KEMENTERIAN KEUANGAN REPUBLIK INDONESIA BADAN PENDIDIKAN DAN PELATIHAN KEUANGAN POLITEKNIK KEUANGAN NEGARA STAN TANGERANG SELATAN
ANALISIS DATA MINING PADA POLA PENGAMBILAN KEPUTUSAN KEP UTUSAN PENELAAH PENE LAAH KEBERATAN KEBERATAN ATA ATAS S PERMOHONAN P ERMOHONAN PENGURANGAN DAN KEBERAT K EBERATAN AN OLEH WAJIB WAJIB PAJAK
(Studi Kasus Kanwil DJP Kalimantan Baat!
MATA KULIAH SISTEM IN"ORMASI MANAJEMEN Dia#u$an %l&' Pad'i$a )ud'a D'ama (*+! Ramdan (,-! Sulasi.a' Amini (,/!
Ja$ata
BAB I PENDAHULUAN -0 Lata Lata B& B&la la$a $an1 n1 Direktorat Jenderal Pajak (DJP) merupakan salah satu unit eselon I di lingkungan
Kementerian Keuangan. DJP mempunyai tugas dan fungsi dalam merumuskan dan melaksanakan kebijakan standardisasi teknis di bidang perpajakan. Untuk mendukung tugas dan fungsi dimaksud, DJP merumuskan isi dan misi DJP. !dapun isi DJP adal adalah ah "enj "enjad adii Inst Instit itus usii Peng Penghi himp mpun un Pene Penerim rimaa aan n #egar #egaraa yang yang $erba erbaik ik demi demi "enjam "enjamin in Kedaula Kedaulatan tan dan Kemand Kemandiria irian n #egara. #egara. %ement %ementara ara itu, itu, misi misi DJP dapat dijabarkan dalam & (empat) poin sebagai berikut ' a. mengumpulk mengumpulkan an penerimaan penerimaan berdasar berdasarkan kan kepatuhan kepatuhan pajak sukarela sukarela yang yang tinggi tinggi dan penegakan hukum yang adil adil b. pelayanan berbasis teknologi modern untuk kemudahan pemenuhan keajiban perpajakan *. aparatur aparatur pajak pajak yang yang berintegri berintegritas, tas, kompet kompeten en dan dan profesion profesional al dan dan d. kompensasi kompensasi yang yang kompeti kompetitif tif berbasis berbasis sistem sistem manajem manajemen en kinerja. kinerja. %esu %esuai ai deng dengan an misi misi DJP DJP yang yang pert pertam amaa yait yaitu u meng mengum umpu pulk lkan an pene penerim rimaan aan berdasarkan kepatuhan pajak sukarela yang tinggi dan penegakan hukum yang adil, DJP menerapkan menerapkan metode metode self assesstment bagi bagi +ajib Pajak (+P) dalam memenuhi keajiban perpajakannya dengan melaporkan %urat Pemberitahuan (%P$). %etelah %P$ disampaikan oleh +P, aparat pajak (fiskus) dapat melakukan pemeriksaan atau penelitian atas %P$ tersebut dalam rangka menguji kepatuhan +P tersebut. Dalam Dalam hal hasil hasil pemerik pemeriksaan saan dan penelit penelitian ian atas atas %P$ tersebut tersebut membuk membuktik tikan an baha terdapat ketidakbenaran dalam pengisian %P$, fiskus dapat menerbitkan %urat Ketetap Ketetapan an Pajak Pajak Kurang Kurang ayar ayar (%KP). (%KP). Ketidak Ketidakben benaran aran dalam dalam penyamp penyampaian aian %P$ tersebut antara lain (-) tidak menyampaikan %P$ atau () menyampaikan %P$ yang isinya tidak benar atau tidak lengkap, atau melampirkan keterangan yang isinya tidak benar, +P dengan kemauan sendiri dapat mengungkapkan dengan pernyataan tertulis mengenai ketidakbenaran perbuatannya. Dala Dalam m jang jangka ka akt aktu u / (lim (lima) a) tahu tahun n sete setela lah h saat saat teru teruta tang ngny nyaa paja pajak k atau atau berakhirnya "asa Pajak, agian $ahun $ahun Pajak, atau $ahun $ahun Pajak, DJP dapat menerbitkan %urat Ketetapan Pajak Kurang ayar (%KPK) dalam hal terdapat pajak yang tidak atau kurang dibayar berdasarkan' a. hasil 0e 0erifikasi rifikasi terhadap terhadap keterangan keterangan lain (hasil (hasil klarifikasi1 klarifikasi1konfi konfirmasi rmasi faktur faktur pajak, pajak, bukti pemotongan Pph, data perpajakan terkait dengan +P yang tidak
menyampaikan +P$ dalam jangka aktu yang sudah ditentukan) b. hasil Pemeriksaan terhadap ' -) %urat Pemberitahuan atau ) Keajiban perpajakan +P karena +P tidak menyampaikan %P$ dalam jangka aktu yang ditetapkan UU, dan setelah ditegur se*ara tertulis %P$ tetap tidak disampaikan pada aktunya sebagaimana ditentukan dalam %urat $eguran DJP dapat menerbitkan (%urat Ketetapan Pajak Kurang ayar $ambahan) %KPK$ berdasarkan hasil Pemeriksaan atau Pemeriksaan ulang terhadap data baru yang mengakibatkan penambahan jumlah pajak yang terutang, termasuk data yang semula belum terungkap dan berdasarkan hasil 0erifikasi atas data baru berupa hasil klarifikasi1konfirmasi faktur pajak dalam jangka aktu / (lima) tahun setelah saat terutangnya pajak atau berakhirnya "asa Pajak, agian $ahun Pajak, atau $ahun Pajak. DJP dapat menerbitkan %urat Ketetapan Pajak 2ebih ayar (%KP2) atas hasil erifikasi terhadap kebenaran pembayaran pajak atas permohonan +P yang mana terdapat kelebihan pembayaran pajak yang seharusnya tidak terutang dan atas hasil Pemeriksaan terhadap %P$ terdapat jumlah kredit pajak atau jumlah pajak yang dibayar lebih besar daripada jumlah pajak yang terutang. !tas penerbitan %KPK, %KPK$, dan %KP2, serta penerbitan %urat $agihan Pajak (%$P) dan %urat Penetapan Pajak $erutang Pajak umi dan angunan (%PP$ P), +P berhak untuk mengajukan pengurangan dan keberatan dalam jangka aktu 3 (tiga) bulan sejak %urat Ketetapan Pajak tersebut diterbitkan. +ajib Pajak yang karena kealpaannya tidak menyampaikan %P$ atau menyampaikan %P$ tetapi isinya tidak benar atau tidak lengkap, atau melampirkan keterangan yang isinya tidak benar sehingga dapat menimbulkan kerugian pada pendapatan negara, tidak dikenai sanksi pidana apabila kealpaan tersebut pertama kali dilakukan oleh +P. erdasarkan data yang didapat atas permohonan keberatan dan pengurangan oleh +P, terdapat beberapa alasan +P yang mendasari pengajuan permohonan tersebut, yaitu antara lain kekhilafan, kesulitan ekonomi, dan ketidaksetujuan atas koreksi fiskus, penetapan #J4P, atau pengenaan sanksi oleh fiskus. !lasan5alasan tersebut menjadi salah satu faktor penentu bagi Penelaah Keberatan (PK) dalam menelaah permohonan pengurangan dan keberatan serta membuat laporan yang selanjutkanya menjadi dasar dalam pengambilan keputusannya untuk menolak, mengabulkan sebagian atau mengabulkan seluruhnya permohonan pengurangan dan keberatan +P tersebut. %elain faktor tersebut terdapat faktor lain yang sudah disesuaikan menjadi
syarat ajib bagi PK dalam pengambilan keputusan, yaitu kesesuaian penghitungan %KP yang diterbitkan terhadap peraturan perpajakan yang berlaku dan kelengkapan berkas +P. Dengan asumsi data yang didapat adalah data +P yang sudah memenuhi kelengkapan berkas, jika penghitungan %KP sesuai maka PK ajib menolak permohonan pengurangan atau keberatan +P. %elain ketiga faktor tersebut diatas, penulis berupaya menggali faktor5faktor lain dari data yang tersedia yang dapat mempengaruhi PK dalam pengambilan keputusan Dengan demikian, penulis berupaya untuk melakukan analisis terhadap kriteria penentu keputusan PK atas permohonan pengurangan dan keberatan +P di lingkungan DJP, dengan judul 6!#!2I%I% D!$! "I#I#7 P!D! P42! P8#7!"I2!#
K8PU$U%!#
P8#82!!9
K88:!$!#
!$!%
P8:"494#!# P8#7U:!#7!# D!# K88:!$!# 4289 +!JI P!J!K (%tudi Kasus Kanil DJP Kalimantan arat);. *0 Rumusan Masala' erdasarkan uraian pada bagian latar belakang di atas, penulis menetapkan rumusan
masalah se*ara umum, yaitu a. agaimanakah kesesuaian PK membuat keputusan atas permohonan pengurangan dan keberatan +P dengan aturan atau proses bisnis yang sudah ditetapkan< b. Jika tidak sesuai, faktor apa yang biasanya menjadi keputusan PK ( subjective judgement ) dalam membuat keputusan atas permohonan pengurangan dan keberatan +P diluar aturan atau proses bisnis yang sudah ditetapkan ,0 Batasan Masala' atasan masalah dalam analisis ini meliputi ' a. 2ingkup penelitian hanya menggunakan data 29P yang sudah di scan oleh
pelaksana saja untuk melihat kesesuaian keputusan yang dibuat oleh PK dengan aturannya b. Kriteria yang
diuji
khusus
untuk
29P
yang
belum
di scan
tidak
mempertimbangkan faktor kebenaran %PP$1%KPK$1%KP#1%KP2 dan alasan +P mengajukan permohonan Pengurangan dan Keberatan dikarenakan data sangat rahasia. *. !sumsi semua permohonan +P memiliki berkas yang lengkap, sehingga untuk proses bisnis penelitian kelengkapan berkas pengurangan 1 keberatan oleh PK diabaikan 20 Tu#uan P&n&litian $ujuan penelitian adalah sebagai berikut' a. Untuk mengetahui kriteria apa yang menjadi dasar dalam membuat keputusan atas
permohonan pengurangan dan keberatan +P yang kemudian dibandingkan dengan aturan atau proses bisnis yang sudah ditetapkan. !tas ketidaksesuaian tersebut bisa menjadi bahan ealuasi PK atau red flag adanya tindakan fraud yang dilakukan PK. b. Untuk data yang sifat kerahasiaannya tidak dapat didapatkan oleh penulis, maka di*ari
kriteria apa yang menjadi dasar dalam membuat keputusan atas
permohonan pengurangan dan keberatan +P tanpa dibandingkan dengan aturan atau proses bisnis yang ditetapkan. "anfaat yang dapat diambil adalah !: dan Pemeriksa bisa lebih hati5hati dalam menerbitkan %PP$1%KPK$1%KP#1%KP2 atas kriteria tertentu yang biasa diajukan oleh +P dan keputusannya adalah mengabulkan seluruhnya atau sebagian.
BAB II LANDASAN TEORI -0 Data Minin1
Data mining atau biasa disebut juga data atau knowledge discovery adalah proses menganalisis data dari perspektif yang berbeda dan meringkas menjadi informasi yang berguna. Informasi yang dapat digunakan untuk meningkatkan pendapatan, mengurangi biaya, atau keduanya.Software data mining adalah salah satu dari sejumlah alat5alat analisis untuk menganalisis data. 9al ini memungkinkan pengguna untuk menganalisis data dari berbagai dimensi atau sudut yang berbeda, mengkategorikan, dan meringkas hubungan teridentifikasi. %e*ara teknis, data mining adalah ekstraksi pola yang menarik dari data dalam jumlah besar . %uatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Penggalian data diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari sistem basis data perusahaan, e-commerce, data saham, dan data bioinformatika), tetapi pola apa yang bisa didapatkan tidak diketahui. Data warehouse ialah proses manajemen data terpusat dan pemanfaatan data. Data mining mempunyai hubungan dengan Data warehouse sebagaimana ditunjukkan dalam 7ambar -. Dari 7ambar - terlihat baha teknologi data warehouse digunakan untuk melakukan 42!P (Online Analytical Processing ) , sedangkan data mining digunakan untuk melakukan information discovery yang informasinya lebih ditujukan untuk seorang Data Analyst dan Business Analyst (dengan ditambah isualisasi tentunya). Dalam praktiknya, data mining juga mengambil data dari data warehouse. 9anya saja aplikasi dari data mining lebih khusus dan lebih spesifik dibandingkan 42!P mengingat database bukan satu5satunya bidang ilmu yang mempengaruhi data mining . !da banyak 1 http://www.anderson.ucla.edu/faculty/jason.frand/teacher/technologies/palace/da tamining.htm l, diakses pada tanggal 3 Desember 21! 2 "an, #., $amber, %., & 'ei, #. (2!). Data mining: *oncepts and +echniues, -econd dition (-econd). %assachusetts: %organ $aufmann.
lagi bidang ilmu yang turut memperkaya data mining seperti information science (ilmu informasi), high performance computing , isualisasi machine learning , statistik, neural networks (jaringan saraf tiruan), pemodelan matematika, information retrieval dan information e!traction serta pengenalan pola. ahkan, pengolahan *itra (image processing ) juga digunakan dalam rangka melakukan data mining terhadap data image1spasial.
7ambar -' Data mining dan teknologi database lainnya
Data mining saat ini baru digunakan oleh perusahaan dengan fokus terhadap konsumen
ritel,
keuangan,
komunikasi,
dan
organisasi
pemasaran.
9al
ini
memungkinkan perusahaan5perusahaan untuk menentukan hubungan antara f aktor5faktor =internal= seperti harga, penempatan produk, atau keterampilan staf, dan faktor5faktor =eksternal= seperti indikator ekonomi, persaingan, dan demografi pelanggan. 9al itu memungkinkan mereka untuk menentukan dampak pada penjualan, kepuasan pelanggan, dan keuntungan perusahaan. Pada akhirnya, hal tersebut memungkinkan mereka untuk menggali informasi lebih dalam dari ringkasan informasi yang ada ke data transaksional rin*i. Dengan data mining , penjual bisa menggunakan point-of-sale dari *atatan pembelian pelanggan untuk mengirim promosi yang ditargetkan berdasarkan sejarah pembelian tiap indiidu pelanggan, mengembangkan produk, dan promosi untuk menarik segmen pelanggan tertentu. Data mining juga dapat dilakukan pada aspek lainnya seperti perpajakan untuk men*ari ariabel yang berpengaruh terhadap kepatuhan +P.
Data mining terdiri atas lima elemen utama, yaitu'
-. . 3. &. /.
8kstraksi, transformasi, dan menginput data transaksi ke sistem data warehouse. "enyimpan dan mengelola data dalam sistem database multidimensi. "enyediakan akses data untuk para analis bisnis dan para ahli teknologi informasi. "enganalisis data dengan perangkat lunak aplikasi. "enyajikan data dalam format yang bermanfaat, seperti grafik atau tabel. Dalam melakukan elemen utamanya, Data mining mempunyai berbagai tingkat
analisis yang tersedia, yaitu' -. Artificial neural networks' model prediksi non5linear yang belajar melalui pelatihan dan menyerupai jaringan saraf biologis dalam struktur. . Genetic algorithms' teknik yang menggunakan proses seperti kombinasi genetik, mutasi, dan seleksi alam dalam desain berdasarkan konsep eolusi alami. 3. Decision trees' struktur berbentuk pohon yang meakili set keputusan. keputusan ini menghasilkan aturan untuk klasifikasi dataset. metode pohon keputusan spesifik termasuk Klasifikasi dan Pohon :egresi (>!:$) dan >hi %?uare, Automatic "nteraction Detection (>9!ID). &. Nearest neighbor method ' sebuah teknik yang mengklasifikasikan setiap re*ord dalam kumpulan data berdasarkan kombinasi dari kelas dari *atatan k ( s) yang paling mirip dengan itu dalam dataset sejarah (di mana k -). /. Rule induction' penggunaan ekstraksi aturan jika5maka (if-then) dari data yang didasarkan atas signifikansi statistik. @. Data visualization' interpretasi isual dari hubungan yang kompleks dalam data multidimensi. alat grafis yang digunakan untuk menggambarkan hubungan data. *0 P%s&s 3isnis 4&n.&l&saian 4&m%'%nan P&n1uan1an erdasarkan %85-A1PJ1B-& tentang Petunjuk Pelaksanaan Pengurangan atau
Penghapusan %anksi !dministrasi dan Pengurangan atau Pembatalan %KP atau %$P dimana disusun sebagai pedoman bagi KPP dan unit kantor DJP berenang menerbitkan keputusan mengenai pengurangan atau penghapusan sanksi administrasi dan pengurangan atau pembatalan %KP atau %$P berdasarkan permohonan +P maupun se*ara jabatan. %8 tersebut bertujuan untuk mendorong tertib administrasi penyelesaian pengurangan atau penghapusan sanksi administrasi dan pengurangan atau pembatalan %KP atau %$P berdasarkan permohonan +P maupun se*ara jabatan agar pihak yang berenang tidak serta merta menggunakan dasar yang tidak relean dan se*ara dominan hanya berdasarkan subjective judgement saja. Pada 2ampiran I menjelaskan prosedur penyelesaian permohonan pengurangan atau penghapusan sanksi administrasi. 2ampiran II menjelaskan prosedur penyelesaian permohonan pengurangan atau pembatalan %KP yang tidak benar. 2ampiran III menjelaskan
prosedur penyelesaian pengurangan atau pembatalan %$P sebagaimana dimaksud dalam Pasal -& UU KUP yang tidak benar. 2ampiran I0 surat edaran tersebut memberikan prosedur penyelesaian permohonan pembatalan %KP dari hasil pemeriksaan atau erifikasi. %edangkan 2ampiran 0 %urat 8daran ini menjelaskan prosedur penyelesaian pengurangan atau penghapusan sanksi se*ara jabatan 9al5hal yang harus dilakukan pada saat penelitian berkas permohonan +P dalam pengajuan pengurangan adalah sebagai berikut' a. "eneliti keenangan untuk memproses berkas permohonan pengurangan atau pembatalan surat ketetapan pajak yang tidak benar +ajib Pajak b. Meneliti kelengkapan berkas permohonan pengurangan atau pembatalan surat ketetapan pajak yang tidak benar yang diterima *. Menguji pemenuhan ketentuan peraturan perundang-undangan perpajakan
d. "elakukan
pen*atatan tahapan
pelaksanaan
kegiatan penyelesaian
permohonan pengurangan atau pembatalan surat ketetapan pajak yang tidak benar dalam 2embar Pengaasan Penelitian erkas Pengurangan atau Pembatalan %urat Ketetapan Pajak Cang $idak enar' Dalam analisis yang dilakukan oleh PK menggunakan matriks berikut sesuai %8 nomor -- tahun B-3
%ehingga unsur5unsur dalam matriks semestinya menjadi faktor Peneliti dalam pengambilan keputusan ,0 P%s&s 3isnis 4&n.&l&saian 4&m%'%nan $&3&atan erdasarkan %85-1PJ1B-& tentang Petunjuk Penyelesaian Keberatan Pajak Penghasilan Pajak Pertambahan #ilai dan1atau Pajak Penjualan atas arang "eah dimana disusun sebagai pedoman bagi KPP dan unit Kantor DJP yang berenang menerbitkan keputusan atas keberatan PPh, PP# dan1atau PP#" yang diajukan +P dengan tujuan sebagai tertib administrasi atas penyelesaian keberatan dan prosedur penyelesaiannya ada di lampiran II surat edaran ini. 9al5hal yang harus dilakukan pada saat penelitian berkas permohonan +P dalam pengajuan keberatan adalah sebagai berikut' a. "eneliti keenangan untuk memproses berkas keberatan +P b. "eneliti kelengkapan berkas keberatan yang diterima *. "eneliti pemenuhan persyaratan %urat Keberatan
d. "elakukan
pen*atatan tahapan
pelaksanaan
kegiatan penyelesaian
keberatan dalam 2embar Pengaasan Penelitian erkas Keberatan 9asil analisis PK dituangkan dalam bentuk matrik berikut
%ehingga unsur5unsur dalam matriks semestinya menjadi faktor Peneliti dalam pengambilan keputusan
Ba3 III P&m3a'asan !. Penyelesaian %engketa %esuai dengan Peraturan Pemerintah (PP) #omor $ahun, !pabila terdapat sengketa terkait penerbitan surat ketetapan pajak, +P
memiliki hak untuk mengajukan
permohonan penyelesaian sengketa tersebut dengan mengajukan surat permohonan kepada DJP. %urat ketetapan pajak yang dimaksud adalah berupa produk hukum dari KPP tempat +P terdaftar, yaitu berupa %KPK, %KPK$, %KP2, %KP#, dan %$P untuk jenis pajak PP# dan PPh, serta %PP$ untuk jenis pajak P. !dapun bentuk penyelesaian sengketa tersebut adalah berupa pengajuan permohonan Keberatan,
serta
permohonan
Pengurangan,
Penghapusan,
dan
Pembatalan.
Penyelesaian sengketa tersebut akan diproses oleh unit kerja eselon III di Kantor +ilayah (Kanil) terkait, yaitu idang Pengurangan, Keberatan, dan anding (PK). Permohonan +P yang diterima oleh Kanil akan diteruskan kepada idang PK, untuk seterusnya akan dilimpahkan kepada tim yang terdiri atas Kepala idang PK sebagai superisor, Kepala %eksi PK terkait sebagai ketua tim, dan Penelaah Keberatan (PK) terkait sebagai anggota tim. Penunjukan tim tersebut akan dituangkan dalam surat tugas. Dalam prosesnya, PK
akan melakukan
reie atas produk hukum yang
disengketakan, serta bila perlu melakukan upaya seperti meminta data baru, memanggil +P, memanggil fiskus KPP terkait, bahkan melakukan penelitian lapangan. 9asil dari proses tersebut akan dituangkan dalam 2aporan 9asil Penelitian (29P), yang akan menjadi dasar untuk menerbitkan %urat Keputusan Kanil yang akan memutuskan apakah permohonan +P diterima atau ditolak. Dalam pelaksanaannya, selain berpegang pada aturan material perpajakan, tim penyelesaian sengketa khususnya PK dituntut untuk menyelesaian sebuah sengketa dengan objektif dan adil. Untuk itu, PK akan memperhatikan latar belakang serta kondisi +P, yang akan berdampak pada usulan keputusan yang diambil. $idak jarang permohonan +P dikabulkan apabila hasil penelitian sesuai dengan aturan di mana permohonan +P harus dikabulkan. . Data Dalam makalah ini, sumber dapat diperoleh langsung dari instansi di mana penulis pernah bekerja, yaitu Kanil DJP Kalimantan arat. Data yang penulis dapatkan terdiri atas' a. 29P dan %K Pengurangan1Keberatan sebanyak /B buah atas nama 3- +P yang diterbitkan pada tahun B-& yang bersumber dari hasil pemindaian 29P yang untuk seterusnya disebut sebagai Data 29P, serta
b. Permohonan Pengurangan1Keberatan yang diproses selama tahun B-& sebanyak A3E permohonan yang bersumber dari pengolahan database yang untuk seterusnya disebut sebagai Data Permohonan. !dapun kriteria yang dinilai antara lain' -. Untuk Data 29P menggunakan kriteria sebagai berikut' #o -
Kriteria J8#I% K8$8$!P!#
J8#I% P8:"494#!#
3
J8#I% P!J!K
&
D!%!: P8#8:I$!#
/
U:!I!# +P
@
U:!I!# FI%KU%
A
K8%I"PU2!# PK
K8PU$U%!#
Keterangan %KP %$P %PP$ K88:!$!# P8#7U:!#7!# PP9 PP# P P8"8:IK%!!# P8#82I$I!# P8#8$!P!# K9I2!F #J4P K4:8K%I %!#K%I P82!P4:!# K"% P8#8$!P!# P8"8$U2!# K4:8K%I K8$8$!P!# 8#!: K8$8$!P!# $ID!K 8#!: "8#7!U2K!# %8!7I!# "8#7!U2K!# %82U:U9#C!
. Untuk Data 29P menggunakan kriteria sebagai berikut' #o -
Kriteria $!9U# P!J!K
J8#I% P8:"494#!#
3
J8#I% P!J!K
&
J8#I% K8$8$!P!#
Ketetapan BB3 BBA BB BBE B-B B-B- B-3 B-& K88:!$!# P8#7U:!#7!# PP9 PP# P %KP
K8PU$U%!#
%$P %PP$ 82U" !D! K8PU$U%!# "8#8:I"! %8!7I!# "8#8:I"! %82U:U9#C! "8#7!U2K!# "8#7!U2K!# %8!7I!# "8#42!K $42!K F4:"!2
*. D8>I%I4# $:88 (J&) Decision tree J& merupakan implementasi dari algoritma >&./ pada aplikasi +eka. !lgoritma >&./ sendiri merupakan pengembangan dari algoritma ID3. ID3 merupakan algoritma yang dipergunakan untuk membangun sebuah decision tree atau pohon keputusan. !lgoritma ini ditemukan oleh J. :oss Guinlan, dengan memanfaatkan "nformation #heory milik %hanon. ID3 sendiri merupakan singkatan dari "terative Dichotomiser $. #amun, algoritma ID3 memiliki kelemahan, yaitu hanya mampu memproses data yang semua atributnya harus bertipe nominal dan tidak boleh ada yang kosong (missing value). Kelemahan algoritma ID3 ini diatasi oleh algoritma >&./. !lgoritma >&./ mampu menangani atribut dengan tipe diskrit atau kontinu (numerik), mampu menangani atribut yang kosong ( missing value), dan bisa memangkas *abang. J& juga digunakan untuk membangun decision tree. Decision tree merupakan salah satu algoritma klasifikasi dalam data mining . !lgoritma klasifikasi merupakan algoritma yang se*ara induktif dalam pembelajaran untuk mengkonstruksikan sebuah model dari dataset yang belum diklasifikasikan ( preclassified dataset ). %etiap data dari item berdasarkan dari nilai dari setiap atribut. Klasifikasi dapat dilihat sebagai mapping dari sekelompok set dari atribut dari kelas tertentu. Decision tree mengklasifikasikan data yang diberikan dengan menggunakan nilai dari atribut. a) Data 29P Data 29P di Kanil DJP Kalimantan arat dianalisis dengan menggunakan klasifikasi J&. Data 29P dianalisis untuk mengetahui faktor5faktor apakah yang mempengaruh Keputusan atas penyelesaian Pengurangan1Keberatan. Data 29P dianalisis dengan menggunakan klasifikasi decision tree J& dengan test option berupa crossvalidation dengan fold -B. 9asil pengolahan data tersebut dapat dilihat pada 7ambar .
7ambar ' Summary hasil pengolahan Data 29P dengan menggunakan klasifikasi J&
9asil pengolahan data Data 29P menunjukkan baha terdapat EH data yang dapat
diklasifikasikan
dengan
benar,
sementara
hanya
H
data
yang
salah
diklasifikasikan. 9asil ini juga menunjukkan baha model yang dihasilkan oleh decision tree J& memiliki EH dalam memprediksi hasil inspeksi ( "nspection %esult ). Jadi, model ini dapat disebut model yang dapat diandalkan. Decision tree yang dihasilkan dapat dilihat pada 7ambar 3.
7ambar 3' Decision tree dengan menggunakan klasifikasi J& Dari hasil pengolahan data di atas, dapat dilihat decision tree yang terbentuk bukanlah decision tree yang sistematis. 9al ini disebebkan karena data yang dimiliki tidak *ukup lengkap untuk dapat membentuk decision tree yang baik. Penulis kira, salah satu faktor yang menyebabkan hal ini adalah jumlah data yang ke*il. #amun demikian, penulis menemukan satu kejanggalan yang ditunjukan oleh decision tree yang dihasilkan, yaitu baha terdapat ketetapan yang dirasa benar oleh PK justru menghasilkan keputusan untuk mengabulkan seluruh permohonan +P. Penulis men*oba menganalisis lebih dalam dengan men*oba memisualisasikan &lass K8PU$U%!#.
7ambar &' 0isualisasi &lass K8PU$U%!#
Dari hasil isualisasi di atas, apabila dilihat dari atribut K8PU$U%!#, maka diperoleh baha terdapat A keputusan yang dikabulkan seluruhnya. !pabila dilihat dari atribut K8%I"PU2!# PK !$!% K8$8$!P!#, terdapat @ keputusan yang disimpulkan benar namun menghasilkan keputusan dikabulkan seluruhnya. !pabila dilihat dari atribut U:!I!# FI%KU%, maka seluruh keputusan yang dikabulkan seluruhnya diuraikan sebagai pelaporan. !pabila dilihat dari atribut U:!I!# +P, maka seluruh keputusan yang dikabulkan seluruhnya diuraikan sebagai khilaf. b) Data Permohonan Penulis men*oba membuat decision tree dengan menggunakan Data Permohonan. Data Permohonan dianalisis dengan menggunakan klasifikasi decision tree J& dengan test option berupa cross-validation dengan fold -B. 9asil pengolahan data tersebut dapat dilihat pada 7ambar /.
7ambar /' Summary hasil pengolahan Data Permohonan dengan menggunakan klasifikasi J& erbeda dengan Data 29P, Data Permohonan menunjukan hanya terdapat @@H data yang dapat diklasifikasikan dengan benar, dan terdapat 3&H data yang salah diklasifikasikan. 9al ini menunjukan baha dengan data yang ada, decision tree yang dihasilkan akan kurang baik. Untuk itu, penulis memutuskan untuk tidak melanjutkan analisis decision tree pada Data Permohonan. !. ASSO&"A#' D!# S'('&# A##%"B)#' Associate %etelah menggunakan klasifikasi J&, atas data 29P juga dapat dilakukan data mining menggunakan associate. Penggunaan associate berupaya menjelaskan hubungan suatu atribut dengan atribut lainnya. Jika dibahasakan, informasi yang didapat
dari
pengolahan
associate
menggunakan
jika
maka
yang
menunjukkan hubungan antar atribut. Umumnya associate digunakan pada *arket Basket Analysis untuk mengetahui perilaku pelanggan dalam membeli suatu item di minimarket1supermarket. Dalam makalah ini, fitur associate pada +eka akan
digunakan
untuk
menggali
kaitan
informasi
pada
proses
penyelesaian
Pengurangan1Keberatan di Kanil DJP Kalimantan arat. a) Data 29P Penulis melakukan analisis associate pada Data 29P. %etting associate menggunakan Apriori dengan setup default . 9asilnya ditampilkan seperti di baah ini' -. K8PU$U%!#L"8#7!U2K!# %8!7I!# &3 LLM K8%I"PU2!# PK !$!% K8$8$!P!#LK8$8$!P!# $ID!K 8#!: &3
N*onf'(-)M lift'(-.-&)
le'(B.-) O/ *on'(/.-@) . J8#I% P8:"494#!#LK88:!$!# 3B LLM K8%I"PU2!# PK !$!% K8$8$!P!#LK8$8$!P!# $ID!K 8#!: 3B
N*onf'(-)M lift'(-.-&) le'(B.BA)
O3 *on'(3.@) 3.
J8#I%
P8:"494#!#LK88:!$!#
K8PU$U%!#L"8#7!U2K!# %8!7I!# 3B
3B
LLM
N*onf'(-)M lift'(-.-@) le'
(B.B) O& *on'(&.) &. J8#I% P8:"494#!#LK88:!$!# K8PU$U%!#L"8#7!U2K!# %8!7I!# 3B LLM K8%I"PU2!# PK !$!% K8$8$!P!#LK8$8$!P!# $ID!K 8#!: 3B /.
J8#I%
N*onf'(-)M lift'(-.-&) le'(B.BA) O3 *on'(3.@)
P8:"494#!#LK88:!$!#
K8$8$!P!#LK8$8$!P!#
$ID!K
K8PU$U%!#L"8#7!U2K!# %8!7I!# 3B
K8%I"PU2!# 8#!:
PK 3B
!$!% LLM
N*onf'(-)M lift'(-.-@) le'
(B.B) O& *on'(&.) @. J8#I% P8:"494#!#LK88:!$!# 3B LLM K8%I"PU2!# PK !$!% K8$8$!P!#LK8$8$!P!# $ID!K 8#!: K8PU$U%!#L"8#7!U2K!# %8!7I!# 3B
N*onf'(-)M lift'(-.-@) le'(B.B) O& *on'(&.)
A. J8#I% K8$8$!P!#L%PP$ @ LLM J8#I% P8:"494#!#LK88:!$!# @ N*onf'(-)M lift'(-.@A) le'(B.-) O-B *on'(-B.&) . J8#I% P!J!KLP @ LLM J8#I% K8$8$!P!#L%PP$ @
N*onf'(-)M lift'
(-.E) le'(B./) O- *on'(-.&) E. J8#I% K8$8$!P!#L%PP$ @ LLM J8#I% P!J!KLP @
N*onf'(-)M lift'
(-.E) le'(B./) O- *on'(-.&) -B. D!%!: P8#8:I$!#LP8#8$!P!# @ LLM J8#I% K8$8$!P!#L%PP$ @ N*onf'(-)M lift'(-.E) le'(B./) O- *on'(-.&)
Dari atribut, terdapat -B rule teratas yang telah dihubungkan menggunakan associate. Dapat dilihat baha beberapa rule memiliki pola yang hampir sama dengan rule yang lain. >ontohnya, terdapat 3B permohonan memiliki atribut yang sama, yaitu jenis permohonannya berupa keberatan, kesimpulan dari PK menghasilkan ketetapan tidak benar, dan hasil keputusannya adalah mengabulkan sebagian. %etidaknya terdapat / rule yang memiliki pola di atas. 9al ini sekali lagi disebabkan karena terbatasnya data. b) Data Permohonan Penulis melakukan analisis associate pada Data Permohonan. %etting associate menggunakan Apriori dengan setup default . Dengan menggunakan data aal, a**o*iate dengan menggunakan !priori tidak dapat digunakan. #amun penulis men*oba menghilangkan atribut $!9U# P!J!K sehingga data menjadi bisa diolah. 9asilnya ditampilkan seperti di baah ini'
-. J8#I% K8$8$!P!#L%$P /- LLM J8#I% P8:"494#!#LP8#7U:!#7!# /.
N*onf'(-)M lift'(-./&) le'(B.-) OA *on'(A.EA) J8#I%
P!J!KLPP#
J8#I%
K8$8$!P!#L%$P
P8:"494#!#LP8#7U:!#7!# B&
B&
LLM
J8#I%
N*onf'(-)M lift'(-./&) le'(B.-) OA-
*on'(A-./) 3. J8#I% K8$8$!P!#L%PP$ -@ LLM J8#I% P!J!KLP -@
N*onf'(-)M lift'
(3.@&) le'(B.-) O-3& *on'(-3&.E-) &.
J8#I%
K8$8$!P!#L%$P
K8PU$U%!#L"enolak
P8:"494#!#LP8#7U:!#7!# -B
-B
LLM
J8#I%
N*onf'(-)M lift'(-./&) le'(B.B@) O&
*on'(&.B@) /. J8#I% P8:"494#!#LK88:!$!# J8#I% P!J!KLPP# --& LLM J8#I% K8$8$!P!#L%KP --&
N*onf'(-)M lift'(.&/) le'(B.BE) O@A *on'(@A.&-)
@. J8#I% P8:"494#!#LK88:!$!# J8#I% K8$8$!P!#L%PP$ -BA LLM J8#I% P!J!KLP -BA
N*onf'(-)M lift'(3.@&) le'(B.--) OAA *on'(AA.@-)
A. J8#I% P!J!KLPP# J8#I% K8$8$!P!#L%$P K8PU$U%!#L"enolak -B LLM J8#I% P8:"494#!#LP8#7U:!#7!# -B
N*onf'(-)M lift'(-./&) le'
(B.B/) O3/ *on'(3/.A/) . J8#I% K8$8$!P!#L%PP$ K8PU$U%!#Lelum !da Keputusan -B- LLM J8#I% P!J!KLP -B-
N*onf'(-)M lift'(3.@&) le'(B.-) OA3 *on'(A3.@)
E. J8#I% P!J!KLP K8PU$U%!#Lelum !da Keputusan -B- LLM J8#I% K8$8$!P!#L%PP$ -B-B.
J8#I%
N*onf'(-)M lift'(3.EA) le'(B.-) OA/ *on'(A/./)
P8:"494#!#LK88:!$!#
J8#I%
P!J!KLPP#
K8PU$U%!#L"enolak A LLM J8#I% K8$8$!P!#L%KP A
N*onf'(-)M lift'
(.&/) le'(B.BA) O/- *on'(/-.&/) Dari & atribut, terdapat -B rule teratas yang telah dihubungkan menggunakan associate. %e*ara umum, rule yang mun*ul tidaklah berbeda dengan aturan yang seharusnya, misalnya permohonan keberatan akan selalu diajukan pada jenis ketetapan %KP, lalu jenis ketetapan %PP$ akan memiliki jenis pajak P.
Select Attribute Pengolahan data mining lainnya yaitu menggunakan fitur Select Attributes. Fitur
ini
mengolah data
dengan *ara men*ari
seluruh
kombinasi
yang
memungkinkan atas seluruh atribut dalam suatu data dan memberikan informasi atribut mana yang paling berpengaruh dalam menentukan suatu prediksi (Frank, BBB). Dalam makalah ini, yang digunakan adalah :anker pada pilihan *ethod dan se*ara otomatis Attribute 'valuator akan berganti "nfo+ainAttribute'val . a) Data 29P Penulis men*oba melakukan Select Attributes pada Data 29P. %etelah memilih K8PU$U%!# sebagai pilihan prediksi dan menjalankan proses, maka akan dihasilkan data di baah ini' Ran$&d atti3ut&s
B./& @ U:!I!# FI%KU% B.&&A A K8%I"PU2!# PK !$!% K8$8$!P!# B.@ & D!%!: P8#8:I$!# B.3 / U:!I!# +P B.-- J8#I% P8:"494#!# B.-EE - J8#I% K8$8$!P!# B.-A@ 3 J8#I% P!J!K Dari data di atas, dapat dilihat faktor apa saja yang paling mempengaruhi hasil keputusan berdasarkan data serta atribut yang tersedia. !dapun menurut hasil pengolahan data, faktor yang paling mempengaruhi keputusan adalah Uraian Fiskus. Informasi ranked attributes tersebut dapat digunakan oleh KPP sebagai ealuasi atas
penerbitan ketetapan. !gar dapat menghasilkan ketetapan berkualitas serta memiliki risiko ke*il apabila disengketakan oleh +P, maka KPP harus meningkatkan kualitas uraian fiskus, dalam hal ini adalah kualitas dasar penerbitan ketetapan, yaitu antara lain Pemeriksaan, Penelitian, dan Penetapan. b) Data Permohonan Penulis juga men*oba melakukan Select Attributes pada Data Permohonan. Pilihan prediksi yang dipergunakan juga menggunakan K8PU$U%!#. Data yang dihasilkan adalah sebagai berikut' Ran$&d atti3ut&s
B./- & J8#I% K8$8$!P!# B.&-3 3 J8#I% P!J!K B.3E - $!9U# P!J!K B.-3 J8#I% P8:"494#!# Dari data di atas, diketahui baha faktor yang paling mempengaruhi keputusan berturut5turut adalah jenis ketetapan, jenis pajak, tahun pajak, dan jenis permohonan. Data tersebut dapat dipergunakan oleh DJP sebagai salah satu bahan ealuasi kinerja fiskus.
! I0 P8#U$UP
! %I"PU2!# erdasarkan pemaparan di atas, dapat diambil beberapa simpulan sebagai berikut' -. Data mining dapat digunakan pada berbagai aspek, dalam hal ini ealuasi atas penyelesaian sengketa pajak. . !da tiga jenis analisis yang dapat digunakan dalam melakukan data mining terhadap Data 29P dan Data Permohonan atas permohonan Pengurangan1Keberatan di Kanil DJP Kalimantan arat dengan menggunakan aplikasi +eka, yaitu dengan melakukan analisis Decision #ree, Associate, dan Select Attribute. 3. Dengan keterbatasan data 29P yang dimiliki, yaitu hanya men*akup /B 29P, maka decision tree yang sistematis tidak dapat di*apai dengan menggunakan data 29P, namun berdasarkan hasil decision tree yang ada, ditemukan kejanggalan baha terdapat Ketetapan yang disimpulkan benar oleh PK, namun menghasilkan keputusan mengabulkan seluruhnya. %etelah dianalisis, kejanggalan tersebut disebabkan oleh permohonan Pengurangan +P atas ketetapan yang diuraikan oleh fiskus berupa pelaporan, dan diuraikan oleh +P berupa kekhilafan. !dapun data Permohonan menghasilkan decision tree dengan tingkat kebenaran yang rendah sehingga tidak dilakukan analisis lebih lanjut. &. Pengolahan data 29P dengan menggunakan associate menghasilkan -B rule. #amun rule tersebut dirasa kurang komprehensif dikarenakan banyaknya rule yang berulang. 9al ini sekali lagi disebabkan oleh keterbatasan data yang dimiliki. !dapun jika menggunakan data Permohonan, -B rule yang didapatkan sebagian besar sesuai dengan aturan perpajakan yang berlaku. /. Dengan menggunakan select attribute pada data 29P, maka dapat diperoleh kesimpulan baha faktor yang paling mempengaruhi keputusan adalah uraian fiskus, dalam hal ini adalah kualitas dari dasar ketetapan, baik itu berupa Pemeriksaan, Penelitian, ataupun Penetapan. %edangkan penerapan select attribute pada data Permohonan menunjukan baha yang paling mempengaruhi keputusan berturut5turut adalah jenis ketetapan, jenis pajak, tahun pajak, dan jenis permohonan.
. %!:!# erdasarkan simpulan di atas, penulis memberikan saran agar data mining dapat mulai dimanfaatkan oleh DJP, setidaknya sebagai tool untuk melakukan ealuasi atas kinerja fiskus. Karena dengan data mining , aspek penting yang perlu diperhatikan diketahui sehingga keputusan yang diambil dapat efektif, efisien, ekonomis dan tepat sasaran. Penelitian aplikatif pada data mining juga masih terbuka luas pada bidang5 bidang lainnya. Dengan adanya paper analisis data mining ini semoga dapat menjadi pemi*u penggunaan data mining dan penelitian lain terkait data mining .
