Sampling dalam audit pengujian substantif

Salah-saji yang terdeteksi

Jika salah-saji ditemukan dalam sampel, auditor perlu menghitung proyeksi salah-saji dan cadangan bagi risiko sampling. Karena dalam sampel MUS tiap dolar yang terpilih “mewakili” suatu kelompok dollar dalam populasi, persentase salah-saji dalam unit logis mewakili persentase salah-saji dalam rentang sampling dari mana nilai dolar dipilih. Tiga jenis situasi dapat terjadi dengan salah-saji yang terdeteksi.

1.                  Unit logis sama dengan atau lebih besar dari rentang sampling

Dalam situasi ini, proyeksi salah-saji sama dengan salah-saji aktual yang dideteksi dalam unit logis. Sebagai contoh, akun Axa Corporation pada tabel di atas berisi saldo sebesar $ 32.549 yang mana lebih besar dari rentang sampling sebesar $ 26.882. Pada contoh, proyeksi salah saji dihubungkan dengan dengan akun ini menjadi $2.500, dan tidak ada risiko sampling yang ditambahkan.

2.                  Nilai buku unit logis adalah kurang dari rentang sampling, dan di salahsajikan sebesar kurang dari 100 %.

Hal ini merupakan situasi yang paling umum. Persentase salah-saji dalam unit logis disebut sebagai faktor tercemar. Faktor tercemar dihitung dengan menggunakan rumus sebagai berikut :

Faktor tercemar   = Nilai buku – Nilai audit

                                                   Nilai buku

            Sebagai contoh, rekening Good Hospital Corp, lebih saji sebesar $ 3.284. Maka, faktor tercemar untuk akun iitu adalah 0.15 ((21.893 – 18.609) + 21.893). Proyeksi salah saji untuk rentang ini yang berisi unit logis ini akan menjadi $4.032 (0.15 x $ 26.882). Faktor tercemar dihubungkan dengan rentang yang berisi akun Marva Medical Supply adalah 0.40 ( $ 2.682:$6.705), dan proyeksi salah-saji untuk rentang itu adalah $10.753 (0.40x$26.882). Cadangan bagi risiko sampling akan ditambahkan ke proyeksi salah saji.

3.                  Menghitung Batas Salah Saji atas

Untuk menghitung batas salah saji atas, auditor pertama-tama menghitung ketepatan dasar dan kemudian membuat peringkat salah saji yang terdeteksi berdasarkan ukuran dari faktor tercemar, dari faktor tercemar  yang terbesar sampai yang terkecil.

Nama Pelanggan	Faktor tercemar	Rentang sampling	Proyeksi salah saji (kolom 2 x 3)	95 % tambahan batas atas (dari tabel 8-9)	Salah saji atas ( kolom 2x3x5)
(1)	(2)	(3)	(4)	(5)	(6)
Ketepatan Dasar	1,0	$ 26.882	NA	3.0	$ 80.646
Learn Heart Centers	1.0	26.882	26.882	1.7 (4.7-3.0)	45.700
Marva Medical	0.40	26.882	10.753	1.5 (6.2-4.7)	16.130
Good Hospital	0.15	26.882	4.032	1.4 (7.6-6.2)	5.645
Ditambah salah saji terdeteksi dalam unit logis lebih besar dari rentang sampling : AXA Corp	NA	26.882	NA	NA	2.500
Batas Salah Saji atas					$150.621

Langkah 7:

Menarik kesimpulan akhir

Untuk contoh di atas, keputusan terakhir mengenai apakah piutang dagang mengandung salah-saji material dibuat dengan membandingkan salah saji yang dapat diterima dengan UML. Jika UML kurang dari atau sama dengan salah saji yang dapat diterima, bukti mendukung kesimpulan bahwa saldo akun tidak disalahsajikan secara material.  Dalam kasus di atas.

Auditor sekarang memiliki empat pilihan. Pertama, ukuran sampel dapat ditingkatkan. Kedua, prosedur substantif lain dapat digunakan. Ketiga, auditor dapat meminta klien menyesuaikan saldo piutang dagang.  Keempat, jika klien menolak untuk menyesuaikan akun, auditor akan menerbitkan pendapat wajar dengan pengecualian atau pendapat tidak wajar (jarang diperlukan).

Sampling Nonstatistik untuk uji saldo akun

Jika aplikasi nonstatistik digunakan, unsur berikut memerlukan penjelasan lebih lanjut :

·         Mengidentifikasi unsur signifikan individual

·         Menentukan ukuran sampel

·         Memilih unsur sampel

·         Menghitung hasil sampel

Mengidentifikasi unsur signifikan individual

Dalam banyak aplikasi sampling nonstatistik, auditor menentukan unsur mana yang harus diuji secara individual dan unsur mana yang harus dilakukan sampling. Unsur yang akan diuji secara individual adalah unsur yang dapat mengandung salah-saji potensial