Sim Kelompok 2 Edited

KEMENTERIA

KEMENTERIAN KEUANGAN N KEUANGAN REPUBLIK INDONESIAREPUBLIK INDONESIA BADAN PENDIDIKAN DAN PELATIHAN KEUANGAN BADAN PENDIDIKAN DAN PELATIHAN KEUANGAN

POLITEKNIK KEUANGAN NEGARA STAN POLITEKNIK KEUANGAN NEGARA STAN

TANGERANG SELATAN TANGERANG SELATAN

MINI-SKRIPSI MINI-SKRIPSI

DAFTAR ISI

DAFTAR ISI

Halaman Halaman BAGIAN

BAGIAN PENDAHULUAN...PENDAHULUAN... ... ... ... ii Halaman

Halaman Judul...Judul... ... ... ... ii Daftar

Daftar Isi Isi ... ... iiii Daftar

Daftar Tabel, Tabel, Gambar, Gambar, dan dan Lampiran Lampiran ... .... iviv BAGIAN

BAGIAN ISI ISI ... ... 11 BAB

BAB I I PENDAHULUAN PENDAHULUAN ... . 11 A.

A. Latar Latar Belakang Belakang Penelitian Penelitian ... ... 22 B.

B. Ruang Ruang Lingkup Lingkup Penelitian Penelitian ... ... 22 C.

C. Perumusan Perumusan Masalah Masalah ... ... 22 D.

D. Tujuan Tujuan dan dan Manfaat Manfaat Penelitian Penelitian ... ... 33 E.

BAB

BAB V V SIMPULAN SIMPULAN DAN DAN SARAN SARAN ... 3030 A.

A. Simpulan Simpulan ... 3030 B.

B. Saran Saran ... 3030 BAGIAN

BAGIAN PENUTUP PENUTUP ... ... 3131 Daftar

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

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;

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

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.

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 data-data 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 satu-satunya 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

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;

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 KRITERIA NILAI

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

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 lain-lain. 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

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 Penjelasan

Jenis SKP 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

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.

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 Hasil

Correctly Classified Instances 83,1104%

 ROC Area 0,922

 Kappa Statistic 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

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.

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

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

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