<![CDATA[Transformasi digital dalam sistem informasi akuntansi membuka peluang pemanfaatan Large Language Model (LLM) untuk mengotomasi pembuatan jurnal dan rekonsiliasi keuangan, terutama pada KUD/UMKM pengolahan sawit yang masih menghadapi keterbatasan pencatatan manual dan semi-digital. Penelitian ini bertujuan mengevaluasi akurasi, kecepatan, dan keandalan beberapa model LLM dalam menghasilkan jurnal otomatis dan melakukan rekonsiliasi transaksi pada Sistem Informasi Akuntansi berbasis cloud, serta mengidentifikasi pengaruh kompleksitas transaksi dan kualitas data terhadap performanya. Penelitian ini menggunakan pendekatan kuantitatif eksperimental berbasis simulasi dengan desain faktorial yang membandingkan GPT-4, Llama 3, Mistral, dan model FinEdge-like pada dataset sintetis transaksi dan paket rekonsiliasi yang dikonstruksi berdasarkan karakteristik operasional KUD/UMKM pengolahan sawit. Evaluasi dilakukan menggunakan metrik klasifikasi, waktu pemrosesan, error rate, statistik deskriptif, dan ANOVA tiga-arah. Berdasarkan eksperimen terhadap dataset sintetis yang dikonstruksi dan disimulasikan sesuai desain penelitian, GPT-4 menunjukkan performa tertinggi, diikuti FinEdge-like, Llama 3, dan Mistral. Seluruh model mengalami penurunan akurasi ketika kompleksitas transaksi meningkat dan kualitas data menurun. LLM juga menunjukkan waktu pemrosesan yang jauh lebih singkat dibandingkan prosedur manual dalam skenario simulasi. Temuan ini menegaskan potensi integrasi LLM dalam SIA berbasis cloud sebagai mekanisme augmentasi akuntansi yang tetap memerlukan validasi manusia, audit trail, dan pengendalian berbasis risiko. Temuan ini merepresentasikan kinerja model dalam skenario simulasi dan belum dapat ditafsirkan sebagai bukti kinerja pada data transaksi lapangan aktual. Digital transformation in accounting information systems opens up opportunities to utilize Large Language Models (LLMs) to automate journal entry generation and financial reconciliation, particularly for palm oil processing cooperatives and MSMEs that still face limitations with manual and semi-digital record-keeping. This study aims to evaluate the accuracy, speed, and reliability of several LLM models in generating automated journal entries and performing transaction reconciliations in a cloud-based accounting information system, as well as to identify the impact of transaction complexity and data quality on their performance. This study employs a quantitative experimental approach based on simulation with a factorial design that compares GPT-4, Llama 3, Mistral, and FinEdge-like models on a synthetic dataset of transactions and reconciliation packages constructed based on the operational characteristics of palm oil processing KUDs/SMEs. Evaluation was conducted using classification metrics, processing time, error rate, descriptive statistics, and a three-way ANOVA. Based on experiments using the synthetic dataset constructed and simulated according to the study design, GPT-4 demonstrated the highest performance, followed by the FinEdge-like model, Llama 3, and Mistral. All models experienced a decline in accuracy as transaction complexity increased and data quality decreased. LLMs also demonstrated significantly shorter processing times compared to manual procedures in the simulation scenarios. These findings underscore the potential for integrating LLMs into cloud-based SIA as an accounting augmentation mechanism that still requires human validation, audit trails, and risk-based controls. These findings represent model performance in simulation scenarios and cannot yet be interpreted as evidence of performance on actual field transaction data.]]>
