Memaknai reliabilitas temuan audit berbasis machine learning: perspektif epistemik auditor dalam praktik audit modern

Abstract

Perkembangan machine learning telah mengubah praktik audit modern dari pendekatan berbasis sampling menuju audit berbasis analitik algoritmik. Meskipun teknologi ini menjanjikan peningkatan efisiensi dan kemampuan deteksi anomali, masih terdapat pertanyaan mendasar mengenai bagaimana auditor memaknai reliabilitas temuan audit yang dihasilkan oleh algoritma, terutama ketika proses pengambilan keputusan sistem bersifat black box. Penelitian ini bertujuan untuk mengkaji bagaimana auditor membangun, menegosiasikan, dan mempertahankan makna reliabilitas temuan audit berbasis machine learning dalam kerangka legitimasi epistemik dan identitas profesional.Penelitian ini menggunakan pendekatan kualitatif dengan metode Interpretative Phenomenological Analysis (IPA) untuk mengeksplorasi pengalaman subjektif auditor dalam berinteraksi dengan temuan audit berbasis algoritma. Data diperoleh melalui wawancara mendalam terhadap delapan auditor dengan latar belakang pengalaman profesional yang beragam, mulai dari auditor junior hingga auditor senior dan manajerial. Analisis dilakukan secara idiografis untuk mengungkap tema-tema interpretatif yang merefleksikan cara auditor memahami, menerima, maupun meragukan reliabilitas hasil algoritma dalam praktik audit. Hasil penelitian menunjukkan bahwa reliabilitas temuan audit berbasis machine learning tidak dipahami auditor semata-mata sebagai akurasi teknis sistem, melainkan sebagai konstruksi makna yang berkaitan erat dengan transparansi epistemik, professional judgment, dan legitimasi peran auditor sebagai pengambil keputusan. Auditor dengan literasi teknologi yang lebih tinggi cenderung memandang algoritma sebagai sarana penguatan legitimasi profesional, sementara auditor berpengalaman mengekspresikan skeptisisme yang berakar pada ketidakpastian epistemik dan perlindungan identitas profesional. Temuan ini mengindikasikan bahwa penerimaan machine learning dalam audit berada pada fase transisi, di mana algoritma diintegrasikan sebagai alat pendukung keputusan, bukan pengganti penilaian profesional. Penelitian ini memperluas literatur algorithmic auditing dengan menegaskan bahwa reliabilitas temuan audit berbasis algoritma merupakan fenomena sosial-epistemik, bukan sekadar persoalan performa teknis. Implikasi penelitian ini menekankan pentingnya pengembangan explainable AI, pembaruan standar audit, serta peningkatan kompetensi auditor agar adopsi machine learning selaras dengan nilai profesional dan akuntabilitas audit.