Prediksi Jumlah Target dan Realisasi Wajib Pajak Atas PBB – P2 Menggunakan Multi Regression, Regression Lasso, dan PCR

Jasman Pardede, Maleakhi Ekklesia

Abstract


Perubahan besaran Pajak Bumi dan Bangunan memberikan dampak bagi beberapa sektor maupun masyarakat di Kota Bandung, karena perubahan yang cukup signifikan dalam besaran Pajak Bumi dan Bangunan ini memberikan pengaruh pada kesadaran dan juga kepedulian masyarakat dalam membayar pajak. Terdapat beberapa penggunaan machine learning dalam penentuan pajak ini dimana salah satunya adalah dengan memprediksikan sebuah besaran Target dan Realisasi pada Pajak Bumi Bangunan, sehingga dilakukan sebuah penelitian dengan membandingkan metode Multi Regression, Regression Lasso, dan PCR (Principle Component Regression) untuk menentukan jumlah prediksi terbaik pada Target dan Realisasi penerimaan Pajak Bumi dan Bangunan di Kota Bandung. Hasil pengujian yang telah dilakukan, didapatkan bahwa Regression Lasso memiliki nilai keakuratan prediksi terbaik sebesar 79.08%. Hasil tersebut diakibatkan karena Regression Lasso dapat mengestimasi parameter, mengatasi permasalah multicolinearity yang terjadi pada data yang digunakan dan menyeleksi variabel yang ada untuk mendapatkan nilai keakuratan prediksi terbaik. Sehingga dapat disimpulkan bahwa terdapat pengaruh positif pada variabel Ketetapan, Target, dan Realisasi yang saling berkaitan. Hal tersebut saling mempengaruhi besarannya, dimana ketetapan mempengaruhi jumlah target, dan jumlah target mempengaruhi jumlah realisasi pada model yang terbentuk, dan proses pre – processing membuat model Regression Lasso ini menjadi lebih baik.


Keywords


Multi Regression; PCR; Regression Lasso; Mean Absolute Percentage Error; Pajak Bumi dan Bangunan

Full Text:

PDF

References


B. Setiawan, M. R. R and A. Delis, “Analisis penerimaan pajak bumi dan bangunan-P2 serta pengaruhnya terhadap pendapatan daerah Kabupaten / Kota di Provinsi Jambi,” Jurnal Paradigma Ekonomika, vol. XV, no. 2, pp. 184 - 186, 2020.

M. Firdaus, M. Hafiyusholeh and S. Widodo, “Prediksi Nilai Jual Objek Pajak (NJOP) Tanah di Kabupaten Gresik Menggunakan Regresi Polinomial,” Jurnal Matematika, vol. I, no. 1, pp. 82 - 99, 2020.

R. U. Kuswana, G. Abdillah and A. Komarudin, “Prediksi Realisasi Penerimaan Pajak Bumi dan Bangunan di Pemerintah Kabupaten Bandung Barat Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Seminar Nasional Sains & Teknologi Informasi (SENSASI), Vols. -, no. -, pp. 580 - 585, 2019.

I. M. Faiza, Gunawan and W. Adriani, “Tinjauan Pustaka Sistematis: Penerapan Metode Machine Learning untuk Deteksi Bencana Banjir,” Jurnal Minfo Polgan, vol. XI, no. 2, pp. 59 - 60, 2022.

R. A. Sahulata, “Analisa Multi Regresi pada Pengukuran Kepercayaan, Keamanan dan Kualitas Layanan Pembelian Online,” Seminar Nasional Sistem Informasi dan Teknik Informatika, Vols. -, no. -, p. 675, 2019.

Kurniawati and B. Rikumahu, “egresi Principal Component Analysis Untuk Menentukan Faktor-Faktor Yang Berpengaruh Terhadap Return Saham (Studi pada Sub Sektor Telekomunikasi yang Terdaftar di Bursa Efek Indonesia Periode 2007-2016),” Festival Riset Ilmiah Manajemen dan Akutansi (FRIMA), Vols. -, no. 1, pp. 560 - 577, 2018.

M. Robbani, F. Agustiani and N. Herrhyanto, “Regresi Least Absolute Shrinkage and Selection Operator (Lasso) pada Kasus Inflasi Di Indonesia Tahun 2014-2017,” Jurnal EurekaMatika, vol. VII, no. 2, pp. 5 - 6, 2019.

A. Rahman, “Pengaruh Kesadaran Wajib Pajak, Tingkat Pendidikan, dan Pendapatan Terhadap Kepatuhan Membayar Pajak Bumi dan Bangunan,” Jurnal Akutansi, vol. VI, no. 1, pp. 2 - 5, 2018.

F. Jabnabillah and N. Margina, “Analisis Korelasi Pearson Dalam Menentukan Hubungan Antara Motivasi Belajar Dengan Kemandirian Belajar Pada Pembelajaran Daring,” Jurnal Sintak, vol. I, no. 1, pp. 15 - 16, 2022.

Zelaya and C. V. Gonzales, “Zelaya, Carlos Vladimiro González. "Towards explaining the effects of data preprocessing on machine learning,” IEEE 35th international conference on data engineering (ICDE), 2019.

D. A. Nasution, H. H. Khotimah and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Journal of Computer Engineering, System and Science, vol. IV, no. 1, p. 79, 2019.

I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” Journal of Information System, vol. V, no. 2, p. 252, 2020.

D. A. S. F, L. Rochmawati and I. Sonhaji, “Koefisien Korelasi (R) Dan Koefisien Determinasi (R2),” Jurnal Penelitian Politeknik Penerbangan Surabaya, vol. V, no. 4, pp. 289 - 296, 2020.

M. Sriningsih, D. Hatidja and J. D.Prang, “Penanganan Multikolinearitas Dengan Menggunakan Analisis Regresi Komponen Utama Pada Kasus Impor Beras Di Provinsi Sulut” Jurnal Ilmiah Sains, vol. XVIII, no. 2, p. 19, 2018.

W. R. Anggraeni, N. N. Debataraja and S. W. Rizki, “Estimasi Parameter Regresi Ridge untuk Mengatasi Multikolinearitas,” Bimaster, vol. VII, no. 4, pp. 296 - 297, 2018.




DOI: http://dx.doi.org/10.26418/jp.v10i1.68890

Refbacks