Kinerja Machine Learning dalam memprediksi kecurangan laporan keuangan berdasarkan Teori Fraud Pentagon pada perusahaan Consumer Cyclical
Penelitian ini bertujuan menganalisis kinerja machine learning dalam memprediksi kecurangan laporan keuangan berdasarkan teori fraud pentagon serta mengidentifikasi kontribusi masing-masing variabel fraud pentagon. Penelitian menggunakan pendekatan kuantitatif dengan 385 observasi perusahaan sektor consumer cyclical yang terdaftar di Bursa Efek Indonesia periode 2020–2024. Kecurangan laporan keuangan diukur menggunakan Beneish M-Score, sedangkan variabel independen meliputi pressure, opportunity, rationalization, capability, dan arrogance. Analisis dilakukan menggunakan random forest sebagai model utama, dengan logistic regression dan Ordinary Least Squares (OLS) sebagai model pembanding serta SMOTE untuk menangani ketidakseimbangan data. Hasil penelitian menunjukkan bahwa model machine learning memiliki kinerja lebih baik dibandingkan OLS, dengan logistic regression menghasilkan performa terbaik dan random forest menunjukkan kemampuan prediksi yang sangat tinggi. Analisis feature importance menunjukkan bahwa pressure merupakan variabel yang paling dominan, diikuti oleh opportunity, arrogance, capability, dan rationalization. Temuan ini mengindikasikan bahwa tekanan untuk mencapai target kinerja keuangan menjadi faktor utama yang berkontribusi terhadap risiko kecurangan laporan keuangan pada perusahaan sektor consumer cyclical.