Analisis Proses Bisnis

1. Pahami tentang bisnis Life Cicyle Product dan gambar kurvanya

Kelanjutan dari bahasan apakah business process perlu di kelola ? Sekarang akan timbul lagi pertanyaan sebenarnya apa yang dikerjakan dalam
 business process life cycle ? Sudah banyak penelitian mengenai business process life cycle .
Salah satunya model yang dikembangkan Victor Portougal dan David Sundaram dimana mereka menbagi 3 tahap yaitu :
1. Diawali execution of process in real world ,
2. Tahap ke dua adalah descriptive modeling ( as - is)
3. Tahap ketiga adalah prescriptive modeling ( to –  be)
 be)
 Tahap pertama menjadi tahap kedua dilakukan proses identifikasi dimana tugasnya adalah proses mendefinisikan seperti apa proses yang ada.
 Dari tahap kedua menjadi tahap ketiga akan melalui proses analisa dan improvement
 Kemudian setelah model model bisnis di buat maka di kembalikan lagi ke real world,
world, dimana akan ada proses implementasi. Tahapan ini akanberputar
terus menerus sampai business process semakin efisien dan efektif sehingga menjadikan organisasi yang kompetitif.
2. Pahami tentang rekayasa ulang proses bisnis ( BPR )
Karakteristik BPR
a. Pelanggan paling diutamakan .
 b. Ciptakan dan pertahankan hanya yang memberikan nilai tambah
c. Pimpin dari atas dan kerjakan perincian dari bawah .
d. Desain dari keseluruhan dan implementasi mengenai yang kecil-kecil .
e. Disiplin dan tetap pada itu
f. Jangan biarkan konsultan melakukannya untuk Anda atau kepada Anda
3. Pahami tentang analisis SWOT
Pengertian Analisis SWOT adalah suatu metode perencanaan strategis untuk mengevaluasi faktor-faktor yang berpengaruh dalam usaha mencapai
tujuan, yaitu kekuatan (strengths), kelemahan (weaknesses), peluang (opportunities), dan ancaman (threats), baik itu tujuan jangka pendek maupun
 jangka panjang.
Metode analisis ini tujuannya adalah untuk menggambarkan situasi dan kondisi yang sedang dihadapi dan bukan merupakan alat analisis yang dapat
memberikan solusi terhadap masalah yang tengah dihadapi.
A. Strength (Kekuatan)
B. Weakness (Kelemahan)
C. Opportunities (Peluang)
D. Threats (Ancaman)
- CARA MEMBUAT ANALISIS SWOT
Secara umum, analisa SWOT dapat dibagi ke dalam dua kategori, yaitu faktor internal dan faktorfaktor eksternal.
1. Faktor internal tersebut meliputi Strength (Kekuatan) dan Weakness (Kelemahan),
faktor internal adalah aspek-aspek yang muncul dari dalam perusahaan itu sendiri. Misal yang termasuk faktor internal dalam sebuah
 perusahaan: aset yang dimiliki, kualitas tenaga kerja, teknologi yang digunakan, dan sebagainya.
2. Faktor eksternal meliputi Opportunities (Peluang) dan Threats (Ancaman).
Faktor eksternal adalah aspek yang mempengaruhi perusahaan/bisnis namun ia berasal dari luar dan tidak bisa dikontrol oleh perusahaan
Saudara sendiri. Contoh yang termasuk aspek eksternal perusahaan: regulasi dari pemerintah, performa kompetitor, perubahan cuaca (jika
ikut mempengaruhi bisnis anda).
- PANDUAN DASAR PEMBUATAN SWOT
1. Strength (Kelebihan/kekuatan)
Strength merupakan situasi atau kondisi yang merupakan kekuatan yang dimiliki oleh perusahaan atau organisasi yang bisa memberikan pengaruh
 positif pada saat ini atau pun di masa yang akan datang.
2. Weakness (Kelemahan)
Weakness merupakan situasi atau kondisi yang merupakan kelemahan yang dimiliki oleh perusahaan atau organisasi yang bisa memberikan
 pengaruh negatif pada saat ini atau pun di masa yang akan datang.
3. Opportunities (Peluang)
opportunities merupakan situasi atau kondisi yang merupakan peluang atau kesempatan di luar perusahaan atau organisasi yang bisa memberikan
 peluang untuk berkembang di kemudian hari.
4. Threats (Ancaman)
Threats merupakan ancaman-ancaman apa saja yang mungkin akan dihadapi oleh perusahaan atau organisasi yang bisa menghambat laju
 perkembangan dari perusahaan atau organisasi tersebut.

4. Pahami tentang matrik BCG ( gambar dan penjelasan )

Matriks BCG dikembangkan oleh Bruce Henderson pada tahun 1970-an. Boston matrix adalah sebuah
alat analisis bisnis yg digunakan untuk perencanaan portofolio produk kita. Apakah dari sekianbanyak produk
kita , ada yg tumbuh? Laris? Harus dimatikan?Boston matrix bisa digunakan untuk menentukan : kapan harus
 berinovasi d an ciptakan produk baru, apakah kita harusberin vestasi untuk pengembangan produk baru, harus
mengembangkan yg sudah ada, atau menghentikan produknya.Boston matrix ini juga penting, untuk penataan
dan perencanaan SDM, modal, strategi jangka panjang, dll
- Boston matrix terdiri 2 indikator utama :
1. Market share (pangsa pasar)
2. Market growth (pertumbuhan pasar)
-
- Berdasar Market share dan Market growth nya, prod uk bisa dibagi menjadi 4 kategori :
1. Tanda Tanya ( Question Marks )
Yang termasuk dalam kategori Question Marks ini adalah produk atau bisnis unit yang BARU. Seperti lazimnya produk baru,
kategori ini memiliki prospek pertumbuhan yang tinggi tetapi pangsa pasarnya masih sangat rendah . Menghisap cash dan modal, tapi
 belum menghasilkan. Dari ban yak produk yg kita luncurkan (kategori TANDA TANYA), maka ada beberapa yang akan jadi sangat laris
dan menjadi BINTANG (STAR).
2. Bintang ( Star )
Yang termasuk dalam kategori Stars atau Bintang adalah produk atau unit bisnis yang memiliki PANGSA PASAR yang dominan
dan PERTUMBUHAN yang cepat serta menghasilkan uang (pendapatan) yang besar. PRODUK KATEGORI BINTANG : produk-produk
yg LARIS & TUMBUH. Karena tingkat pertumbuhan besar, diperlukan banyak investasi. Tapi imbal hasilnya diatas investasi. Suatu
  produk BINTANG, TIDAK SELAMANYA
SELAMANYA akan menjadi BINTANG. LAMA2 ORG BOSAN atau tidak ada lagi konsumen baru atau ada
kompetitor. Maka pertumbuhannya melambat atau TIDAK TUMBUH LAGI => jadi p roduk SAPI PERAH (CASHCOW)
3. Sapi Perah (Cash Cows )
Yang termasuk dalam kategori Sapi Perah adalah produk atau unit bisnis yang LARIS Tapi TIDAK TUMBUH. SAPI PERAH :
Produk atau unit bisnis pada kategori ini memiliki pangsa pasar yang tinggi namun prospek pertumbuhan kedepan akan sangat terbatas.
Ketika produk kita dalam kategori SAPI PERAH , WAJIB CIPTAKAN PRODUK BARU PRODUK Yg masuk kategori SAPI PERAH
adalah TANDA PASTI kalau PRODUK LARIS INI AKAN (ENTAH KAPAN) MATI. Bila kita terlambat membuat produk baru (produk
Tanda tanya), maka siap-siap omset akan turun. Karena cepat atau lambat, semua produk baru, produk laris dan produk terlaris kita akan
 jadi produk yg TIDAK LARIS
LARIS (DOG)
4. Anjing ( Dogs )
Yang termasuk dalam kategori Anjing adalah produk atau unit bisnis TIDAK LARIS ATAU PENJUALANNYA TURUN TURUN TERUS.
Produk DOG: produk-produk ini memberi keuntungannya sangat rendah atau bahkan membawa kerugian.. Semua produk harus :
SEGERA DI KELUARKAN DARI TOKO / JUAL MURAH alias obral / TIDAK DIJUAL LAGI
1. Stars (Bintang) : Yang termasuk dalam kategori Stars atau Bintang adalah produk atau
unit bisnis yang memiliki pangsa pasar yang dominan dan pertumbuhan yang cepat serta
menghasilkan uang (pendapatan) yang besar. Ini berarti produk-produk yang dihasilkan
merupakan produk-produk terkemuka yang diminati oleh pasar.
2. Cash Cows (Sapi Perah) : Yang termasuk dalam kategori Cash Cows atau Sapi Perah
adalah produk atau unit bisnis yang merupakan pemimpin pasar, menghasilkan uang atau
 pendapatan yang lebih banyak dibandingkan dengan biaya yang dikeluarkan oleh
 perusahaannya. Produk atau unit bisnis pada kategori ini memiliki pangsa pasar yang tinggi namun prospek pertumbuhan kedepan akan
sangat terbatas.
3. Dogs (Anjing) : Dogs (Anjing) atau juga dikenal dengan istilah hewan peliharaan, yang termasuk pada kategori Dogs ini adalah produk
atau unit bisnis yang memiliki pangsa pasar rendah dan mengalami tingkat pertumbuhan yang rendah.
4. Question Marks (Tanda Tanya) : Kategori Question Marks kadang-kadang disebut juga dengan problem children atau wildcats). Yang
termasuk dalam kategori Question Marks ini adalah produk atau unit bisnis yang memiliki prospek pertumbuhan yang tinggi tetapi
 pangsa pasarnya masih sangat rendah.
 Strategi setelah Analisis Matriks BCG
1. Build atau Membangun, yaitu meningkatkan investasi pada produk atau unit bisnis agar dapat meningkatkan pangsa pasar. Strategi ini
 biasanya dilakukan untuk mendorong produk-produk dalam kategori Question Marks menjadi Stars dan akhirnya menjadi Cash Cows.
2. Hold atau Mempertahankan, yaitu strategi untuk mempertahankan produk-produk agar tetap pada kategori yang sama. Strategi tersebut
 biasanya digunakan pada kategori Stars.
3. Harvest atau Memanen, yaitu strategi untu k mengurangi investasi dan mencoba untuk mendapatkan uang tunai (cash) semaksimum
mungkin dari produk atau meningkatkan profitabilitas secara keseluruhan. Strategi ini biasanya digunakan pada produk-produk atau unit
 bisnis yang berada di kategori Cash Cows.
4. Divest atau Melakukan Divestasi, yaitu strategi yang melakukan penutupan usaha atau likuidasi terhadap unit bisnis atau produk yang
mengalami kerugian atau produk yang memiliki pangsa pasar rendah. Strategi Divestasi ini biasanya dilakukan pada produk atau unit
 bisnis yang berada di kategori Dogs.
5. Pahami tentang perencanaan bisnis
 Basis Data II
1. BIG DATA Data terstruktur
Big data adalah aktivitas untuk mengumpulkan sejumlah besar data dari berbagai sumber untuk mengidentifikasi trend dan pola data
tersebut.
Contoh : Web traffic, struk belanja, data pegawai
Lebih mudah dianalisi, memiliki tipe data, format, dan struktur yang telah terdefinisi.
2. BIG DATA Data tidakterstruktur
Contoh : Status facebook, gambar, voice, blog
Sulit dianalisis, format data tidak menentu sehingga membutuhkan tools untuk menjadikannya data
3. Dimensi big data ( jelaskan )
1. Volume(kapasitas data) berkaitan dengan ukuran media penyimpanan data yang sangat besar atau mungkin tak
terbatas hingga satuan petabytes atau zettabytes.
2. Variety(keragaman data) terkait tipe atau jenis data yang dapat diolah mulai dari data terstruktur hingga data tidak
terstruktur.
3. Velocity(kecepatan) terkait dengan kecepatan memroses data yang dihasilkan dari berbagai sumber, mulai dari data
 batch hingga real time.
4. Sedangkan Veracity(kebenaran);
5. Value (nilai) terkait dengan ketidakpastian data dan nilai manfaat dari informasi yang dihasilkan.
4. Manfaat big data dalam berbagai bidang
1.Marketing - Analisis peraturan dan kepatuhan
- Kampanye produk - Manajemen dan pengawasan keuangan
- Segmentasi konsumen dan pasar - Penilaian dan pengawasan aset
- Pemasaran berbasis lokasi - Pengawasan lingkungan
- Analisis sentimen 4.Healthcare
- Personal marketing - Peningkatan layanan pasien
- Menarik simpati pelanggan - Sistem reimbursement
2.Finance - Laporan kesehatan masyarakat
- Manajemen resiko - Transparansi kesehatan masyarakat
- Deteksi dan pencegahan fraud - Pengawasan dan respon kesehatan masyarakat
- Mencegah money laundering 5.Telecomunication
- Analisa kredit - Mencegah kehilangan pelanggan
- Mengamati neraca perdagangan - Analisis terhdap panggilan
3.Government - Perencanaan dan optimasi jaringan
- Deteksi dan pencegahan fraud dan segala bentuk ancaman - Analisis lokasi pengguna perangkat mobile
- Keamanan cyber - Riset dan pengembangan produk baru
5. Contoh big data dalam berbagai bidang
- IBM Big dataAnalytics - Dell Big Data Analytics,
- HP Big Data - Pentaho Big Data Analytics
- SAP Big DataAnalytics - Amazon Web Service
- Microsoft Big DataAnalytics - Google Big Query
- Oracle Big DataAnalytics - Pivotal Big Data
- Tal end OpenStudio - Cloudera Enterprise Big Data
- Ter adata Big Data Analytics - Hortonworks Data Platform
- SAS Big Data Analytics
6. Karakteristik data warehouse
Menurut William Inmon, karakteristik dari data warehouse adalah sebagai berikut :
1. Subject Oriented
Pada sistem operasional, data disimpan berdasarkan aplikasi. Set data hanya terdiri dari data yang dibutuhkan oleh fungsi yang terkait
dan aplikasinya. Sedangkan pada data warehouse, data disimpan bukan berdasarkan aplikasi, melainkan berdasarkan subjeknya.
Misalnya untuk sebuah perusahaan manufaktur subjek bisnis yang penting, yaitu penjualan, pengangkutan, pelanggan, dan
 penyimpanan barang.
2. Integrated
•Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah atau dari berbagai sistem oeprasional
kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya.
•Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara seperti konsisten dalam penamaan variable, konsisten dalam ukuran
variable, konsisten dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.
3. Time variant
Pada data warehouse, data yang tersimpan adalah data historis dalam kurun waktu tertentu, bukan data terkini. Oleh karena itu data yang
tersimpan mengandung keterangan waktu, misalnya tanggal, minggu, bulan, catur wulan, dan sebagainya.
4.  Nonvolatile
Data pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler. Data yang baru
selalu ditambahkan sebagai suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan. Database tersebut secara kontinyu
menyerap data baru ini, kemudian secara incremental disatukan dengan data sebelumnya. Memori non-volatile biasanya digunakan
untuk tugas penyimpanan sekunder, atau penyimpanan persisten jangka panjang. Bentuk penyimpanan primer yang paling banyak
digunakan saat ini adalah bentuk volatile random access memory (RAM), yang berarti saat komputer dimatikan, apapun yang
terkandung dalam RAM hilang.
7. Tahap tahap data warehousing

Proses dalam data warehouse atau data warehousing terdiri dari tahap-tahap berikut ini:
1. Data di-import dari berbagai sumber data internal maupun eksternal.
2. Data di-cleansed atau dibersihkan dan diorganisir secara konsisten sesuai dengan kebutuhan perusahaan
3. A). Data di-load atau di-export atau dimasukkan ke data warehouse enterprise,
B). Data di-load/export/di masukkan ke data marts
4. A). Bila diinginkan, data marts dibuat sebagai subset atau bagian dari EDW (enterprise data warehouse), atau
B). Data marts disatukan menjadi EDW
5. Analisa dilakukan ketika diperlukan
8. Data maining ? artinya, jelaskan
Data Mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database.
Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi
dan mengidentifikasi informasi yang bermanfaat. (Turban, dkk. 2005)
9. Tahapan data maining

-Pembersihan data (data cleaning)

Pembersihan data merupakan proses menghilang-kan noise dan data yang tidak konsisten atau data tidak
relevan.
-Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru.
-Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai
untuk dianalisis yang akan diambil dari database.
-Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining.
-Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukanpengetahuan berharga
dan tersembunyi dari data.
-Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang ditemukan.
-Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan
yang diperoleh pengguna.
10. Dari berbagai algoritma data maining jelaskan salah satu berikut dengan contoh
1. Algoritma Estimasi =Linear Regression, Neural Network, Support Vector Machine, etc

- Algoritma estimasi mirip dengan algoritma klasifikasi, tapi variabel target adalah berupa bilangan numerik (kontinyu) dan bukan
kategorikal (nominal atau diskrit)
- Estimasi nilai dari variable target ditentukan berdasarkan nilai dari variabel prediktor (atribut)
- Algoritma estimasi yang biasa digunakan adalah: Linear Regression, Neural Network, Support Vector Machine
-  Estimation (estimasi), untuk menerka sebuah nilai yang belum diketahui, ex : menerka penghasilan seseorang ketika informasi mengenai
orang tersebut diketahui.
2. Algoritma Prediksi = Linear Regression, Neural Network, Support Vector Machine, etc
- Algoritma prediksi/forecasting sama dengan algoritma estimasi dimana label/target/class bertipe numerik, bedanya adalah data yang
digunakan merupakan data rentet waktu (data time series)
- Istilah prediksi kadang digunakan juga untuk klasifikasi, tidak hanya untuk prediktime series, karena sifatnya yang bisa menghasilkan
class berdasarkan berbagai atribut yang kita sediakan
- Semua algoritma estimasi dapat digunakan untuk prediksi/forecasting
- Prediction (prediksi), untuk memperkirakan nilai masa mendatang, ex: memprediksi stok barang satu tahun ke depan.
3. Algoritma Klasifikasi = Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant Analysis, etc

- Klasifikasi adalah algoritma yang menggunakan data dengan target/class/label berupa nilai kategorikal (nominal)
- Contoh, apabila target/class/label adalah pendapatan, maka bisa digunakan nilai nominal (kategorikal) sbb: pendapatan besar, menengah,
kecil
- Contoh lain adalah rekomendasi contact lens, apakah menggunakan yang jenis soft, hard ataunone
- Algoritma klasifikasi yang biasa digunakan adalah: Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant
Analysis, etc
- Classification (klasifikasi), merupakan proses penemuan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
4.Algoritma Klastering = K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc
- Klastering adalah pengelompokkan data, hasil observasi dan kasus ke dalam class yang mirip
- Suatu klaster (cluster) adalah koleksi data yang mirip antara satu dengan yang lain, dan memiliki perbedaan bila dibandingkan dengan
data dari klaster lain
- Perbedaan utama algoritma klastering dengan klasifikasi adalah klastering tidak memiliki target/class/label, jadi termasuk unsupervised
learning 
- Klastering sering digunakan sebagai tahap awal dalam proses data mining, dengan hasil klaster yang terbentuk akan menjadi input dari
algoritma berikutnya yang digunakan
 - Clustering (pengelompokan), yaitu pengelompokan mengidentifikasi data yang memiliki karakteristik tertentu.
5. Algoritma Asosiasi = FP-Growth, A Priori, etc

-Algoritmaassociation rule (aturan asosiasi) adalah algoritma yang menemukan atribut yang “muncul bersamaan ”
-Dalam dunia bisnis, sering disebut dengan affinity analysis atau market basket analysis
-Algoritma asosiasi akan mencari aturan yang menghitung hubungan diantara dua atau lebih atribut
-Algor itma association rules berangkat dari pola “If antecedent , then consequent ,” bersamaan dengan pengukuran support ( coverage ) dan
confidence (accuration ) yang terasosiasi dalam aturan
-Association (asosiasi), dinamakan juga analisis keranjang pasar dimana fungsi ini mengidentifikasi item-item produk yang kemungkinan
dibeli konsumen bersamaan dengan produk lain.
11. Contoh penerapan data maining
- Penentuan kelayakan aplikasi peminjaman uang di bank
- Penentuan pasokan listrik PLN untuk wilayah Jakarta
- Diagnosis pola kesalahan mesin
- Perkiraan harga saham dan tingkat inflasi
- Analisis pola belanja pelanggan
- Memisahkan minyak mentah dan gas alam
- Pemilihan program TV otomatis
- Penentuan pola pelanggan yang loyal pada perusahaan oprrator telepon
- Deteksi pencucian uang dari transaksi perbankan
- Deteksi serangan (instrusion) pada suatu jaringan

12. Perbedaan data warehouse dan data maining

 PERPAJAKAN

1. Pajak Penghasilan Pasal 22

-PPh Pasal 22 Atas Impor
 Pemungutnya Adalah Bendaharawan Bea Cukai, Bank Devisa, Atau Bank Persepsi.
 Objek Pungutan Adalah Ni lai I mpor Barang
  Nilai Impor : Cost Insurance And Freight (CIF) + Bea Masuk + Bea Masuk Tambahan + P ungutan Lain Berdasarkan Peraturan Di
Bidang Pabean
 Tarif PPh Pasal 22 Impor Dan DPP-nya Sbb. :
a. 2,5% X Nilai Impor (Angka Pengenal Importir)
 b.7,5% X Nilai Impor (Tidak Menggunakan API)
c. 7,5% X Harga Lelang (Harga Jual Lelang) Jika Barang Yang Diimpor Tidak Dikuasai.
 Disetor Oleh Importir/Pemenang Lelang Ke Kas Negara Melalui Bank Devisa Dengan Menggunakan SSP Bersamaan Saat
Pembayaran Bea Masuk.
1. CONTOH 1
PT.“Indo  Motor ” adalah importir mobil yang telah memiliki Angka Pengenal Impor (API). Mengimpor 50 unit mobil dengan harga faktur
$10.000 per unit.
Biaya asuransi dan biaya angkut yang berkaitan dengan impor mobil tersebut masing-masing adalah 2% dan 3% dari harga faktur. Bea
masuk yang harus dibayar sebesar 5% dari CIF  dan bea masuk tambahan sebesar 20% dari CIF .
Kurs pada saat itu ditetapkan oleh Menkeu. sebesar $1 = Rp. 9.000.
Berapa PPh pasal 22 yang harus dibayar?
Harga faktur : 50 unit x $10.000 $ 500.000
Biaya asuransi (2%) $ 10.000
Biaya angkut (3%) $ 15.000
Cost Insurance And Freight (CIF) $ 525.000
Bea masuk : 5% x $ 525.000 $ 26.250
Bea masuk tambahan :20% x $ 525.000 $ 105.000
Nilai Impor $ 656.250
Nilai impor dalam rupiah :
$ 656.250 x Rp. 9.000 = Rp. 5.906.250.000
PPh 22 yang harus dipungut (API)
2,5% x Rp. 5.906.250.000 =Rp. 147.656.250
2. Contoh 2
PT. Indocemen membeli suku cadang kendaraan dari Korea dengan nilai sebesar Rp. 850.000.000.
PT Indocemen bukan sebagai importir, sehingga untuk mengimpor barang tersebut dipercayakan kepada PT. Citra Exim yang mempunyai
API.Asuransi yang dibayar di LN adalah 2% d ari Harga Impor,Bea Masuk dikenakan sebesar 4 % dari Harga Impor. Berdasarkan
kesepakatan antara dedua belah pihak, Importir akan menerima komisi impor (Handling Fee) sebesar Rp. 4.500.000,-
Diminta hitung PPh Pasal 22 Impor yang dipungut oleh Direktorat Jenderal Bea Cukai
Harga Impor Rp. 850.000.000,-
Asuransi Yang Dibayar 2% X 850.000,- Rp. 17.000.000,-
Bea Masuk 4% X 850.000,- Rp. 34.000.000,-
 Nilai Impor Rp. 901.000.000,-
PPh Pasal 22 Impor (API) :
2,5% X Rp. 901.000.000 Rp. 22.525.000
Data Pendukung :
 Nama Perusahaan : PT. Indocemen
 NPWP : 05-234-567-9-001.000
Alamat : Jln. Pancoran No. 31
Masa : Agustus 2001
Jumlah : Rp. 22.542.000
3. Contoh 3
PT. Cemerlang, merupakan importir lampu hias yang tidak memiliki API. Pada bulan Januari melakukan impor barang dari Italia dengan
harga faktur US$ 150.000,-. Biaya asuransi yang dibayar di luar negeri dan biaya angkut dari Italia ke daerah pabean (Indonesia)
nasing-masing sebesar 3% dan 4% dari Harga Faktur. Tarif bea masuk dan bea masuk tambahan masing-masing sebesar 10% dan 20%
dari CIF. Kurs yang ditetapkan oleh Menkeu pada aaat itu US$ 1 Adalah Rp. 9.700,- Diminta hitung PPh Pasal 22 atas impor lampu hias
tersebut.
a. Menentukan Nilai Impor
Harga Faktur US$ 150.000 X Rp. 9.700 Rp. 1.455.000.000
Biaya Asuransi 3% x Rp. 1.455.000.000 Rp. 43.650.000
Bea Angkut 4% x Rp. 1.455.000.000 Rp. 53.200.000
Cost Insurance And Freight (CIF) Rp. 1.556.850.000

Bea Masuk 10% x Rp. 1.556.850.000 Rp. 155.685.000

Bea Nasuk Tambahan
20% x Rp. 1.556.850.000 Rp. 311.370.000
 Nilai Impor Rp. 2.023.905.000
 b. Menghitung PPh Pasal 22 Impor
7,5% x Rp. 2.023.905.000 Rp. 151.792.875
- PPh Pasal 22 Atas Pembelian Barangatau Bahan-Bahan
Tarif PPh Pasal 22 Atas Pembelian Yang Dilakukan Oleh Pemerintah Pusat/Daerah Dan BUMN/BUMD
- Sebesar 1,5% Dari Harga Pembelian Sebelum PPN (Tidak Mempunyai NPWP 3%)
- Jika Harga Pembelian Sudah Termasuk PPN Maka harus ditentukan Dasar Pengenaan Pajak Pembelian, caranya adalah :
 DPP = (100 : 110) X Harga Pembelian Termasuk PPN
- Jika Harga Pembelian Sudah Termasuk PPN Dan PPnBM Maka Perhitungan Harga Pembelian Sebelum PPN Dan PPnBM Atau Dasar
Pengenaan Pajak Pembelian Adalah :
100 %
DPP = ------------------------- x Harga Pembelian Termasuk PPN
110% + Tarif PPnBM
4. Contoh 4
1. Departemen Sosial Membeli Komputer Unt Kantor Dengan Harga Rp. 100.000.000,- (Harga Tdk Termasuk PPN/PPnBM).
PPh Pasal 22 Yang Harus Dipungut Bendahara :Rp. 100.000.000,- x 1,5% = Rp. 1.500.000,-
2. Departemen Dalam Negeri Mempunyai Kegiatan Pengadaan Barang Modal Berupa Mesin Absensi Yang P ada DIPA Tersedia
Anggaran Rp. 99.000.000,-. Dana Yang Tersedia Dalam DIPA Sudah Termasuk PPN-nya, Sehingga Untuk Menghitung PP h Pasal 22
Adalah :(100/110 x Rp. 99.000.000) x 1,5% = Rp. 1.350.000,-
Untuk Yang Tidak Ber-NPWP Dipotong 100% Lebih Tinggi Dari Tarif PPh P asal 22 Sehingga Menjadi :(100/110 x Rp.
99.000.000) x 1,5% X 200% = Rp. 2.700.000,-
5. Contoh 5
Pada bulan juli 2012, bendahara Dinas Pendidikan Pacitan melakukan kegiatan pembelian barang dengan menggunakan dana APBD dan
APBN dengan rincian sebagai berikut :
- Tanggal 5 juli 2012, pembelian alat tulis kantor kepada CV Pena Anda (NPWP/NPPKP : 01.123.467.8-647.000) senilai
Rp 1.650.000,-
- Tanggal 10 juli 2012, pembelian meubel kantor kepada CV Indah Furniture (NPWP/NPPKP : 02.123.4.567.8-647.000) senilai Rp
4.730.000,-
- Tanggal 20 juli 2012, pembelian printer kepada CV Mega Computer (NPWP/NPPKP : 03.123.456.7-647.000) senilai Rp 700.000,-
 PENGHITUNGAN PAJAK YANG HARUS DIPUNGUT
-  Atas pembelian tanggal 5 juli 2012
Belanja barang senilai Rp. 1.650.000, - (termasuk PPN)
DPP :100/110 x Rp 1.650.000,- = Rp 1.500.000,-
PPN :10% x Rp 1.500.000,- = Rp 150.000,-
-  Atas pembelian tanggal 10 juli 2012
Belanja barang senilai Rp. 4.730.00 0,- (termasuk PPN)
DPP :100/110 x Rp 4.730.000,- = Rp 4.300.000,-
PPN :10% x Rp 4.300.000,- = Rp 430.000,-
PPh psl 22 : 1,5% x Rp 4.300.000,- = Rp 64.500,-
-  Atas Pembelian tanggal 20 Juli 2012
Belanja barang senilai Rp. 700.000,-,
 Bendahara tidak wajib memungut PPh Pasal 22 dan atau PPN-nya.
 Pembuatan SSPAtas Pembelian Tanggal 5 Juli 2012  = SSP PPN Dibuat Dengan Identitas Rekanan Dan Ditandatangani Oleh
Bendahara
  Atas Pembelian Tanggal 10 J uli 2012 = SSP PPN PPh Pasal 22 dibuat dengan Identitas Rekanan dan Ditandatangani Oleh
Bendahara
2. Daftar Pegawai PT. Bintang Persada Bulan Maret 2017
SOAL UJIAN REMIDI : Ujian Tengah Semester (UTS) Semester Genap Tahu n Akademik 2018/2019
NAMA STATUS STATUS GAJI POKOK TUNJNGAN
NO JABATAN KETERANGAN
PEGAWAI PEGAWAI PTKP /UPAH JABATAN
1 Marlena Peg. Tetap K/3 Sekretaris 8.200.000 750.000
2 Isnaini Peg. Tetap K/3 Bendahara 7.500.000 500.000
3 Marmo Peg. Tdk Tetap TK/0 Petugas Luar 5.000.000 - Upah dibayar bulanan
4 Warsito Peg. Tdk Tetap TK/0 Operator 4.500.000 - Upah dibayar harian
Keterangan :
a. Khusus pegawai tetap diikutkan program asuransi d ari BPJS yaituJK dan JKK yang preminya dibayar pemberi kerja masing-masing
2% dan 3% dari gaji pokok. Selain itu juga menerima tunjangan keluarga sebesar 10% dari gaji pokok.
 b.Marmo pegawai tidak tetap bekerja selama 25 hari dan menerima upah per hari sebesar
 b.Rp. 200.000,- (sesuai kontrak upah dibayar secara bulanan)
Pertanyaan :
1. Berapa PPh 21 Marlena dan Marmo untuk bulan Maret 2017
2. Berapa sisa gaji/upah bulan Maret 2017 yang dibawa pulang oleh mereka berdua
3. JAWABAN SOAL REMIDI : Ujian Tengah Semester (UTS) Semester Genap Tahun Akademik 2018/2019
 Nama Pegawai : MARLENA (K/3)  Skor 60 Disetahunkan : Rp. 9.680.000 x 12 Rp.116.160.000,-
A. PENGHASILAN BRUTO : C. PTKP (K/3)
Gaji Pokok Rp. 8.200.000,-Karena tdk ada surat keterangan SUAMI tdk bekerja (TK/0)
Tunjangan Jabatan Rp. 750.000,- Rp. 54.000.000,-
Tunjangan keluarga 10% x Rp. 8.200.000 Rp. 820.000,- D.PKP (Penghasilan Kena Pajak) Rp. 62.160.000,-
JK : 2% x Rp. 8.200.000,- RP. 164.000,- PPh 21 setahun : (2.500.000 + 1824000 ) Rp. 4.324.000,-
JKK : 3% x Rp. 8.200.000,- Rp. 246.000,- PPh 21 bulan Maret 2017 : Rp. 4.324.000 : 12 = Rp. 360.333
Jumlah Bruto Rp. 10.180.000,- Rp. 360.000,-
B. PENGURANG Sisa Gaji bulan Maret 2017 yang dibawa pulang :
Biaya Jabatan 5% x Rp. 10.180.000,- : Rp. 509.000,- Rp. 500.000,- (8.200.000 + 750.000 + 820.000) – Rp. 360.000,- =
Jumlah Neto Rp. 9.680.000,- Rp. 8.735.000,-
 Nama : Marmo (Peg. Tdk tetap upah dibayar bulanan)  Skor 40 Upah per hari Rp. 200.000,- dan Marmo bekerja selama 25 hari.
Status Marmo pada bulan Maret 2017 TK/0
Upah Maret 2017(25 x Rp. 200.000) 5.000.000,00
 Upah disetahunkan = 12 x Rp. 5.000.000 60.000.000,00

PTKP (TK/0) 54.000.000,00

PKP 6.000.000,00

PPh 21 setahun = 5% x Rp. 6.000.000 300.000,00

PPh 21 bulan Maret = 300.000 : 12 25.000,00

PPh 21 Marmo Bulan Maret 2017 adalah :
 PPh Pasal 21 terutang adalah Rp. 25.000,00
upah bersih yang dibawa pulang Marmo pada bulan Maret 2017 adalah :
 Rp. 5.000,00 –  Rp. 25.000,00 = Rp. 4.975.000,-

4. Pajak Penghasilan Pasal 23 dan Pasal 24

- PPh Pasal 23 adalah Pajak Penghasilan yang dipotong atas penghasilan yang diterima atau diperoleh Wajib Pajak Dalam
 Negeri dan Bentuk Usaha Tetap yang berasal dari modal, penyerahan jasa, atau penyelenggaraan kegiatan selain yang telah
dipotong Pajak Penghasilan Pasal 21.
- Tarif dan Objek PPh Pasal 23
1. 15% dari jumlah bruto atas: dividen kecuali pembagian dividen kepada orang pribadi dikenakan final, bunga, dan
royalti;
2. hadiah dan penghargaan selain yang telah dipotong PPh pasal 21.
3. 2% dari jumlah bruto atas sewa dan penghasilan lain sehubungan dengan penggunaan harta kecuali sewa tanah
dan/atau bangunan.
4. 2% dari jumlah bruto atas imbalan jasa teknik, jasa manajemen, jasa konstruksi dan jasa konsultan.
5. 2% dari jumlah bruto atas imbalan jasa lainnya.
Tidak ber-NPWP dipotong 100% lebih tinggi
1. Contoh 1 (PPh 23 Penghasilan dari Bunga)
Pada tanggal 15 Januari 2014 PT DIAN meminjam uang dari PT DAMAR sebesar Rp. 200.000.000,- dengan bunga
30% per bulan. Menurut perjanjian PT DIAN akan melunasi pokok pinjaman + bunganya pada tgl 1 Maret 2019.
Apa yang menjadi objek PPh 23 : PT DIAN sabagai pemotong PPh Pasal 23.
Penghasilan berupa bunga pinjaman Berapa PPh Pasal 23 yang dipotong PT DIAN :
Berapa Jumlah bunga pinjaman : PPh Pasal 23 : Rp. 9.000.000,- x 15% = Rp.
200.000.000 x (30% + 15%) = 9.000.000 1.350.000,-
Siapa yang menjadi pemotong PPh 23 :
2. Contoh 2 (PPh 23 Penghasilan dari Jasa)
Departemen Kehutanan memakai jasa service kendaraan (NPWP, Pembukuan) untuk menservice kendaraan dinasnya.
Besar biaya yang dikeluarkan Rp. 6.000.000,- (harga tersebut terdiri suku cadang 5.000.000 dan ongkos service
1.000.000, namun tagihan tidak dipisah-pisahkan). Berapa PPh Pasal 23 yang terutang dan harus dipotong bendahara
adalah :Rp. 6.000.000,- x 2% = Rp. 120.000,-
3. Contoh 3 (PPh 23 Penghasilan dari Jasa)
Departemen Kesehatan menggunakan jasa catering untuk kegiatan rapat koordinasi dengan biaya Rp. 2.000.000,- (harga
tidak termasuk PPN), namun pengusaha jasa catering tidak memiliki NPWP.Berapa PPh Pasal 23 yang terutang
adalah :Rp. 2.000.000,- x 4 % = Rp. 40.00 0,-
4. Contoh 4 (PPh 23 Penghasilan dari Kegiatan)
Dirjen Pajak mempunyai kegiatan sosialisasi perpajakan kepada masyarakat dengan dana Rp. 1.100.000.000,- (yang
tertera di DIPA 2013 termasuk PPN). Untuk pelaksanaan kegiatan tersebut Dirjen Pajak menggunakan jasa
 penyelenggara kegiatan (EO yang memiliki NPWP) dan dana yang tersedia habis digunakan. Berapa PPh Pasal 23 yang
terutang atas jasa penyelenggaraan kegiatan tersebut adalah :Cara menghitung jumlah brutonya (DPP ) : 100/110 x Rp.
1.100.000.000,- = Rp. 1.000.000.000,- PPh Pasal 23 yang terutang adalah : Rp. 1.000.000.000,- x 2% = Rp. 20.000.000,-
5. Contoh : Penghitungan, Penyetoran, dan Pelaporan PPh Pasal 23 oleh WP DN
- PT. Bumerang (NPWP/NPPKP 01.123.556.5-063.000) Jln. Merdeka 12 Purwokerto, pada tanggal 31-12-2009
melakukan pembayaran atas jasa Catering RM. Puspa sebesar Rp. 1.500.000,- dan jasa Cleaning Service PT. Bareta
Service (NPWP 01.007.215.6.896.000) sebesar 3.650.000
- Penghitungan, Penyetoran, dan Pelaporan PPh Pasal 23 atas pembayaran jasa catering dan cleaning service tersebut
adalah sebagai berikut :
 Penghitungan Pemotongan PPh 23 :
Pembayaran atas jasa katering dipotong PPh Pasal 23 (tidak punya NPWP)
PPh Pasal 23 = 4% X 1.500.00 = 60.000
Pembayaran atas jasa cleaning service dipotong PPh Pasal 23
PPh Pasal 23 = 2% X 3.650.000 = 73.000
 Kewajiban bendahara atas PPh Pasal 23 yang telah dipotong tersebut adalah sebagai berikut :
1. Membuat Bukti Potong PPh Pasal 23
2. Membuat Daftar Bukti Potong PPh Pasal 23
3. Menyetor ke Bank/Kantor Pos dengan SSP
4. Melaporkan dalam SPT Masa PPh 23
6. SOAL
Tgl. 09-07-2017 membangun gudang penyimpanan barang seluas 300 meter persegi di kawasan pergudangan sendiri menghabiskan
dana Rp. 250.000.000 (DPP 20%).
Tgl. 11-07-2017 mengimpor barang elektronik dari Korea seharga US$ 100.000; Asuransi US$ 1.000,-dan ongkos angkut ke
Purwokerto US$ 2.000,-. Bea masuk sebesar 10% d ari CIF dan bea masuk ta mbahan sebesar 4% dari CIF. Diasumsikan kurs per 1US$ =
Rp. 11.200, (importir memiliki API).
Tgl. 16-07-2017 membeli sebuah mobil box pengangkut barang seharga Rp. 320.000.000; dan
Tgl. 20-07-2017 Membeli sebuah mobil sedan untuk istri pemilik perusahaan sebesar Rp. 630.000.000 (harga kedua kendaraan tersebut
sudah termasuk PPN)
Diminta :
Hitung PPN atas transaksi di atas
Berapa PPN Masukan dan PPN Keluaran
Apakah kurang bayar atau lebih bayar ?
Penyelesaian
1. Tgl. 02-07-2017 penjualan langsung ke konsumen sebesar Rp. 650.000.000,-
PPN = 10% x 650.000.000
= Rp. 65.000.000 (PPN keluaran)
2. Tgl. 04-07-2017 penyerahan barang elektronik kepada Pemda Banyumas
sebesar Rp. 540.000.000 (sudah termasuk PPN).
DPP = 100/110 x 540.000.000 = Rp. 490.909.000
PPN = 10% x 490.909.000
= Rp. 49.090.900 (PPN Keluaran)
Transaksi Tambahan Juli
5. Tgl. 11-07-2017 mengimpor barang elektronik dari Korea sebagai berikut :
Cost = US$ 100.000 x Rp. 11.200 = Rp. 1.120.000.000
Insurance = US$ 1.000 x Rp. 11.200 = Rp. 11.200.000
Freight = US$ 2.000 x Rp. 11.200 = Rp 22.400.000
Total CIF (cost + insurance + freight) = Rp. 1.153.600.000
Bea masuk (10% dari CIF) = Rp. 115.360.000
Bea masuk tambahan (4% dari CIF) = Rp. 46.144.000
 NI (CIF+bea masuk+bea tambahan) = Rp. 1.315.104.000
PPN = 10% x Nilai impor => 10% x 1.315.104.000
= Rp. 131.510.400 (PPN masukan)
6. Tgl. 16-07-2017 membeli sebuah mobil box pengangkut barang seharga
Rp. 320.000.000 (termasuk PPN)
Pembelian mobil box untuk mengangkut barang
DPP = 100/110 x 320.000.000
= Rp. 290.909.000
PPN = 10% x 290.909.000
= Rp. 29.090.900 (PPN masukan)
7. Tgl. 20-07-2017 Membeli sebuah mobil sedan untuk istri pemilik perusahaan sebesar Rp. 630.000.000 (termasuk PPN)
DPP = 100/110 x 630.000.000
= Rp. 572.727.000
PPN = 10% x 572.727.000
= Rp. 57.272.700
Daftar PPN Masukan dan Keluaran

Jika PPN keluaran > PPN masukan maka disebut : PPN kurang bayar.
Jika PPN keluaran < PPN masukan maka disebut : PPN lebih bayar.
Dalam kasus ini, PPN keluaran < PPN masukan maka :
PPN lebih bayar = 160.601.300 - 119.405.900 = Rp. 41.195.400
PPN yang harus diminta kembali (Restitusi) oleh CV. Central Elektrik adalah Rp. 41.195.400
SOAL PPh 25
Berdasarkan laporan keuangan Tn. Sutrisno pada tahun 2014, Jumlah Pajak Terutang sebesar Rp. 250.000.000,-, dan jumlah Kredit pajak
sbb. :
PPh Pasal 21 Rp. 15.000.000,-
PPh Pasal 22 Rp. 32.500.000,-
PPh Pasal 23 Rp. 27.500.000,-
Jumlah kredit pajak Rp. 75.000.000,-
Diasumsikan PPh 25 tahun 2014 Rp. 2.000.000/bulan dan tahun 2013
Rp. 1.000.000/bulan
Pertanyaan :
Berapa PPh kurang bayar tahun 2014
Berapa jumlah angsuran PPh 25 tahun 2014 yang sudah dibayar,
Berapa jumlah angsuran PPh 25 per bulan tahun 2015 yang harus dibayar.
Jawab :
Jumlah Pajak Terutang Tahun 2014 = Rp. 250.000.000
Tn. Sutrisno mempunyai kredit pajak :
PPh Pasal 21 Rp. 15.000.000
PPh Pasal 22 Rp. 32.500.000
PPh Pasal 23 Rp. 27.500.000
Jml kredit pajak Rp. 75.000.000
Angsuran PPh 25* Rp. 22.000.000 Rp. 97.000.000
PPh kurang bayar Rp. 153.000.000 (SSP)
* (2 x 1.000.000) + (10 x 2.000.000) = Rp. 22.000.000
Besarnya PPh 25 yang harus dibayar sendiri setiap bulan pada tahun 2015 adalah sebesar :
Rp. 250.000.000 –  Rp. 75.000.000 = Rp. 175.000.000
Rp. 175.000.000 : 12 = Rp. 14.583.000 per bulan
SOAL PPh 26
Salah satu BUT (Bentuk Usaha Tetap) yang berada di Indonesia mempunyai Pen ghasilan Kena Pajak (PKP) Tahun 2016 sebesar Rp.
15.350.000.000,- diasumsikan bahwa penghasilan tersebut setelah dikurangi pajak badan akan dibawa pulang ke negara asalnya.
Berapa PPh 26 yang harus dipotong di Indonesia
Penyelesaian :
Penghasilan Kena Pajak Rp. 15.350.000.000
PPh BUT (berdasarkan tarif ps. 17)
25% x Rp. 15.350.000.000 Rp. 3.837.500.000
Penghasilan BUT setelah pajak Rp. 11.512.500.000
PPh Pasal 26 yang terutang :
20% x Rp. 11.512.500.000 Rp. 2.302.500.000
Jumlah yg dpt dibawa ke LN Rp. 9.210.000.000