Pada tahun 2024, Direktorat Jenderal Pajak (DJP) Indonesia meluncurkan sistem Coretax. Sebuah infrastruktur perpajakan digital yang mengintegrasikan jutaan data transaksi wajib pajak dari berbagai sumber secara real-time. Langkah ini bukan sekadar modernisasi administratif; ia merupakan cerminan dari pergeseran paradigma global dalam pemeriksaan pajak, dari pemeriksaan manual berbasis dokumen kertas menuju sistem berbasis big data yang mampu mendeteksi potensi penghindaran pajak jauh sebelum laporan tahunan disampaikan. Pertanyaannya seberapa efektif algoritma sebagai pemeriksa baru? Dan apa implikasinya bagi akuntansi dan kepatuhan pajak di negara berkembang seperti Indonesia?

Dari Sampling Manual Menuju Pemindaian Total

Selama puluhan tahun, pemeriksaan pajak konvensional bekerja dengan cara sampling, memilih sebagian kecil wajib pajak untuk diperiksa lebih mendalam. Metode ini inheren terbatas: sebagian besar penggelapan pajak tidak pernah terdeteksi semata-mata karena tidak masuk dalam sampel. Big data analytics mengubah logika ini secara fundamental.

Anjarwi (2026) mengidentifikasi empat klaster teknologi utama dalam transformasi audit pajak digital, yaitu (1) otomasi berbasis AI dalam seleksi wajib pajak berisiko tinggi, (2) blockchain untuk integritas dan keterlacakan data audit, (3) analitik data untuk deteksi anomali secara real-time, serta (4) kesiapan regulasi dan kelembagaan. Penelitian ini menemukan bahwa yurisdiksi dengan infrastruktur teknologi matang, seperti Amerika Serikat, Cina, dan negara-negara Eropa Barat, mengalami peningkatan signifikan dalam akurasi audit dan kecepatan deteksi anomali transaksi pajak.

Algoritma sebagai Pemeriksa

Dalam sistem perpajakan berbasis big data modern, algoritma machine learning bekerja dengan mengintegrasikan berbagai sumber data secara simultan. Sumber data itu dapat berupa laporan keuangan, data transaksi e-commerce, rekam jejak pembayaran digital, data bea cukai, hingga informasi dari pihak ketiga seperti perbankan dan platform marketplace. Pola-pola yang tidak lazim seperti ketidaksesuaian antara nilai penjualan yang dilaporkan dengan volume transaksi kartu kredit, atau gap antara laba yang diakui dengan arus kas aktual dapat dideteksi secara otomatis dalam hitungan detik.

Belahouaoui dan Alm (2025) mengembangkan kerangka “Adaptive AI Tax Oversight” (AATO) yang menekankan bahwa AI tidak sekadar meningkatkan efisiensi operasional, tetapi juga mengubah proses seleksi audit dari yang sebelumnya berbasis intuisi pemeriksa manusia menjadi berbasis risiko terukur dan prediktif. Penelitan ini menemukan bahwa penerapan AI secara konsisten meningkatkan akurasi deteksi, kemampuan prediktif, dan efisiensi operasional administrasi perpajakan.

Dimensi hukum dari praktik ini juga mendapat perhatian serius. Keunen (2023) memperingatkan bahwa pengumpulan data masif oleh otoritas pajak, baik melalui web scraping dan crawling algoritma, berpotensi menjadi fishing expedition. Hal itu berupa pencarian informasi tanpa dasar kecurigaan yang memadai, yang melanggar hak privasi wajib pajak. Penelitian ini menekankan bahwa efektivitas teknis algoritma harus diimbangi dengan batas-batas hukum yang jelas agar tidak menimbulkan ketidakadilan sistemik.

Tax Administration 3.0 dan Tantangan Negara Berkembang

Konsep Tax Administration 3.0 yang dikembangkan OECD menggambarkan transformasi administrasi pajak menuju ekosistem digital terintegrasi, di mana data pajak mengalir secara otomatis dari sistem akuntansi wajib pajak ke otoritas pajak tanpa perlu pelaporan manual. Belahouaoui dan Attak (2024) menemukan bahwa digitalisasi, khususnya melalui AI dan blockchain, secara signifikan meningkatkan kepatuhan pajak dan efisiensi operasional. Namun, tantangan besar justru muncul di negara-negara berkembang dan usaha kecil menengah (UKM).

Bagi Indonesia, kesenjangan ini nyata. Meskipun Coretax menjadi langkah maju yang signifikan, implementasi big data dalam pemeriksaan pajak masih menghadapi kendala. Fragmentasi data antar lembaga pemerintah, keterbatasan kapasitas SDM pemeriksa pajak dalam menginterpretasikan output algoritma, serta isu interoperabilitas sistem lama dengan infrastruktur digital baru merupakan sebagian kendala yang harus dihadapi. Anjarwi (2026) secara eksplisit mencatat bahwa negara berkembang menghadapi persistensi kesenjangan kesiapan kelembagaan (institutional readiness gap) yang menghambat adopsi teknologi audit pajak secara penuh.

Peluang dan Agenda ke Depan

Transformasi ini membawa peluang sekaligus tanggung jawab baru bagi profesi akuntansi. Pertama, akuntan perlu memahami logika kerja algoritma audit agar dapat memastikan bahwa data akuntansi yang disajikan bersifat konsisten, terdokumentasi baik, dan dapat diverifikasi silang oleh sistem digital. Kedua, profesi akuntansi memiliki peran kritis dalam merancang sistem pengendalian internal yang kompatibel dengan ekosistem perpajakan digital, termasuk penggunaan e-faktur, e-bupot, dan integrasi ERP dengan sistem DJP.

Ketiga, diperlukan kolaborasi antara otoritas pajak, regulator, dan akademisi akuntansi untuk merumuskan standar keadilan algoritmik (algorithmic fairness) dalam pemeriksaan pajak digital, memastikan bahwa wajib pajak yang dipilih untuk diperiksa benar-benar berdasarkan risiko substantif, bukan artefak bias data. Seperti ditegaskan oleh Keunen (2023), efektivitas teknis sistem big data tidak dengan sendirinya menjamin keadilan hukum bagi wajib pajak.

Masa depan pemeriksaan pajak adalah kolaborasi antara kecerdasan algoritma dan keahlian manusia, dan bukan penggantian satu dengan yang lain. Akuntan yang memahami kedua dimensi ini akan berada di garis terdepan transformasi perpajakan digital yang sedang terjadi.

 

Referensi

Anjarwi, A. W. (2026). The digital transformation of tax audits: how AI, big data, blockchain, and advanced analytics are reshaping tax evasion detection. Cogent Business & Management. Taylor & Francis. DOI: 10.1080/2573234X.2026.2644363

Belahouaoui, R., & Alm, J. (2025). Tax fraud detection using artificial intelligence-based technologies: Trends and implications. Journal of Risk and Financial Management, 18(9), 502. MDPI. DOI: 10.3390/jrfm18090502

Belahouaoui, R., & Attak, E. H. (2024). Digital taxation, artificial intelligence and Tax Administration 3.0: improving tax compliance behavior – a systematic literature review using textometry (2016–2023). Accounting Research Journal, 37(2), 172–191. Emerald Publishing. DOI: 10.1108/ARJ-12-2023-0372

Keunen, L. (2023). Big data tax audits: The conceptualisation of fishing expeditions. International Review of Law, Computers and Technology, 37(2), 166–197. Taylor & Francis. DOI: 10.1080/13600869.2023.2192568