Penerapan K-Medoids untuk Pengelompokan Kepatuhan Wajib Pajak PBB di Kecamatan Bukit Kecil
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Pajak Bumi dan Bangunan (PBB) merupakan salah satu sumber pendapatan penting bagi pemerintah daerah. Namun, tingkat kepatuhan wajib pajak di setiap wilayah tidak selalu sama sehingga menyulitkan proses pemetaan dan evaluasi. Penelitian ini bertujuan untuk mengelompokkan wajib pajak PBB di Kecamatan Bukit Kecil berdasarkan tingkat kepatuhan menggunakan algoritma K-Medoids. Penelitian dilakukan mengikuti tahapan CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Data yang digunakan adalah data wajib pajak PBB periode 2018–2022 dengan atribut NOP, kelurahan, tahun pajak, dan status pembayaran. Sebelum proses klasterisasi, data terlebih dahulu melalui tahap pra-pemrosesan berupa pembersihan, transformasi, dan normalisasi. Hasil penelitian menunjukkan bahwa metode K-Medoids mampu membentuk beberapa kelompok wajib pajak dengan tingkat kepatuhan yang berbeda. Pengelompokan ini dapat memberikan gambaran pola kepatuhan wajib pajak di wilayah penelitian. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma K-Medoids dapat digunakan sebagai alat bantu analisis untuk mendukung evaluasi dan perencanaan strategi pengelolaan PBB oleh Badan Pendapatan Daerah.
Rincian Artikel
Referensi
[2] F. Alfiah, D. Al Farizi, dan E. Widodo, “Analisis Clustering K-Medoids Berdasarkan Indikator Kemiskinan di Jawa Timur Tahun 2020 K-Medoids Clustering Analysis Based on Poverty Indicators in East Java in 2020,” vol. 22, no. April, hal. 1–7, 2022.
[3] A. Ayu, D. Sulistyawati, dan M. Sadikin, “Penerapan Algoritma K - Medoids untuk Menentukan Segmentasi Pelanggan,” vol. 10, hal. 516–526, 2021.
[4] M. Orisa dan A. Faisol, “Analisis Algoritma Partitioning Around Medoid untuk Penentuan Klasterisasi,” vol. 8, no. 2, hal. 86–90, 2021.
[5] M. A. Putri, N. Rahaningsih, F. M. Basysyar, dan O. Nurdiawan, “Penerapan Data Mining Menggunakan Metode Clustering Untuk Mengetahui Kelompok Kepatuhan Wajib Pajak Bumi dan Bangunan,” J. Account. Inf. Syst. (AIMS, vol. 5, no. 2, hal. 145–156, 2022, doi: 10.32627.
[6] Y. Yudiana, A. Yulia, dan N. Khofifah, “Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan,” vol. 8, no. 1, hal. 1–20, 2023.
[7] D. A. Dzulhijjah, M. B. Herlambang, M. Haifan, P. Studi, P. Insinyur, dan T. Selatan, “Implementasi framework crisp-dm untuk proses data mining aplikasi credit scoring pt. xyz,” hal. 238–251, 2024.
[8] P. Studi, T. Informatika, F. I. Komputer, U. Singaperbangsa, dan A. K-means, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model,” vol. 12, hal. 64–77, 2022, doi: 10.34010/jati.v12i1.
[9] J. Nasional, S. Informasi, T. Angelya, A. Rahman, dan I. Pradesan, “Implementasi Sistem Klasifikasi Tim Kerja Menggunakan Algoritma Naïve Bayes ( Studi Kasus : PT . MNL ),” vol. 02, hal. 86–94, 2023.
[10] I. Fitrianti, A. Voutama, Y. Umaidah, S. Informasi, dan T. Timur, “Clustering Film Populer Pada Aplikasi Netflix Dengan Menggunakan Algoritma K-Means Dan Metode CRISP-,” vol. 4, no. 2, hal. 301–311, 2023.
[11] S. Santiastry dkk., “PENERAPAN ALGORITMA NAIVE BAYES DAN METODE CRISP-DM DALAM,” vol. 8, no. 5, hal. 10432–10439, 2024.
[12] R. Winurputra dan D. E. Ratnawati, “PERAMALAN PENJUALAN PRODUK MENGGUNAKAN EXTREME GRADIENT BOOSTING ( XGBOOST ) DAN KERANGKA KERJA CRISP-DM UNTUK PENGOPTIMALAN MANAJEMEN PERSEDIAAN ( STUDI KASUS : UB MART ) PRODUCT SALES FORECASTING USING EXTREME GRADIENT BOOSTING ( XGBOOST ) AND CRISP-DM FRAMEWORK FOR INVENTORY MANAGEMENT OPTIMIZATION ( CASE STUDY : UB MART ),” vol. 12, no. 2, hal. 417–428, 2025, doi: 10.25126/jtiik.2025129451.
[13] E. R. Arya Pratama Putra, Jihan Tshivana, “PERBANDINGAN TEORITIS DAN EKSPERIMEN ALGORITMA K-MEANS DAN K-MEDOIDS DALAM KLASTERISASI DATA,” vol. 10, no. 2, hal. 1–24, 2025.