Klasifikasi Profil Wajib Pajak Pribadi Melalui Variabel PTKP dan Penghasilan Neto Menggunakan Pendekatan K-Means Clustering
Keywords:
Wajib Pajak Pribadi, PTKP, Penghasilan Neto, K-Means Clustering, Segmentasi DataAbstract
Kontribusi pajak dari Wajib Pajak Orang Pribadi (WPOP) memiliki peran krusial sebagai sumber pendapatan negara untuk membiayai pembangunan. Tantangannya, karakteristik WPOP sangat beragam, baik dari tingkat penghasilan maupun status keluarga yang langsung mempengaruhi besaran Penghasilan Tidak Kena Pajak (PTKP). Keragaman ini mengharuskan adanya pendekatan pengelolaan yang didorong oleh data. Oleh karena itu, penelitian ini dilakukan untuk mengelompokkan WPOP ke dalam segmen-segmen berdasarkan kode PTKP dan penghasilan neto memanfaatkan algoritma K-Means Clustering. Kerangka kerja KDD dijalankan mulai dari pengumpulan data, pembersihan, transformasi, pemodelan, hingga penilaian cluster dengan Davies-Bouldin Index (DBI). Berdasarkan analisis, teridentifikasi sejumlah kluster wajib pajak dengan profil serupa. Temuan ini berpotensi menjadi landasan bagi kebijakan yang lebih tepat sasaran, yang diharapkan dapat meningkatkan kepatuhan wajib pajak dan memaksimalkan pendapatan negara dari sektor pajak.
References
Auliasari, K., & Kertaningtyas, M. (2023). Penerapan algoritma K-means untuk segmentasi konsumen menggunakan R. Jurnal Teknologi dan Manajemen Informatika, 5(2), 34–41. https://doi.org/10.26905/jtmi.v5i2.3644
Hadi, A. (2023). Segmentasi pelanggan Internet Service Provider (ISP) berbasis pillar K-means. Jurnal Ilmiah Teknologi Informasi Asia, 13(2), 413–422. https://doi.org/10.32815/jitika.v13i2.413
Irawan, D., Wijaya, G., & Warisaji, T. T. (2023). Penerapan algoritma K-means clustering untuk segmentasi nasabah bank. BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 6(1), 162–170. https://doi.org/10.37148/bios.v6i1.162
Prayitno, E., Perdana, I. J., Iskandar, E., Winarno, B. H., & Subagyo, A. A. (2024). Optimalisasi profitabilitas ritel melalui segmentasi pelanggan dengan K-means clustering. Informasi Interaktif: Jurnal Informatika dan Teknologi Informasi, 9(3), 107–116. https://doi.org/10.37159/jii.v9i3.107
Primadeni, F., Pradana, A. I., & Purwanto, E. (2024). Analisis clustering untuk segmentasi wilayah berdasarkan karakteristik PBB di Kabupaten Sragen. Jurnal Pendidikan dan Teknologi Indonesia, 1(3), 45–56. https://doi.org/10.52436/1.jpti.500
Tjatur Puteri, E., Kusnanto, G., & Thomas, C. J. (2024). Penerapan K-means clustering untuk segmentasi pelanggan pada CRM di PT. Unichem Candi Indonesia. Konvergensi, 15(2), 51–60. https://doi.org/10.30996/konv.v15i2.3651
Wahyuni, S., & Sriani. (2025). Penerapan algoritma K-means untuk pengelompokan kepatuhan wajib pajak bumi dan bangunan di Kota Medan. CESS (Journal of Computer Engineering, System and Science), 10(1), 325–334. https://doi.org/10.24114/cess.v10i1.65939
Worabai, E., Muhammad, A. H. M., & Hidayat, T. (2023). Implementasi metode cluster analysis K-means dalam segmentasi. Jurnal Ilmiah Komputasi, 22(3), 441–447. https://doi.org/10.32409/jikstik.22.3.3493
