Download - Data and Driven Fraud Detection

BAB 06

Data and Driven Fraud Detection

A. Latar Belakang

Analisis berbasis data pada ringkasan laporan keuangan sangat berguna

terutama dalam audit eksternal. Bagian ini menganalisis jenis data-penggerak

tertentu yang mengarah pada penipuan dan korupsi dalam laporan keuangan.

Penipuan dapat dideteksi dari mana saja di sepanjang cara-melalui dokumen

sumber transaksi, jurnal entri transaksi berdasarkan dokumen tersebut, buku

besar saldo (yang merupakan ringkasan dari jurnal entri) -dan akhirnya dari

laporan keuangan yang dihasilkan. Kecuali penipuan besar, bagaimanapun, tidak

dapat mempengaruhi ringkasan laporan keuangan secara signifikan untuk

dideteksi.

Penipuan kecil biasanya terdeteksi dengan berfokus pada sumber dokumen

atau gejala lainnya. Untuk mendeteksi penipuan melalui laporan keuangan, pada

perubahan yang tidak dapat dijelaskan. Misalnya, kebanyakan perusahaan

dengan pelanggan yang sangat sedikit membayar kas pada saat pembelian.

Sebaliknya, pembayaran mereka dibuat dengan cek berdasarkan tagihan bulanan.

Akibatnya, pendapatan biasanya tidak meningkat tanpa penyesuaian pendapatan

dimana harus disertai dengan kenaikan biaya pokok penjualan dan persediaan

yang dibeli dan rekening saldo hutang.

B. Anomali Akuntansi dan Fraud

Dalam realita yang terjadi, auditor hanya menemukan anomali saja tanpa

menemukan fraud. Anomali Akuntansi disebabkan oleh lemahnya control.

Mereka bukan serta merta kesalahan; namun terjadi karena adanya kegagalan di

sebuah sistem, prosedur, dan kebijakan. Ciri khas dari anomali akuntansi adalah :

1. Bukan merupakan penipuan dan tidak berakibat hukum

Forensic Accounting & Fraud Examination FEB-UB 2012

2. Dapat ditemukan diseluruh data, sehingga auditor cukup melakukan sampel

statistik

Fraud itu berbeda dengan Anomali Akuntansi. Fraud adalah tindakan

penipuan yang dirancang dengan intelegensi yang baik dan mempergunakan

bukti-bukti palsu untuk meyakinkan dan berakibat hukum. Biasanya terjadi

hanya pada satu atau dua kasus akun tertentu. Sedangkan Anomali Akuntansi

disebabkan oleh lemahnya control.

Audit Sampling dan Fraud

Statistic sampling menjadi dibutuhkan dalam menganalisis anomali

dikarenakan anomali sangat berbeda dengan fraud, dan ada disetiap bagian

laporan keuangan, didalamnya ada kontrol dan kebijakan audit. Namun

sebaliknya dalam mendeteksi fraud, statistic sampling kurang efektif.

Kekurangan ini dapat dibantu dengan menggunakan software yang sesuai dengan

keadaan klien, sehingga saat ini lebih banyak auditor yang dapat

mengefisiensikan waktu dan biaya.

C. Proses Dalam Analisi Data

Proses analisis data membutuhkan sebuah meode yang efektif yang

menggunakan perangkat lunak dan sebuah analisis teknik yang berorientasi data.

Menggunakan Metode Provoactive untuk Deteksi Fraud. Langkah- langkahnya

sebagai berikut:

Langkah 1: Memahami Bisnis

Proses deteksi provoaktif dimulai dengan pemahaman dari bisnis atau unit

yang diperiksa. Pemahaman yang baik meliputi pemahaman bisnis, proses dan

prosedur. Hal ini akan memudahkan analisis.dan membuat hipotesis tentang skema

yang bisa ada. Prosedur deteksi penipuan yang sama tidak dapat diterapkan secara

umum untuk semua jenis bisnis atau unit organisasi.

Forensic Accounting & Fraud Examination FEB-UB 2012 Page 1

Langkah 2: Identifikasi Kemungkinan Terjadinya Frauds

Langkah penilaian risiko membutuhkan pemahaman tentang sifat penipuan

yang berbeda. Proses identifikasi penipuan dimulai dengan konseptual membagi

unit bisnis ke fungsi individu atau siklus. Hal ini akan membantu memfokuskan

pada proses deteksi. Pada langkah ini, orang yang terlibat dalam fungsi bisnis

dapat diwawancarai. Pemeriksaan dapat menggunakan pertanyaan seperti berikut:

• Bagaimana orang dalam dan orang luar berinteraksi satu sama lain?

• Apa jenis penipuan telah terjadi atau diduga di masa lalu?

• Apa jenis penipuan yang dapat dilakukan atas nama perusahaan?

• Bagaimana kemungkinan karyawan atau manajemen melakukan penipuan?

• Bagaimana vendor atau pelanggan melakukan penipuan?

• Bagaimana vendor atau pelanggan yang bekerja melakukan kolusi dengan

karyawan?

Langkah 3: Membuat Daftar Gejala Kemungkinan Fraud

Penipuan itu sendiri jarang terlihat, hanya gejalanya yang biasanya dapat

diamati. Gejala penipuan sering hanya dijelaskan oleh faktor non-fraud, yang

menciptakan kebingungan, penundaan dan tambahan biaya untuk tim penipuan.

Gejala kecurangan dapat dibagi menjadi kelompok berikut:

• Akuntansi anomali

• Kelemahan pengendalian intern

• Analytical anomali

• Extravagant gaya hidup

• Perilaku yang tidak biasa

• Saran dan keluhan

Langkah 4: Gunakan Teknologi untuk mengumpulkan data symptom

Setelah gejala didefinisikan dan berkorelasi dengan penipuan, data pendukung

diambil dari database perusahaan, situs web online, dan sumber lain. Langkah ini


biasanya dilakukan dengan menganalisis data melalui aplikasi atau dengan (SQL)

query dan script.

Langkah 5: Menganalisis Hasil

Setelah anomali diperhalus dan diproses oleh pemeriksa menjadi indikasi

kemungkinan penipuan, data dianalisis dengan menggunakan metode tradisional

ataupun berbasis teknologi. Penguji biasanya bekerja dengan auditor dan personil

keamanan untuk mengidentifikasi alasan adanya anomali. Wawancara dilakukan

dengan rekan kerja, menyelidiki dokumen kertas, dan kontak pihak luar yang

terkait. Satu keuntungan dari pendekatan deduktif adalah potensinya menggunakan

kembali. Analisis sering dapat otomatis dan terintegrasi langsung ke dalam sistem

perusahaan dengan cara yang menyediakan real-time analisis dan sebagai deteksi

penipuan serta mengetahui jenis pencegahan penipuan.

Langkah 6: Selidiki Symptom

Langkah terakhir dari pendekatan data-driven adalah investigasi menjadi

indikator yang paling penting. Penyidik dapat sepenuhnya menggunakan analisis

komputer untuk menyediakan data pendukung dan detail data.

Keuntungan utama dari pendekatan data-driven adalah penyidik mengambil alih

proses penyelidikan penipuan. Pendekatan data-driven dapat menyoroti adanya

penipuan hal ini masih kecil.

Kelemahan utama pada pendekatan data-driven adalah bahwa proses ini lebih

mahal dan membutuhkan waktu lebih intensif dari pendekatan tradisional.

Mendeteksi kecurangan berbasis data.

Dalam mendeteksi kecurangan dengan berbasis data, pengujian dapat dilakukan

dengan beberapa metode, seperti metode deduktif dan induktif:

1. Adapun metode induktif dapat dilakukan dengan menggunakan:

a. Commercial data mining software.


Keuntungan :

Dapat mengetahui adanya keanehan-keanehan pada database (database

anomalies) dan aktivitas lain yang tidak biasanya

Dapat mengidentifikasi tren pembelian atas variasi produk dengan melakukan

pengujian terlebih dahulu

Dapat menemukan harga yang diinginkan oleh vendor sehingga dapat

meningkatkan total pembelian lebihcepat

Mudah untuk digunakan.

Kerugian :

Hanya bias mentransfer data dengan ukuran yang kecil, data yang

ditansferakan bersifat statis dan tidak bias dikombinasikan.

Adanya keterbatasan software akan membuat keterbatasan dalam

menganalisis.

Tanpa adanya manipulasi data dan membuat model atas banyaknya kombinasi

red flags, maka identifikasi atas gejala-gejala fraud akan terhenti dan tindakan

fraud yang terjadi tidak dapat dibersihkan.

b. Statistical Analysis.

Keuntungan :

Biayanya lebih murah dalam implementasi dan penggunaannya.

Orang yang berpotensi melakukan fraud tidak akan mengetahui bahwa fraud

sedang dideteksi.

Dapat digunakan pada perusahaan yang memiliki ukuran database sangat

besar.

Kerugian :

Menggunakan spekulasi untuk mencari sesuatu yang penting yaitu orang yang

berpotensi untuk melakukan tindakan fraud, jadi ada kemungkinan bahwa

yang akan terjadi sesudahnya akan berbeda dari apa yang diharapkan

Cenderung mengidentifikasi fraud melalui seberapa banyak jumlah gejala

(symptoms)


2. Adapun metode deduktif dapat dilakukan dengan menggunakan cara:

Langkah-langkah menggunakan metode deduktif:

a) Memahami Bisnis perusahaan

b) Memahami type kecurangan yang terjadi di perusahaan

c) menjelaskan indikasi yang menunjukkan terjadinya kecurangan

d) menggunakan database dan sistem informasi perusahaan untuk

mengidentifikasi indikasi kecurangan

e) melakukan follow up untuk menjelaskan apakah aksi kecurangan benar-benar

terjadi dan faktor-faktor apa saja yang menjadi penyebab terjadinya

kecurangan tersebut.

Dalam mendeteksi kecurangan dengan berbasis analisis laporan keuangan

(laporanlaba/rugi dan neraca) pengujian dapat dilakukan dengan beberapa metode,

yaitu:

1. AnalisisVertikal

Mengkonversikan angka laporan keuangan dalam bentuk prosentase lalu

membandingkan pos laporan keuangan terhadap pos dasar pembandingnya.

2. AnalisisRasio

Menghitung rasio atas laporan keuangan dan membandingkan perubahannya

dari tahun ketahun.

3. AnalisisHorisontal

Analisis tren hubungan atas angka-angka pos laporan keuangan dari tahun

ketahun.

Bila dibandingan dengan pendekatan yang lebih tradisional yang reaktif,

pendekatan proaktif ini akan lebih efektif dan efisien karena dengan mendeteksi

secara proaktif, kita melakukan pengujian-pengujian analitis tentang dugaan

kecurangan dengan menggunakan data-data dengan hasil yang lebih akurat


sehingga akan lebih afektif dalam mendeteksi kecurangan. Hal ini juga akan lebih

efisien karena akan lebih cepat dalam waktu ketika kita mengolah data dengan

metode yang lebih akurat.

D. Pentingnya Analisis laporan Keuangan

Analisis berbasis data pada ringkasan laporan keuangan sangat berguna

terutama dalam audit eksternal. Bagian ini menganalisis jenis data-penggerak

tertentu yang mengarah pada penipuan dan korupsi dalam laporan keuangan.

Penipuan dapat dideteksi dari mana saja di sepanjang cara-melalui dokumen

sumber transaksi, jurnal entri transaksi berdasarkan dokumen tersebut, buku besar

saldo (yang merupakan ringkasan dari jurnal entri) dan akhirnya dari laporan

keuangan yang dihasilkan.

Untuk memahami bagaimana perubahan pernyataan keuangan dapat memberi

sinyal penipuan, kita harus mengenal sifat tiga laporan keuangan utama yaitu:

a. Neraca Periodik,

Neraca adalah pernyataan yang menunjukkan aset, liabilitas, dan

ekuitas organisasi yang berada pada titik waktu tertentu. Karena neraca adalah

pernyataan posisi pada tanggal tertentu, maka harus dikonversi ke pernyataan

perubahan sebelum dapat digunakan untuk mendeteksi penipuan. Perubahan

kemudian dapat dianalisis untuk menentukan apakah mereka masuk akal atau

merupakan gejala yang harus diselidiki.

b. Laporan Laba Rugi,

Laporan laba rugi menunjukkan apa saja pendapatan dan biaya untuk

suatu periode waktu, biasanya dalam periode satu tahun. Seperti neraca, L/R

juga harus diubah menjadi pernyataan perubahan sebelum dapat digunakan

secara efektif sebagai alat deteksi penipuan.


Neraca dan laporan laba rugi dijabarkan dari posisi dan periode laporan

menjadi laporan perubahan (change statement) dalam empat cara:

1. Membandingkan saldo akun dalam laporan dari satu periode ke periode

kunci.

Pendekatan pertama membandingkan Angka-Angka dalam pernyataan

dari satu periode ke periode berikutnya. Sebagai contoh, saldo piutang satu

periode dibandingkan dengan saldo pada periode berikutnya untuk melihat

apakah perubahan ke arah yang diharapkan dan perubahan adalah wajar,

perubahan lain diberikan dalam angka. Sayangnya, karena laporan keuangan

sering angka-angkanya besar dan sulit untuk dibandingkan, penilaian tingkat

perubahan bisa menjadi sulit.

2. Menghitung rasio dan membandingkannya dari periode ke periode.

Dalam pendekatan kedua – konversi neraca dan laporan laba rugi

menjadi pernyataan perubahan-kunci rasio laporan keuangan dihitung dan

perubahan rasio ini dibandingkan dari periode ke periode.

Rasio cepat (juga disebut acid-test ratio) dan current rasio menilai likuiditas

perusahaan.

Piutang turnover dan rasio perputaran persediaan menilai efisiensi

operasional perusahaan.

Utang terhadap ekuitas dan times-interest-earned ratios menilai solvabilitas

perusahaan. Profit margin, return on assets, return on equity, dan laba per

saham menilai rasio profitabilitas.

Dengan memeriksa rasio, adalah mungkin untuk melihat apakah yang

dihasilkan perubahan likuiditas, efisiensi, solvabilitas, dan profitabilitas

seperti yang diharapkan. Perubahan rasio yang tidak masuk akal merupakan

hasil dari aktivitas penipuan oleh manajer. Mendeteksi penipuan melalui

rasio laporan keuangan adalah jauh lebih mudah daripada menilai perubahan

angka dalam laporan keuangan sendiri.

3. Melakukan vertikal analisis


Konversi neraca dan laporan laba rugi dengan menggunakan vertikal

analisis, yang mengubah angka-angka laporan keuangan menjadi persentase.

Untuk neraca, total aset ditetapkan 100 persen, dan semua saldo lainnya

adalah persentase dari total aset.

4. Melakukan horisontal analisis

Analisis horizontal adalah metode yang paling fokus pada perubahan.

Dengan rasio dan vertikal analisis, laporan akan dikonversi ke angka yang

lebih mudah dipahami, dan kemudian dibandingkan dari periode ke periode.

Dengan analisis horizontal, perubahan dalam jumlah dari periode ke periode

adalah dikonversi ke persentase (perubahan/ Jumlah 1 Tahun = %

Perubahan).

Contoh penipuan dalam laporan keuangan cukup banyak. Beberapa penipuan

yang tidak terjawab oleh auditor dapat dengan mudah dideteksi dengan

menggunakan analisis horizontal atau vertikal. Namun disayangkan manajer dan

bahkan auditor umumnya menggunakan rasio, analisis horisontal dan analisis

vertikal hanya sebagai alat untuk menilai kinerja organisasi. Jarang mereka

menggunakan langkah-langkah untuk mendeteksi penipuan. laporan keuangan

c. Laporan arus kas.

Laporan arus kas merupakan pernyataan perubahan dan tidak perlu

dikonversi. Laporan arus kas menunjukkan arus masuk kas dan arus kas keluar

selama suatu periode. Kenaikan atau penurunan yang tidak masuk akal

menjadi “red flag” dan harus diselidiki. Karena laporan arus kas berfokus pada

perubahan, dapat digunakan untuk menjawab pertanyaan seperti berikut:

• Apakah peningkatan arus kas seperti yang diharapkan?

• Mengapa piutang naik (turun)?

• Mengapa terjadi peningkatan persediaan (penurunan)?

• Mengapa terjadi peningkatan hutang (penurunan)?

• Mengapa ada peningkatan hutang ketika persediaan menurun?


• Mengapa aset dijual (dibeli)?

• Dari mana uang untuk membayar dividen?


Jawaban Kasus

ShortCase 2

Sebuah bisnis manufaktur besar telah mempekerjakan anda sebagai spesialis deteksi

penipuan. Hari pertama pada pekerjaan atasan anda memberikan anda pertanyaan-

pertanyaan berikut:

1. Apa itu Hukum Benford ini?

2. Dalam situasi yang bagaimana Hukum Benford digunakan, dan dalam situasi apa

adalah Hukum Benford yang tidak pantas?

Jawab:

1. Hukum Benford merupakan merupakan metode analisis digital dalam penyelidikan

penipuan. Hukum ini menyatakan bahwa kemungkinan kemunculan angka itu ada

aturannya. Aturannya adalah bahwa sebuah angka menduduki kemungkinan

tertentu untuk sering-tidaknya muncul dalam posisinya. Angka Rp. 34.578

dipandang sebagi angka 34578 (tanpa titik) dengan posisi angka 3 di posisi

pertama, angka 4 diposisi kedua, angka 5 di posisi ketiga, angka 7 diposisi

keempat dan terakhir angka 8 diposisi kelima.

2. Dalam situasi yang mendeteksi fraud dan (Transaksi Kartu Kredit, Order

pembelian, Data pinjaman, Saldo pelanggan, Jurnal, Harga saham, Transaksi utang

usaha, Harga persediaan) dapat digunakan Hukum Benford caranya dengan

mencari angka-angka yang mencurigakan.

Ini Populer dengan nama Benford’s Law (kaidah atau hukum Benford),

analisanya mengatakan bahwa secara umum dan internasional dalam sebuah

populasi, angka yang berawalan 1,2, dan 3 akan berjumlah lebih banyak dari

angka yang berawalan 7,8, dan 9. Akan tetapi supaya Benford’s Law ini dapat

diterapkan secara efektif, angka-angka dalam satu populasi tersebut harus

memenuhi beberapa syarat:

Tidak ada batas bawah angka tertentu


Lebih banyak nilai/angka-angka yang kecil daripada yang besar (misalnya

lebih banyak satuan, puluhan, dan ratusan daripada ratusan ribuan atau

puluhan juta)

Minimal 1000 data

Merupakan angka yang ‘natural’ (bukan daftar angka-angka berupa nomor

telepon, KTP, NPWP, dan sejenisnya)

Berasal dari transaksi yang mirip/serupa (misalnya, data jumlah pembelian

per-konsumen di bulan tertentu)

Hukum Benford tidak bekerja pada nomor yang terkontrol nilai spesifik, atau

yang bekerja pada angka acak seperti generator angka acak. Hukum Benford

juga tidak bekerja dengan baik pada sampel yang berukuran kecil. Contoh:

• Nomor telepon

• Data dengan jumlah 500 atau lebih sedikit

• Data yang tersusun dari formula (misalnyaYYMM#### sebagai nomor polis

asuransi)

• Data sets with 500 or fewer transactions

• Data generated by formulas (e.g., YYMM#### as an insurance policy number)

Secara khusus, dalam kumpulan data, digit(s) terkemuka adalah ()

didistribusikan dengan cara tertentu, nonuniform. Sementara salah satu mungkin

berpikir bahwa nomor 1 akan muncul sebagai digit pertama 11 persen dari waktu

(yaitu, salah satu nomor mungkin sembilan), itu sebenarnya muncul sekitar 30

persen dari waktu (lihat gambar 1). Sembilan, di sisi lain, adalah digit pertama

kurang dari 5 persen dari waktu. Teori mencakup digit pertama, digit kedua, dua

digit pertama, digit terakhir dan kombinasi lainnya dari digit karena teori

didasarkan pada logaritma probabilitas terjadinya digit.


Tabel Benford’s Law

ShortCase 3

Dennis Jones, seorang teman lama di kampus, menghubungi Anda minggu lalu.

Dennis memiliki beberapa usaha pencucian mobil, dan ia percaya bahwa penipuan

laporan keuangan yang mungkin terjadi. (Dia membayar bonus pada setiap manajer

cuci mobil jika suatu tingkat tertentu laba diperoleh dan khawatir bahwa terdapat

beberapa manajer yang melebih-lebihkan laba untuk mendapatkan bonus lebih

tinggi). Dennis datang hari ini untuk melihat apakah Anda dapat membantu dia

menentukan jika kecurigaannya adalah valid. Dia membawa serta laporan keuangan

untuk setiap cuci mobil (laporan laba rugi, neraca, dan laporan arus kas) untuk lima

tahun terakhir.

Jawab:

Dalam mendeteksi terjadinya fraud, dapat melakukan “analisis terhadap laporan keuangan” perusahaan pencucian mobil dengan menggunakan metode-metode tertentu, diantaranya :

1. Membandingkan saldo akun dalam laporan keungan antar periode


Metode ini melihat langsung saldo dalam setiap akun dalam laporan keuangan dari suatu periode ke periode berikutnya, apakah terdapat perubahan ke arah yang diharapkan dan apakah besarnya perubahan adalah wajar apa tidak.

2. Menghitung rasio.Menghitung rasio laporan keuangan suatu periode dan periode berikutnya kemudian membandingkannya antar periode. Metode ini untuk melihat apakah perubahan likuiditas, efisiensi, solvabilitas, dan profitabilitas terjadi seperti yang diharapkan. Perubahan rasio yang tidak masuk akal sering hasil dari aktivitas fraud oleh manajer.

3. Melakukan analisis vertikalMengubah angka laporan keuangan menjadi bentuk persentase. Untuk neraca, total aset ditetapkan 100 persen, dan semua saldo lainnya adalah persentase dari total aset. Hal ini untuk mempermudah melihat bagian-bagian dalam laporan keuangan dan memeriksa kontribusi suatu akun terhadap keseluruhan total neraca dan laporan lainnya.

4. Melakukan analisis horisontalAnalisis ini mengkonversi laporan ke dalam angka yang lebih mudah dipahami, dan kemudian angka tersebut dibandingkan dari periode ke periode. Sehingga mempermudah dalam melihat perubahan angka akun-akun dalam laporan keuangan antar periode.

Shortcase 10

Penipuan besar sering dapat dideteksi dengan melakukan analisa keuangan.

Meskipun analisis semacam itu dapat meningkatkan pusat perhatian, tidak semua

bendera merah adalah hasil dari kegiatan penipuan. Penjelasan yang masuk akal

sering ada untuk anomali dalam laporan keuangan. Laporan arus kas adalah satu

laporan keuangan yang dianalisis untuk mengidentifikasi kemungkinan terjadinya

penipuan. Pernyataan ini untuk Kelly Enterprises, Inc, selama tiga tahun ditunjukkan

dalam tabel pada Halaman di bawah ini.


1. Identifikasi kemungkinan terjadinya bendera merah.

2. Menunjukkan jika ada penjelasan yang masuk akal untuk bidang yang

menjadi pusat perhatian.

Jawab:

1. Kemungkinan terjadinya bendera merah dalam laporan arus kas:

Dalam Laporan Arus Kas, kenaikan atau penurunan yang tidak masuk akal

menjadi “red flag” dan harus diselidiki . Karena laporan arus kas berfokus

pada perubahan. Dalam Kasus ini terdapat perbedaan peningkatan dan

penurunan arus kas:

• Kas bersih dari aktivitas operasi yang lebih tinggi $100 dari pada

perhitungan yang seharusnya pada tahun 2012 (harusnya 399 menjadi 499),

dan lebih rendah $30 dari pada perhitungan yang seharusnya pada tahun

2011 (harusnya 720 menjadi 690)


• Kas bersih dari aktivitas pembiayaan yang lebih besar $300 daripada

perhitungan yang seharusnya pada tahun 2011.

2. Penjelasan yang masuk akal untuk bidang yang menjadi pusat perhatian:

Karena laporan arus kas berfokus pada penurunan dan peningkatan arus kas ,

yang menjadi fokus perhatian adalah:

• Mengapa piutang turun secara signifikan.?

• Mengapa terjadi peningkatan persediaan (penurunan)?

• Mengapa terjadi peningkatan hutang (penurunan)?

• Mengapa ada peningkatan hutang ketika persediaan menurun?

• Mengapa aset dijual (dibeli)?

• Dari mana uang untuk membayar dividen?

Case Studies 4

Menghitung rasio diperlukan pada lembar analisis rasio dan kemudian

menyelesaikan lembar kerja analisis horisontal dan vertical.


Tabel. Analisis Rasio

LIQUIDITY RATIOSCurrent RatioQuick ratioAccounts receivable turnoverDays ’ sales in accounts receivable

Sales/Working capitalEQUITY POSITION RATIOSOwners’ equity/Total assetsCurrent liabilities/Owners’ equityTotal liabilities/Owners’ equity

Inventory turnoverPROFITABILITY/PERFORMANCE RATIOProfit marginGross profit margin (%)Earnings per shareSales/Total assets

ABC COMPANYRATIO ANALYSIS

31-Dec-1212/31/2012 12/31/2011 Change % Change

0.76 0.78 -0.03 -4%483.27 465.52 17.75 4%

3.79 2.26 1.53 67%2.57 1.49 1.09 73%

0.22 -0.01 -4%62% 61% 0.01 2%

1.18 1.36 -0.19 -14%

9.03 11.38

0.61 0.48 0.130.33 0.68 0.350.65 1.10 0.44 40%

-2.35 -21%0.73 0.70 0.03 4%

0.21

1.33 1.72 -0.39 -23%

27%52%


Cost of good solds

EXPENSES

Depreciation

Sales 1,572,134$ 1,413,581$ 158,553$

Advertising 55,153$

2012 2011 Change

18,934$ 1,217$

50,531$ 4,622$

601,215$ 556,721$ 44,494$ Gross profit 970,919$ 856,860$ 114,059$

income tax expense 216,092$ 203,143$ 12,949$

Total Expenses 430,690$ 349,003$ 81,687$ Net Income before income tax 540,229$ 507,857$ 32,372$

Salaries and wages 47,121$ 45,312$ 1,809$ Utilities 15,912$

NET INCOME 324,137$ 304,714$ 19,423$

15,643$ 269$

Rent 148,321$ 142,078$ 6,243$ Repairs and maintenace 14,315$ 13,642$ 673$

% Change

11%8%

ABC COMPANYINCOME STATEMENT

FOR THE PERIOD ENDED DECEMBER 31,2012

192%4%5%4%2%23%

13%

9%0%6%69%

6%

Legal 17,261$ 10,207$ 7,054$ Miscellaneous

6%6%

91,014$ 31,214$ 59,800$

21,442$ 21,442$ -$ Bad Debts 20,151$

Tabel. Analisis Horisontal


ASSETS 2012 % TOTAL ASSETS 2011

ABC COMPANYBALANCE SHEET

AS OF DECEMBER 31, 2012

Cash 501,992$ 23.33% 434,215$ Current Assets

11.71% 231,100$ Total Current assets 1,604,312$ 74.58% 1,473,150$

15.59% 302,514$ Inventory 515,174$ 23.95% 505,321$ Prepaid Expense 251,874$

Accounts receivable 335,272$

100.00% 2,011,839$ LIABILITIES

35.57% 735,531$ Accumulated Depreciation (218,284)$ -10.15% (196,842)$ TOTAL ASSETS 2,151,243$

Property, Plant, and Equipments 765,215$

5.68% 216,533$ Income tax payable 10,645$ 0.49% 25,698$

Current LiabilitiesAccounts payable 284,494$ 13.22% 366,864$ Accrued liabilities 122,192$

Long-term liabilitiesLong-term debt 425,311$ 19.77% 400,311$

1.96% 42,200$ Total current liabilities 423,531$ 19.69% 651,295$ Current portion of long-term debt 42,200$

1.37% 24,881$

TOTAL LIABILITIES 848,842$ 39.46% 1,051,606$ STOCKHOLDER'S EQUITY

TOTAL LIBILITIES AND STOCKHOLDER'S EQUITY 2,151,243$ 100.00% 2,011,839$

% TOTAL ASSETS 2010

15% 241,764$

73% 1,064,178$

Retained Earnings 902,731$ 41.96% 578,594$ Total Stockholder's equity 1,302,401$ 60.54% 960,233$

Common stock 370,124$ 17.21% 356,758$ Additional Paid-in capital 29,546$

15%25% 310,885$ 20%11% 136,388$ 9%

% TOTAL ASSETS

22% 375,141$ 24%

1,593,910$ 100%

67%37% 705,132$ 44%-10% (175,400)$ -11%100%

42,200$ 3%32% 602,179$ 38%

322,156$ 20%11% 215,474$ 14%1% 22,349$ 1%

18%

2%

18% 320,841$ 20%

20% 375,100$ 24%52% 977,279$ 61%

48% 616,631$ 39%100% 1,593,910$ 100%

1% 21,910$ 1%29% 273,880$ 17%

Tabel. Analisis Vertikal
