Audit Firm › SLIDES • Foundation

Data Analytics & AI Assurance

Data Extraction & Preparation, Audit Analytics Anomaly Detection, Machine Learning, and RPA

Terlaris

5.0

0 peserta terdaftar

Dibuat oleh Konsuli Team Terakhir diperbarui: 2 hari yang lalu Bahasa: Indonesia

Rp50.000 Rp149.000

Mulai Belajar Pratinjau Slide Gratis

Beli Sekarang

Jaminan uang kembali 30 hari

Bundel Hemat

Beli 3 materi hukum FIDIC & Kontraktor sekaligus dan hemat hingga 30%!

Rp 199.000

Apa yang akan Anda pelajari

Menguasai kerangka kerja standar dan metodologi audit & asuransi Big 4.

Mampu menerapkan prosedur audit teknis secara menyeluruh sesuai yurisdiksi.

Daftar Isi

BAB 01: Data Analytics for Audit Fundamentals

40 pelajaran

01. Data Analytics for Audit Fundamentals
02. Konteks Data Analytics for Audit Fundamentals: Peran audit questions dan analytics documentation
03. Alur Pembahasan: audit questions → data population → analytic assertions → test logic → exception interpretation → analytics documentation
04. Hasil Belajar: Menganalisis analytic assertions, Membandingkan test logic, dan Mendokumentasikan analytics documentation
05. Audit questions — Tujuan Pengumpulan Keterangan dan Pemilihan Responden
06. Audit questions — Pertanyaan Terbuka serta Pencegahan Pertanyaan Mengarahkan
07. Audit questions — Kerahasiaan dan Pencatatan Jawaban
08. Audit questions — Pengujian Konsistensi terhadap Kronologi serta Dokumen
09. Audit questions — Batas Keandalan Keterangan dan Kebutuhan Koroborasi
10. Data population — Sumber Data, Pemilik, dan Batas Cakupan
11. Data population — Kelengkapan Populasi serta Rekonsiliasi Total
12. Data population — Akurasi Transformasi dan Pemetaan Kolom
13. Data population — Jejak Perubahan, Hak Akses, dan Retensi
14. Data population — Penanganan Data Hilang serta Pengecualian Kualitas
15. Analytic assertions — Pertanyaan Audit dan Variabel yang Diperlukan
16. Analytic assertions — Persiapan Dataset serta Validasi Populasi
17. Analytic assertions — Logika Analisis dan Pemeriksaan Hasil Antara
18. Analytic assertions — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Analytic assertions — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Test logic — Cakupan Kejadian dan Atribut yang Dicatat
21. Test logic — Sinkronisasi Waktu serta Identitas Pelaksana
22. Test logic — Perlindungan Log dari Perubahan
23. Test logic — Retensi, Akses, dan Kelengkapan Riwayat
24. Test logic — Penelusuran Kejadian melalui Korelasi Catatan
25. Exception interpretation — Pertanyaan Audit dan Variabel yang Diperlukan
26. Exception interpretation — Persiapan Dataset serta Validasi Populasi
27. Exception interpretation — Logika Analisis dan Pemeriksaan Hasil Antara
28. Exception interpretation — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
29. Exception interpretation — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
30. Analytics documentation — Hubungan Bukti dengan Tujuan Prosedur
31. Analytics documentation — Keandalan Sumber dan Keaslian Dokumen
32. Analytics documentation — Kecukupan Cakupan serta Periode Bukti
33. Analytics documentation — Penyelesaian Bukti yang Saling Bertentangan
34. Analytics documentation — Jejak Prosedur, Penelaah, dan Dasar Kesimpulan
35. Worked Example (Hipotetis): Matriks data population–analytic assertions dengan Dasar audit questions
36. Prinsip Penting: Keterlacakan Keputusan analytics documentation ke Kriteria dan Bukti audit questions
37. Case Study (Hipotetis): Perbedaan Hasil analytic assertions dan exception interpretation dalam Data Analytics for Audit Fundamentals
38. Sintesis Bab: Hubungan audit questions, test logic, dan analytics documentation
39. Tugas Penerapan: Susun Analisis analytics documentation dengan Bukti data population serta Batasan exception interpretation
40. Dokumen Acuan untuk Data Analytics for Audit Fundamentals: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 02: Audit Data Extraction & Preparation

40 pelajaran

01. Audit Data Extraction & Preparation
02. Konteks Audit Data Extraction & Preparation: Peran source systems dan control totals
03. Alur Pembahasan: source systems → extract permissions → field mapping → data types → record counts → control totals
04. Hasil Belajar: Menganalisis field mapping, Membandingkan data types, dan Mendokumentasikan control totals
05. Source systems — Sumber Data, Pemilik, dan Batas Cakupan
06. Source systems — Kelengkapan Populasi serta Rekonsiliasi Total
07. Source systems — Akurasi Transformasi dan Pemetaan Kolom
08. Source systems — Jejak Perubahan, Hak Akses, dan Retensi
09. Source systems — Penanganan Data Hilang serta Pengecualian Kualitas
10. Extract permissions — Sumber Data, Pemilik, dan Batas Cakupan
11. Extract permissions — Kelengkapan Populasi serta Rekonsiliasi Total
12. Extract permissions — Akurasi Transformasi dan Pemetaan Kolom
13. Extract permissions — Jejak Perubahan, Hak Akses, dan Retensi
14. Extract permissions — Penanganan Data Hilang serta Pengecualian Kualitas
15. Field mapping — Pertanyaan Audit dan Variabel yang Diperlukan
16. Field mapping — Persiapan Dataset serta Validasi Populasi
17. Field mapping — Logika Analisis dan Pemeriksaan Hasil Antara
18. Field mapping — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Field mapping — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Data types — Perbedaan Nilai Kosong, Nol, dan Data Tidak Tersedia
21. Data types — Konversi Tanggal, Angka, dan Pemisah Desimal
22. Data types — Dampak Missing Values pada Agregasi
23. Data types — Penanganan Konversi yang Gagal
24. Data types — Validasi Tipe Data sebelum Analisis
25. Record counts — Identifikasi Dua Sumber yang Direkonsiliasi
26. Record counts — Kesetaraan Periode, Cakupan, dan Satuan
27. Record counts — Analisis Selisih Waktu dan Selisih Pencatatan
28. Record counts — Penelusuran Pos Tidak Cocok ke Bukti Sumber
29. Record counts — Persetujuan Penyesuaian dan Penyelesaian Selisih
30. Control totals — Identifikasi Dua Sumber yang Direkonsiliasi
31. Control totals — Kesetaraan Periode, Cakupan, dan Satuan
32. Control totals — Analisis Selisih Waktu dan Selisih Pencatatan
33. Control totals — Penelusuran Pos Tidak Cocok ke Bukti Sumber
34. Control totals — Persetujuan Penyesuaian dan Penyelesaian Selisih
35. Worked Example (Hipotetis): Matriks extract permissions–field mapping dengan Dasar source systems
36. Prinsip Penting: Keterlacakan Keputusan control totals ke Kriteria dan Bukti source systems
37. Case Study (Hipotetis): Perbedaan Hasil field mapping dan record counts dalam Audit Data Extraction & Preparation
38. Sintesis Bab: Hubungan source systems, data types, dan control totals
39. Tugas Penerapan: Susun Analisis control totals dengan Bukti extract permissions serta Batasan record counts
40. Dokumen Acuan untuk Audit Data Extraction & Preparation: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 03: Statistical Analysis & Anomaly Detection

40 pelajaran

01. Statistical Analysis & Anomaly Detection
02. Konteks Statistical Analysis & Anomaly Detection: Peran distribution analysis dan anomaly validation
03. Alur Pembahasan: distribution analysis → outlier thresholds → seasonality effects → Benford limitations → false discoveries → anomaly validation
04. Hasil Belajar: Menganalisis seasonality effects, Membandingkan Benford limitations, dan Mendokumentasikan anomaly validation
05. Distribution analysis — Pertanyaan Audit dan Variabel yang Diperlukan
06. Distribution analysis — Persiapan Dataset serta Validasi Populasi
07. Distribution analysis — Logika Analisis dan Pemeriksaan Hasil Antara
08. Distribution analysis — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
09. Distribution analysis — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
10. Outlier thresholds — Dasar Pemilihan Indikator dan Ambang Deteksi
11. Outlier thresholds — Pengaruh Distribusi serta Ukuran Populasi
12. Outlier thresholds — False Positive dan False Negative
13. Outlier thresholds — Penelusuran Pengecualian ke Dokumen Sumber
14. Outlier thresholds — Batas Inferensi dari Anomali ke Dugaan Pelanggaran
15. Seasonality effects — Pertanyaan Audit dan Variabel yang Diperlukan
16. Seasonality effects — Persiapan Dataset serta Validasi Populasi
17. Seasonality effects — Logika Analisis dan Pemeriksaan Hasil Antara
18. Seasonality effects — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Seasonality effects — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Benford limitations — Sifat Dataset yang Sesuai untuk Analisis Digit
21. Benford limitations — Mengapa Nomor Buatan dan Nilai Berbatas Tidak Sesuai
22. Benford limitations — Pengaruh Ukuran Sampel terhadap Penyimpangan Digit
23. Benford limitations — Perbedaan Penyimpangan Statistik dan Bukti Fraud
24. Benford limitations — Penelusuran Transaksi setelah Sinyal Benford
25. False discoveries — Dasar Pemilihan Indikator dan Ambang Deteksi
26. False discoveries — Pengaruh Distribusi serta Ukuran Populasi
27. False discoveries — False Positive dan False Negative
28. False discoveries — Penelusuran Pengecualian ke Dokumen Sumber
29. False discoveries — Batas Inferensi dari Anomali ke Dugaan Pelanggaran
30. Anomaly validation — Dasar Pemilihan Indikator dan Ambang Deteksi
31. Anomaly validation — Pengaruh Distribusi serta Ukuran Populasi
32. Anomaly validation — False Positive dan False Negative
33. Anomaly validation — Penelusuran Pengecualian ke Dokumen Sumber
34. Anomaly validation — Batas Inferensi dari Anomali ke Dugaan Pelanggaran
35. Worked Example (Hipotetis): Matriks outlier thresholds–seasonality effects dengan Dasar distribution analysis
36. Prinsip Penting: Keterlacakan Keputusan anomaly validation ke Kriteria dan Bukti distribution analysis
37. Case Study (Hipotetis): Perbedaan Hasil seasonality effects dan false discoveries dalam Statistical Analysis & Anomaly Detection
38. Sintesis Bab: Hubungan distribution analysis, Benford limitations, dan anomaly validation
39. Tugas Penerapan: Susun Analisis anomaly validation dengan Bukti outlier thresholds serta Batasan false discoveries
40. Dokumen Acuan untuk Statistical Analysis & Anomaly Detection: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 04: Visualization Tools for Audit Insights

40 pelajaran

01. Visualization Tools for Audit Insights
02. Konteks Visualization Tools for Audit Insights: Peran chart selection dan audit storytelling
03. Alur Pembahasan: chart selection → risk heatmaps → exception drilldown → scale distortion → filter transparency → audit storytelling
04. Hasil Belajar: Menganalisis exception drilldown, Membandingkan scale distortion, dan Mendokumentasikan audit storytelling
05. Chart selection — Pertanyaan Audit dan Variabel yang Diperlukan
06. Chart selection — Persiapan Dataset serta Validasi Populasi
07. Chart selection — Logika Analisis dan Pemeriksaan Hasil Antara
08. Chart selection — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
09. Chart selection — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
10. Risk heatmaps — Identifikasi Sumber, Kejadian, dan Dampak Risiko
11. Risk heatmaps — Penilaian Kemungkinan serta Tingkat Dampak
12. Risk heatmaps — Konsentrasi Eksposur dan Ketergantungan
13. Risk heatmaps — Respons Risiko serta Penanggung Jawab
14. Risk heatmaps — Indikator Pemantauan dan Ambang Eskalasi
15. Exception drilldown — Pertanyaan Audit dan Variabel yang Diperlukan
16. Exception drilldown — Persiapan Dataset serta Validasi Populasi
17. Exception drilldown — Logika Analisis dan Pemeriksaan Hasil Antara
18. Exception drilldown — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Exception drilldown — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Scale distortion — Pertanyaan Audit dan Variabel yang Diperlukan
21. Scale distortion — Persiapan Dataset serta Validasi Populasi
22. Scale distortion — Logika Analisis dan Pemeriksaan Hasil Antara
23. Scale distortion — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
24. Scale distortion — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
25. Filter transparency — Identifikasi Para Pihak dan Hak Kontraktual
26. Filter transparency — Kewajiban, Batas Tanggung Jawab, dan Pengecualian
27. Filter transparency — Kondisi Pemicu serta Tenggat Pelaksanaan
28. Filter transparency — Kesesuaian Praktik dengan Ketentuan Tertulis
29. Filter transparency — Dokumentasi Sengketa dan Kebutuhan Telaah Hukum
30. Audit storytelling — Pertanyaan Audit dan Variabel yang Diperlukan
31. Audit storytelling — Persiapan Dataset serta Validasi Populasi
32. Audit storytelling — Logika Analisis dan Pemeriksaan Hasil Antara
33. Audit storytelling — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
34. Audit storytelling — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
35. Worked Example (Hipotetis): Matriks risk heatmaps–exception drilldown dengan Dasar chart selection
36. Prinsip Penting: Keterlacakan Keputusan audit storytelling ke Kriteria dan Bukti chart selection
37. Case Study (Hipotetis): Perbedaan Hasil exception drilldown dan filter transparency dalam Visualization Tools for Audit Insights
38. Sintesis Bab: Hubungan chart selection, scale distortion, dan audit storytelling
39. Tugas Penerapan: Susun Analisis audit storytelling dengan Bukti risk heatmaps serta Batasan filter transparency
40. Dokumen Acuan untuk Visualization Tools for Audit Insights: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 05: Full-Population Testing: Coverage, Residual Sampling & Limitations

40 pelajaran

01. Full-Population Testing: Coverage, Residual Sampling & Limitations
02. Konteks Full-Population Testing: Coverage, Residual Sampling & Limitations: Peran full-population coverage dan residual sampling
03. Alur Pembahasan: full-population coverage → data completeness → untestable assertions → algorithmic error → exception prioritization → residual sampling
04. Hasil Belajar: Menganalisis untestable assertions, Membandingkan algorithmic error, dan Mendokumentasikan residual sampling
05. Full-population coverage — Cakupan Seluruh Catatan dan Batas Asersi yang Diuji
06. Full-population coverage — Perbedaan Pengujian Populasi Data dengan Audit Seluruh Bukti
07. Full-population coverage — Validasi Logika Uji pada Data Transaksi Lengkap
08. Full-population coverage — Pengecualian yang Memerlukan Pemeriksaan Dokumen
09. Full-population coverage — Risiko Nonsampling pada Pengujian Seluruh Populasi
10. Data completeness — Sumber Data, Pemilik, dan Batas Cakupan
11. Data completeness — Kelengkapan Populasi serta Rekonsiliasi Total
12. Data completeness — Akurasi Transformasi dan Pemetaan Kolom
13. Data completeness — Jejak Perubahan, Hak Akses, dan Retensi
14. Data completeness — Penanganan Data Hilang serta Pengecualian Kualitas
15. Untestable assertions — Pertanyaan Audit dan Variabel yang Diperlukan
16. Untestable assertions — Persiapan Dataset serta Validasi Populasi
17. Untestable assertions — Logika Analisis dan Pemeriksaan Hasil Antara
18. Untestable assertions — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Untestable assertions — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Algorithmic error — Pertanyaan Audit dan Variabel yang Diperlukan
21. Algorithmic error — Persiapan Dataset serta Validasi Populasi
22. Algorithmic error — Logika Analisis dan Pemeriksaan Hasil Antara
23. Algorithmic error — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
24. Algorithmic error — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
25. Exception prioritization — Penetapan Sasaran dan Batas Lingkup
26. Exception prioritization — Pemilihan Prioritas Berdasarkan Kebutuhan
27. Exception prioritization — Alokasi Penanggung Jawab serta Sumber Daya
28. Exception prioritization — Urutan Pelaksanaan dan Ketergantungan Kegiatan
29. Exception prioritization — Indikator Kemajuan dan Peninjauan Rencana
30. Residual sampling — Definisi Populasi dan Unit Pemilihan Sampel
31. Residual sampling — Kesesuaian Metode Pemilihan dengan Tujuan Pengujian
32. Residual sampling — Ukuran Sampel dan Risiko Sampling
33. Residual sampling — Investigasi Penyimpangan dalam Sampel
34. Residual sampling — Evaluasi Hasil dan Kebutuhan Pengujian Tambahan
35. Worked Example (Hipotetis): Matriks data completeness–untestable assertions dengan Dasar full-population coverage
36. Prinsip Penting: Keterlacakan Keputusan residual sampling ke Kriteria dan Bukti full-population coverage
37. Case Study (Hipotetis): Perbedaan Hasil untestable assertions dan exception prioritization dalam Full-Population Testing: Coverage, Residual Sampling & Limitations
38. Sintesis Bab: Hubungan full-population coverage, algorithmic error, dan residual sampling
39. Tugas Penerapan: Susun Analisis residual sampling dengan Bukti data completeness serta Batasan exception prioritization
40. Dokumen Acuan untuk Full-Population Testing: Coverage, Residual Sampling & Limitations: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 06: AI & Machine Learning in Audit

40 pelajaran

01. AI & Machine Learning in Audit
02. Konteks AI & Machine Learning in Audit: Peran training data dan model drift
03. Alur Pembahasan: training data → feature engineering → model validation → explainability → human review → model drift
04. Hasil Belajar: Menganalisis model validation, Membandingkan explainability, dan Mendokumentasikan model drift
05. Training data — Definisi Target dan Relevansi Variabel Input
06. Training data — Pemisahan Data Pengembangan dan Pengujian
07. Training data — Kebocoran Informasi dan Ketidakseimbangan Data
08. Training data — Evaluasi Hasil pada Data yang Belum Digunakan
09. Training data — Pemantauan Perubahan Kinerja dan Kalibrasi
10. Feature engineering — Definisi Target dan Relevansi Variabel Input
11. Feature engineering — Pemisahan Data Pengembangan dan Pengujian
12. Feature engineering — Kebocoran Informasi dan Ketidakseimbangan Data
13. Feature engineering — Evaluasi Hasil pada Data yang Belum Digunakan
14. Feature engineering — Pemantauan Perubahan Kinerja dan Kalibrasi
15. Model validation — Pertanyaan Audit dan Variabel yang Diperlukan
16. Model validation — Persiapan Dataset serta Validasi Populasi
17. Model validation — Logika Analisis dan Pemeriksaan Hasil Antara
18. Model validation — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Model validation — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Explainability — Pertanyaan Audit dan Variabel yang Diperlukan
21. Explainability — Persiapan Dataset serta Validasi Populasi
22. Explainability — Logika Analisis dan Pemeriksaan Hasil Antara
23. Explainability — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
24. Explainability — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
25. Human review — Pertanyaan Audit dan Variabel yang Diperlukan
26. Human review — Persiapan Dataset serta Validasi Populasi
27. Human review — Logika Analisis dan Pemeriksaan Hasil Antara
28. Human review — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
29. Human review — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
30. Model drift — Definisi Target dan Relevansi Variabel Input
31. Model drift — Pemisahan Data Pengembangan dan Pengujian
32. Model drift — Kebocoran Informasi dan Ketidakseimbangan Data
33. Model drift — Evaluasi Hasil pada Data yang Belum Digunakan
34. Model drift — Pemantauan Perubahan Kinerja dan Kalibrasi
35. Worked Example (Hipotetis): Matriks feature engineering–model validation dengan Dasar training data
36. Prinsip Penting: Keterlacakan Keputusan model drift ke Kriteria dan Bukti training data
37. Case Study (Hipotetis): Perbedaan Hasil model validation dan human review dalam AI & Machine Learning in Audit
38. Sintesis Bab: Hubungan training data, explainability, dan model drift
39. Tugas Penerapan: Susun Analisis model drift dengan Bukti feature engineering serta Batasan human review
40. Dokumen Acuan untuk AI & Machine Learning in Audit: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 07: Natural Language Processing for Document Review

40 pelajaran

01. Natural Language Processing for Document Review
02. Konteks Natural Language Processing for Document Review: Peran document corpus dan document review audit trail
03. Alur Pembahasan: document corpus → OCR quality → entity extraction → clause classification → precision and recall → document review audit trail
04. Hasil Belajar: Menganalisis entity extraction, Membandingkan clause classification, dan Mendokumentasikan document review audit trail
05. Document corpus — Sumber Data, Pemilik, dan Batas Cakupan
06. Document corpus — Kelengkapan Populasi serta Rekonsiliasi Total
07. Document corpus — Akurasi Transformasi dan Pemetaan Kolom
08. Document corpus — Jejak Perubahan, Hak Akses, dan Retensi
09. Document corpus — Penanganan Data Hilang serta Pengecualian Kualitas
10. OCR quality — Sumber Data, Pemilik, dan Batas Cakupan
11. OCR quality — Kelengkapan Populasi serta Rekonsiliasi Total
12. OCR quality — Akurasi Transformasi dan Pemetaan Kolom
13. OCR quality — Jejak Perubahan, Hak Akses, dan Retensi
14. OCR quality — Penanganan Data Hilang serta Pengecualian Kualitas
15. Entity extraction — Sumber Data, Pemilik, dan Batas Cakupan
16. Entity extraction — Kelengkapan Populasi serta Rekonsiliasi Total
17. Entity extraction — Akurasi Transformasi dan Pemetaan Kolom
18. Entity extraction — Jejak Perubahan, Hak Akses, dan Retensi
19. Entity extraction — Penanganan Data Hilang serta Pengecualian Kualitas
20. Clause classification — Identifikasi Para Pihak dan Hak Kontraktual
21. Clause classification — Kewajiban, Batas Tanggung Jawab, dan Pengecualian
22. Clause classification — Kondisi Pemicu serta Tenggat Pelaksanaan
23. Clause classification — Kesesuaian Praktik dengan Ketentuan Tertulis
24. Clause classification — Dokumentasi Sengketa dan Kebutuhan Telaah Hukum
25. Precision and recall — Dasar Pemilihan Indikator dan Ambang Deteksi
26. Precision and recall — Pengaruh Distribusi serta Ukuran Populasi
27. Precision and recall — False Positive dan False Negative
28. Precision and recall — Penelusuran Pengecualian ke Dokumen Sumber
29. Precision and recall — Batas Inferensi dari Anomali ke Dugaan Pelanggaran
30. Document review audit trail — Cakupan Kejadian dan Atribut yang Dicatat
31. Document review audit trail — Sinkronisasi Waktu serta Identitas Pelaksana
32. Document review audit trail — Perlindungan Log dari Perubahan
33. Document review audit trail — Retensi, Akses, dan Kelengkapan Riwayat
34. Document review audit trail — Penelusuran Kejadian melalui Korelasi Catatan
35. Worked Example (Hipotetis): Matriks OCR quality–entity extraction dengan Dasar document corpus
36. Prinsip Penting: Keterlacakan Keputusan document review audit trail ke Kriteria dan Bukti document corpus
37. Case Study (Hipotetis): Perbedaan Hasil entity extraction dan precision and recall dalam Natural Language Processing for Document Review
38. Sintesis Bab: Hubungan document corpus, clause classification, dan document review audit trail
39. Tugas Penerapan: Susun Analisis document review audit trail dengan Bukti OCR quality serta Batasan precision and recall
40. Dokumen Acuan untuk Natural Language Processing for Document Review: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 08: Predictive Analytics for Risk Assessment

40 pelajaran

01. Predictive Analytics for Risk Assessment
02. Konteks Predictive Analytics for Risk Assessment: Peran target variable dan prediction monitoring
03. Alur Pembahasan: target variable → historical labels → data leakage → out-of-time validation → risk score calibration → prediction monitoring
04. Hasil Belajar: Menganalisis data leakage, Membandingkan out-of-time validation, dan Mendokumentasikan prediction monitoring
05. Target variable — Pertanyaan Audit dan Variabel yang Diperlukan
06. Target variable — Persiapan Dataset serta Validasi Populasi
07. Target variable — Logika Analisis dan Pemeriksaan Hasil Antara
08. Target variable — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
09. Target variable — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
10. Historical labels — Pertanyaan Audit dan Variabel yang Diperlukan
11. Historical labels — Persiapan Dataset serta Validasi Populasi
12. Historical labels — Logika Analisis dan Pemeriksaan Hasil Antara
13. Historical labels — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
14. Historical labels — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
15. Data leakage — Informasi Masa Depan yang Masuk ke Variabel Prediktor
16. Data leakage — Kebocoran Target melalui Rekayasa Fitur
17. Data leakage — Pemisahan Data sebelum Transformasi dan Pelatihan
18. Data leakage — Pengujian dengan Periode yang Tidak Dipakai Melatih Model
19. Data leakage — Koreksi Evaluasi Model yang Terlalu Optimistis
20. Out-of-time validation — Definisi Target dan Relevansi Variabel Input
21. Out-of-time validation — Pemisahan Data Pengembangan dan Pengujian
22. Out-of-time validation — Kebocoran Informasi dan Ketidakseimbangan Data
23. Out-of-time validation — Evaluasi Hasil pada Data yang Belum Digunakan
24. Out-of-time validation — Pemantauan Perubahan Kinerja dan Kalibrasi
25. Risk score calibration — Definisi Target dan Relevansi Variabel Input
26. Risk score calibration — Pemisahan Data Pengembangan dan Pengujian
27. Risk score calibration — Kebocoran Informasi dan Ketidakseimbangan Data
28. Risk score calibration — Evaluasi Hasil pada Data yang Belum Digunakan
29. Risk score calibration — Pemantauan Perubahan Kinerja dan Kalibrasi
30. Prediction monitoring — Definisi Target dan Relevansi Variabel Input
31. Prediction monitoring — Pemisahan Data Pengembangan dan Pengujian
32. Prediction monitoring — Kebocoran Informasi dan Ketidakseimbangan Data
33. Prediction monitoring — Evaluasi Hasil pada Data yang Belum Digunakan
34. Prediction monitoring — Pemantauan Perubahan Kinerja dan Kalibrasi
35. Worked Example (Hipotetis): Matriks historical labels–data leakage dengan Dasar target variable
36. Prinsip Penting: Keterlacakan Keputusan prediction monitoring ke Kriteria dan Bukti target variable
37. Case Study (Hipotetis): Perbedaan Hasil data leakage dan risk score calibration dalam Predictive Analytics for Risk Assessment
38. Sintesis Bab: Hubungan target variable, out-of-time validation, dan prediction monitoring
39. Tugas Penerapan: Susun Analisis prediction monitoring dengan Bukti historical labels serta Batasan risk score calibration
40. Dokumen Acuan untuk Predictive Analytics for Risk Assessment: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 09: Robotic Process Automation (RPA) in Audit

40 pelajaran

01. Robotic Process Automation (RPA) in Audit
02. Konteks Robotic Process Automation (RPA) in Audit: Peran RPA process selection dan manual fallback
03. Alur Pembahasan: RPA process selection → bot credentials → exception queue → bot change approval → execution logs → manual fallback
04. Hasil Belajar: Menganalisis exception queue, Membandingkan bot change approval, dan Mendokumentasikan manual fallback
05. RPA process selection — Pertanyaan Audit dan Variabel yang Diperlukan
06. RPA process selection — Persiapan Dataset serta Validasi Populasi
07. RPA process selection — Logika Analisis dan Pemeriksaan Hasil Antara
08. RPA process selection — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
09. RPA process selection — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
10. Bot credentials — Inventaris Akun, Hak Istimewa, dan Pemilik Akses
11. Bot credentials — Persetujuan Pemberian dan Perubahan Hak
12. Bot credentials — Pemisahan Tugas dan Pembatasan Hak Berlebih
13. Bot credentials — Peninjauan Akses serta Pencabutan Akun
14. Bot credentials — Log Aktivitas dan Penelusuran Penyalahgunaan Hak
15. Exception queue — Pertanyaan Audit dan Variabel yang Diperlukan
16. Exception queue — Persiapan Dataset serta Validasi Populasi
17. Exception queue — Logika Analisis dan Pemeriksaan Hasil Antara
18. Exception queue — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Exception queue — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Bot change approval — Permintaan Perubahan dan Persetujuan Pemilik Sistem
21. Bot change approval — Pemisahan Lingkungan Pengembangan, Uji, dan Produksi
22. Bot change approval — Bukti Pengujian serta Persetujuan Rilis
23. Bot change approval — Penelusuran Versi dan Perubahan Darurat
24. Bot change approval — Pemantauan Pascaperubahan dan Rencana Pemulihan
25. Execution logs — Cakupan Kejadian dan Atribut yang Dicatat
26. Execution logs — Sinkronisasi Waktu serta Identitas Pelaksana
27. Execution logs — Perlindungan Log dari Perubahan
28. Execution logs — Retensi, Akses, dan Kelengkapan Riwayat
29. Execution logs — Penelusuran Kejadian melalui Korelasi Catatan
30. Manual fallback — Pertanyaan Audit dan Variabel yang Diperlukan
31. Manual fallback — Persiapan Dataset serta Validasi Populasi
32. Manual fallback — Logika Analisis dan Pemeriksaan Hasil Antara
33. Manual fallback — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
34. Manual fallback — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
35. Worked Example (Hipotetis): Matriks bot credentials–exception queue dengan Dasar RPA process selection
36. Prinsip Penting: Keterlacakan Keputusan manual fallback ke Kriteria dan Bukti RPA process selection
37. Case Study (Hipotetis): Perbedaan Hasil exception queue dan execution logs dalam Robotic Process Automation (RPA) in Audit
38. Sintesis Bab: Hubungan RPA process selection, bot change approval, dan manual fallback
39. Tugas Penerapan: Susun Analisis manual fallback dengan Bukti bot credentials serta Batasan execution logs
40. Dokumen Acuan untuk Robotic Process Automation (RPA) in Audit: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 10: Data Governance & Quality Assurance

40 pelajaran

01. Data Governance & Quality Assurance
02. Konteks Data Governance & Quality Assurance: Peran data ownership dan data remediation
03. Alur Pembahasan: data ownership → data catalog → quality rules → master data → lineage controls → data remediation
04. Hasil Belajar: Menganalisis quality rules, Membandingkan master data, dan Mendokumentasikan data remediation
05. Data ownership — Sumber Data, Pemilik, dan Batas Cakupan
06. Data ownership — Kelengkapan Populasi serta Rekonsiliasi Total
07. Data ownership — Akurasi Transformasi dan Pemetaan Kolom
08. Data ownership — Jejak Perubahan, Hak Akses, dan Retensi
09. Data ownership — Penanganan Data Hilang serta Pengecualian Kualitas
10. Data catalog — Sumber Data, Pemilik, dan Batas Cakupan
11. Data catalog — Kelengkapan Populasi serta Rekonsiliasi Total
12. Data catalog — Akurasi Transformasi dan Pemetaan Kolom
13. Data catalog — Jejak Perubahan, Hak Akses, dan Retensi
14. Data catalog — Penanganan Data Hilang serta Pengecualian Kualitas
15. Quality rules — Pertanyaan Audit dan Variabel yang Diperlukan
16. Quality rules — Persiapan Dataset serta Validasi Populasi
17. Quality rules — Logika Analisis dan Pemeriksaan Hasil Antara
18. Quality rules — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Quality rules — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Master data — Sumber Data, Pemilik, dan Batas Cakupan
21. Master data — Kelengkapan Populasi serta Rekonsiliasi Total
22. Master data — Akurasi Transformasi dan Pemetaan Kolom
23. Master data — Jejak Perubahan, Hak Akses, dan Retensi
24. Master data — Penanganan Data Hilang serta Pengecualian Kualitas
25. Lineage controls — Sumber Data, Pemilik, dan Batas Cakupan
26. Lineage controls — Kelengkapan Populasi serta Rekonsiliasi Total
27. Lineage controls — Akurasi Transformasi dan Pemetaan Kolom
28. Lineage controls — Jejak Perubahan, Hak Akses, dan Retensi
29. Lineage controls — Penanganan Data Hilang serta Pengecualian Kualitas
30. Data remediation — Sumber Data, Pemilik, dan Batas Cakupan
31. Data remediation — Kelengkapan Populasi serta Rekonsiliasi Total
32. Data remediation — Akurasi Transformasi dan Pemetaan Kolom
33. Data remediation — Jejak Perubahan, Hak Akses, dan Retensi
34. Data remediation — Penanganan Data Hilang serta Pengecualian Kualitas
35. Worked Example (Hipotetis): Matriks data catalog–quality rules dengan Dasar data ownership
36. Prinsip Penting: Keterlacakan Keputusan data remediation ke Kriteria dan Bukti data ownership
37. Case Study (Hipotetis): Perbedaan Hasil quality rules dan lineage controls dalam Data Governance & Quality Assurance
38. Sintesis Bab: Hubungan data ownership, master data, dan data remediation
39. Tugas Penerapan: Susun Analisis data remediation dengan Bukti data catalog serta Batasan lineage controls
40. Dokumen Acuan untuk Data Governance & Quality Assurance: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 11: Advanced Excel & Power Query for Auditors

40 pelajaran

01. Advanced Excel & Power Query for Auditors
02. Konteks Advanced Excel & Power Query for Auditors: Peran Power Query imports dan refresh validation
03. Alur Pembahasan: Power Query imports → merge keys → query steps → pivot reconciliation → formula controls → refresh validation
04. Hasil Belajar: Menganalisis query steps, Membandingkan pivot reconciliation, dan Mendokumentasikan refresh validation
05. Power Query imports — Pertanyaan Audit dan Variabel yang Diperlukan
06. Power Query imports — Persiapan Dataset serta Validasi Populasi
07. Power Query imports — Logika Analisis dan Pemeriksaan Hasil Antara
08. Power Query imports — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
09. Power Query imports — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
10. Merge keys — Kunci Penghubung dan Kardinalitas Tabel
11. Merge keys — Perbedaan Inner Join dan Left Join
12. Merge keys — Duplikasi Nilai akibat Relasi Many-to-Many
13. Merge keys — Baris Tanpa Pasangan dan Penanganan NULL
14. Merge keys — Rekonsiliasi Jumlah Baris dan Total setelah Penggabungan
15. Query steps — Pertanyaan Audit dan Variabel yang Diperlukan
16. Query steps — Persiapan Dataset serta Validasi Populasi
17. Query steps — Logika Analisis dan Pemeriksaan Hasil Antara
18. Query steps — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Query steps — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Pivot reconciliation — Identifikasi Dua Sumber yang Direkonsiliasi
21. Pivot reconciliation — Kesetaraan Periode, Cakupan, dan Satuan
22. Pivot reconciliation — Analisis Selisih Waktu dan Selisih Pencatatan
23. Pivot reconciliation — Penelusuran Pos Tidak Cocok ke Bukti Sumber
24. Pivot reconciliation — Persetujuan Penyesuaian dan Penyelesaian Selisih
25. Formula controls — Tujuan Pengendalian dan Risiko yang Ditangani
26. Formula controls — Penilaian Desain serta Ketepatan Pelaksana
27. Formula controls — Frekuensi Pelaksanaan dan Bukti yang Dihasilkan
28. Formula controls — Pengujian Operasi serta Investigasi Penyimpangan
29. Formula controls — Evaluasi Defisiensi dan Kebutuhan Perbaikan
30. Refresh validation — Pertanyaan Audit dan Variabel yang Diperlukan
31. Refresh validation — Persiapan Dataset serta Validasi Populasi
32. Refresh validation — Logika Analisis dan Pemeriksaan Hasil Antara
33. Refresh validation — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
34. Refresh validation — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
35. Worked Example (Hipotetis): Matriks merge keys–query steps dengan Dasar Power Query imports
36. Prinsip Penting: Keterlacakan Keputusan refresh validation ke Kriteria dan Bukti Power Query imports
37. Case Study (Hipotetis): Perbedaan Hasil query steps dan formula controls dalam Advanced Excel & Power Query for Auditors
38. Sintesis Bab: Hubungan Power Query imports, pivot reconciliation, dan refresh validation
39. Tugas Penerapan: Susun Analisis refresh validation dengan Bukti merge keys serta Batasan formula controls
40. Dokumen Acuan untuk Advanced Excel & Power Query for Auditors: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 12: SQL & Database Querying for Audit

40 pelajaran

01. SQL & Database Querying for Audit
02. Konteks SQL & Database Querying for Audit: Peran SQL joins dan query reconciliation
03. Alur Pembahasan: SQL joins → NULL handling → aggregation grain → duplicate records → query filters → query reconciliation
04. Hasil Belajar: Menganalisis aggregation grain, Membandingkan duplicate records, dan Mendokumentasikan query reconciliation
05. SQL joins — Kunci Penghubung dan Kardinalitas Tabel
06. SQL joins — Perbedaan Inner Join dan Left Join
07. SQL joins — Duplikasi Nilai akibat Relasi Many-to-Many
08. SQL joins — Baris Tanpa Pasangan dan Penanganan NULL
09. SQL joins — Rekonsiliasi Jumlah Baris dan Total setelah Penggabungan
10. NULL handling — Perbedaan Nilai Kosong, Nol, dan Data Tidak Tersedia
11. NULL handling — Konversi Tanggal, Angka, dan Pemisah Desimal
12. NULL handling — Dampak Missing Values pada Agregasi
13. NULL handling — Penanganan Konversi yang Gagal
14. NULL handling — Validasi Tipe Data sebelum Analisis
15. Aggregation grain — Pertanyaan Audit dan Variabel yang Diperlukan
16. Aggregation grain — Persiapan Dataset serta Validasi Populasi
17. Aggregation grain — Logika Analisis dan Pemeriksaan Hasil Antara
18. Aggregation grain — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Aggregation grain — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Duplicate records — Pertanyaan Audit dan Variabel yang Diperlukan
21. Duplicate records — Persiapan Dataset serta Validasi Populasi
22. Duplicate records — Logika Analisis dan Pemeriksaan Hasil Antara
23. Duplicate records — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
24. Duplicate records — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
25. Query filters — Pertanyaan Audit dan Variabel yang Diperlukan
26. Query filters — Persiapan Dataset serta Validasi Populasi
27. Query filters — Logika Analisis dan Pemeriksaan Hasil Antara
28. Query filters — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
29. Query filters — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
30. Query reconciliation — Identifikasi Dua Sumber yang Direkonsiliasi
31. Query reconciliation — Kesetaraan Periode, Cakupan, dan Satuan
32. Query reconciliation — Analisis Selisih Waktu dan Selisih Pencatatan
33. Query reconciliation — Penelusuran Pos Tidak Cocok ke Bukti Sumber
34. Query reconciliation — Persetujuan Penyesuaian dan Penyelesaian Selisih
35. Worked Example (Hipotetis): Matriks NULL handling–aggregation grain dengan Dasar SQL joins
36. Prinsip Penting: Keterlacakan Keputusan query reconciliation ke Kriteria dan Bukti SQL joins
37. Case Study (Hipotetis): Perbedaan Hasil aggregation grain dan query filters dalam SQL & Database Querying for Audit
38. Sintesis Bab: Hubungan SQL joins, duplicate records, dan query reconciliation
39. Tugas Penerapan: Susun Analisis query reconciliation dengan Bukti NULL handling serta Batasan query filters
40. Dokumen Acuan untuk SQL & Database Querying for Audit: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 13: Python for Audit Analytics (Conceptual)

40 pelajaran

01. Python for Audit Analytics (Conceptual)
02. Konteks Python for Audit Analytics (Conceptual): Peran dataframe loading dan analytic output checks
03. Alur Pembahasan: dataframe loading → type conversion → grouped calculations → reproducible scripts → environment dependencies → analytic output checks
04. Hasil Belajar: Menganalisis grouped calculations, Membandingkan reproducible scripts, dan Mendokumentasikan analytic output checks
05. Dataframe loading — Sumber Data, Pemilik, dan Batas Cakupan
06. Dataframe loading — Kelengkapan Populasi serta Rekonsiliasi Total
07. Dataframe loading — Akurasi Transformasi dan Pemetaan Kolom
08. Dataframe loading — Jejak Perubahan, Hak Akses, dan Retensi
09. Dataframe loading — Penanganan Data Hilang serta Pengecualian Kualitas
10. Type conversion — Perbedaan Nilai Kosong, Nol, dan Data Tidak Tersedia
11. Type conversion — Konversi Tanggal, Angka, dan Pemisah Desimal
12. Type conversion — Dampak Missing Values pada Agregasi
13. Type conversion — Penanganan Konversi yang Gagal
14. Type conversion — Validasi Tipe Data sebelum Analisis
15. Grouped calculations — Pertanyaan Audit dan Variabel yang Diperlukan
16. Grouped calculations — Persiapan Dataset serta Validasi Populasi
17. Grouped calculations — Logika Analisis dan Pemeriksaan Hasil Antara
18. Grouped calculations — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
19. Grouped calculations — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
20. Reproducible scripts — Pertanyaan Audit dan Variabel yang Diperlukan
21. Reproducible scripts — Persiapan Dataset serta Validasi Populasi
22. Reproducible scripts — Logika Analisis dan Pemeriksaan Hasil Antara
23. Reproducible scripts — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
24. Reproducible scripts — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
25. Environment dependencies — Pertanyaan Audit dan Variabel yang Diperlukan
26. Environment dependencies — Persiapan Dataset serta Validasi Populasi
27. Environment dependencies — Logika Analisis dan Pemeriksaan Hasil Antara
28. Environment dependencies — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
29. Environment dependencies — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
30. Analytic output checks — Pertanyaan Audit dan Variabel yang Diperlukan
31. Analytic output checks — Persiapan Dataset serta Validasi Populasi
32. Analytic output checks — Logika Analisis dan Pemeriksaan Hasil Antara
33. Analytic output checks — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
34. Analytic output checks — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
35. Worked Example (Hipotetis): Matriks type conversion–grouped calculations dengan Dasar dataframe loading
36. Prinsip Penting: Keterlacakan Keputusan analytic output checks ke Kriteria dan Bukti dataframe loading
37. Case Study (Hipotetis): Perbedaan Hasil grouped calculations dan environment dependencies dalam Python for Audit Analytics (Conceptual)
38. Sintesis Bab: Hubungan dataframe loading, reproducible scripts, dan analytic output checks
39. Tugas Penerapan: Susun Analisis analytic output checks dengan Bukti type conversion serta Batasan environment dependencies
40. Dokumen Acuan untuk Python for Audit Analytics (Conceptual): Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 14: AI Ethics & Bias in Audit Algorithms

40 pelajaran

01. AI Ethics & Bias in Audit Algorithms
02. Konteks AI Ethics & Bias in Audit Algorithms: Peran algorithmic bias dan ethical review
03. Alur Pembahasan: algorithmic bias → proxy variables → fairness evaluation → privacy risks AI → human accountability → ethical review
04. Hasil Belajar: Menganalisis fairness evaluation, Membandingkan privacy risks AI, dan Mendokumentasikan ethical review
05. Algorithmic bias — Sumber Bias pada Data dan Keputusan
06. Algorithmic bias — Perbedaan Representasi Antarkelompok
07. Algorithmic bias — Pemilihan Ukuran Evaluasi Bias
08. Algorithmic bias — Dampak Variabel Proksi dan Faktor Perancu
09. Algorithmic bias — Dokumentasi Keterbatasan serta Pengawasan Manusia
10. Proxy variables — Sumber Bias pada Data dan Keputusan
11. Proxy variables — Perbedaan Representasi Antarkelompok
12. Proxy variables — Pemilihan Ukuran Evaluasi Bias
13. Proxy variables — Dampak Variabel Proksi dan Faktor Perancu
14. Proxy variables — Dokumentasi Keterbatasan serta Pengawasan Manusia
15. Fairness evaluation — Sumber Bias pada Data dan Keputusan
16. Fairness evaluation — Perbedaan Representasi Antarkelompok
17. Fairness evaluation — Pemilihan Ukuran Evaluasi Bias
18. Fairness evaluation — Dampak Variabel Proksi dan Faktor Perancu
19. Fairness evaluation — Dokumentasi Keterbatasan serta Pengawasan Manusia
20. Privacy risks AI — Identifikasi Sumber, Kejadian, dan Dampak Risiko
21. Privacy risks AI — Penilaian Kemungkinan serta Tingkat Dampak
22. Privacy risks AI — Konsentrasi Eksposur dan Ketergantungan
23. Privacy risks AI — Respons Risiko serta Penanggung Jawab
24. Privacy risks AI — Indikator Pemantauan dan Ambang Eskalasi
25. Human accountability — Substansi Transaksi dan Lingkup Standar yang Relevan
26. Human accountability — Kriteria Pengakuan serta Penentuan Unit Akun
27. Human accountability — Dasar Pengukuran Awal dan Selanjutnya
28. Human accountability — Pilihan Kebijakan, Estimasi, dan Konsistensi Penerapan
29. Human accountability — Penyajian, Pengungkapan, dan Dokumentasi Pertimbangan
30. Ethical review — Pertanyaan Audit dan Variabel yang Diperlukan
31. Ethical review — Persiapan Dataset serta Validasi Populasi
32. Ethical review — Logika Analisis dan Pemeriksaan Hasil Antara
33. Ethical review — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
34. Ethical review — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
35. Worked Example (Hipotetis): Matriks proxy variables–fairness evaluation dengan Dasar algorithmic bias
36. Prinsip Penting: Keterlacakan Keputusan ethical review ke Kriteria dan Bukti algorithmic bias
37. Case Study (Hipotetis): Perbedaan Hasil fairness evaluation dan human accountability dalam AI Ethics & Bias in Audit Algorithms
38. Sintesis Bab: Hubungan algorithmic bias, privacy risks AI, dan ethical review
39. Tugas Penerapan: Susun Analisis ethical review dengan Bukti proxy variables serta Batasan human accountability
40. Dokumen Acuan untuk AI Ethics & Bias in Audit Algorithms: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

BAB 15: Future of Data-Driven Assurance

40 pelajaran

01. Future of Data-Driven Assurance
02. Konteks Future of Data-Driven Assurance: Peran real-time assurance dan auditor capability
03. Alur Pembahasan: real-time assurance → federated data → continuous evidence → AI-assisted judgment → assurance interoperability → auditor capability
04. Hasil Belajar: Menganalisis continuous evidence, Membandingkan AI-assisted judgment, dan Mendokumentasikan auditor capability
05. Real-time assurance — Pertanyaan Audit dan Variabel yang Diperlukan
06. Real-time assurance — Persiapan Dataset serta Validasi Populasi
07. Real-time assurance — Logika Analisis dan Pemeriksaan Hasil Antara
08. Real-time assurance — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
09. Real-time assurance — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
10. Federated data — Sumber Data, Pemilik, dan Batas Cakupan
11. Federated data — Kelengkapan Populasi serta Rekonsiliasi Total
12. Federated data — Akurasi Transformasi dan Pemetaan Kolom
13. Federated data — Jejak Perubahan, Hak Akses, dan Retensi
14. Federated data — Penanganan Data Hilang serta Pengecualian Kualitas
15. Continuous evidence — Hubungan Bukti dengan Tujuan Prosedur
16. Continuous evidence — Keandalan Sumber dan Keaslian Dokumen
17. Continuous evidence — Kecukupan Cakupan serta Periode Bukti
18. Continuous evidence — Penyelesaian Bukti yang Saling Bertentangan
19. Continuous evidence — Jejak Prosedur, Penelaah, dan Dasar Kesimpulan
20. AI-assisted judgment — Pertanyaan Audit dan Variabel yang Diperlukan
21. AI-assisted judgment — Persiapan Dataset serta Validasi Populasi
22. AI-assisted judgment — Logika Analisis dan Pemeriksaan Hasil Antara
23. AI-assisted judgment — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
24. AI-assisted judgment — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
25. Assurance interoperability — Pertanyaan Audit dan Variabel yang Diperlukan
26. Assurance interoperability — Persiapan Dataset serta Validasi Populasi
27. Assurance interoperability — Logika Analisis dan Pemeriksaan Hasil Antara
28. Assurance interoperability — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
29. Assurance interoperability — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
30. Auditor capability — Pertanyaan Audit dan Variabel yang Diperlukan
31. Auditor capability — Persiapan Dataset serta Validasi Populasi
32. Auditor capability — Logika Analisis dan Pemeriksaan Hasil Antara
33. Auditor capability — Interpretasi Hasil serta Pengujian Penjelasan Alternatif
34. Auditor capability — Reproduksibilitas Analisis dan Keterbatasan Kesimpulan
35. Worked Example (Hipotetis): Matriks federated data–continuous evidence dengan Dasar real-time assurance
36. Prinsip Penting: Keterlacakan Keputusan auditor capability ke Kriteria dan Bukti real-time assurance
37. Case Study (Hipotetis): Perbedaan Hasil continuous evidence dan assurance interoperability dalam Future of Data-Driven Assurance
38. Sintesis Bab: Hubungan real-time assurance, AI-assisted judgment, dan auditor capability
39. Tugas Penerapan: Susun Analisis auditor capability dengan Bukti federated data serta Batasan assurance interoperability
40. Dokumen Acuan untuk Future of Data-Driven Assurance: Dokumentasi resmi SQL, Python/pandas, Excel/Power Query sesuai perangkat; metodologi analitik penugasan

Persyaratan

Memiliki pemahaman dasar tentang akuntansi dan audit keuangan.

Deskripsi

Penerapan ekstraksi data audit, analisis statistik, kecerdasan buatan (AI), pembelajaran mesin, visualisasi analitik, dan RPA.

Instruktur

Konsuli Team

Instruktur Professional

0 Ulasan 0 Siswa 0 Modul 258 Ebook Interaktif

Tim Instruktur Profesional Konsuli yang berdedikasi untuk memberikan pelatihan berkualitas tinggi di bidang hukum, konstruksi, manajemen proyek, dan standar industri global.