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
- 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
PKP 6.000.000,00
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