikasi proses penilaian.

3. Untuk memastikan bahwa penilaian berbasis AI sesuai dengan IFRS 13, PT Cerdas Digital harus menerapkan beberapa strategi akuntabilitas. Pertama, perusahaan harus memastikan bahwa hasil AI dapat ditetapkan pada hierarki nilai wajar (Level 1, 2, atau 3) sebagaimana diatur dalam IFRS 13, dan mengungkapkan asumsi utama yang digunakan oleh sistem AI.
Kedua, diperlukan pendekatan yang melibatkan manusia, di mana akuntan profesional terus meninjau hasil AI secara kritis dan membenarkan penggunaan nilai-nilai tersebut. Hal ini menjaga keseimbangan antara efisiensi teknologi dan tanggung jawab profesional.
Ketiga, perusahaan harus meningkatkan pengungkapan informasi termasuk deskripsi model AI, sumber data, keterbatasan sistem, dan analisis sensitivitas terhadap perubahan asumsi. Strategi ini dapat meningkatkan transparansi dan akuntabilitas dalam penilaian nilai wajar tanpa mengorbankan kepatuhan terhadap standar akuntansi internasional.

Nama : Dwi Nurshovi Diana Sari
NPM : 2413031072

1. Perbandingan Antara Metode Tradisional dan Berbasis AI dalam Penilaian Nilai Wajar
Metode tradisional dalam akuntansi sangat mengandalkan tingkatan nilai wajar (Level 1, 2, dan 3) yang didasarkan pada pengamatan manusia terhadap harga pasar yang aktif atau parameter model penilaian standar seperti Aliran Kas yang Didiskontokan (DCF). Inti dari pendekatan ini adalah pada pengecekan dokumen dan keandalan data yang diinput secara manual, yang berbasis historis atau ramalan yang datar. Di sisi lain, pendekatan berbasis AI mengandalkan algoritma non-linear yang dapat memproses ribuan variabel big data secara langsung. Meskipun pendekatan tradisional unggul dalam hal jejak audit, pendekatan AI lebih baik dalam memberikan informasi yang relevan karena lebih cepat dalam mendeteksi anomali di pasar, walaupun sering kali mengorbankan aspek pemahaman akibat kerumitan algoritmanya.

2. Implikasi Pengetahuan dalam Penggunaan AI di Bidang Akuntansi
Dari segi pengetahuan, penggunaan AI memindahkan sumber informasi akuntansi dari otoritas manusia dan dokumen fisik kepada "pengetahuan berbasis algoritma" yang bersifat induktif dan probabilistik. Ketepatan pengetahuan dalam akuntansi yang umumnya diakui sebagai keyakinan yang benar yang didukung oleh bukti empiris menjadi tantangan nyata saat AI berfungsi sebagai kotak hitam. Ketepatan ini kini tidak lagi dinilai berdasarkan transparansi langkah demi langkah, melainkan dari seberapa akurat hasil yang diberikan sesuai dengan kenyataan pasar. Situasi ini menyebabkan krisis legitimasi dalam teori akuntansi, di mana auditor kesulitan untuk memvalidasi "logika" di balik angka tanpa memahami kode pemrograman atau data yang digunakan untuk pelatihan.

3. Pendekatan Akuntabilitas dan Pelaporan Sesuai dengan IFRS 13
Untuk menyelaraskan penggunaan AI dengan standar IFRS 13, perusahaan perlu menerapkan strategi "Explainable AI" (XAI) yang mampu menjelaskan fitur-fitur utama yang paling berpengaruh terhadap keputusan penilaian. Secara teknis, akuntabilitas dapat diperkuat melalui pengungkapan metrik performa model, audit algoritma secara rutin oleh pihak ketiga, serta penyajian analisis sensitivitas yang mendetail dalam catatan laporan keuangan. Selain itu, manajemen harus tetap mengimplementasikan human-in-the-loop sebagai kontrol akhir guna memastikan bahwa hasil dari AI tetap relevan secara substansial, sehingga prinsip kehati-hatian dan objektivitas dalam akuntansi terjaga di mata para pemangku kepentingan.

Nama: Vie Amanillah b
NPM: 2413031097

1. Pendekatan Tradisional (Manual/Berdasarkan Ahli)
Menggunakan data dari masa lalu, sedikit transaksi untuk perbandingan, dan pendapat dari penilai. Berdasarkan pada urutan yang ditetapkan oleh IFRS 13 (Tingkat Input 1, 2, atau 3) yang dilakukan secara berkala. Mengandalkan pada ketidakberpihakan penilai manusia yang bisa terkena bahaya bias pikiran. Proses penilaian dicatat dalam laporan penilaian yang bisa dilihat kembali.

Sedangkan Pendekatan Berbasis AI (PT Cerdas Digital)
Memanfaatkan data besar secara langsung, sensor IoT, tren di media sosial, dan ribuan titik data pasar sekaligus. Penilaian berlangsung terus menerus dengan menggunakan program mesin belajar. Terhindar dari pengaruh emosional manusia, tetapi bisa jadi terdapat bias dari algoritma (masalah pada kode atau data input). Sifatnya seperti "Kotak Hitam"; sulit untuk menjelaskan bagaimana hubungan data tertentu bisa menghasilkan hasil akhir.

2. Pergeseran Otoritas Pengetahuan: Sebelumnya, "kebenaran" dalam akuntansi didapat dari bukti yang tampak dan penilaian dari para ahli. Dengan adanya AI, siapa yang memiliki pengetahuan sekarang berpindah kepada program komputer. Keabsahan akuntansi saat ini tidak lagi mengandalkan "apa yang bisa dilihat oleh manusia", melainkan pada "kekuatan hubungan statistik" yang dikerjakan oleh mesin.
Masalah Kebenaran Probabilistik: AI beroperasi berdasarkan kemungkinan, bukan kepastian mutlak. Ini menguji konsep akuntansi lama yang menginginkan sesuatu yang bisa diuji dan benar. Jika auditor tidak dapat memahami proses berpikir AI, maka keabsahan informasi dari AI dianggap bermasalah karena tidak bisa diverifikasi dengan baik.

3. Agar penggunaan AI di PT Cerdas Digital tetap sesuai dengan standar internasional, terutama IFRS 13 tentang Pengukuran Nilai Wajar, perusahaan perlu melakukan beberapa langkah berikut:

A. Menerapkan "AI yang Dapat Dijelaskan" (XAI): Perusahaan harus pindah dari model yang tertutup menjadi model AI yang bisa memberikan penjelasan. Akuntan harus dapat menemukan "fitur" atau variabel yang paling mempengaruhi penentuan nilai, seperti contohnya: mengapa harga yang naik di lokasi X sangat berpengaruh pada aset Y.
B. Pengungkapan Input yang Terstruktur: Sesuai dengan IFRS 13, PT Cerdas Digital harus mampu mengklasifikasikan input AI ke dalam tiga kategori:
- Jika AI memakai harga pasar aktif secara langsung.
- Jika AI memanfaatkan data pasar yang bisa diamati meskipun tidak langsung.
- Jika AI menggunakan asumsi dari perusahaan (itu yang paling berisiko dan perlu penjelasan lebih lanjut).
C. Audit pada Algoritma: Auditor tidak hanya memeriksa hasil akhir, tetapi juga harus mengecek keabsahan algoritma itu sendiri. Auditor perlu memastikan bahwa data yang digunakan oleh AI tidak terpengaruh oleh bias dan logika pemrogramannya sesuai dengan prinsip akuntansi yang berlaku.
D. Manusia dalam Proses (HITL): PT Cerdas Digital tidak seharusnya bergantung sepenuhnya pada mesin untuk menilai. Harus ada aturan yang memastikan penilaian dari akuntan manusia masih menjadi "langkah terakhir" untuk memeriksa dan menyetujui hasil dari AI, terutama untuk aset yang memiliki nilai besar atau berfluktuasi tinggi.

nama : afita nurmala sari
npm :2453031006

1. Perbandingan Pendekatan Fair Value
Pendekatan Tradisional:
Penilaian didasarkan pada model ekonomi standar dan justifikasi profesional manusia. Keunggulannya adalah Verifiabilitas yang tinggi karena prosesnya eksplisit dan mudah diaudit. Namun, hasilnya mungkin kurang real-time (kurang relevan).
Pendekatan Berbasis AI:
Penilaian didasarkan pada akurasi prediksi dari algoritma machine learning yang menganalisis big data secara real-time. Keunggulannya adalah Relevansi yang tinggi (ketepatan waktu), tetapi menghadapi tantangan Reliabilitas karena proses AI seringkali disebut sebagai "Black Box" dan sulit diverifikasi auditor.

2. Implikasi Epistemologis (Validitas Pengetahuan Akuntansi)
Penggunaan AI mengubah sumber pengetahuan akuntansi dari penjelasan dan bukti manusia (tradisional) menjadi prediksi algoritmik.
Validitas dalam akuntansi tradisional bersumber dari konsensus profesional dan dokumentasi yang transparan. Sebaliknya, validitas AI bersumber dari akurasi prediksinya.
Tantangan epistemologisnya adalah: Auditor hanya melihat hasil akhir tanpa mengetahui secara transparan mengapa model AI sampai pada nilai tersebut. Ini berisiko merusak konsep objektivitas dan verifiabilitas informasi akuntansi.

3. Strategi Akuntabilitas (Kepatuhan IFRS 13)
Untuk memastikan PT Cerdas Digital mematuhi IFRS 13, perusahaan harus meningkatkan transparansi proses algoritmik:
- Gunakan Explainable AI(XAI):
Terapkan teknik yang memungkinkan model AI menjelaskan variabel dan bobot paling berpengaruh yang digunakan dalam penilaian. Ini membantu auditor mengidentifikasi dan memverifikasi Level Input IFRS 13.
- Kontrol Internal (ICFR) Algoritma:
Terapkan kontrol internal yang ketat untuk input data, pengujian independen model secara berkala, dan manajemen perubahan algoritma. Ini menjamin asumsi AI masuk akal (reasonable).
- Pengungkapan yang Ditingkatkan:
Ungkapkan secara detail di Catatan Atas Laporan Keuangan (CALK) jenis algoritma, input data non-tradisional yang digunakan, dan Analisis Sensitivitas Algoritma. Ini memenuhi persyaratan pengungkapan FRS 13.