EFEKTIVITAS MODEL BENEISH M-SCORE DAN MODEL F-SCORE

DALAM MENDETEKSI KECURANGAN LAPORAN KEUANGAN

(Studi Empiris Pada Perusahaan Publik Amerika Serikat Periode 1997 – 2017)

UNIVERSITAS TARUMANEGARA
FAKULTAS EKONOMI
JAKARTA

DIAJUKAN OLEH:
NAMA : JASON HUGO
NIM : 127161008

UNTUK MEMENUHI SEBAGIAN DARI SYARAT-SYARAT GUNA

MENCAPAI GELAR MAGISTER AKUNTANSI
2018
 KATA PENGANTAR

Puji syukur saya panjatkan ke hadirat Tuhan Yang Maha Esa atas segala
berkat dan kekuatan yang Dia berikan sehingga saya dapat menyelesaikan Tesis ini
dengan baik dan tepat waktu. Saya menyadari bahwa Tesis ini tidak akan dapat
selesai sesuai jadwal tanpa campur tangan Tuhan Yang Maha Kuasa.
Dalam kesempatan ini, saya ingin mengucapkan terima kasih sebesar-
besarnya kepada keluarga besar, khususnya ibunda Herni Tanudjaja dan kakak
kandung Calvin Chiu, dan juga kakek dan nenek, Adhi Purnama dan Leni
Tanudjaja. Doa dan dukungan mereka dalam segala hal yang saya lakukan selalu
menjadi semangat baru sehingga saya dapat mengerjakan Tesis dengan baik.
Saya juga ingin secara khusus terima kasih kepada dosen pembimbing, Dr.
Hendang Tanusdjaja, SE., MM., Ak, CPA, CPMA, CA., atas panduan dan
dukungan dalam saya mengerjakan Tesis. Pengorbanan waktu dan tenaga yang
diberikan beliau menjadikan penelitian ini sebagai suatu penelitian yang
berkualitas. Tanpa dukungan beliau, maka Tesis ini tidak akan dapat diselesaikan
dengan baik.
Saya juga ingin mengucapkan terima kasih kepada saudari-saudariku,
Fanny Magdalena dan Lusy Ariestan, atas doa, dukungan, dan kesabaran dalam
membimbing saya. Pengalaman yang diberikan menjadi bekal yang baik sehingga
saya mampu menyelesaikan Tesis dengan baik. Dan juga kepada sahabat-
sahabatku, Stephanie Onggowinoto dan Christiana Marcella, terima kasih karena
selalu mendukung, baik dalam suka maupun duka, tanpa kenal lelah. Dan juga
teman-teman seperjuangan, Hadi Saputra, Kezia Josephine, Fredy Nathanael, Desy
Natalia, Dian Pertiwi, Hanjaya Perwira, Alvina Nataprawira, Cynthia Sari, Vanie,
Adhi Ciuyono, Yansen Cristian, Meiliana Jaunanda, dan Raynaldi. Terima kasih
karena bersedia untuk berjuang secara kompak sehingga dapat menyelesaikan
program Magister Akuntansi Universitas Tarumanegara dengan lancar.
Dan pada akhirnya saya berharap agar Tesis ini dapat berguna, baik secara
akademik maupun praktik. Saya berharap model yang diuji dalam penelitian ini
dapat menjadi modal bagi pemangku kepentingan untuk pengambilan keputusan
sehingga risiko-risiko kerugian di masa depan dapat diminimalkan.

iii
 ABSTRAK

Penelitian ini menguji efektivitas model Beneish M-Score dan model F-

Score dalam mendeteksi kecurangan laporan keuangan. Seturut dengan
peningkatan skandal kecurangan, pemangku kepentingan memerlukan model
deteksi yang dapat diandalkan sehingga mengurangi asimetri informasi dan
kerugian. Model Beneish M-Score dan model F-Score diuji secara empiris untuk
mengevaluasi hubungan dan signifikansi kedua model dengan kecurangan laporan
keuangan. Hipotesis dalam penelitian ini antara lain: model Beneish M-Score dan
model F-Score secara parsial efektif dalam mendeteksi kecurangan laporan
keuangan, dan variabel-variabel dalam model Beneish M-Score dan model F-Score
secara parsial dan simultan memiliki hubungan positif dengan kecurangan laporan
keuangan. Menggunakan metode partial least squares structural equation
modelling, hipotesis diuji menggunakan data emiten yang terdaftar di bursa efek
Amerika Serikat. Hasil pengujian menunjukkan bahwa kedua model terbukti efektif
dan memiliki korelasi positif yang kuat terhadap kecurangan laporan keuangan.
(Kata-kata kunci: Beneish M-Score, F-Score, Kecurangan Laporan Keuangan,
Asimteri Informasi).

This research investigates the effectiveness of Beneish M-Score and F-Score

models in detecting fraudulent of financial statements. In the rise of financial
statement frauds cases, stakeholders require reliable detection model to minimize
information asymmetry and damages. These models were empirically tested to
evaluate the correlation and significance of both models with the fraudulent of
financial statements. The hypotheses of this research were: Beneish M-Score and
F-Score models were partially effective in detecting the fraudulent of financial
statements, and the variables of the Beneish M and the F-Score models were
partially and simultaneously correlated with the fraudulent of financial statements.
With the partial least squares structural equation modelling, the hypotheses were
tested using data from public companies which were listed in the United States’
Stock Exchange. The outcome of this test shows that both models are partially
effective and correlated positively with the fraudulent of financial statements. (Key
words: Beneish M-Score, F-Score, Fraudulent of Financial Statements,
Information Asymmetry).

iv
 DAFTAR ISI

PERSETUJUAN PEMBIMBING ............................................................................ i

PERSETUJUAN PENGUJI .................................................................................... ii
KATA PENGANTAR ........................................................................................... iii
ABSTRAK ............................................................................................................. iv
DAFTAR ISI ............................................................................................................v
DAFTAR TABEL ................................................................................................. vii
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR LAMPIRAN .......................................................................................... ix

BAB I - PENDAHULUAN
1.1. Latar Belakang Permasalahan ...................................................................1
1.2. Identifikasi Masalah ..................................................................................7
1.3. Pembatasan Masalah ...............................................................................14
1.4. Rumusan Masalah ...................................................................................15
1.5. Tujuan dan Manfaat Penelitian................................................................16

BAB II - LANDASAN TEORI

2.1. Definisi Konseptual Variabel/Grand Theory...........................................20
2.2. Kaitan Antar Variabel .............................................................................41
2.3. Kerangka Pemikiran ................................................................................47
2.4. Hipotesis ..................................................................................................48

BAB III - METODE PENELITIAN

3.1. Desain Penelitian .....................................................................................51
3.2. Populasi dan Sampel Penelitian ..............................................................52
3.3. Operasionalisasi Variabel dan Instrumen ................................................55
3.4. Teknik Analisis Data ...............................................................................58

v
BAB IV – HASIL PENELITIAN DAN PEMBAHASAN
4.1. Deskripsi Subyek Penelitian ....................................................................61
4.2. Deskripsi Obyek Penelitian .....................................................................64
4.3. Hasil Pengujian ........................................................................................75
4.4. Hasil Uji Hipotesis ..................................................................................84
4.5. Pembahasan .............................................................................................93

BAB V – KESIMPULAN DAN SARAN

5.1. Kesimpulan ............................................................................................100
5.2. Saran ......................................................................................................103

DAFTAR REFERENSI .......................................................................................106

LAMPIRAN .........................................................................................................111

vi
 DAFTAR TABEL

Tabel 4.1. Data Statistik Variabel Beneish M-Score ..............................................65

Tabel 4.2. Data Statistik Variabel Beneish M-Score (Kecurangan) .......................65

Tabel 4.3. Data Statistik Variabel Beneish M-Score (Non-Kecurangan)...............66

Tabel 4.4. Perbandingan Data Statistik Variabel Beneish M-Score .......................69

Tabel 4.5. Data Statistik Variabel F-Score ............................................................70

Tabel 4.6. Data Statistik Variabel F-Score (Kecurangan) .....................................70

Tabel 4.7. Data Statistik Variabel F-Score (Non-Kecurangan) .............................71

Tabel 4.8. Perbandingan Data Statistik Variabel F-Score .....................................73

Tabel 4.9. Data Statistik Variabel Kecurangan Laporan Keuangan ......................74

Tabel 4.10. Outer Weight dari Variabel .................................................................76

Tabel 4.11. Outer Weight dari Variabel (Rearranged) ..........................................77

Tabel 4.12. Variance Inflation Factor ...................................................................79

Tabel 4.13. R-Square..............................................................................................80

Tabel 4.14. F-Square..............................................................................................81

Tabel 4.15. Q- Square ............................................................................................83

Tabel 4.16. Weight Significant Variabel ................................................................86

Tabel 4.17. Weight Significant Variabel (Rearranged) .........................................87

Tabel 4.18. Akurasi Model Beneish M-Score dan Model F-Score ........................91

vii
 DAFTAR GAMBAR

Gambar 1.1. Initial Detection of Occupational Frauds ...........................................4

Gambar 2.1. The Fraud Diamond ..........................................................................26

Gambar 2.2. The Fraud Tree..................................................................................40

Gambar 2.3. Kerangka Pemikiran ..........................................................................47

Gambar 3.1. Kerangka Pemikiran Pengujian Efektivitas Model ...........................60

Gambar 4.1. Diagram Alur.....................................................................................88

viii
 DAFTAR LAMPIRAN

Gambar 1.1. Initial Detection of Occupational Frauds .......................................111

Gambar 2.1. The Fraud Diamond ........................................................................112

Gambar 2.2. The Fraud Tree................................................................................113

Gambar 2.3. Kerangka Pemikiran ........................................................................114

Gambar 3.1. Kerangka Pemikiran Pengujian Efektivitas Model .........................115

Gambar 4.1. Diagram Alur...................................................................................116

Tabel 4.1. Data Statistik Variabel Beneish M-Score ............................................117

Tabel 4.2. Data Statistik Variabel Beneish M-Score (Kecurangan) .....................117

Tabel 4.3. Data Statistik Variabel Beneish M-Score (Non-Kecurangan).............118

Tabel 4.4. Perbandingan Data Statistik Variabel Beneish M-Score .....................119

Tabel 4.5. Data Statistik Variabel F-Score ..........................................................119

Tabel 4.6. Data Statistik Variabel F-Score (Kecurangan) ...................................120

Tabel 4.7. Data Statistik Variabel F-Score (Non-Kecurangan) ...........................120

Tabel 4.8. Perbandingan Data Statistik Variabel F-Score ...................................121

Tabel 4.9. Data Statistik Variabel Kecurangan Laporan Keuangan ....................121

Tabel 4.10. Outer Weight dari Variabel ...............................................................122

Tabel 4.11. Outer Weight dari Variabel (Rearranged) ........................................123

Tabel 4.12. Variance Inflation Factor .................................................................124

Tabel 4.13. R-Square............................................................................................124

Tabel 4.14. F-Square............................................................................................124

Tabel 4.15. Q- Square ..........................................................................................125

Tabel 4.16. Weight Significant Variabel ..............................................................125

Tabel 4.17. Weight Significant Variabel (Rearranged) .......................................126

Tabel 4.18. Akurasi Model Beneish M-Score dan Model F-Score ......................127

ix
 BAB I
PENDAHULUAN

1.1. Latar Belakang Permasalahan

Kecurangan adalah tindakan ilegal (atau melanggar hukum) yang

mengandung unsur kesengajaan, niat jahat, penipuan (deception), penyembunyian

(concealment), dan penyalahgunaan kepercayaan (violation of trust) demi

menguntungkan suatu pihak dengan merugikan pihak lainnya (Tuanakotta, 2013).

Kecurangan dapat diklasifikasikan menjadi tiga kategori, antara lain korupsi,

penyalahgunaan aset, dan kecurangan laporan keuangan (Singleton & Singleton,

2010). Survei Association of Certified Fraud Examiners tahun 2016 menunjukkan

bahwa kecurangan laporan keuangan bersifat paling destruktif, meskipun frekuensi

kejadian hanya sebesar 9 persen (ACFE, 2016). Survei ini merepresentasikan tren

peningkatan skandal kecurangan laporan keuangan selama dua dekade terakhir, di

antaranya skandal Enron Corporation (Bloomberg, 2001), kasus Satyam Computer

Services (Balachandran, 2009), Worldcom (Tran, 2002), Waskita Karya (Detik

Finance, 2009), dan Toshiba (Alpeyev & Amano, 2015). Kecurangan laporan

keuangan sendiri dapat didefinisikan sebagai tindakan ilegal manajemen untuk

menipu pengguna laporan keuangan dengan cara menyembunyikan atau mengubah

informasi bersifat material, dengan tujuan untuk kepentingan pribadi atau pihak

tertentu (ACFE, 2016). Faktor-faktor yang memotivasi tindakan kecurangan,

berdasarkan teori the fraud diamond, antara lain tekanan, kesempatan, kemampuan,

dan rasionalisasi (Wolfe & Hermanson, 2004).

1
 Pemegang saham mempekerjakan auditor untuk mengurangi risiko

kerugian. Teori keagenan (Jensen & Meckling, 1976) menjelaskan bahwa terdapat

konflik kepentingan antara pemegang saham (principal) dan manajemen (agent).

Di satu sisi, pemegang saham menuntut agar manajemen meningkatkan kekayaan

pemegang saham, dalam bentuk pengembalian investasi seperti capital gain dan

pembayaran dividen (Scott, 2015). Di sisi lain, manajemen ingin memperkaya diri

sendiri, sesuatu yang kerap bertolak-belakang dengan obyektif pemegang saham.

Manajemen menggelembungkan performa laporan keuangan untuk meningkatkan

harga saham emiten, dan dengan demikian meningkatkan pembayaran bonus

kepada manajemen. Selain itu manajemen juga kerap melakukan manajemen laba

saat gagal mencapai target perusahaan (Scott, 2015). Konflik kepentingan antara

prinsipal dan agen menimbulkan agency costs. Menurut Hery (2016), agency costs

adalah biaya yang dikeluarkan, berupa gaji besar, bonus, dan saham, oleh pemegang

saham untuk menekan keinginan manajemen untuk melakukan kecurangan. Selain

itu timbul juga monitoring cost, yaitu biaya audit untuk memeriksa laporan

keuangan yang disajikan oleh manajemen, apakah telah bebas dari salah saji

material dan disajikan sesuai dengan standar akuntansi yang berlaku. Ironisnya

survei membuktikan bahwa auditor kerap gagal dalam melaksanakan tugasnya.

Survei ACFE (2016) menunjukan bahwa audit internal dan eksternal kurang

efektif dalam mendeteksi kecurangan (Gambar 1.1). Tip (atau whistleblowing)

terbukti paling efektif, dengan tingkat deteksi hingga 39,1 persen pada tahun 2016.

Sebaliknya persentase keberhasilan audit internal dan eksternal hanya sebesar 16,5

persen dan 3,8 persen. Rendahnya tingkat deteksi auditor disebabkan beberapa

2
unsur, antara lain keterlibatan auditor dalam skema kecurangan, kelalaian auditor,

maupun keterbatasan lingkup audit.

Pertama, auditor terlibat secara langsung dalam skema kecurangan. Kasus

– kasus kecurangan laporan keuangan terdahulu membuktikan bahwa auditor kerap

terlibat dalam kasus kecurangan laporan keuangan. Sebagai contoh, auditor tidak

mengoreksi penggelembungan pendapatan sebesar Rp. 5 Miliar dalam laporan

keuangan PT. Waskita Karya (Rahadiana, 2009). Sebaliknya, KAP Herliantono

tetap memberikan opini wajar tanpa pengecualian meskipun laporan PT. Waskita

Karya mengandung salah saji material. Kegagalan auditor untuk memberikan sinyal

mengenai kesalahan bersifat material di dalam laporan keuangan meningkatkan

asimetri informasi sehingga merugikan pemegang saham dan pemangku

kepentingan lainnya.

Kedua, auditor lalai dalam melaksanakan tanggung jawabnya. Beberapa

auditor memilih tidak mempertahankan kualitas audit. Sebagai contoh, auditor

PwC, Subramani Gopala Krishnan dan Srinivas Talluri, tidak melaksanakan

prosedur audit mendasar, yakni mengkonfirmasi jumlah saldo kas ke pihak ketiga

independen, pada saat memeriksa laporan keuangan Satyam Computer Services Ltd

(SEC, 2011). Akibatnya kecurangan laporan keuangan tidak terdeteksi dan

beberapa tahun laporan keuangan mengandung salah saji material sehingga

merugikan pemegang saham.

3
Gambar 1.1. Initial Detection of Occupational Frauds

Sumber: ACFE (2016)

Terakhir adalah keterbatasan auditor dalam melaksanakan pemeriksaan.

Dalam melaksanakan audit, auditor menghadapi keterbatasan berbentuk waktu,

biaya, dan lingkup kerja (Hery, 2016). Dengan keterbatasan sumber daya,

kesalahan – kesalahan bersifat material kerap tidak dapat ditemukan, khususnya

jika manajemen menyembunyikan kecurangan secara rapi dan kompleks. Pada

akhirnya, opini audit yang diberikan tidak merepresentasikan kondisi laporan

keuangan yang sebenarnya sehingga pemangku kepentingan, termasuk auditor,

dirugikan.

4
 Kegagalan auditor dalam mendeteksi kecurangan laporan keuangan

mendorong peneliti-peneliti untuk mengembangkan model – model deteksi atau

prediktif kecurangan, yang relevan dan dapat diandalkan, demi mengurangi

asimetri informasi. Singleton dan Singleton (2010) mengungkapkan beberapa

metode deteksi, antara lain (1) Analisis laporan keuangan secara horisontal dan

vertikal; (2) Analisis rasio keuangan; (3) Beneish’s five earning manipulation ratio;

(4) Examination of generally accepted accounting principles (GAAP) tax rate

versus cash tax rate; (5) Irrational price/earnings ratios: benchmark is 20 to 25,

S&P average is about 36; (6) Financial auditors applying SAS No.99; dan (7) Data

Mining. Sedangkan dalam penelitian terdahulu terdapat dua dari banyak model

prediksi kecurangan yang telah dikembangkan, adalah: (1) model Beneish M-Score

(Beneish, 1999), dan (2) model F-score (Dechow et al., 2011).

Model Beneish M-Score (Beneish, 1999), dicetuskan pertama kali oleh

Messod Daniel Beneish di dalam artikel berjudul “The Detection of Earnings

Manipulation”, merupakan model prediksi kecurangan laporan keuangan –

manajemen laba. Beneish (1999) mengembangkan model Beneish M-Score dengan

menyeleksi rasio – rasio keuangan yang berdasarkan penelitian terdahulu signifikan

dalam memprediksi manajemen laba. Kasus kecurangan laporan keuangan yang

digunakan untuk mengembangkan model ini adalah kasus kecurangan yang tertera

dalam laporan Accounting and Auditing Enforcement Releases (AAER) periode

1982 – 1988. Sedangkan pengujian model dilakukan dengan menggunakan kasus

yang tertera dalam laporan AAER pada tahun 1989 – 1992. Rasio – rasio yang

terpilih sebagai bagian dari model, antara lain days sales in receivable index, gross

5
margin index, depreciation index, sales growth index, leverage index, total accruals

to total assets, asset quality index, dan sales, general, and administrative expenses

index.

Penelitian Beneish (1999) membuktikan bahwa model Beneish M-Score

dapat mengklasifikasikan laporan keuangan yang mengandung dan tidak

mengandung kecurangan. Dalam penelitian ini, diketahui bahwa rasio - rasio

depreciation index, leverage index, dan sales, general, and administrative expenses

tidak memiliki hubungan yang signifikan dengan manajemen laba. Menurut

Beneish (1999) semakin besar nilai M Beneish, maka semakin besar kemungkinan

laporan keuangan mengandung kecurangan laporan keuangan. Tarjo dan Herawati

(2015) juga mengungkapkan bahwa laporan keuangan dengan nilai M lebih besar

dari -2,22 patut diduga mengandung kecurangan laporan keuangan.

Penelitian lain mengenai model Beneish M-Score membuahkan hasil yang

beragam. Sebagai contoh, penelitian Cecchini et al. (2010) membuktikan bahwa

model Beneish M-Score mampu mendeteksi kecurangan laporan keuangan.

Penelitian terdahulu (Tarjo & Herawati, 2015; Aris et al., 2015; dan Repousis,

2016) juga menunjukkan hasil yang konsisten, yaitu model terbukti efektif dalam

mendeteksi kecurangan laporan keuangan dengan rasio depreciation index,

leverage index, dan sales, general, and administrative expenses tidak memiliki

hubungan signifikan dengan manajemen laba. Namun penelitian terbaru oleh

Bhavani dan Amponsah (2017) membuktikan bahwa model gagal dalam

mendeteksi kesalahan saji material yang terkandung dalam laporan keuangan

Toshiba (Alpeyev & Amano, 2015). Gagal dalam mendeteksi kecurangan laporan

6
keuangan terbaru, maka relevansi dan reliabilitas model Beneish M-Score perlu

diuji kembali.

Sedangkan model F-Score merupakan model prediksi kecurangan laporan

keuangan yang dicetuskan pertama kali oleh Patricia Dechow dan kawan-kawan

dalam artikel berjudul “Predicting Material Accounting Misstatement” (Dechow et

al., 2011). Rasio – rasio yang menjadi bagian dalam model F-Score, antara lain: (1)

RSST Accruals; (2) Changes in Receivables; (3) Changes in Inventories; (4)

Percentages of Soft Assets; (5) Changes in Cash Sales; (6) Changes in Return on

Assets; dan (7) Issuance of Stocks or Obligations. Rasio – rasio terpilih memiliki

pengaruh signifikan saat diujikan pada kasus – kasus kecurangan laporan keuangan

yang terjadi selama periode 1982 – 2005 di bursa efek Amerika Serikat (Dechow et

al., 2011). Namun karena standar akuntansi berbasis Generally Accepted

Accounting Principles telah banyak berubah sejak krisis ekonomi global tahun

2008, maka relevansi dan reliabilitas model F-Score perlu diuji kembali

menggunakan sampel data terbaru.

1.2. Identifikasi Masalah

Terdapat tiga masalah utama teridentifikasi dalam penelitian ini, antara lain

(1) asimetri informasi; (2) relevansi dan reliabilitas model Beneish M-Score dalam

memprediksi kecurangan laporan keuangan; dan (3) relevansi dan reliabilitas model

F-Score dalam memprediksi kecurangan laporan keuangan.

7
1.2.1. Asimetri Informasi

Tindakan memanipulasi laporan keuangan menimbulkan asimetri informasi

antara pihak internal dan eksternal perusahaan. Performa dan posisi keuangan kerap

digelembungkan karena (1) berhubungan langsung dengan perubahan harga saham,

dan dengan demikian insentif kepada manajemen berupa bonus; atau (2) gagal

mencapai target sehingga membahayakan posisi manajemen (Scott, 2015).

Konsekuensi kecurangan adalah asimetri antara yang dilaporkan dengan kondisi

perusahaan sebenarnya sehingga pengguna laporan keuangan tersesat.

Jasa pihak ketiga independen – auditor digunakan untuk mengurangi

asimetri informasi. Opini audit diberikan sebagai sinyal sebagai bentuk keyakinan

auditor mengenai apakah laporan keuangan telah bebas salah saji material dan

disajikan sesuai dengan standar akuntansi yang berlaku (Hery, 2016). Namun

ironisnya auditor kerap terlibat dalam skandal kecurangan laporan keuangan,

seperti dalam kasus Enron Corporation (Bloomberg, 2001) dan Satyam Computer

Services (Balachandran, 2009). Meskipun mengetahui bahwa laporan keuangan

mengandung salah saji material, auditor tetap memberikan opini audit wajar tanpa

pengecualian. Dan akibatnya pengguna laporan keuangan menjadi tersesat. Oleh

karena itu, jasa auditor tidak bisa dijadikan sebagai satu-satunya metode untuk

mendeteksi salah saji material pada laporan keuangan. Model – model prediksi

kecurangan, yaitu model Beneish M-Score dan model F-Score dapat digunakan

untuk meminimalkan asimetri informasi. Namun relevansi dan reliabilitas kedua

model perlu diuji terlebih dahulu sebab jika model terbukti efektif dalam

mendeteksi kecurangan, maka asimetri informasi dapat diminimalkan.

8
1.2.2. Efektivitas Model Beneish M-Score

Efektivitas model Beneish M-Score dalam memprediksi kecurangan laporan

keuangan perlu diuji kembali. Dicetuskan pertama kali oleh Messod Daniel

Beneish, validitas dan reliabilitas model Beneish M-Score telah diuji berulang kali

dalam konteks yang berbeda (Cecchini, et al., 2010; Tarjo & Herawati, 2015; Aris

et al., 2015; Repousis, 2016). Penelitian terdahulu menunjukkan hasil yang cukup

konsisten, yaitu model Beneish M-Score terbukti memiliki kemampuan

memprediksi kecurangan laporan keuangan. Namun pengujian model Beneish M-

Score oleh Bhayani dan Amponsah (2017) pada laporan keuangan Toshiba

(Alpeyev & Amano, 2015) menunjukkan bahwa model Beneish M-Score gagal total

dalam mendeteksi manajemen laba. Kegagalan tersebut menimbulkan keraguan

atas relevansi dan validitas model Beneish M-Score dalam mendeteksi kecurangan

laporan keuangan, khususnya di era modern. Ini dikarenakan skema kecurangan

semakin canggih dan standar akuntansi yang dianut telah berevolusi sejak model

pertama kali dicetuskan. Oleh karena itu efektivitas model Beneish M-Score perlu

diuji kembali agar pengguna tidak salah dalam mengklasifikasikan laporan

keuangan, antara mengandung atau tidak mengandung salah saji material.

Pengujian model Beneish M-Score dapat dilakukan dengan menguji signifikansi

variabel – variabel dalam model Beneish M-Score, yaitu days sales in receivable

index, gross margin index, depreciation index, sales growth index, leverage index,

total accruals to total assets, asset quality index, dan sales, general, and

administrative expenses index, dalam memprediksi kecurangan laporan keuangan.

9
1.2.3. Efektivitas Model F-Score

Efektivitas dan reliabilitas model F-Score juga masih perlu diuji.

Dicetuskan pada tahun 2011 oleh Dechow et al., konsistensi model F-Score dalam

mendeteksi kecurangan laporan keuangan belum teruji. Pertama, model F-Score

dalam penelitian Dechow et al. (2011) diuji pada kasus – kasus kecurangan laporan

keuangan yang terjadi pada tahun 1982 – 2005. Sedangkan standar akuntansi

Generally Accepted Accounting Principles telah banyak berubah sejak tahun 2008.

Oleh karena itu model perlu diuji kembali untuk memastikan bahwa model masih

relevan di era modern.

Selain itu, manajemen semakin canggih dalam melakukan skema

kecurangan sehingga kesalahan saji material tidak dapat terdeteksi. Model F-Score

hanya diuji pada jenis kecurangan laporan keuangan berupa penggelembungan

pendapatan dan aset. Sedangkan teori The Fraud Tree (Singleton & Singleton,

2010) menggambarkan bahwa masih banyak kecurangan – kecurangan laporan

keuangan lainnya yang menimbulkan salah saji material. Dengan demikian,

keandalan dan relevansi model F-Score dalam mendeteksi kecurangan laporan

keuangan perlu diuji. Pengujian model F-Score dapat dilakukan dengan menguji

signifikansi variabel – variabel dalam model F-Score, yaitu RSST Accruals; (2)

Changes in Receivables; (3) Changes in Inventories; (4) Percentages of Soft Assets;

(5) Changes in Cash Sales; (6) Changes in Return on Assets; dan (7) Issuance of

Stocks or Obligations, dalam memprediksi kecurangan laporan keuangan.

10
 1.2.4 Penelitian Terdahulu

Variabel Variabel
NO Judul Pengarang Metodologi Hasil Penemuan
Bebas Terikat
Application of Beneish M- Beneish M-Score dan
Kuantitatif: Pengumpulan
Score Model and Data Tarjo & Beneish M- Kecurangan Data Mining efektif
Data, Menghitung Beneish
1 Mining to Detect Financial Herawati, N. Score dan Data laporan dalam mendeteksi
M-Score, dan Melakukan
Fraud (Procedia - Social (2015) Mining keuangan kecurangan laporan
Data Mining
and Behavioral Sciences) keuangan.
Fraudulent Financial
Statement Detection Using Beneish M- Kuantitatif: Pengujian Beneish M-Score, Altman
Statistical Techniques: The Score, Altman Kecurangan Beneish M-Score, Altman Z-Score dan Rasio
Aris et al.
11

2 Case of Small Medium Z-Score, dan laporan Z-Score, dan Rasio Keuangan efektif dalam
(2015)
Automotive Enterprise Rasio keuangan Keuangan dalam mendeteksi kecurangan
(Journal of Applied Keuangan mendeteksi FFR laporan keuangan.
Business Research)
Using Beneish to Detect
Beneish M-Score pada
Corporate Financial Fraud Kecurangan
Repousis, S. Beneish M- Kuantitatif: Beneish M- fraudulent firms dan non-
3 in Greece laporan
(2016) Score Score fraudulent firms adalah
(Journal of Financial keuangan
signifikan.
Crime)
 Laporan Kuantitatif: Menguji Model F-Score dapat
Predicting Material Model Scaled
keuangan efektivitas F-Score dalam mendeteksi kecurangan
Accounting Misstatements Dechow, et Logistic
4 fraudulent membedakan laporan pada laporan keuangan
(Journal of Contemporary al. (2011) Probability: F-
dan non- keuangan termanipulasi dan dengan tingkat keakuratan
Accounting Research) Score
fraudulent non-termanipulasi. 61,73%.
The model of fraud detection Keakuratan model dalam
Kanapickiene
in financial statements by Kecurangan Kuantitatif: Pengembangan mengklasifikasikan
,R& Model Logistic
5 means of financial ratios laporan model dan pengujian kecurangan laporan
Grundiene, Regression
(Procedia - Social and keuangan efektivitas model keuangan mencapai
Z. (2015)
Behavioral Sciences) 84,8%.
Accountability in financial Laporan Kuantitatif: Pengujian
Terdapat perbedaan
reporting: detecting Rasio keuangan efektivitas rasio Z-SCORE
Dalnial, H, et signifikan antara laporan
12

6 fraudulent firms Keuangan: Z- fraudulent dalam mendeteksi

al. (2014) keuangan fraudulent dan
(Procedia - Social and Score dan non- kecurangan laporan
non-fraudulent
Behavioral Sciences) fraudulent keuangan di Malaysia.
Data mining techniques for Decision Trees, Bayesian Belief Networks
the detection of fraudulent Neural Kecurangan Kuantitatif: efektivitas data memiliki performa terbaik
Kirkos, et al.
7 financial statements Networks, dan laporan mining dalam mendeteksi dalam mendeteksi
(2007)
(Expert Systems with Bayesian Belief keuangan kecurangan. kecurangan laporan
Applications) Networks keuangan.
 M-Score and Z-Score for Altman Z-Score efektif,
Bhavani, G. Beneish M- Kuantitatif: Menguji
detection of accounting sedangkan Beneish M-
& Score Kecurangan efektivitas ke-dua model
8 fraud Score gagal dalam
Amponsah, dan Akuntansi dalam mendeteksi
(Accountancy Business and mendeteksi kecurangan
C.T. (2017) Altman Z-Score kecurangan.
the Public Interest) laporan keuangan.
Financial ratios between Profitability, Terdapat perbedaan
fraudulent and non- Liquidity, signifikan antara laporan
fraudulent firms: Evidence Financial keuangan fraudulent dan
Kecurangan Kuantitatif: Rasio
9 from Tehran Stock Nia (2015) Leverage, non-fraudulent,
Korporat Keuangan
Exchange Capital khususnya rasio
(Journal of Accounting and Turnover, Aset profitabilitas, likuiditas,
Taxation) Composition dan capital turnover.
Can financial ratios detect
13

fraudulent financial Kecurangan 16 Rasio signifikan dalam

Kaminshki et 21 Rasio
10 reporting? Laporan Kuantitatif: Rasio keuangan mendeteksi kecurangan
al. (2004) Keuangan
(Managerial Auditing Keuangan laporan keuangan.
Journal)

Sumber: Olahan Penulis

1.3. Pembatasan Masalah

Kecurangan laporan keuangan merupakan sebuah topik yang kompleks.

Perbedaan industri, geografi, dan rentang waktu dapat membuahkan hasil yang

berbeda. Selain itu, keterbatasan sumber daya juga perlu diperhitungkan dalam

sebuah penelitian.

Penelitian ini menguji model Beneish M-Score dan model F-Score secara

eksklusif pada perusahaan publik yang memperdagangkan saham di Bursa Efek

Amerika Serikat. Alasan terutama adalah karena Otoritas Jasa Keuangan dan Bursa

Efek Indonesia tidak mempublikasikan laporan mengenai emiten-emiten yang telah

terbukti melakukan kecurangan laporan keuangan, dengan alasan dapat mencoreng

nama baik perusahaan. Oleh karena penelitian ini memerlukan informasi mengenai

perusahaan yang telah terbukti melakukan kecurangan, maka penelitian ini akan

menggunakan data asal Amerika Serikat.

Perusahaan yang diteliti adalah perusahaan yang terdaftar dalam Accounting

and Auditing Enforcement Releases (AAERs). Kecurangan dilaporkan dalam

AAER bermacam – macam. Namun dalam penelitian ini, hanya kecurangan jenis

kecurangan laporan keuangan yang diteliti. Selain itu, perusahaan yang bergerak di

bidang industri asuransi dan perbankan tidak akan dimasukkan ke dalam sampel

penelitian sebab memiliki komponen laporan keuangan yang berbeda.

Sedangkan pembatasan periode tergantung dari periode kecurangan, yaitu

sebelum, saat dan sesudah periode kecurangan. Sebagai contoh, AAER menetapkan

bahwa perusahaan A telah memanipulasi laporan keuangan selama periode 2011 –

14
2014. Maka data laporan keuangan yang akan diambil untuk laporan yang

mengandung kecurangan adalah laporan keuangan tahun 2011, 2012, 2013, dan

2014, dan representatif laporan keuangan non-manipulasi yaitu laporan keuangan

tahun 2009, 2010, 2015, dan 2016. Periode sebelum dan sesudah kecurangan akan

dijadikan pembanding untuk menguji apakah model Beneish M-Score dan model

F-Score dapat secara efektif membedakan antara laporan keuangan termanipulasi

dan non-termanipulasi. Periode penelitian ini adalah tahun 1997 – 2017.

1.4. Rumusan Masalah

Menurut Aritonang et al. (2014), rumusan masalah harus dibentuk dengan

menggunakan kata tanya; menuliskan secara eksplisit variabel-variabel;

menuliskan secara eksplisit kaitan antara variabel-variabel; kaitan antara variabel-

variabel dinyatakan sesuai dengan analisis atau uji yang akan digunakan; dan

diakhiri dengan tanda tanya.

Perumusan masalah dalam penelitian ini, ialah :

1. Apakah variabel – variabel dalam model Beneish M-Score merupakan

prediktor yang baik dalam mendeteksi kecurangan laporan keuangan?

2. Apakah variabel – variabel dalam model F-Score merupakan prediktor yang

baik dalam mendeteksi kecurangan laporan keuangan?

3. Apakah model Beneish M-Score efektif dalam mendeteksi kecurangan laporan

keuangan?

4. Apakah model F-Score efektif dalam mendeteksi kecurangan laporan

keuangan?

15
1.5. Tujuan dan Manfaat Penelitian

1.5.1. Tujuan Penelitian

Menurut Aritonang et al. (2014), tujuan dari penelitian secara langsung

berkaitan dengan rumusan masalah yang telah dibuat. Berhubung penelitian ini

adalah penelitian kuantitatif, maka penelitian ini bertujuan untuk menguji

kebenaran hipotesis, yakni pernyataan-pernyataan yang dibuat berdasarkan teori

yang telah dikembangkan selama ini. Dengan demikian, penelitian ini memiliki

tujuan, antara lain :

1. Menguji signifikansi variabel – variabel dalam model Beneish M-Score

sebagai prediktor kecurangan laporan keuangan.

2. Menguji signifikansi variabel – variabel dalam model F-Score sebagai

prediktor kecurangan laporan keuangan.

3. Menguji efektivitas model Beneish M-Score dalam mendeteksi kecurangan

laporan keuangan.

4. Menguji efektivitas model F-Score dalam mendeteksi kecurangan laporan

keuangan.

1.5.2. Manfaat Penelitian

Manfaat merupakan faedah yang dapat diperoleh oleh pengguna laporan

penelitian (Aritonang et al., 2014). Secara umum, manfaat sebuah penelitian dapat

dibagi menjadi dua, yakni manfaat untuk praktisi dan pengembangan ilmu (Sekaran

& Bougie, 2013). Peneliti percaya bahwa penelitian ini akan memberikan manfaat

secara akademisi dan praktisi.

16
1.5.2.1. Akademisi

Penelitian ini menambah koleksi literatur di Indonesia. Sejauh ini belum ada

penelitian domestik yang memanfaatkan model F-Score dalam mendeteksi

kecurangan laporan keuangan. Selain itu, penelitian ini menggunakan data terbaru

dengan rentang waktu yang lebih panjang sehingga dapat mengonfirmasi relevansi

dan reliabilitas model Beneish M-Score dan model F-Score. Dan pada akhirnya,

penelitian ini juga akan memberikan perbandingan efektivitas kedua model dalam

mendeteksi kecurangan pada laporan keuangan.

1.5.2.2. Praktisi

1.5.2.2.1 Auditor

Pihak pertama yang diuntungkan dari penelitian ini ialah auditor. Tidak dapat

dipungkiri bahwa ketidakmampuan dalam mendeteksi kecurangan merugikan

auditor. Subramani Gopala Krisnan dan Srinivas Talluri, sebagai auditor PwC,

dikenakan sanksi berupa pencabutan izin seumur hidup karena tidak mampu

mendeteksi kecurangan yang dilakukan oleh manajemen Satyam Computer

Services Ltd. (Balachandran, 2009). Begitu pula dengan Kantor Akuntan Publik

Arthur Andersen dalam skandal Enron (Bloomberg, 2001) dan Kantor Akuntan

Publik Heliantono dalam skandal PT. Waskita Karya (Detik Finance, 2009)

dibubarkan karena kasus kecurangan. Oleh karena itu, penelitian ini akan

membekali auditor dengan model deteksi kecurangan yang efektif sehingga mampu

memenuhi ekspektasi pemangku kepentingan dalam mendeteksi kecurangan.

Dengan demikian, risiko audit, berupa biaya litigasi, kerusakan reputasi, dan risiko

pencabutan izin praktik, dapat diminimalkan.

17
1.5.2.2.2. Investor / Pemegang Saham

Pemegang saham diuntungkan dari segi peningkatan pengembalian

investasi dan pengurangan risiko kerugian di masa depan. Dengan memanfaatkan

model deteksi kecurangan yang efektif, investor dapat menentukan apakah laporan

keuangan mengandung salah saji material. Ini penting sebab kecurangan laporan

keuangan bersifat menyesatkan, khususnya dalam hal pengambilan keputusan

investasi (Scott, 2015) sehingga merugikan investor di masa depan. Jika investor

merasa bahwa laporan yang disajikan telah diungkapkan secara jujur dan benar,

maka investor dapat melanjutkan ke tahap berikutnya, yakni menganalisis prospek

perusahaan di masa depan sehingga dapat memutuskan antara menanamkan modal

atau tidak pada emiten tersebut. Dengan demikian, penelitian ini mengurangi risiko

kerugian terhadap investor perbuatan manajemen yang tidak etis.

1.5.2.2.3. Pemangku Kepentingan Lainnya

Penelitian ini juga secara tidak langsung memberikan manfaat bagi

pemangku kepentingan lainnya. Pemangku kepentingan yang dimaksudkan seperti

pengamat keuangan, regulator, masyarakat umum dan lain-lain. Pengamat

keuangan dapat menghindari kerusakan reputasi karena merekomendasikan produk

yang salah. Sedangkan regulator dapat menggunakan model ini untuk melindungi

investor dari saham “sampah”. Selain itu, model deteksi meningkatkan kualitas

informasi yang didapatkan pihak eksternal sehingga mengurangi asimetri

informasi. Penelitian ini juga memberikan manfaat bagi masyarakat luas.

Kecurangan menimbulkan dampak buruk terhadap publik, dikenal sebagai negative

externalities (Bamford & Grand, 2010). Skandal Enron menyebabkan sekitar 4.000

18
pegawai kehilangan pekerjaan dalam sekejap (Bragg, 2002). Kasus tersebut juga

menyebabkan kekacauan di Pasar Modal Amerika Serikat, memperburuk tingkat

pengangguran (unemployment rate), dan lain-lain. Oleh sebab itu, model deteksi

yang lebih akurat nan konsisten dapat meminimalkan probabilitas terjadinya

kecurangan sehingga pengaruh negatif terhadap pemangku kepentingan lainnya

akibat efek domino juga dapat dikurangi.

1.5.2.2.4. Peneliti

Penelitian ini membawa manfaat berupa pengetahuan dan wawasan yang

dapat diaplikasikan di dunia kerja di masa depan. Jenis pekerjaan di bidang

keuangan, dimana salah satu aktivitasnya adalah berinvestasi di pasar modal, dapat

memanfaatkan instrumen dalam penelitian ini. Jika kecurangan laporan keuangan

dapat dideteksi sejak awal, maka risiko kerugian dalam menanamkan modal dapat

dikurangi sebab model dalam penelitian ini akan memberikan peringatan atau

redflag atas akun-akun yang berpotensi mengandung salah saji material.

19
Alpeyev, P. & Amano, T. (2015, 20 Juli). Toshiba to restate at least 152 billion
Yen of past profits. Bloomberg. Diakses pada 5 Juli 2018, dari
https://www.bloomberg.com/news/articles/2015-07-20/toshiba-to-restate-
152-billion-yen-of-past-profits-after-probe.

Aris, N. A., Arif, S.M.M., Othman, R., & Zain, M. M. (2015). Fraudulent
financial statement detection using statistical techniques: The case of small
medium automotive enterprise. Journal of Applied Business Research,
31(4), 1469.

Aritonang, L. R., Gani, H. S., Ramli, I., Tjakrawala, F. X. K., Dermawan, E. S.,
Tundjung H. S., Ismanto, & Hermawan, I. (2014). Ketentuan pokok
pembuatan dan persetujuan tesis serta ketentuan pokok pelaksanaan ujian
tesis. Fakultas Ekonomi Universitas Tarumanegara. Jakarta: Program
Magister Akuntansi.

Association of Certified Fraud Examiner. (2016). Report to The Nations on

Occupational Fraud and Abuse. Diakses dari
https://www.acfe.com/rttn2016/docs/2016-report-to-the-nations.pdf.

Balachandran, S.V. (2009, Januari 7). The Satyam scandal. Forbes. Diakses pada
12 Januari 2018, dari https://www.forbes.com/2009/01/07/satyam-raju-
governance-oped-cx_sb_0107balachandran.html#6f199f33044c.

Bamford, C. & Grand, S. (2010). Cambridge international AS and A level:

Economics (2nd ed.). United Kingdom: Cambridge University Press.

Barton, J. & Simko, P. (2002). The balance sheet as an earning management

constraint. The Accounting Review, 77 (Supplement), 1 – 27.

Belanès, A., & Saihi, M. (2016). Evidence on complementarity and substitution

contingency in monitoring and bonding mechanisms. Research in
International Business and Finance, 38, 161-171.
doi:10.1016/j.ribaf.2016.04.001.

106
Beneish, M.D. (1999). The detection of earnings manipulation, Financial Analysts
Journal, 24 – 36.

Beneish, M.D. (1999b). Incentives and penalties related to earnings

overstatements that violate GAAP. The Accounting Review, 74 (4), 425 – 57.

Bhavani, G. & Amponsah, C.T. (2017). M-Score and Z-Score for detection of
accounting fraud. Accountancy Business and the Public Interest, 68 – 86.
http://visar.csustan.edu/aaba/BhavaniAmponsah2017.pdf.

Bloomberg (2001, Desember 17). The fall of Enron. Bloomberg. Diakses pada 12
Januari 2018, dari https://www.bloomberg.com/news/articles/2001-12-
16/the-fall-of-enron.

Bragg, R. (2002, Januari 20). Enron’s collapse: Workers; Workers feel pain of
layoffs and added sting of betrayal. New York Times. Diakses pada 15
Januari 2018, dari http://www.nytimes.com/2002/01/20/us/enron-s-collapse-
workers-workers-feel-pain-layoffs-added-sting-betrayal.html.

Carey, P. J., Geiger, M. A., & O’Connell, B. T. (2008). Costs associated with
going-concern-modified audit opinions: An analysis of the Australian audit
market. Abacus, 44(1), 61-81. doi:10.1111/j.1467-6281.2007.00249.x.

Cecchini, M., Aytug, H., Koehler, G.J., & Pathak, P. (2010). Making words work:
Using financial text as a predictor of financial events. Decision Support
Systems, 50, 164 – 175.

Chin, W.W. (1998). The partial least squares approach for structural equaltion
modelling: Modern methods for business research. London: Lawrence
Erlbaum Associates.

Chin, W.W. (2003). PLS Graph 3.0. Houston: Soft Modelling Inc.

Chin, W.W. (2010b). How to write up and report PLS analyses. Berlin: Springer.

Cressey, D. R. (1953). Other people’s Money: A study of the social psychology of

embezzlement. Glencoe, IL: Free Press.

107
Cressey, D. R. (1973). Other people’s money: A study in the social psychology of
embezzlement (revised edition). Montclair, NJ: Patterson Smith Publishing
Corporation.

Dalnial, H., Kamaluddin, A., Sanusi, Z.M., & Khairuddin, K.S. (2014).
Accountability in financial reporting: detecting fraudulent firms. Proocedia
– Social and Behavioral Sciences, 145, 61 – 69.

Dechow, P.M., Ge, W., Larson, C.R., & Sloan, R.G. (2011). Predicting material
accounting misstatements. Contemporary Accounting, 28 (1), 17–82.

Detik Finance (2009, September 9). Usai manipulasi keuangan, Waskita Karya
segera direstrukturisasi. Detik Finance. Diakses pada 12 Januari 2018, dari
https://finance.detik.com/berita-ekonomi-bisnis/1200038/usai-manipulasi-
keuangan-waskita-karya-segera-direstukturisasi.

Dorminey, J., Fleming, S., Kranacher, M., & Riley, R. (2012). The evolution of
fraud theory. Issues in Accounting Education, 27 (2), 555-579.

Feroz, E., Park, E., & Pastena, V. (1991). The financial and market effects of the
SEC’s accounting and auditing enforcement releases. Journal of Accounting
Research, 29 (Supplement), 107-42.

Ghozali, H.I. & Latan, H. (2015). Partial least squares: konsep, teknik, dan
aplikasi menggunakan program SmartPLS 3.0 untuk penelitian empiris (Ed.
2). Semarang: Universitas Diponegoro.

Graham, J., Harvey, C., & Rajgopal, S. (2005). The economic implications of
corporate financial reporting. Journal of Accounting and Economics, 40 (1-
3), 3 – 73.

Hair, J.F., Ringle, C.M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet.
Journal of Marketing Theory and Practice, 139 – 150.

Healy, P. (1985). The effect of bonus schemes on accounting decisions. Journal of

Accounting and Economics, 7 (1), 85 – 107.

108
Hery, S.E. (2016). Auditing dan Asurans. Jakarta: PT Grasindo.

Higson, A. (2003). Corporate financial reporting: theory and practice. London:

Sage Publications.

Jensen, M. C. & Meckling, W. H. (1976). Theory of the firm: Managerial

behavior, agency costs and ownership structure. Journal of Financial
Economics, 3(4), 305-360. doi:10.1016/0304-405X(76)90026-X.

Kaminski, K.A., Wetzel, T.S., & Guan, I. (2004). Can financial ratios detect
fraudulent financial reporting? Managerial Auditing Journal, 1, 15 – 28.

Kanapickiene, R. & Grundiene, Z. (2015). The model of fraud detection in

financial statements by means of financial ratios. Social and Behavioral
Sciences, 213, 321 – 327.

Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for
the detection of fraudulent financial statements. Expert System Application,
32 (4), 995–1003.

Lev, B. & Thiagarajan, S.R. (1993). Fundamental information analysis. Journal of

Accounting Research, 31 (2), 190-215.

Nia, S.H. (2015). Financial ratios between fraudulent and non-fraudulent firms:
Evidence from Tehran Stock Exchange. Journal of Accounting and
Taxation, 7 (3), 38 – 44.

Rahadiana, R. (2009, Agustus 28). Tiga direksi Waskita dinonaktifkan. Tempo.

Diakses pada 1 November 2017, dari
https://bisnis.tempo.co/read/194968/tiga-direksi-waskita-dinonaktifkan.

Repousis, S. (2016). Using Beneish model to detect corporate financial statement

fraud in Greece. Journal of Financial Crime, 23 (4), 1063 – 1073.

Richardson, S., Sloan, R., Soliman, M., & Tuna, I. (2005). Accrual reliability,
earnings persistence, and stock prices. Journal of Accounting and
Economics, 39 (3), 437 – 85.

109
Scott, W.R. (2015). Financial accounting theory (7th ed.). United States: Pearson
Education.

SEC (2011, April 5). Securities Exchange Act of 1934 Release No. 64184
[Online], dari https://www.sec.gov/litigation/admin/2011/34-64184.pdf.

Sekaran, U. & Bougie, R. (2013). Research methods for business: a skill-building

approach. UK: John Wiley & Sons.

Singleton, T.W. & Singleton, A.J. (2010). Fraud auditing and forensic accounting
(4th ed.). New Jersey: John Wiley & Sons.

Spence, M. (1973). Job market signaling. The Quarterly Journal of Economics, 87

(3): 355-374.

Tarjo & Herawati, N. (2015). Application of Beneish M-Score Models and Data
Mining to detect financial fraud. Social and Behavioral Sciences, 211, 924 –
930.

Teoh, S.H., Welch, I., & Wong, T.J. (2006). Contemporaneous risk factors and
the prediction of financial statement fraud. Working Paper. University of
Texas at Arlington.

Tran, M. (2002, Agustus 9). WorldCom accounting scandal. Guardian. Diakses

pada 12 Januari 2018, dari
https://www.theguardian.com/business/2002/aug/09/corporatefraud.worldco
m2.

Tuanakotta, T.M. (2013). Mendeteksi manipulasi laporan keuangan. Jakarta:

Salemba Empat.

Wheelen, T.L., Hunger, J.D., Hoffman, A.N., & Bamford, C.E. (2015). Strategic
management and business policy: globalization, innovation and
sustainability. London: Pearson Education.

Wolfe, D. & Hermanson, D. (2004). The fraud diamond: considering the four
elements of fraud. The CPA Journal, 74 (2), 38-42.

110