Bilah Samping Artikel

Telah diserahkan
Dec 12, 2024
Diterima
Apr 16, 2025
Diterbitkan
May 24, 2025
Download
PDF
Statistic
Read Counter : 43 Download : 27

Isi Artikel Utama

Abstrak

Penelitian ini bertujuan untuk memprediksi kepatuhan wajib pajak (patuh atau tidak patuh) menggunakan data perpajakan sebanyak 2.167 baris data. Framework CRISP-DM (Cross-Industry Standard Process for Data Mining) digunakan sebagai panduan proses, karena mempunyai kerangka kerja yang terstruktur. Lima algoritma pembelajaran mesin dibandingkan, yaitu Naive Bayes, Support Vector Machine (SVM), Decision Tree, Logistic Regression, dan Deep Learning, dilatih dan diuji menggunakan tools RapidMiner. Untuk meningkatkan akurasi prediksi, metode ansambel majority voting yang merupakan ansambel paling sederhana dan efisien digunakan dengan menggabungkan hasil prediksi dari algoritma-algoritma tersebut dan dievaluasi dan diimplementasikan pada Google Collab menggunakan Python untuk memvalidasi performa pada data baru dan berhasil memberikan akurasi yang lebih stabil dibandingkan model individu. Penelitian ini memberikan kontribusi dalam pengelolaan data perpajakan, khususnya pengambil kebijakan dapat mengoptimalkan penggunaan teknologi untuk meningkatkan efisiensi proses pengawasan dan evaluasi kepatuhan wajib pajak. Penelitian ini juga menggarisbawahi pentingnya eksplorasi berbagai algoritma pembelajaran mesin dan ansambel serta parameter lain untuk menghasilkan solusi yang efektif di bidang perpajakan .

Kata Kunci

Algoritma Ansambel learning CRISP-DM Machine learning Majority Voting

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
A. J. Binarto dan A. Wibowo, “Implementasi Majority Voting pada Framework Cross-Industry Standard Process for Data Mining untuk Prediksi Kepatuhan Wajib Pajak ”, Jurnal Algoritma, vol. 22, no. 1, hlm. 209–220, Mei 2025.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
Crossref
Scopus
Google Scholar
Europe PMC

References

  1. F. Ristanti, Uswatun Khasanah, and Cris Kuntadi, “Literature Review Pengaruh Penerapan Pajak UMKM, Sosialisasi Perpajakan dan Sanksi Perpajakan terhadap Kepatuhan wajib pajak,” J. Ilmu Multidisplin, vol. 1, no. 2, pp. 380–391, 2022, doi: 10.38035/jim.v1i2.49.
  2. A. P. Nugraheni, S. N. Sunaningsih, and N. A. Khabibah, “Peran Konsultan Pajak Terhadap Kepatuhan wajib pajak,” Jati J. Akunt. Terap. Indones., vol. 4, no. 1, p. Editing, 2021, doi: 10.18196/jati.v4i1.9701.
  3. A. F. Putra, “Kepatuhan wajib pajak UMKM: Pengetahuan Pajak, Sanksi Pajak, dan Modernisasi Sistem,” J. Ris. Akunt. Perpajak., vol. 7, no. 01, pp. 1–12, 2020, doi: 10.35838/jrap.v7i01.1212.
  4. Zur’aini, Yahya, and L.M Samsu, “Implementasi Algoritma Naïve Bayes Untuk MemprediksiTingkat Kepatuhan wajib pajak Di Desa Dames Damai,” J. Pengemb. Rekayasa Inform. dan Komput., vol. 1, no. 2, pp. 64–77, 2023.
  5. A. Karina, M. Siska, and B. Saad, “Tingkat Pendapatan, Tarif Pajak, Dan Sanksi Pajak Pengaruhnya Terhadap Kepatuhan wajib pajak Orang Pribadi Dengan Pemeriksaan Pajak Sebagai Variabel Moderasi,” Econ. Digit. Bus. Rev., vol. 5, no. 1, pp. 356–369, 2024.
  6. F. Setianingrum, F. Hutabarat, H. Purba, and U. A. Indonesia, “The effect of implementing an e-filing system, the quality of information technology on the level of tax compliance,” vol. 7, pp. 979–993, 2024.
  7. T. K. Hek and P. Gani, “Pengaruh Pengetahuan, Kesadaran dan Kualitas Pelayanan Terhadap Kepatuhan Pajak PBB di Kecamatan Patumbak,” Jesya, vol. 6, no. 1, pp. 1001–1006, 2023, doi: 10.36778/jesya.v6i1.1002.
  8. A. Adha, R. Rulinawaty, and F. Madya, “Analisis Pengaruh Pemerintahan Dengan Algoritma Dan Artificial Intelligence (AI) Terhadap Kepatuhan wajib pajak Pada Kpp Pratama Jakarta Mampang Prapatan,” J. Econ. Bussines Account., vol. 7, no. 4, pp. 10823–10836, 2024, doi: 10.31539/costing.v7i4.11192.
  9. B. D. Handayani and Y. Friskianty, “Pengaruh Self Assessment System, Keadilan, Teknologi Perpajakan, Dan Ketidakpercayaan Kepada Pihak Fiskus Terhadap Tindakan Tax Evasion,” Account. Anal. J., vol. 3, no. 4, pp. 457–465, 2014, [Online]. Available: http://journal.unnes.ac.id/sju/index.php/aaj
  10. A. Ulfa, “Pengaruh Kemungkinan Terdeteksinya Kecurangan, Teknologi dan Informasi Perpajakan, dan Kepercayaan Pada Otoritas Pemerintah Terhadap Penggelapan Pajak (Studi Empiris Pada Orang Pribadi Yang Terdaftar di Kantor Pelayanan Pajak Pratama Senapelan Pekanbaru),” Jom FEKON, vol. 2, no. 2, pp. 1–15, 2015, [Online]. Available: https://jom.unri.ac.id/index.php/JOMFEKON/article/view/9643
  11. A. N. Dewi and W. Irawati, “Pengaruh Pemahaman Perpajakan, Keadilan, dan Teknologi Perpajakan terhadap Perilaku Penggelapan Pajak (Studi Empiris pada wajib pajak Orang Pribadi Terdaftar di KPP Pratama Serpong),” Yudishtira J. Indones. J. Financ. Strateg. Insid., vol. 2, no. 2, pp. 262–279, 2022.
  12. U. Kannengiesser and J. S. Gero, “Modelling the Design of Models: an Example Using Crisp-Dm,” Proc. Des. Soc., vol. 3, no. July, pp. 2705–2714, 2023, doi: 10.1017/pds.2023.271.
  13. M. Ghaderzadeh, A. Hosseini, F. Asadi, H. Abolghasemi, D. Bashash, and A. Roshanpoor, “Automated Detection Model in Classification of B-Lymphoblast Cells from Normal B-Lymphoid Precursors in Blood Smear Microscopic Images Based on the Majority Voting Technique,” Sci. Program., vol. 2022, 2022, doi: 10.1155/2022/4801671.
  14. T. Rohana and M. Arifuddin, “Kajian Algoritma Jaringan Syaraf Tiruan untuk Mendeteksi Secara Dini Kepatuhan wajib pajak Orang Pribadi,” Semin. Nas. Apl. Teknol. Inf., pp. 1–6, 2013
  15. J. A. Solano, D. J. Lancheros Cuesta, S. F. Umaña Ibáñez, and J. R. Coronado-Hernández, “Predictive models assessment based on CRISP-DM methodology for students performance in Colombia - Saber 11 Test,” Procedia Comput. Sci., vol. 198, no. 2020, pp. 512–517, 2021, doi: 10.1016/j.procs.2021.12.278.
  16. S. Wulandari, Y. I. Mukti, and T. Susanti, “Optimization of the Artificial Neural Network Algorithm with Genetic Algorithm in Stroke Prediction,” Sinkron, vol. 8, no. 2, pp. 1056–1063, 2024, doi: 10.33395/sinkron.v8i2.13609.
  17. H. Hendriyana, I. M. Karo Karo, and S. Dewi, “Analisis perbandingan Algoritma Support Vector Machine, Naive Bayes dan Regresi Logistik untuk Memprediksi Donor Darah,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 121–126, 2022, doi: 10.54914/jtt.v8i2.581.
  18. H. S. W. Hovi, A. Id Hadiana, and F. Rakhmat Umbara, “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM),” Informatics Digit. Expert, vol. 4, no. 1, pp. 40–45, 2022, doi: 10.36423/index.v4i1.895.
  19. D. P. Sinambela, H. Naparin, M. Zulfadhilah, and N. Hidayah, “Implementasi Algoritma Decision Tree dan Random Forest dalam Prediksi Perdarahan Pascasalin,” J. Inf. dan Teknol., vol. 5, no. 3, pp. 58–64, 2023, doi: 10.60083/jidt.v5i3.393.
  20. D. Y. Utami, E. Nurlelah, and F. N. Hasan, “Comparison of Neural Network Algorithms, Naive Bayes and Logistic Regression to predict diabetes,” J. Informatics Telecommun. Eng., vol. 5, no. 1, pp. 53–64, 2021, doi: 10.31289/jite.v5i1.5201.
  21. Z. Azhari, L. Efrizoni, W. Agustin, and R. Yanti, “Opinion Mining menggunakan Algoritma Deep Learning untuk Menganalisis Penggunaan Aplikasi Jamsostek Mobile,” Indones. J. Comput. Sci., vol. 12, no. 2, pp. 666–678, 2023, doi: 10.33022/ijcs.v12i2.3185.
  22. J. Niimi, “Dynamic Sentiment Analysis with Local Large Language Models using Majority Voting: A Study on Factors Affecting Restaurant Evaluation,” 2024, [Online]. Available: http://arxiv.org/abs/2407.13069