Comparison of Random, Systematic, Sieve, Cell, and Lahiri Sampling Methods in Monetary Unit Sampling: A Case Study of Local Tax Receivables = Perbandingan Random, Systematic, Sieve, Cell, dan Lahiri Sampling pada Monetary Unit Sampling: Studi Kasus Piutang Pajak Daerah Pemerintah Kabupaten Maros Tahun 2023

Latar Belakang: Monetary Unit Sampling (MUS) merupakan metode sampling audit berbasis Probability Proportional to Size yang memberikan probabilitas seleksi lebih tinggi kepada transaksi bernilai besar, dengan lima metode pemilihan sampel yaitu Random, Systematic, Sieve, Cell, dan Lahiri Sampling. Tujuan: Penelitian-penelitian sebelumnya mengenai perbandingan kelima metode tersebut menggunakan data dalam mata uang Dollar Amerika, sehingga belum ada bukti empiris pada data keuangan sektor publik Indonesia. Metode: Penelitian ini menggunakan data piutang pajak daerah Pemerintah Kabupaten Maros Tahun Anggaran 2023 yang terdiri dari 304 transaksi dari tujuh jenis pajak daerah dengan total nilai Rp43.984.236.590,00 untuk membandingkan kinerja kelima metode ditinjau dari beta risk dan efisiensi. Ukuran sampel dihitung menggunakan distribusi Hypergeometric (k = 0,1; E = 5% populasi; β = 0,01–0,29), taint error berupa overstatement dibangkitkan pada enam tingkat (50%–100%), dan evaluasi menggunakan Cell Bound. Simulasi dilakukan 100 iterasi per kombinasi parameter, menghasilkan 222 skenario dengan total 110.616 iterasi. Hasil: Hasil penelitian menunjukkan kelima metode MUS mencapai beta risk 0% dengan tingkat deteksi 100% pada seluruh iterasi, sehingga tidak terdapat perbedaan beta risk antar metode pada tingkat kesalahan material 5%. Namun, Sieve Sampling merupakan metode paling efisien dengan ukuran sampel rata-rata 65% lebih kecil (13 vs 37 unit), Efficiency Index tertinggi (4,59 vs 1,00–1,17), serta mean projected error 98,74% dengan distribusi paling konsisten dibandingkan keempat metode lainnya (~66,9%, distribusi sangat menceng). Kesimpulan: Disimpulkan bahwa kelima metode MUS sama-sama andal dalam mendeteksi kesalahan material, namun Sieve Sampling paling efisien dengan kemampuan mengurangi beban kerja audit hingga 65% tanpa mengurangi efektivitas deteksi kesalahan.