Clustering Tingkat Risiko Klasifikasi Lapangan Usaha (KLU) Menggunakan Metode K-Means

Penulis

Jessica Rahmawati Nugroho, Yoyon K Suprapto, Eko Setijadi

Abstrak

Pajak adalah sumber utama pendapatan negara. Karena itu, otoritas pajak di seluruh dunia, bertugas untuk mengurangi kesenjangan pajak (tax gap). Salah satu faktor yang menyebabkan adanya kesenjangan pajak adalah tingkat kepatuhan Wajib Pajak (WP). Dalam upaya meminimalisir ketidakpatuhan WP, Direktorat Jenderal Pajak (DJP) melakukan kegiatan pengawasan dan pemeriksaan terhadap WP. WP badan mempunyai kontribusi dominan terhadap penerimaan negara. Dari latar belakang tersebut, diambil pendekatan menggunakan metode clustering dengan algoritma K-Means untuk mengelompokkan Klasifikasi Lapangan Usaha (KLU) sesuai risiko tingkat ketidakpatuhan dan dampak fiskal bagi penerimaan yang dibagi menjadi tinggi, sedang, dan rendah. Hasil pengujian menunjukkan terdapat 9 KLU yang masuk ke dalam kuadran berwarna merah dengan tingkat ketidakpatuhan tinggi (variabel A) dan memiliki dampak fiskal yang tinggi (variabel B). Dengan validasi clustering menggunakan uji silhouette, diperoleh nilai 0,65 untuk variabel A dan 0,93 untuk variabel B. Informasi yang dihasilkan dari penelitian ini dapat dipergunakan untuk mendukung pengambilan keputusan dalam penentuan daftar KLU yang perlu diprioritaskan untuk dilakukan pemeriksaan dan pengawasan.

 

Abstract

Tax are the main source of state revenue. Therefore, tax authorities around the world are in charged to reducing the tax gap. One of the factors that causes the tax gap is the level of taxpayer compliance. In order to minimising the risk of taxpayers non-compliance, Directorate General of Taxes (DGT) as a Tax Authorities need to supervising and inspecting taxpayers. Corporate taxpayers as one of the largest source of revenue, based on their business sector have a dominant contribution to state revenues. Thus, in this study, the researcher tries to implement the clustering method with the K-Means algorithm to grouping the business classifications (Klasifikasi Lapangan Usaha/KLU) according to the risk of non-compliance level and the fiscal impact on revenue which is divided into high, medium, and low. The results show that there are 9 KLUs that included into the red quadrant with a high level of non-compliance (variable A) and have a high fiscal impact (variable B). Clustering validation using the silhouette test, obtained values of variable A and variable B, respectively 0,65 and 0,93. The information provided from this study can be used to support decision making in determining the list of KLUs that need to be prioritized for supervising and inspecting.


Teks Lengkap:

PDF

Referensi


ANGGARA, M., SUJAINI, H., & NASUTION, H. 2016. Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness. JUSTIN (Jurnal Sistem Dan Teknologi Informasi), 4(1), 186–191.

CAROLINE, L., & LATURETTE, K. 2019. Comparative Analysis of Z-Score and Springate Altman Models on Registered Coal Companies Bei in. Research In Management and Accounting, 2(2), 56–66.

DARMAYANI, D., & HERIANTI, E. 2017. Pengaruh Tingkat Kepatuhan Wajib Pajak Badan Terhadap Peningkatan Penerimaan Pajak Penghasilan Dengan Penagihan Pajak Sebagai Variabel Moderating (Pada KPP Pratama Cilandak Jakarta Selatan). InFestasi, 13(1), 275.

DEWI, D. A. I. C., & PRAMITA, D. A. K. 2019. Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali. Matrix : Jurnal Manajemen Teknologi Dan Informatika, 9(3), 102–109.

GENTLE, J. E., KAUFMAN, L., & ROUSSEUW, P. J. 1991. Finding Groups in Data: An Introduction to Cluster Analysis. In Biometrics (Vol. 47, Issue 2).

HANIFAH, I. S., & AGUNG S, R. E. W. 2016. Pengaruh Kepatuhan Wajib Pajak Dan Penagihan Pajak Terhadap Penerimaan Pph Pasal 25/29 Wajib Pajak Badan Pada Kpp Pratama Batang. Maksimum, 3(1), 1.

LI, Y., & WU, H. 2012. A Clustering Method Based on K-Means Algorithm. Physics Procedia, 25, 1104–1109.

MAULIDA, L. 2018. Penerapan Datamining Dalam Mengelompokkan Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. Dki Jakarta Dengan K-Means. JISKA (Jurnal Informatika Sunan Kalijaga), 2(3), 167.

NAHDLIYAH, M. A., WIDIHARIH, T., & PRAHUTAMA, A. 2019. Metode K-Medoids Clustering Dengan Validasi Silhouette Index Dan C-Index (Studi Kasus Jumlah Kriminalitas Kabupaten/Kota di Jawa Tengah Tahun 2018). Jurnal Gaussian, 8(2), 161–170.

NASUTION, D. A., KHOTIMAH, H. H., & CHAMIDAH, N. 2019. Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN. Computer Engineering, Science and System Journal, 4(1), 78.

NUR AINI, F., PALGUNADI, S., & ANGGRAININGSIH, R. 2016. Clustering Business Process Model Petri Net Dengan Complete Linkage. Jurnal Teknologi & Informasi ITSmart, 3(2), 47.

RACZKOWSKI, K., & MRÓZ, B. 2018. Tax gap in the global economy. Journal of Money Laundering Control, 21(4), 567–583.

ROBANI, M., & WIDODO, A. 2016. Algoritma K-Means Clustering Untuk Pengelompokan Ayat Al Quran Pada Terjemahan Bahasa Indonesia. Jurnal Sistem Informasi Bisnis, 6(2), 164.

SATRIA, E., TAMBUNAN, H. S., SARAGIH, I. S., DAMANIK, I. S., & SITANGGANG, F. T. E. 2019. Penerapan Clustering dalam Mengelompokkan Jumlah Kunjungan Wisatawan Mancanegara Dengan Metode K-Means. Prosiding Seminar Nasional Riset Information Science (SENARIS), 1, 462.

SUBROTO, G. 2020. Artikel - MEMAHAMI TAX GAP. 9 Januari. [online] Tersedia di: https://bppk.kemenkeu.go.id/content/artikel/balai-diklat-keuangan-denpasar-memahami-tax-gap-2020-01-09-6bfb976f [Diakses 10 Desember 2020]




DOI: http://dx.doi.org/10.25126/jtiik.2022915217