KEMENTERIAN KEMENTERIAN KEUANGAN REPUBLIK INDONESIA BADAN PENDIDIKAN DAN PELATIHAN KEUANGAN POLITEKNIK KEUANGAN NEGARA STAN TANGERANG SELATAN
MINI-SKRIPSI
DAFTAR ISI
Halaman BAGIAN PENDAHULUAN....... PENDAHULUAN............................. ............................................... ............................................ ............................
i
Halaman Judul.......................................... Judul................................................................ .............................................. .............................. ...... ..........
i
Daftar Isi ............................................. .................................................................... ............................................. ............................................. .......................
ii
Daftar Tabel, Gambar, dan Lampiran .......................................... ................................................................. ........................... ....
iv
BAGIAN ISI ........................................... ................................................................. ............................................ .......................................... ....................
1
BAB I PENDAHULUAN .......................................... ................................................................ ............................................ ........................
1
A. Latar Belakang Penelitian ............................................ ................................................................... ...................................... ...............
2
B. Ruang Lingkup Penelitian ............................................ ................................................................... ...................................... ...............
2
C. Perumusan Masalah .......................................... ................................................................ ............................................ ........................... .....
2
D. Tujuan dan Manfaat Penelitian ........................................... .................................................................. ............................... ........
3
E. Sistematika Pembahasan .......................................... ................................................................ .......................................... ....................
3
BAB V SIMPULAN DAN SARAN ............................................ ................................................................... ........................... ....
30
A. Simpulan ............................................ .................................................................. ............................................ .......................................... ....................
30
B. Saran ............................................ .................................................................. ............................................ ............................................. ........................... ....
30
BAGIAN PENUTUP ......................................... ............................................................... ............................................ ............................... .........
31
Daftar Pustaka ............................................. ................................................................... ............................................ ...................................... ................
31
DAFTAR TABEL
Halaman Tabel 1 - Kriteria Data Hasil Pemeriksaan.............................................................
11
Tabel 2 - Atribut Data Mentah ................................................................................
14
Tabel 3 - Pembagian Cluster ................................................................................... 16 Tabel 4 - Penambahan Atribut ................................................................................
17
Tabel 5 - Atribut Data setelah Pengolahan .............................................................
18
Tabel 6 - Kode Klasifikasi Lapangan Usaha ..........................................................
19
Tabel 7 - Ringkasan Hasil Model1 Unpruned ........................................................
22
Tabel 8 - Ringkasan Hasil Model2 Pruned .............................................................
23
DAFTAR GAMBAR
BAB I PENDAHULUAN
A. Latar Belakang Penelitian
Direktorat Jenderal Pajak (DJP) Kementerian Keuangan RI memiliki tugas dan fungsi dalam merumuskan dan melaksanakan kebijakan standardisasi teknis di bidang perpajakan. Visi DJP adalah menjadi institusi penghimpun penerimaan negara yang terbaik demi menjamin kedaulatan dan kemandirian negara. Adapun misi DJP dapat dijabarkan dalam 4 (empat) poin sebagai berikut, yaitu: 1. mengumpulkan penerimaan berdasarkan kepatuhan pajak sukarela yang tinggi dan penegakan hukum yang adil; 2. pelayanan berbasis teknologi modern untuk kemudahan pemenuhan kewajiban perpajakan; 3. aparatur pajak yang berintegritas, kompeten dan profesional; dan
2
menyebabkan ketentuan mengenai kebijakan pemeriksaan tidak sepenuhnya dapat dilaksanakan. KPP Pratama Bangkinang yang berada di bawah Kantor DJP Riau dan Kepulauan Riau diberi tugas untuk menghimpun pajak sebesar Rp 1.5 triliun pada tahun 2015.Jumlah ini naik sekitar 25 % dibandingkan tahun lalu. Target extra Effort penerimaan dari pemeriksaan adalah sebesar Rp1.860.507.396. Realisasi penerimaan ini hanya sebesar 86.05%. Penerimaan extra Effort Seksi Pemeriksaan KPP Bangkinang tidak pernah tercapai sejak 2011.Realisasi Penerimaan Pajak merupakan salah satu Indikator Utama Kinerja (IKU) seksi Pemeriksaan jadi bisa diketahui seksi pemeriksaan tidak pernah mencapai target. Tabel I. PENERIMAAN SEKSI PEMERIKSAAN KPP PRATAMA BANGKINANG *dalam rupiah 2011
2012
2013
2014
2015
3
yang efektif. Data mining adalah suatu proses untuk menemukan pola pengetahuan baru yang menarik, berwawasan, deskriptif, dapat dimengerti, serta memiliki kemampuan prediksi terhadap data yang berukuran besar (Zaki dan Meira, 2014). Potensi pemanfaatan data mining untuk perpajakan sangat besar, salah satunya untuk tujuan pemeriksaan. Dengan data mining , pemilihan target pemeriksaan pajak dapat dilakukan lebih efektif sehingga target pemeriksaan pajak dapat terealisasi.. Terdapat beberapa penelitian terkait pemanfaatan data mining untuk tujuan perpajakan. Dari penelitian-penelitian yang sudah dilakukan, terdapat potensi yang besar untuk memanfaatkan data wajib pajak yang sangat banyak. Karena banyaknya potensi manfaat dari penelitian-penelitian tersebut, maka penulis akan melakukan penelitian mengenai pemanfaatan data mining dalam pemilihan target pemeriksaan pajak berdasarkan karakteristik wajib pajak.
B. Ruang Lingkup Penelitian
4
Penelitian ini bertujuan untuk memberikan gambaran mengenai potensi teknik data mining dalam memisahkan Wajib Pajak berdasarkan nilai Surat Ketetapan Pajak hasil pemeriksaan dengan batasan tertentu yang telah ditetapkan sehingga dapat diterapkan sebagai model data mining untuk pemilihan target pemeriksaan pajak atau sebagai acuan dalam pemilihan prioritas target pemeriksaan pajak. Selain itu, penelitian ini juga bertujuan untuk dapat mencapai tar get pemeriksaan pada KPP Pratama Bangkinang, mengingat dalam beberapa tahun terakhir, realisasi pemeriksaan pajak pada KPP Pratama Bangkinang tidak mencapai dari target yang ditetapkan.
E. Sistematika Pembahasan 1. Bab I, Pendahuluan
Bab ini menjelaskan tentang latar belakang penelitian yang dilaksanakan dan ruang lingkupnya. Masalah yang timbul dalam objek penelitian pun juga akan
5
akan ditampilkan deskripsi atas data pre- processing . Kemudian, hasil analisis datadata berupa classifying , clustering , dan association. 5. Bab V, Simpulan dan Saran
Bab terakhir berisi tentang simpulan dari penelitian yang telah dilaksanakan sekaligus menjadi jawaban atas rumusan masalah. Kemudian, akan disampaikan saran yang dapat dipertimbangkan dari hasil penelitian.
BAB II LANDASAN TEORI A. Data Mining 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. 1 Software data mining adalah salah satu dari sejumlah alat-alat analisis untuk menganalisis data. Hal ini memungkinkan pengguna untuk menganalisis data dari berbagai dimensi atau sudut yang berbeda, mengkategorikan, dan meringkas hubungan teridentifikasi. Secara teknis, data mining adalah ekstraksi pola yang menarik dari data dalam jumlah besar 2. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang
7
sedangkan data mining digunakan untuk melakukan information discovery yang informasinya lebih ditujukan untuk seorang data analyst dan business analyst (dengan ditambah visualisasi tentunya). Dalam praktiknya, data mining juga mengambil data dari data warehouse. Hanya saja, aplikasi dari data mining lebih khusus dan lebih spesifik dibandingkan OLAP mengingat database bukan satusatunya bidang ilmu yang mempengaruhi data mining . Ada banyak lagi bidang ilmu yang turut memperkaya data mining seperti information science (ilmu informasi), high performance computing , visualisasi, machine learning , statistik, neural networks (jaringan saraf tiruan), pemodelan matematika, information retrieval dan information extraction serta pengenalan pola. Bahkan, pengolahan citra (image processing ) juga digunakan dalam rangka melakukan data mining terhadap data image/spasial.
8
memungkinkan mereka untuk menggali informasi lebih dalam dari ringkasan informasi yang ada ke data transaksional rinci. Dengan data mining , penjual bisa menggunakan point-of-sale dari catatan pembelian pelanggan untuk mengirim promosi yang ditargetkan berdasarkan sejarah pembelian tiap individu pelanggan, mengembangkan produk, dan promosi untuk menarik segmen pelanggan tertentu. Data mining juga dapat dilakukan pada aspek lainnya seperti perpajakan untuk mencari variabel yang berpengaruh terhadap kepatuhan WP. Data mining terdiri atas lima elemen utama, yaitu: 1. ekstraksi, transformasi, dan menginput data transaksi ke sistem data warehouse; 2. menyimpan dan mengelola data dalam sistem database multidimensi; 3. menyediakan akses data untuk para analis bisnis dan para ahli teknologi informasi; 4. menganalisis data dengan perangkat lunak aplikasi; dan
9
6. Data visualization: interpretasi visual dari hubungan yang kompleks dalam data multidimensi. alat grafis yang digunakan untuk menggambarkan hubungan data.
B. Pemilihan Target Pemeriksaan di DJP
Berdasarkan Surat Edaran Direktur Jenderal Pajak Nomor SE-28/PJ/2013 tentang Kebijakan Pemeriksaan, terdapat dua kriteria yang menjadi alasan dilakukannya pemeriksaan, yaitu: 1. Pemeriksaan rutin, dilakukan sehubungan pemenuhan hak/atau pelaksanaan kewajiban perpajakan oleh Wajib Pajak. Contohnya adalah terhadap permohonan restitusi. 2. Pemeriksaan khusus, dilakukan terhadap Wajib Pajak berdasarkan hasil analisis risiko baik secara manual maupun terkomputerisasi. Analisis risiko adalah kegiatan yang dilakukan untuk menilai tingkat ketidakpatuhan Wajib Pajak yang mengindikasikan potensi penerimaan pajak. Analisis risiko dibuat dengan
10
dengan instruksi Kepala Kantor Wilayah Direktorat Jenderal Paja k. Pemeriksaan bersifat top-down, yaitu tanpa adanya usulan dari UP2. 4. Analisis risiko yang dibuat oleh Direktur Pemeriksaan dan Penagihan secara manual. Pemeriksaan dilakukan dengan instruksi Direktur Pemeriksaan dan Penagihan. Pemeriksaan bersifat top-down, yaitu tanpa adanya usulan dari UP2. 5. Hasil pengembangan dan analisis atas informasi, data, laporan, dan pengaduan (IDLP) yang dilakukan oleh Direktur Intelijen dan Penyidikan yang direkomendasikan untuk dilakukan Pemeriksaan Khusus. Pemeriksaan dilakukan dengan instruksi Direktur Pemeriksaan dan Penagihan dan bersifat top-down, yaitu tanpa adanya usulan dari UP2. 6. Berdasarkan kriteria seleksi berbasis risiko secara komputerisasi (computerized riskbased selection) yang dilakukan oleh Direktur Pemeriksaan dan Penagihan dan bersifat top-down, yaitu tanpa adanya usulan dari UP2.
11
b. Dalam hal usulan analisis risiko tidak disetujui, Account Representative atau Pemeriksa Pajak dapat mengusulkan kembali analisis risiko Wajib Pajak tersebut dengan mempertimbangkan masukan-masukan dari Tim Pembahas Analisis Risiko. c. Dalam hal terdapat indikasi tindak pidana perpajakan maka analisis ris iko dan Risalah Hasil Pembahasan Analisis Risiko disampaikan kepada Kepala Kantor Wilayah Direktorat Jenderal Pajak untuk ditindaklanjuti sesuai dengan ketentuan yang berlaku.
BAB III METODOLOGI PENELITIAN A. Jenis Data dan Sampel
Dalam makalah ini, sumber dapat diperoleh langsung dari instansi di mana penulis pernah bekerja yaitu KPP Pratama Bangkinang. Data yang penulis dapatkan terdiri atas sebanyak 1.196 Surat Ketetapan Pajak untuk jenis pajak PPh dan PPN yang diproses selama tahun 2012 — 2016 yang bersumber dari Sistem Informasi Direktorat Jenderal Pajak (SIDJP). Data tersebut untuk seterusnya disebut sebagai Data Hasil Pemeriksaan. Adapun kriteria yang dinilai pada Data Hasil Pemeriksaan adalah sebagai berikut: Tabel 2 - Kriteria Data Hasil Pemer iksaan
NO 1
KRITERIA JENIS SKP
NILAI SKPKB
13
KONSTRUKSI PERBANKAN PERDAGANGAN PERTAMBANGAN Adapun penjelasan mengenai kriteria yang dinilai adalah sebagai berikut: 1. Jenis SKP, menjelaskan mengenai Surat Ketetapan Pajak yang menjadi produk akhir dalam proses pemeriksaan pajak. Terdiri atas SKPKB (Kurang Bayar), SKPLB (Lebih Bayar), SKPN (Nihil). 2. Jenis Pajak, menjelaskan jenis pajak yang terdapat dalam Surat Ketetapan pajak yang terdiri atas Pajak Penghasilan (PPh) dan Pajak Pertambahan Nilai (PPN). 3. Nilai SKP, menjelaskan besar nilai Surat Ketetapan yang menjadi produk pemeriksaan pajak dan diklasifikasikan oleh penulis. KECIL adalah nilai ketetapan di bawah
14
menjelaskan mengenai Klasifikasi Lapangan Usaha Wajib Pajak pada KPP terdaftar. Terdapat tujuh jenis KLU yakni industri, jasa, perkebunan dan kehutanan, konstruksi, perdagangan, perbankan.
B. Metode Pengumpulan Data dan Analisis
Data yang tersedia diolah menggunakan software Weka 3.7.13. Pengolahan dilakukan dengan tools classify dengan sebelumnya memasukkan data yang digunakandalam file dengan ekstensi “.csv”. Proses klasif ikasi yang dilakukan untuk dapat melihat decision tree pada analisis data menggunakan metode J.48 dengan cross validation test 10 fold . Analisis dilakukan melalui beberapa uji asumsi yang terdapat pada aplikasi Weka 3.7.13, yaitu Kappa Statistic, Mean Absolute Error, Root Mean Squared Error, Relative Absolute Error, dan tools lain untuk menguji validitas data dan menguji asumsi hasil analisis.
BAB IV ANALISIS DAN PEMBAHASAN A. Hasil Analisis Penelitian
1. Data Pre-processing Data pre-processing merupakan langkah penting dalam proses data mining . Metode pengumpulan data pada data ALPP DJP seringkali menghasilkan nilai yang tidak valid (misalnya, nilai SPT yang seharusnya numerik menjadi dibaca sebagai teks), dua jenis data yang sebenarnya merujuk pada satu hal (misalnya Rokhul dan Rokan Hulu yang sebenarnya merujuk pada satu kota), nilai yang hilang, dan lainlain. Menganalisis data yang belum melalui tahap data pre-processing secara seksama bisa menghasilkan hasil yang menyesatkan. Dengan demikian, memastikan representasi dan kualitas data merupakan hal yang pertama dan terutama sebelum menjalankan analisis.
16
Dokumen Referensi
Atribut yang menunjukkan Nomor Laporan Pemeriksaan Pajak (LPP) yang menjadi dasar Surat Ketetapan Pajak
NPWP
Atribut yang menunjukkan Nomor Pokok Wajib Pajak sebagai nomor identifikasi wajib pajak
Nama WP
Atribut yang menunjukkan Nama Wajib Pajak yang diperiksa
Jenis
Atribut yang menunjukkan jenis Surat Ketetapan Pajak. Jenis SKP yaitu SKPN, SKPLB, dan SKPKB. Atribut ini juga sekaligus menunjukkan jenis pajak yang dilakukan pemeriksaan. Atribut ini merupakan atribut nominal.
Masa Pajak
Atribut yang menunjukkan masa pajak yang dilakukan pemeriksaan
Nilai Ketetapan
Atribut yang menunjukkan nilai ketetapan pajak yang tercantum dalam SKP. Nilai yang tercantum meliputi jumlah pajak terutang, jumlah kredit pajak, dan jumlah pajak terutang. Atribut ini merupakan atribut numerik.
17
Gambar 2- Data Warehouse sebelum Pengolahan
1.1. Data Cleansing Data cleansing dilakukan dengan tujuan untuk membuang data yang tidak konsisten dan bersifat noise dari basis data yang mungkin berbeda format maupun platform. Langkah pertama yang kami lakukan adalah memperbaiki data-data tidak
18
Tabel 5 - Penambahan Atribut
Atribut
Keterangan
Kota
Atribut yang menunjukkan alamat wajib pajak berada. Kami mendapatkan data lokasi ini dengan cara merujuk NPWP ke master file wajib pajak.
Status /Jenis WP
Atribut ini kami dapatkan dengan cara mentransformasi dua digit terakhir kode pemeriksaan untuk menemukan jenis wajib pajak Badan atau Orang Pribadi
Selain melakukan penambahan atribut, kami juga memecah atribut Jenis yang menunjukkan jenis surat ketetapan pajak sekaligus jenis pajak menjadi dua atribut yaitu atribut jenis SKP dan atribut jenis pajak.
1.3. Data Transformation Data transformation mengubah satu set nilai data dari format data sistem data sumber menjadi format data yang diinginkan. Dalam penelitian ini kami melakukan
19
Setelah melakukan berbagai teknik data pre-processing , maka dihasilkan data warehouse dengan atribut sebagai berikut: Tabel 6 - Atribut Data setelah Pengolahan
Atribut Jenis SKP
Penjelasan Atribut ini menunjukkan jenis surat ketetapan pajak yang terbagi atas SKPN, SKPLB dan SKPKB.
Jenis Pajak
Atribut ini menunjukkan jenis pajak yang terbagi atas PPh (Pajak Penghasilan) dan PPN (Pajak Penambahan Nilai)
Nilai SKP
Atribut ini merupakan atribut yang ditetapkan sebagai atribut class yang dikelompokkan menjadi Kecil, Sedang, dan Besar
Nilai SPT
Atribut ini menunjukkan range nilai pajak terutang dalam
20
Gambar 3 - Data Warehouse yang Telah Diolah
Adapun kode klasifikasi lapangan usaha yang ada pada data mentah disaji kan dalam tabel di bawah ini. Tabel 7 - Kode Klasifikasi Lapangan Usaha
21
B. Classifying: Decision Tree 1. Model Unpruning Permodelan teknik yang digunakan adalah dengan teknik decision tree untuk mendeteksi atribut yang menentukan klasifikasi target pemeriksaan pajak. Teknik decision tree ini memiliki fitur pruning dimana model dilakukan pemangkasan hasil sehingga menjadi lebih mudah dibaca. Jika tidak dilakukan pemangkasan jumlah daun dan pohon yang dihasilkan menjadi terlalu banyak. Decision tree adalah metode yang cukup popular digunakan dalam data mining dan merupakan implementasi dari algoritma C4.5 pada aplikasi Weka. Algoritma C4.5 sendiri merupakan pengembangan dari algoritma ID3. ID3 merupakan algoritma yang dipergunakan untuk membangun sebuah decision tree atau pohon keputusan. Algoritma ini ditemukan oleh J. Ross Quinlan, dengan memanfaatkan Information Theory milik Shanon. ID3 sendiri merupakan singkatan dari Iterative Dichotomiser 3. Namun, algoritma ID3 memiliki
22
dilakukan proses pruning . Parameter confidence factor diisi dengan angka 0,25 (default ), MinNumObj diisi dengan angka 2 ( default ), sedangkan NumFolds diisi dengan angka 3 (default ). Penulis
membuat
decision
tree dengan
menggunakan
data hasil
pemeriksaan. Data ini dianalisis dengan menggunakan klasifikasi decision tree J48 dengan test option berupa cross-validation dengan fold 10 model dalam teknik klasifikasi dengan algoritma decision tree yang dibangun dengan menggunakan pendekatan pruned decision tree, lebih tepatnya dengan teknik online pruning . Hasil pengolahan data tersebut dapat dilihat pada gambar di bawah ini yang diperoleh dari aplikasi Weka.
23
berada pada kondisi good classification. Jadi, model yang dihasilkan dapat diandalkan. Tabel 8 - Ringkasan Hasil Model1 Unpruned
Indikator
Correctly Classified Instances ROC Area Kappa Statistic
Hasil
83,1104% 0,922 0,4643
Number of Leaves
49
Size of Tree
70
Sumber: diolah dari Aplikasi WEKA Pohon keputusan yang dihasilkan yaitu jumlah daun sebanyak 49 dan ukuran pohon 70. Model ini berukuran besar sehingga sulit dilakukan analisis atribut yang berpengaruh pada model ini adalah nilai SPT, jenis SKP, KLU, Jenis Pajak, Status, dan Kota.
24
Gambar 5 - Pe ngolahan Model2
Hasil klasifikasi Model2 menunjukan model dibangun dalam waktu yang
25
menghasilkan ROC area yang tidak jauh berbeda dari model1 yaitu sebesar 0,911 yang berarti model mengklasifikasikan data dengan baik. Selain itu, pada model ini menghasilkan jumlah daun sebanyak 34 dan ukuran pohon 49 sehingga lebih sederhana daripada model1. Berdasarkan model ini, atribut yang berpengaruh adalah nilai SPT, Jenis SKP, KLU, Jenis Pajak, Status, dan Kota.
26
keputusan sebagaimana yang terlampir di Lampiran 1 pada penelitian ini, dihasilkan cukup informatif dalam membantu mengambil keputusan. Adapun atribut yang berada pada root node atau bagian paling atas yang dijadikan dasar klasifikasi adalah atribut nilai SPT. Pohon keputusan membagi atribut nilai SPT menjadi tiga cabang yaitu cabang dengan nilai SPT kecil, sedang, dan besar. Cabang dengan nilai SPT besar diklasifikasikan dalam kelas besar. Cabang dengan nilai SPT sedang terbagi dalam Jenis SKP untuk SKPLB dan SKPN langsung diklasifikasikan dalam kelas kecil. SKPKB terbagi lagi berdasarkan KLU. KLU dengan kategori industri dan perdagangan dimasukan dalam kelas besar. KLU perkebunan, konstruksi dan perbankan masuk dalam kelas sedang. Untuk KLU pertambangan masuk dalam kelas kecil. Sedangkan KLU Jas a dibagi lagi berdasarkan jenis pajak. Untuk Jenis Pajak PPN langsung masuk dalam kelas besar dan PPh masuk kelas kecil. Nilai SPT kecil dibagi berdasarkan Jenis SKP. SKPN dan SKPLB langsung
27
Model klasifikasi untuk pemeriksaan pajak terbaik menggunakan data mining ditentukan dalam tahap evaluasi. Atribut yang digunakan dalam masing-masing model merupakan faktor-faktor yang mempengaruhi klasifikasi pemeriksaan pajak. Faktor-faktor yang mempengaruhi klasifikasi tersebut adalah nilai SPT, jenis SKP, KLU, Jenis Pajak, Status, dan Kota. Dengan hasil yang diperoleh terutama Model2 dapat digunakan sebagai sumber informasi untuk klasifikasi target pemeriksaan pajak di tahun mendatang. Dengan diperolehnya informasi mengenai karakteristik wajib pajak yang diprediksi memiliki nilai SKP dengan jumlah besar, KPP Bangkinang dapat melakukan pengawasan yang lebih baik terhadap wajib pajak tersebut. Langkah selanjutnya dari pengawasan terhadap wajib pajak dengan karakteristik ini dapat lebih diprioritaskan untuk dilakukan pemeriksaan dibandingkan dengan wajib pajak diluar karakteristik yang diperoleh.
28
Gambar 7 - Hasil Cluster Centroids dan Clustered Instances
D. Associate Assosiate digunakan untuk melakukan data mining pada data pemeriksaan. Data yang dimiliki dapat dimanfaatkan untuk tujuan menemukan item mana saja yang
29
Dari 7 atribut, terdapat 10 rules teratas yang telah dihubungkan menggunakan associate. Secara umum, rule yang muncul menunjukkan ketentuan umum dan pola identifikasi pemeriksaan pajak. Misalnya Jenis SKPN sebanyak 537 dihasilkan dari Nilai SKP kecil. SKP kecil sebanyak 950 dihasilkan dari nilai SPT yang kecil sebanyak 935. Jenis Pajak PPH menghasilkan SKP kecil dari nilai SPT Kecil.
BAB V SIMPULAN DAN SARAN A. Simpulan
Berdasarkan analisis yang telah dilakukan dalam penelitian di atas, maka dapat ditarik simpulan sebagai berikut. 1. Sejumlah indikator berupa Correctly Classified Instanced , Nilai Kappa, dan ROC area pada Model1 (unpruned ) secara umum memiliki nilai yang lebih baik dibandingkan dengan Model2 ( pruned ), yang artinya adalah model data tersebut dapat diandalkan dan dinilai cukup akurat dalam mengklasifikasikan data. Namun, Model1 menghasilkan ukuran pohon yang lebih besar dan kompleks dibandingkan dengan Model2 sehingga sulit untuk dapat dipahami l ebih lanjut. 2. Decision tree pada Model2 menunjukkan faktor yang menentukan klasifikasi pemeriksaan pajak di lingkungan KPP Pratama Bangkinang melalui atribut yang
31
diperlukan atribut tambahan yang diperlukan dalam rangka pemeriksaan pajak oleh DJP, seperti karakteristik tiap-tiap wajib pajak yang menjadi subjek pemeriksaan. 3. Pengelolaan database dalam SIDJP yang dikelola oleh DJP perlu ditinjau lebih lanjut agar tidak memiliki data yang tidak valid dan tidak akurat. Hal tersebut diperlukan demi memastikan keputusan atau hasil analisis atas data yang digunakan tidak bias.
BAGIAN PENUTUP A. Daftar Pustaka
1. http://www.anderson.ucla.edu/faculty/jason.frand/teacher/technologies/palace/d atamining.html, diakses pada tanggal 25 Mei 2017 2. Han, J., Kamber, M., & Pei, J. (2006). Data mining: Concepts and Techniques, Second Edition (Second). Massachusetts: Morgan Kaufmann 3. Hardiyanti, Febriani. 2016. Klasifikasi Target Pemeriksaan Pajak Dengan Pemanfaatan Teknik Data Mining . Tangerang Selatan: Politeknik Keuangan Negara STAN
