10 Indikator Adanya Fraud Dalam Account Payable Perusahaan
Setelah Anda menerapkan kontrol pada perusahaan, bagaimana Anda yakin bahwa semua kontrol yang Anda terapkan efektif? Pelajari bagaimana data analitik dapat membantu Anda mendeteksi fraud dalam perusahaan melalui 10 indikator berikut.
Apa itu Accounts Payable Fraud? Accounts payable (AP) fraud merupakan salah satu fraud yang paling sering ditemui dan efeknya dapat dirasakan perusahaan. Untuk menanggulanginya, biasanya perusahaan menerapkan kontrol di dalam aplikasi AP atau dalam proses P2P. Meski demikian, bukan berarti kontrol yang diterapkan sudah efektif.
Pelaku penipuan sering kali lebih cerdik dari yang kita kira. Mereka biasanya akan berupaya menemukan segala cara untuk mengelabui kontrol yang telah perusahaan terapkan. Jadi, bagaimana Anda bisa tahu bahwa telah terjadi fraud di dalam perusahaan?
Anda bisa memulainya dengan memanfaatkan data analytics. Data analytics diklaim sebagai salah satu cara efektif untuk mengungkap keberadaan fraud. Berikut kami jabarkan 10 indikator yang dapat membantu Anda dalam mendeteksi fraud di dalam perusahaan.
Ditemukan Duplikat Pembayaran
Jika vendor menerima pembayaran setiap bulannya dari perusahaan, ada celah untuk pelaku fraud membuat duplikat pembayaran. Pembayaran akan dilakukan dua kali dalam satu bulan, salah satunya dialirkan ke rekening mereka sendiri. Bagi perusahaan sendiri, duplikat seperti ini dapat dengan mudah dianggap sebagai kesalahan. Di sisi lain, vendor yang licik sebenarnya sudah mengetahui adanya celah yang dapat dimanfaatkan pada kontrol pembayaran dan mencoba memasukan invoice yang sama untuk kedua kalinya, hal ini bertujuan untuk mengharapkan dapat dibayar dua kali.
Cara lainnya yang memungkinkan terjadinya duplikasi pembayaran adalah ketika faktur pembayaran dibuat dengan mengikuti standar sistem PO dan sistem “one-off” expense oleh vendor. Hal semacam ini bisa terjadi jika ada karyawan yang lupa atau bahkan tidak meminta PO.
Dalam skenario ini, data analytics dapat membantu melakukan serangkaian tes pada data perusahaan untuk menemukan duplikat pembayaran. Data analytics mampu mencari kombinasi yang terkait dengan detail invoice seperti nomor invoice, nama vendor, data, dan jumlah invoice. Selain itu, data analytics juga bisa memeriksa keberadaan anomali seperti: Adakah transaksi dengan data yang sama namun memiliki nomor invoice yang berbeda? Adakah transaksi dengan nomor invoice, jumlah invoice, dan tanggal yang sama, namun memiliki jumlah vendor yang berbeda?
Purchase Order dan Payment Approval yang Dipecah
Sebagai contoh, katakanlah, seorang karyawan menyetujui PO dan invoice payment hingga nominal USD 2.000. Dia menyadari bahwa tidak ada pihak lain yang perlu menyetujui PO nya kecuali dia. Sedangkan, nominal lebih dari USD 2.000 memerlukan persetujuan tambahan dari manajer senior. Jadi bagaimana caranya agar si karyawan bisa tetap memproses payment berindikasi fraud yang memiliki nominal besar? Caranya adalah dengan memecah nominal invoice di kelipatan USD 2.000. Dengan begini, oknum karyawan tersebut dapat terhindar dari kontrol manajer senior.
Perlu diketahui, fraud semacam ini sangat mudah dideteksi menggunakan data analytics. Perusahaan cukup melihat rangkaian PO approval atau payment pada waktu tertentu, katakanlah, 5% dari batas otorisasi tiap individu.
Adanya Phantom Vendor
Association of Certified Fraud Examiners memperkirakan setiap tahunnya banyak perusahaan mengalami kerugian pendapatan sebesar 5% akibat fraud yang dilakukan karyawannya sendiri. Biasanya, satu skema employee fraud melibatkan phantom vendor. Phantom Vendor sendiri adalah ketika seorang karyawan membuat akun vendor fiktif untuk pembayaran barang atau jasa yang juga fiktif.
Data analytics dapat menemukan skema semacam ini dengan mencari persamaan antara data yang ada di sistem terpisah seperti di sistem vendor dan HR karyawan. Sebagai informasi, tes sederhana yang dapat dilakukan dengan bantuan data analytics ini mencakup mencari persamaan antara data karyawan dan data akun vendor. Sebagai contoh, kemiripan pada alamat, nomor rekening bank, nomor telepon hingga NPWP.
Adanya Pembelian Barang Konsumsi atau Rumah Tangga
Jenis employee fraud lainnya melibatkan manajer yang kerap memesan barang atau jasa untuk keperluan diri mereka sendiri ketimbang perusahaan.
Tes data analytics yang sederhana biasanya dilakukan untuk mencari keyword yang berkaitan dengan barang konsumsi atau rumah tangga. Anda hanya perlu membuat tabel data berisi nama-nama yang dirasa mencurigakan seperti nama vendor penjual peralatan rumah tangga.
Tes lainnya yang dapat dilakukan adalah membuat daftar kode merchant yang dicurigai (jika ada) seperti yang berkaitan dengan barang rumah tangga, liburan, dan barang mewah. Lainnya, bisa juga mencari kesamaan antara alamat pengiriman barang dengan alamat karyawan.
Perubahan Tidak Sah Pada File Utama
Fraud detection data analytics sebenarnya tidak melulu harus diterapkan pada transaksi pembelian dan pembayaran. Sebagai contoh, seorang karyawan bisa berbuat curang dengan diam-diam mengakses catatan vendor untuk kemudian memasukkan informasi rekening bank milik sendiri. Hasilnya, pembayaran akan masuk ke rekening pribadi bukan rekening perusahaan. Setelah berhasil mengambil uang pembayarannya, si karyawan bisa mengakses file vendor lagi untuk dikembalikan seperti semula.
Sama seperti skenario sebelumnya, data analytics bisa digunakan untuk mencegah perubahan pada file utama. Outputnya, perusahaan dapat mendeteksi adanya perubahan mencurigakan yang terjadi dalam jangka waktu singkat.
Invoice Palsu Tanpa Sepengetahuan Perusahaan
Hal semacam ini terjadi ketika seorang karyawan bekerja sama dengan vendor dan membuat invoice atas pemesanan barang atau jasa palsu. Pembayarannya sendiri disetujui oleh si karyawan kemudian vendor pun mendapat pembayaran dari perusahaan dan hasilnya dibagi dua vendor dan si karyawan.
Di perusahaan yang memiliki sistem untuk melacak struk pembelian barang, data analytics sangat mungkin dimanfaatkan untuk mengidentifikasi kejanggalan guna menemukan kecocokan antara invoice dan sistem penerimaan barang. Temuan ini kemudian bisa dilanjutkan dengan memeriksa kecocokan antara PO, catatan penerimaan barang, dan invoice.
Harga Barang atau Jasa yang Melonjak Dari Biasanya
Fraud dalam perusahaan selanjutnya yang mungkin terjadi adalah seorang karyawan bisa saja bekerja sama dengan vendor untuk meninggikan harga barang atau jasa, lalu hasilnya dibagi dua, untuk vendor dan oknum karyawan tersebut.
Sebagai informasi, data analytics bisa membantu perusahaan dalam membandingkan harga “normal” barang dan jasa antar vendor yang menyediakan item yang sama.
Benford’s Law
Benford’s law adalah alat uji yang sejak lama kerap digunakan untuk mendeteksi nominal angka yang tidak sesuai pola. Benford’s law sendiri mengacu pada probabilitas kemunculan suatu angka dalam serangkaian data numerik.
Benford’s Law seringkali digunakan sebagai solusi fraud di banyak bidang dengan output grafik distribusi angka seperti yang diharapkan. Benford’s Law juga mampu menemukan hal apapun yang dianggap tidak biasa. Hasilnya, aktivitas para pelaku penipuan yang kerap mencari keuntungan pribadi melalui invoice palsu dapat dengan mudah dideteksi.
Perlu dicatat bahwa tidak semua anomali yang ditemukan Benford’s Law merupakan penipuan, melainkan indikasi sesuatu yang tidak biasa yang memerlukan pemeriksaan lebih lanjut.
Nominal pembayaran kerap dalam “Jumlah Bulat”
Seperti yang telah diketahui, pelaku penipuan sering kali licik dan cerdik. Namun, pada kenyataannya pelaku penipuan tidak selalu dan tidak semuanya licik maupun cerdik. Terkadang, mereka kerap membulatkan nominal pembayaran. Memang, jumlah transaksi sah bisa berupa nominal bulat. Namun, dalam praktiknya, jumlah pembayaran bulat dalam suatu sistem pembayaran justru biasanya dianggap tidak umum, terutama jika pajak penjualan dan perhitungan lainnya ikut diterapkan.
Analisis data dalam “jumlah bulat” dapat digunakan untuk mendeteksi nominal transaksi apapun yang memiliki akhiran angka nol yang panjang. Sebagai informasi, fungsi MOD kerap menjadi acuan untuk memeriksa apakah benar nilai sisa suatu pembayaran adalah nol.
Jumlah Invoice Berurutan
Tahukah Anda, terkadang pelaku penipuan juga suka membuat kesalahan. Sebagai contoh, seorang karyawan bisa saja membuat akun vendor fiktif (phantom vendor) dan memasukkan invoice untuk barang dan jasa yang juga fiktif. Namun, dirinya lupa memprediksi alur pembayaran invoice di lapangan. Misal, jika jumlah invoice dari Acme Cleaning selama dua tahun periode masing-masing “20101” dan “20124”, bisa diartikan bahwa vendor tidak memiliki bisnis atau pelanggan lain. Memang, hal semacam ini bisa terjadi di kondisi tertentu, meskipun sangat jarang bahkan hampir tidak mungkin.
Sebuah tes dapat dilakukan untuk menganalisa semua invoice dari tiap vendor pada jangka waktu tertentu. Tujuannya, untuk mencari tahu jumlah rata-rata antar invoice. Dengan melakukan tes semacam ini, diharapkan proses identifikasi adanya anomali yang berpotensi menjadi penipuan bisa diketahui dengan relatif cepat.
Rahasia Pendeteksian Fraud di Perusahaan Jadi Lebih Mudah & Cepat!
10 indikator fraud di atas bisa menjadi panduan yang baik bagi perusahaan yang ingin mendeteksi fraud dalam tubuh perusahaan. Setelah selesai menganalisa serangkaian data analitik dasar dan meninjau hasilnya, langkah selanjutnya yang harus dilakukan adalah menindaklanjuti prosesnya.
Di AMT IT Solutions kami memiliki ACL Robotics dari Galvanize yang dapat mengotomasikan proses analisa, pelaporan, dan tindak lanjut anomali data! Dengan bantuan ACL Robotics dari Galvanize, proses deteksi fraud di perusahaan pastinya jadi lebih mudah, akurat, dan cepat.
Yuk cari tahu ACL Robotics selengkapnya dengan menhubungi kami and let’s collaborate!
