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

Abstract

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. AbstractTax 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.