Oleh :
MOHAMAD RIPAI
41180156
MOHAMAD RIPAI
41180156
Menyetujui,
Tim Penguji Tugas Akhir
………………………….. ………………………..
Penguj 1 Penguji 2
NIDN. 000000 NIDN. 000000
Mengetahui,
Ketua Program Studi Teknik Informatika
Mengesahkan,
Ketua STMIK IKMI Cirebon
i
HALAMAN PENGESAHAN LPPM
MOHAMAD RIPAI
41180156
ii
KATA PENGANTAR
Assalamu’alaikum Wr.Wb.
Puji syukur dipanjatkan kepada Allah SWT, Sang Maha Pencipta dan
Pengatur Alam Semesta yang telah memberikan taufiq dan hidayah-Nya, rahmat
dan maghfirah-Nya sehingga penulis dapat menyelesaikan Skripsi ini dengan baik.
Shalawat dan salam semoga tetap tercurahkan kepada baginda nabi besar kita
Rasulullah Muhammad SAW.
Skripsi ini merupakan salah satu syarat wajib mahasiswa untuk mengikuti
Skripsi di Program Studi Teknik Informatika. Sejauh ini penulis menyadari
sepenuhnya, bahwa masih banyak kekurangan-kekurangan pada Skripsi ini, karena
terbatasnya kemampuan dan pengetahuan yang penulis miliki.
Selama proses penulisan Skripsi banyak pihak yang telah terlibat dalam
membantu dan memberikan dukungan serta bimbingan kepada penulis. Pada
kesempatan kali ini penulis menyampaikan ucapan terima kasih kepada:
1. Bapak Dr. Dadang Sudrajat, S.Si., M.Kom, selaku Ketua STMIK
IKMI Cirebon
2. Bapak Ade Irma Purnamasari, M.Kom, selaku Sekretaris Ketua
STMIK IKMI Cirebon
3. Bapak Dian Ade Kurnia, M.Kom, selaku Wakil Ketua I Bidang
Akademik, Riset dan Inovasi
4. Ibu Dra. Nining R, M.Si,, selaku Wakil Ketua II Bidang Keuangan
5. Bapak H. Eka Jayawangsa, BBA., selaku Wakil Ketua III Bidang
Kerjasama dan Kemahasiswaan
6. Ibu Gifthera Dwilestari, S.I.Kom., M.Kom, Sebagai Ketua Program
Studi Teknik Informatika.
7. Bapak Nana Suarna, M.Kom, Sebagai Pembimbing Utama.
8. Ibu Gifthera Dwilestari, S.I.Kom., M.Kom, Sebagai Pembimbing
Kedua.
v
9. Teman-teman dan semua pihak yang sudah membantu, terimakasih
banyak.
10. Kedua orang tua serta keluarga yang telah memberi dukungan serta
doa menyertai selama perjalanan kuliah.
Akhir kata tiada gading yang tak retak, begitu juga dengan penyusunan
Skripsi. Dan penulis mengharapkan kritik dan saran yang membangun dari
pembaca untuk penulisan laporan yang lebih baik lagi. Semoga Skripsi bermanfaat
bagi semua pembaca. Aamiin.
MOHAMAD RIPAI
vi
DAFTAR ISI
vii
3.3 Operasionalisasi Variabel .............................................................................. 23
3.4 Sumber Data dan Teknik Pengumpulan Data............................................. 24
3.4.1 Sumber Data .................................................................................... 24
3.4.2 Teknik Pengumpulan Data .............................................................. 25
3.5 Populasi dan Tempat Serta Waktu Penelitian ............................................. 27
3.5.1 Populasi dan Sampel ....................................................................... 27
3.5.2 Tempat Penelitian............................................................................ 27
3.5.3 Waktu Penelitian ............................................................................. 28
3.6 Metode Analisa Data...................................................................................... 29
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ................................... 32
LAMPIRAN ......................................................................................................... 60
viii
DAFTAR TABEL
ix
DAFTAR GAMBAR
x
Gambar 4. 21 Tingkat Kepatuhan Pajak Hiburan ................................................. 52
xi
ABSTRAK
Pajak adalah sebagai suatu kewajiban warga negara berupa pengabdian serta
peran aktif warga negara untuk pembangunan nasional maupun daerah
berdasarkan Peraturan Undang-Undangan. Tetapi Tingkat kepatuhan wajib pajak
yang masih rendah karena belum tercapainya target penerimaan pajak, oleh
karena itu peneliti tertarik untuk meneliti bagaimana Pengaruh Pengetahuan dan
Pemahaman Peraturan Perpajakan, Tarif Pajak, Sanksi Pajak, Kualitas
Pelayanan, dan Self Assessment Terhadap Kepatuhan Wajib Pajak Di Badan
Pengelola Keuangan dan Pendapatan Daerah (BPKPD) Kota Cirebon. Tujuan
dari penelitian ini adalah untuk menklasifikasikan jenis dan wajib pajak mana
saja yang masih banyak menunggak mengenai Pengaruh Pengetahuan dan
Pemahaman Peraturan Perpajakan terhadap Kepatuhan Wajib Pajak. Metode
yang digunakan dalam penelitian ini yaitu menggunakan metode Binary Logistic
Regression, untuk mencari hubungan antara variabel respon (y) yang bersifat
biner dengan variabel prediktor (x) dari 2 kategori yaitu tepat waktu dan tidak
yang dinotasikan dengan y=1 (patuh) dan y=0 (tidak patuh). Hasil yang
diharapkan yaitu bagaimana kualitas Palayanan dan Self Assessment
memberikan pengaruh signifikan presentase patuh dan tidak patuh atas kepatuhan
wajib pajak dan secara parsial pengetahuan dan pemahaman peraturan
perpajakan berpegaruh tidak signifikan terhadap kepatuhan wajib pajak.
Kata Kunci: Machine Learning, Pajak Daerah, Pajak Hotel, Pajak Reklame,
Pajak Caffe, Pajak Hiburan, Pajak Restoran, Pajak Rumah Makan,
SSPD, Binary Logistic Regression, Data Mining, dan Pajak Daerah.
xii
ABSTRACT
Taxes are an obligation of citizens in the form of service and active participation of
citizens for national and regional development based on statutory regulations.
However, the level of taxpayer compliance is still low because the tax revenue
target has not been achieved, therefore researchers are interested in examining how
the Effect of Knowledge and Understanding of Tax Regulations, Tax Rates, Tax
Sanctions, Service Quality, and Self-Assessment on Taxpayer Compliance at the
Financial Management Agency and Regional Revenue (BPKPD) Cirebon City. The
purpose of this study is to classify which types and taxpayers are still in arrears
regarding the Effect of Knowledge and Understanding of Tax Regulations on
Taxpayer Compliance. The method used in this study is to use the Binary Logistic
Regression method, to find the relationship between the response variable (y) which
is binary and the predictor variable (x) from 2 categories, namely on time and not,
which is denoted by y=1 (compliance) and y. =0 (did not comply). The expected
result is how service quality and self-assessment have a significant influence on the
percentage of compliance and non-compliance on taxpayer compliance and
partially knowledge and understanding of tax regulations have no significant effect
on taxpayer compliance.
Keywords: Local Tax, Hotel Tax, Advertising Tax, Caffe Tax, Entertainment Tax,
Restaurant Tax, Restaurant Tax, SSPD, Binary Logistic Regression,
and Local Tax.
xiii
1
BAB I
PENDAHULUAN
2009 tentang Pajak Daerah dan Retribusi Daerah (UU PDRD) yang berlaku mulai
tanggal 1 Januari 2010 memberikan perluasan objek pajak dan pemberian diskresi
Anggaran Pendapatn dan Belanja Daerah (APBD). Masyarakat negara bagian dan
local (Pemerintah Daerah) harus memiliki kebijakan pajak aktif untuk berkontribusi
pada pencapaian tujuan ekonomi dan social mereka, dimana mereka harus
menemukan ukuran yang memadai agar tidak membahayakan prinsip ekonomi dan
bahwa jenis pajak yang dapat dipungut oleh pemerintah daerah Kabupaten/Kota
meliputi 11 jenis pajak yaitu: Pajak Hotel, Pajak Restoran, Pajak Hiburan, Pajak
Reklame, Pajak Parkir, Pajak Air Bawah Tanah, Pajak Penerangan Jalan Umum,
Pajak Sarang Burung Walet, Pajak Pajak Mineral Bukan Logam dan Batuan, Pajak
Bumi dan Bangunan Perdesaan dan Perkotaan (PBB P2), dan Bea Perolehan Hak
pemungutan pajak daerah dapat berjalan optimal, antara lain penetapan tarif pajak,
pemberian pengurangan pajak, pemberian insetif, dan penetuan nilai jual objek
2
pajak. Dari sebelas jenis pajak kabupaten/kota tersebut, terdapat tiga jenis pajak
yang dipungut secara official assessment, yaitu besarnya pajak yang terutang (pajak
yang harus dibayar) diteentukan oleh pejabat pajak, meliputi Pajak Reklame, PBB
P2, Pajak Air Bawah Tanah. Delapan jenis pajak lainnya dipungut secara self
assessment, artinya Wajib Pajak sendiri yang menghitung berapa besarnya pajak
yang harus dibayar. Sistem ini berlaku untuk Pajak Hotel, Pajak, Restoran, Pajak
Hiburan, Pajak Parkir, Pajak Penerangan Jalan Umum, Pajak, Sarang Burung
Walet, Pajak Mineral Bukan Logam, dan Batuan serta BPHTB. Dalam pemungutan
pajak dengan system self assessment, peran kesadaran dan kejujuran Wajib Pajak
Pemberitahuan Pajak Daerah (SPTPD) merupakan salah satu jenis surat yang ada
dalam pajak daerah. Surat ini digunakan oleh wajib pajak (WP) untuk melakukan
bukan objek pajak, harta, serta kewajiban lainnya sesuai dengan Undang-Undang
pajak daerah.
Pada tahun 2020 di Kota Cirebon terdapat 1.383 wajib pajak yang terbagi
menjadi beberapa jenis pajak, yaitu Pajak Restoran, Pajak Hotel, Pajak Hiburan,
dan Pajak Parkir di Luar Badan Jalan. Jumlah tersebut cukup besar untuk
peningkatan Pendapatan Asli Daerah Kota Cirebon. Namun masih banyak wajib
pajak yang belum sadar akan kewajibannya dalam membayar pajak. Oleh karena
itu Badan Pengelola Keuangan dan Pendapatan Daerah Kota Cirebon memerlukan
Data mining adalah suatu proses menemukan hubungan yang berarti, pola,
Ada beberapa teknik dalam data mining, salah satu dari teknik data mining yaitu
untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia
satu metode yang bisa digunakan yaitu metode Binary Logistic Regression. Binary
Logistic Regression adalah salah satu metode regresi yang digunakan untuk
menganalisis hubungan antara variabel respon dan beberapa variabel bebas, dengan
variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk untuk
bentuk variabel terikat yang bersifat kategorik. Dalam Binary Logistic Regression,
model yang didapat dengan respon kualitatif pada variabel dependen bertujuan
4
2017).
respon (dependent variable) yang bersifat kualitatif memiliki dua kategori atau
lebih dengan satu atau lebih perubah penjelas (independent variable) berskala
kategori atau interval. Faktor kunci untuk mendapatkan hasil duga Binary Logistic
Linear yang baik adalah besaran jumlah responden yang representatif dengan
keragaman relatif tinggi. Oleh karena itu validasi data menjadi faktor penentu dan
logistic regression perlu untuk dikaji untuk mencari hubungan antara variabel
respon (y) yang bersifat biner dengan variabel prediktor (x) dari 2 kategori yaitu
tepat waktu dan tidak yang dinotasikan dengan y=1 (patuh) dan y=0 (tidak patuh),
sehingga Pemerintah Daerah dalam hal ini yaitu Badan Pengelola Keuangan dan
Pendapatan Daerah Kota Cirebon dapat mengambil tindakan yang tepat terhadap
wajib pajak.
5
Berdasarkan latar belakang diatas, rumusan masalah dalam penelitian ini, meliputi:
Rumusan
Deskripsi Rumusan Masalah
Masalah
Berdasarkan rumusan masalah yang ada maka pertanyaan dalam penelitian ini
sebagai berikut:
Rumusan Pertanyaan
Deskripsi Pertanyaan Penelitian
Masalah Penelitian
Logistic Regression?
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
membayarkan pajaknya.
2 Regression.
diharapkan bisa mempunyai manfaat baik secara langsung maupun tidak langsung.
1. Manfaat Teoritis
Secara teoritis hasil dari penelitian ini diharapkan bisa bermanfaat untuk
data mining khususnya pada metode Binary Logistic Regression. Hasil dari
penelitian ini bisa dijadikan perbandingan untuk peneliti lain yang tertarik
2. Manfaat Praktis
a. Bagi Peneliti
penyimpangan dan pelebaran pokok – pokok masalah agar penelitian lebih terarah,
sehingga tujuan penelitian akan tercapai. Adapun batasan dalam penelitian ini
Kota Cirebon yang bersifat privat data, dan pembatasan dataset hanya pada
jenis Pajak Restoran, Pajak Hotel, Pajak Hiburan, dan Parkir diluar Bandan
Jalan.
2. Software yang digunakan dalam proses penelitian ini yaitu, Microsoft Office,
4. Variabel Dependen (Y) antara lain tingkat kepatuhan wajib pajak pajak.
MASALAH
TUJUAN
SOLUSI
Tools Data
Metode Binary ▪ Teori Data Mining
Logistic Regression ▪ Binary Logistic Regression
Data Wajib Pajak
Microsoft Office
Restoran, Hotel,
Rapid Miner
Hiburan, Parkir
HASIL
1. Diketahuinya faktor yang menyebabkan ketidaktepatan Wajib Pajak dalam membayarkan pajaknya.
2. Metode Binary Logistic Regression dapat di implementasikan pada data Surat Pemberitahuan Pajak
Daerah.
3. Data Surat Pemberitahuan Pajak Daerah bisa di klasifikasikan sesuai dengan status pembayarannya.
MANFAAT
1. Manfaat Teoritis
Secara teoritis hasil dari penelitian ini diharapkan bisa bermanfaat untuk menambah pengetahuan
dan variasi penelitian dalam penerapan teknik dalam data mining khususnya pada metode Binary
Logistic Regression. Hasil dari penelitian ini bisa dijadikan perbandingan untuk peneliti lain
yang tertarik dalam metode Binary logistic Regression pada data mining.
2. Manfaat Praktis
a. Bagi Peneliti
Manfaat yang bisa didapat bagi peneliti adalah dapat mengimplementasikan ilmu yang
sudah didapat di perkuliahan khsusunya tentang penerapan metode Binary logistic
Regression.
b. Bagi STMIK IKMI Cirebon
Hasil dari penelitian ini dapat dijadikan sebagai bahan referensi perpustakaan, serta bisa
dijadikan untuk bahan perbandingan bagi peneliti yang memiliki objek penelitian yang
sama.
c. Bagi Badan Pengelola Keuangan dan Pendapatan Daerah Kota Cirebon
Sebagai bahan informasi dan memberikan masukan atau saran untuk pihak Badan
Pengelola Keuangan dan Pendapatan Daerah Kota Cirebon. Khususnya mengenai
pengaruh penerepan teknologi informasi terhadap peningkatan Pendapatan Asli Daerah.
BAB II
Kerja (Studi Kasus Penduduk Kota Surakarta Tahun 2015)”. Penelitian ini
bertujuan untuk memperoleh hasil klasifikasi status kerja di Kota Surakarta tahun
Dichotomiser 3 (ID3). Sumber data yang digunakan dalam penelitian ini adalah
data sekunder yang berasal dari hasil survei angkatan kerja nasional (Sakernas)
Kota Surakarta oleh Badan Pusat Statistik pada bulan Februari 2015. Berdasarkan
penelitian yang dilakukan oleh peneliti dapat disimpulkan bahwa, hasil status kerja
dengan menggunakan metode regresi logistik biner didapatkan tiga variabel yang
signifikan yaitu umur, jenis kelamin, dan status perkawinan. Dalam regresi logistik
biner menggunakan data testing didapatkan hasil akurasi sebesar 75%. Konstruksi
dengan banyak simpul mencapai 9 simpul dimana 6 diantaranya adalah simpul daun
dan variabel umur terpilih menjadi simpul akar dalam pembuatan pohon keputusan.
data testing didapatkan hasil akurasi sebesar 75%. Dapat diketahui bahwa nilai
akurasi hasil klasifikasi dari kedua metode mempunyai nilai yang sama.
11
Klasifikasi Regresi Logistik Biner Dan Radial Basis Function Network Pada Berat
Bayi Lahir Rendah (Studi Kasus: Puskesmas Pamenang Kota Jambi)”. Penelitian
ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi status berat bayi
baru lahir serta melakukan analisis klasifikasi bayi baru lahir guna mengurangi
risiko Berat Bayi Lahir Rendah (BBLR) menggunakan metode Regresi Logistik
Biner dan Radial Basis Function Network untuk klasifikasi status berat bayi baru
lahir pada Puskesmas Pamenang Kota Jambi. Sumber data dari penelitian ini
berasal dari sekunder yaitu data Berat Bayi Lahir Rendah (BBLR) yang diambil
(Pusat Kesehatan Masyarakat) Kecamatan Pamenang Kota Jambi pada tahun 2014.
(X3) dan berat badan ibu (X4). Ketepatan klasifikasi regresi logistik biner adalah
sebesar 81,7% untuk data training dan 77,4% untuk data testing. Ketepatan
klasifikasi bayi baru lahir pada Puskesmas Pamenang Kota Jambi menggunakan
RBFN adalah sebesar 92,96% untuk data training dan 80,64% untuk data testing.
metode Radial Basis Function Network (RBFN) menghasilkan akurasi lebih tinggi
dibandingkan metode Regresi Logistik Biner, baik untuk data training maupun data
testing. Hal ini menunjukkan bahwa metode Radial Basis Function Network
(RBFN) lebih baik diterapkan dalam klasifikasi data status berat bayi lahir di
12
Puskesmas Pamenang Kota Jambi pada tahun 2014 dibandingkan dengan model
logistik biner. Sumber data dalam penelitian ini menggunakan data sekunder, yang
diperoleh dari RSU Mokopido Toli-toli hasil penelitian dari Muslidin pada tahun
2013 dan sampel yang digunakan sebanyak 98 pasien. Variabel respon (Y) dari
penelitian ini, yaitu 1 = hipertensi dan 0 = tidak hipertensi. Variabel prediktor (X)
dari penelitian ini, yaitu kebiasaan merokok berupa lama merokok (X1), jumlah
rokok yang dihisap (X2), jenis rokok yang dihisap (X3), cara menghisap rokok
(X4), jenis kelamin (X5) dan usia (X6). Berdasarkan penelitian yang dilakukan oleh
peneliti dapat disimpulkan bahwa, diperoleh nilai estimasi untuk parameter regresi
Variabel β
X1 2.478
X3 -2.364
X4 1.549
Konstanta -0.981
Pada persamaan di atas, terlihat bahwa nilai estimasi untuk lama merokok (X1), dan
cara menghisap rokok (X4) bernilai positif. Ini menunjukkan bahwa hubungan
variabel tersebut dengan penderita hipertensi berbanding lurus. Jika setiap nilai
lama merokok dan cara menghisap rokok naik maka akan meningkatkan penderita
hipertensi. Sedangkan untuk nilai estimasi jenis rokok yang dihisap (X3) bernilai
negatif. Hal ini menunjukkan bahwa hubungan antara variabel tersebut dengan
penderita hipertensi berbanding terbalik. Jika setiap nilai jenis rokok yang dihisap
kasus COVID-19. Dataset yang digunakan dalam penelitian ini merupakan dataset
public tahun 2020 bersumber dari situs web Kaggle dengan nama Coronavirus
tweets NLP – Text Classification, dimana data tersebut diambil dari kicauan twitter
yang kemudian dilakukan manual tagging. Dataset memiliki enam features yaitu
Berdasarkan penelitian yang dilakukan oleh peneliti dapat disimpulkan bahwa, nilai
performance yang dihasilkan pada precision dan recall setiap label class dari
mendapatkan akurasi sebesar 74% dan mendapatkan nilai F1-score sebesar 70%.
yang dapat menghasilkan model logistic regression yang lebih baik dalam
menentukan klasifikasi terkait komentar pada twitter mengenai virus corona atau
mengetahui pengaruh tingkat pendidikan dan jenis kelamin terhadap status bekerja
pada metode regresi logistik biner di Kota Surabaya. Sumber data yang digunakan
dalam penelitian ini adalah data sekunder dari hasil Data Susenas Kota Surabaya
tahun 2012. Dalam penelitian ini ada sebanyak 3303 responden Variabel yang
digunakan dalam penelitian ini adalah status bekerja (Y) sebagai variabel respon
variabel prediktornya yaitu tingkat pendidikan (X1) dan jenis kelamin (X2).
Model regresi logistik yang terbentuk bisa membuat klasifikasi dalam penaksiran
nilai Y yaitu sebesar 66%. Artinya dengan model persamaan regresi logistik ini bisa
memang masih bekerja, atau memprediksi seseorang tidak bekerja dimana pada
kenyataannnya sesorang memang tidak bekerja adalah sebesar 66.6%. Dalam dunia
adalah BLR digunakan untuk data yang variabel responnya merupakan data yang
terdiri dari dua kategori, dengan satu variabel prediktor atau lebih, baik yang
15
bersifat kategorik maupun kontinu. Dari kasus status bekerja masyarakat di Kota
Surabaya, dapat diambil kesimpulan bahwa status bekerja dapat dipengaruhi oleh
variabel tingkat pendidikan dan jenis kelamin. Pengukuran asosiasi pada model
Aanalisis Regresi Logistik Biner”. Penelitian ini bertujuan untuk mengkaji model
Penciptaan Lapangan Kerja, yang didorong oleh tindakan pada tanggal 6, 7, dan 8
dilakukansecara virtual digital, daring, dan luring yang berlokasi di Kota Surabaya
dengandurasi kurang lebih selama tiga bulan. Sumber data yang digunakan dalam
penelitian ini adalah data primer yang didapatkan melalui survei yang di lakukan
dengan virtual digital, daring dan luring dengan penggunakan google formulir yang
individu cenderung lebih pro terhadap program jaminan pensiun yang harus diatur
Berikut ini adalah tabel kajian literature review pada penelitian sebelumnya.
Nama Judul
No Tahun Hasil Perbedaan
Penulis Penelitian
Lugas
1 Pengguna 2017 Hasil status kerja Penelitian ini
1 Putranti an Regresi dengan menggunakan menganalisis hasil
Winasti, Logistik metode regresi logistik dengan
Agus Biner dan biner didapatkan tiga membandingkan
Rusgiyon Interative variabel yang dua metode
o, Diah signifikan yaitu umur, sedangkan
Dischotom
Safitri jenis kelamin, dan penelitian yang
iser 3 status perkawinan. dilakukan
(ID3) Dalam regresi logistik sekarang fokus
Dalam biner menggunakan menggunakan
Pembuata data testing didapatkan satu metode
n hasil akurasi sebesar klasifikasi.
Klasifikasi 75%. Konstruksi
Status pohon keputusan yang
Kerja terbentuk
menggunakan
algoritma ID3
menghasilkan pohon
dengan banyak simpul
mencapai 9 simpul
dimana 6 diantaranya
adalah simpul daun dan
variabel umur terpilih
menjadi simpul akar
dalam pembuatan
pohon keputusan.
Berdasarkan hasil
klasifikasi status kerja
dengan menggunakan
ID3 menggunakan data
testing didapatkan hasil
akurasi sebesar 75%.
Dapat diketahui bahwa
nilai akurasi hasil
klasifikasi dari kedua
metode mempunyai
nilai yang sama.
Riama
2 Perbanding 2016 Ketepatan klasifikasi Pada penelitian ini
2 Oktaviyan an Metode regresi logistik biner menggunakan dua
i Samosir, Klasifikasi adalah sebesar 81,7% metode
Yuciana Regresi untuk data training dan perbandingan
Wilandari Logistik 77,4% untuk data klasifikasi,
, Hasbi Biner Dan testing. Ketepatan sedangkan dalam
Yasin Radial klasifikasi bayi baru penelitian
17
Nama Judul
No Tahun Hasil Perbedaan
Penulis Penelitian
Basis lahir pada Puskesmas dilakukan fokus
Function Pamenang Kota Jambi pada satu metode
Network menggunakan RBFN klasifikasi yaitu
Pada Berat adalah sebesar 92,96% Regresi Logistik
Bayi Lahir untuk data training dan Biner.
Rendah 80,64% untuk data
testing.
3 Misna, Analisis 2018 Nilai estimasi untuk Pada penelitian ini
Rais, Iut Regresi lama merokok (X1), objek penelitian
Tri Utami Logistik dan cara menghisap pada data
Biner rokok (X4) bernilai penderita
Untuk positif. Ini hipertensi
Mengklasifi menunjukkan bahwa sedangkan
kasi hubungan variabel penelitian yang
Penderita tersebut dengan sedang dilakukan
Hipertensi penderita hipertensi mempunyai objek
Berdasarka berbanding lurus. Jika penelitian data
n setiap nilai lama wajib pajak.
Kebiasaan merokok dan cara
Merokok Di menghisap rokok naik
RSU maka akan
Mokopido meningkatkan
Toli-Toli penderita hipertensi.
Sedangkan untuk nilai
estimasi jenis rokok
yang dihisap (X3)
bernilai negatif. Hal ini
menunjukkan bahwa
hubungan antara
variabel tersebut
dengan penderita
hipertensi berbanding
terbalik. Jika setiap
nilai jenis rokok yang
dihisap naik maka pada
penderita hipertensi
akan menurun.
4 Aloysius Klasifikasi 2021 Nilai performance
Kurniawa Persepsi yang dihasilkan pada
n Santoso, Pengguna precision dan recall
Astrid Twitter setiap label class dari
Noviriand masing-masing
Terhadap
ini, hyperparameter,
Aliyah
Kasus sehingga hal tersebut
Kurniasih COVID-19 dapat menyimpulkan
, Bagus Mengguna bahwa nilai akurasi
Dwi kan pada masing-masing
Wicakson Metode dari kedua
18
Nama Judul
No Tahun Hasil Perbedaan
Penulis Penelitian
o, Ahmad Logistic hyperparameter
Nuryanto. Regressio tersebut dapat
n dipertanggung
jawabkan
keakuratannya.
Dimana pengujian
menggunakan
hyperparameter L2
mendapatkan akurasi
sebesar 77% dan
mendapatkan nilai F1-
score sebesar 74%,
sedangkan pengujian
menggunakan
hyperparameter None
mendapatkan akurasi
sebesar 74% dan
mendapatkan nilai F1-
score sebesar 70%.
Dengan demikian,
pengujian dengan
hyperparameter L2
merupakan pengujian
yang dapat
menghasilkan model
logistic regression
yang lebih baik dalam
menentukan klasifikasi
terkait komentar pada
twitter mengenai virus
corona atau Covid-19
masuk dalam kategori
positif, negatif, atau
netral.
5 Moh. Binary 2016 Model regresi logistik
Yamin Logistic yang terbentuk bisa
Darsyah, Regressio membuat klasifikasi
Arianto n (BLR) dalam penaksiran nilai
Wijaya Terhadap Y yaitu sebesar 66%.
Artinya dengan model
Status persamaan regresi
Bekerja Di logistik ini bisa
Kota memprediksi
Surabaya seseorang masih
bekerja dimana
padakenyataannya
sesorang memang
masih bekerja, atau
19
Nama Judul
No Tahun Hasil Perbedaan
Penulis Penelitian
memprediksi
seseorang tidak bekerja
dimana pada
kenyataannnya
sesorang memang tidak
bekerja adalah sebesar
66.6%. Dalam dunia
sosial disebut dengan
sensitivitas atau
spesifisitas.
Kesimpulan dari
penelitian adalah BLR
digunakan untuk data
yang variabel
responnya merupakan
data yang terdiri dari
dua kategori, dengan
satu variabel prediktor
atau lebih, baik yang
bersifat kategorik
maupun kontinu. Dari
kasus status bekerja
masyarakat di Kota
Surabaya, dapat
diambil kesimpulan
bahwa status bekerja
dapat dipengaruhi oleh
variabel tingkat
pendidikan dan jenis
kelamin. Pengukuran
asosiasi pada model
sebesar 49,7% dengan
tingkat akurasi
klasifikasinya sebesar
66, 6%.
6 D. Pemodela 2021 masyarakat dengan
Venosia, n Persepsi usia 18–25 tahun,
H.W. Masyarak masyarakat yang
Nugroho, at Terhada berdomisili di
A.Z. Surabaya Timur, dan
Undang-
Nabila, masyarakat yang
Sediono
Undang berstatus sebagai
Cipta pelajar/mahasiswa
Kerja secara individu
Dengan cenderung lebih pro
Mengguna terhadap program
kan jaminan pensiun yang
Aanalisis harus diatur secara
20
Nama Judul
No Tahun Hasil Perbedaan
Penulis Penelitian
Regresi jelas dan sistematis
Logistik dalam UU Ciptaker.
Biner
Tabel 2. 1 Kajian Literature Review
21
BAB III
METODOLOGI PENELITIAN
Jenis penelitian yang digunakan dalam penelitian ini adalah jenis penelitian
adalah sistematis, terencana dan terstruktur dengan jelas sejak awal hingga
untuk meneliti pada populasi atau sampel tertentu, pengumpulan data menggunakan
wajib pajak tersebut patuh atau tidak patuh dalam membayarkan pajaknya. Adapun
tahapan metode penelitian dalam penelitian ini terdiri dari pengumpulan data,
analisis data, implentasi algoritma, hasil penelitian dan pengujian, dan kesimpulan.
22
Pengumpulan Data
Analisis Data
Implementasi Algoritma
Kesimpulan
melalui observasi di tempat penelitian. Tahap analisis data dalam penelitian ini
dalam data mining. Tahap hasil penelitian dan pengujian merupakan proses
pengkajian ulang terhadap validasi hasil penelitian sehingga bisa ditarik kesimpulan
biner. Regresi logistik biner merupakan suatu teknik analisis data yang digunakan
untuk menganalisis hubungan antara satu atau dua variabel bebas dengan variabel
respon yang bersifat biner atau dikotomik. Variabel bebas pada regresi logistik
dapat berupa variabel berskala kategorik maupun variabel yang berskala kontinu
untuk menganalisis hubungan antara satu variabel respon dan beberapa variabel
23
prediktor, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai
𝑦𝑖
𝑓(𝑦𝑖 ) = 𝜋𝑖 (1 − 𝜋𝑖 )1−𝑦𝑖
Dimana:
exp(𝛽0+ 𝛽1 𝑥
𝜋(𝑥) =
1 + exp(𝛽0+ 𝛽1 𝑥
Variabel merupakan konstruk atau sifat yang akan dipelajari atau dapat
dikatakan sebagai suatu sifat yang diambil dari suatu nilai yang berbeda (different
values). Menurut (Sugiyono, 2016) pada dasarnya variabel adalah segala sesuatu
yang berbentuk apa saja yang ditentukan peneliti untuk dipelajari sehingga
diperoleh informasi tentang suatu hal yang diteliti dan bisa ditarik kesimpulannya.
1. Variabel Bebas atau Variabel Independen (X): bisa disebut dengan variabel
independen dalam penelitian ini variabel (X1) pajak hiburan, variabel (X2) pajak
2. Variabel Tidak Bebas atau Variabel Dependen (Y): sering disebut sebagai
dipengaruhi atau yang menjadi sebab akibat. Adapun variabel tidak bebas atau
variabel dependen dalam penelitian ini yaitu (Y) patuh dan tidak patuh
0 = Tidak Patuh
Dependen Status Kepatuhan Wajib Pajak Y
1 = Patuh
1 = Hiburan
2 = Hotel
Independen Jenis Pajak X
3 = Parkir
4 = Restoran
Sumber data adalah subjek di mana data bisa diperoleh. Terdapat dua
macam sumber data, yakni sumber data primer dan sumber data sekunder.
Sumber data primer diperoleh langsung oleh peneliti. Sedangkan sumber data
sekunder ialah sumber data yang tidak diperoleh langsung, biasanya sumber data
Data primer ialah data yang diperoleh dan dikumpulkan langsung dari
objek yang diteliti. Data primer adalah data yang didapat atau dikumpulkan
individu atau perseorangan seperti hasil wawancara yang dilakukan oleh peneliti,
Data Sekunder yaitu data yang didapat dari pihak atau sumber lain yang
telah ada. Peneliti tidak mendapat informasi langsung dari narasumber atau objek
yang diteliti, melainkan dari data yang telah ada, seperti grafik, tabel, diagram,
dan tulisan dari peneliti sebelumnya. Data sekunder digunakan untuk mendukung
informasi primer yang telah diperoleh, yakni dari bahan pustaka, literatur,
Sumber data primer dalam penelitian ini adalah data Surat Pemberitahuan
Pajak Daerah (SPTPD) yang diperoleh dari Badan Pengelola Keuangan dan
Kota Cirebon.
merupakan alat bantu yang dipilih peneliti dan digunakan peneliti dalam
26
dan lebih mudah (Ridwan, 2018). Dalam penelitian ini, peneliti sendiri bertindak
sebagai pengumpul data. Adapun teknik pengumpulan data yang dipakai dalam
1. Observasi
2. Dokumentasi
3. Studi Pustaka
berhubungan dengan objek yang diteliti serta bersumber dari buku- buku
pedoman, literatur yang disusun oleh para ahli untu melengkapi data yang
mempunyai kuantitas & karakteristik tertentu yang ditetapkan oleh peneliti untuk
dalam penelitian ini adalah seluruh wajib pajak yang terdiri dari beberapa jenis
pajak yaitu jenis pajak hotel, pajak restoran, pajak hiburan, dan pajak parkir di
luar badan jalan yang ada di wilayah Kota Cirebon dengan jumlah 1.402 wajib
pajak, dengan pembagian pajak hotel 165 wajib pajak, pajak restoran 1018 wajib
pajak, pajak hiburan 133 wajib pajak, dan pajak parkir 86 wajib pajak.
Sampel adalah sebagian dari populasi atau sebagian kecil dari anggota
penelitian ini adalah data pembayaran pajak daerah selama satu tahun
berdasarkan jenis pajak hotel, pajak restoran, pajak hiburan, dan pajak parkir di
luar badan jalan pada tahun 2021 yang berjumlah 11.046 pembayaran, dengan
Barat 45111. Penelitian ini dilakukan dimulai dari bulan Januari 2021 sampai
kurun waktu kurang lebih 2 bulan, dimana 1 bulan untuk pengumpulan data dan
1 bulan untuk pembuatan laporan yang meliputi penyajian dalam bentuk skripsi.
2021 2022
N Nov Des Jan Feb Mar
Kegiatan
o 1 2 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 2 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Tahap
Persiapan
a. Penyusunan
1
dan Pengajuan
1
Judul
b. Pengajuan
Proposal
Tahap
Pelaksanaan
2
a. Pengumpulan
2 Data
b. Analisis Data
Tahap
3
Penyusunan
3
Laporan
4
Sidang Skripsi
4
Revisi
5 Sidang
5 Skripsi
Tabel 3. 2 Waktu Penelitian
29
Metode analisis data merupakan tahapan proses penelitian dimana data yang
yang ada. Analisis data digunakan untuk mengolah data menjadi informasi. Data
Dalam penelitian ini penulis menggunakan analisis data Regresi Logistik Biner
yang digunakan untuk mengetahui data variabel independen mana saja yang
1. Dataset
2. Seleksi Data
Menurut (Thi Bi Dan dkk., 2016) seleksi data atau data selection adalah
proses meminimalkan jumlah data yang digunakan untuk proses mining dengan
di KDD dimulai. Hasil seleksi data yang akan digunakan untuk proses data
himpunan data target, pemilihan himpunan data, atau memfokuskan pada subset
sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi
yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas,
3. Pembersihan Data
Menurut (Thi Bi Dan dkk., 2016) pembersihan data atau data cleaning
merupakan kondisi dimana adanya data yang hilang atau tidak lengkap di dalam
tupel dan mengisi missing value tersebut. Pengabaian tuple cocok digunakan
jika dataset yang digunakan cukup besar dan ada beberapa missing value dalam
sebuah tupel. Pengisian missing value dapat dilakukan dengan beberapa cara,
seperti mengisi manual missing value tersebut dengan mean atau nilai lain
sesuai dengan jenis data. Noise merupakan data yang tidak berguna yang tidak
dapat diinterpretasikan oleh tools. Noise ini muncul karena pengumpulan data
yang salah, entri data yang kurang tepat, dan lain sebagainya.
4. Transformasi Data
Menurut (Thi Bi Dan dkk., 2016) transformasi data adalah proses yang
digunakan untuk mengubah data dalam bentuk yang sesuai dalam proses data
menskalakan nilai data dalam rentang nilai tertentu, misalnya -1 sampai 1 atau
pemilihan atribut yang diberikan untuk proses data mining. Terakhir adalah
teknik discretization. Teknik ini dilakukan untuk mengganti raw value pada
Pada proses ini akan dilakukan data mining dengan menggunakan algoritma
BAB IV
4.1 Hasil
4.1.1 Dataset
Pada penelitian ini data yang digunakan adalah data primer. Data primer
sendiri merupakan data yang diperoleh dan dikumpulkan peneliti langsung dari
objek yang diteliti. Data primer ini merupakan data pembayaran pajak daerah
yang berasal dari Badan Pengelola Keuangan Daerah Kota Cirebon, data yang
diambil sebanyak 11.406 data. Data tersebut terbagi sesuai dengan jenis pajaknya
masing masing yaitu, pajak hiburan 447 data, pajak restoran 9.240 data, pajak
diantaranya yaitu id, tanggal pembayaran, masa pajak, jenis pajak, nomor bukti,
nama wajib pajak, alamat, pokok pajak, denda, jumlah pajak terhitung, NPWD,
dan keterangan.
yang relevan dari database karena sering ditemukan bahwa tidak semua data
dibutuhkan untuk di analisis. Dari semua data yang digunakan hanya id, nama,
jenis pajak, masa pajak, dan keterangan, karena informasi yang terkandung
34
didalam data tersebut sudah mewakili informasi yang dibutuhkan untuk dijadikan
indikator penelitian.
tidak ada duplikasi data, memeriksa data yang inkonsisten dan memperbaiki
kesalahan pada data, sehingga data tersebut dapat diolah dan bisa dilakukan
proses data mining. Berdasarkan data yang didapatkan peneliti, data yang
didapatkan sudah bersih tidak ada data yang null maupun data yang kosong.
digunakan untuk mengubah data dalam bentuk yang sesuai dalam proses data
software RapidMiner versi 9.10 dengan menggunakan data training dari data
tampilan lembar kerja. Berikut ini tampilan lembar kerja pada RapidMiner.
menggunakan format Excel atau (xlsx), maka operator import data yaitu operator
read excel dengan cara drag and drop kedalam view process sampai operator
read excel tampil dalam view process seperti terlihat pada gambar.
36
Selanjutnya klik pada operator read excel lalu pada tab parameter klik
import configuration wizard untuk mengambil file dataset, seperti pada Gambar
4.2.
form data import wizard tahap 1 untuk memilih lokasi file yang digunakan dalam
penelitian ini.
Setelah memilih file data seperti gambar 4.4 selanjutnya yaitu klik Next
dan akan diarahkan pada tampilan form data import wizard tahap 2.
38
yang akan digunakan dalam penelitian, setelah memilih sheet klik Next dan akan
yang akan dijadikan lebel atau target. Untuk memilih atribut yang dijadikan lebel
dengan cara klik pada icon change pada atribut lalu akan ada tampilan change
role lalu pilih label. Pada penelitian ini atribut yang akan dijadikan label yaitu
operator split data dengan cara drag and drop operator pada view process.
Operator split data berfungsi untuk membagi data menjadi data training dan data
testing.
40
Untuk membagi data menjadi data training dan data testing maka klik edit
partition pada parameter split data, lalu klik add entry dan masukan jumlah
persentase antara data training dan data testing, dalam penelitian ini penulis
membagi data trainig sebesar 80% dan data testing sebesar 20% dari keseluruhan
pembagian data.
41
Setelah proses pembagian data dengan operator split data, maka proses
data dan operator split data dengan operator cross validation dengan menarik
training yang digunankan untuk melatih model dan subproses testing digunakan
pada operator cross validation dengan cara klik dua kali pada operator cross
validation dan akan diarahkan pada tampilan sub prosess. Berikut tampilan
pada subproses training dan hubungkan operator ke port training dan port model
Operator apply model tersebut digunakan untuk menerapkan model yang telah
dilatih sebelumnya menggunakan data training pada unlabeled data pada data
testing.
44
model dan port tes, dan hubungkan operator performance dengan operator apply
model dan pada port per, seperti terlihat pada Gambar 4.14.
45
pada menu toolbar, seperti terlihat pada Gambar 4.15 dan tunggu beberapa saat
proses run memerlukan waktu tergantung pada seberapa banyak data yang
diolah.
46
menampilkan hasil prediksi pada view result. Berikut ini merupakan hasil dari
Dari hasil proses split data pada rapidminer dengan metode prediksi
menampilkan hasil dari data testting dan data training yang sudah diuji. Untuk
diagram scatter bubble yaitu pembayaran pajak daerah pada tahun 2021 dengan
jenis pajak hiburan, hotel, parkir, dan restoran. Dapat dilihat bahwa ketidak
4.2 Pembahasan
yang dihasilkan performance vector pada nilai accuarcy, precision, dan recall,
Nilai Sebenarnya/True
Patuh Tidak Patuh
Nilai Patuh 7581 (TP) 422 (FP)
Prediksi Tidak Patuh 128 (FN) 994 (TN)
Tabel 4. 3 Hasil Perfomance Vector
Keterangan:
TP = True Positif
FP = False Negatif
TN = True Negatif
FN = False Negatif
a. Accuracy (Ketepatan)
sendiri merupakan jumlah prediksi benar baik itu positif ataupun negatif dengan
b. Precision
berikut:
50
c. Recall
Patuh
Tidak Patuh
Patuh
84%
kepatuhan wajib pajak dalam membayarkan pajaknya pada tahun 2021 yaitu
wajib pajak patuh sebesar 84% sedangan wajib pajak yang tidak patuh sebesar
16%. Dari presentase tersebut dapat diketahui bahwa tingkat kepatuhan wajib
pajak cukup tinggi karena hanya 16% yang tidak patuh dalam membayarkan
pajaknya.
0
2
4
6
8
10
12
14
Patuh
HOTEL GRAHAWITA SANTIKA
KID'S FUN JUNCTION
KOKUO
MASTER PIECE
MR. GAMES
PRO GYM
PURE BLISS
PAJAK HIBURAN
RISSA SALLON
SOUL REFLEKSI DAN…
STUDIO PREMIERE XXI CSB
TIME ZONE GRAGE
BEE BEE LAND
CV. BIL GYM
CV. SUARA MAS / AYU TING…
FANTASI KARAOKE KELUARGA
Gambar 4. 21 Tingkat Kepatuhan Pajak Hiburan
MASTER PIECE
PT PRIMA SARANA…
Pada Gambar 4.21 menunjukkan tingkat kepatuhan wajib pajak pada
jenis pajak hiburan. Pada jenis pajak hiburan ada 17 wajib pajak yang tidak patuh
52
ATIKA KOST
CIPTO KOST
HOTEL AMARIS
HOTEL CAHAYA MURNI
HOTEL GRAGE
HOTEL LOTUS
HOTEL PADMA INDAH
HOTEL RAJAWALI
HOTEL SUBUR
HOTEL WA HAHA
Patuh
KOST CEMARA
ONO'S HOTEL
PONDOK IBU DIANA
PT. AMD SILIWANGI PROPERTI…
VINOTEL CIREBON
WISMA BAROKAH
C HOTEL
GRAND DIAN HOTEL
HOTEL CAHAYA MURNI
HOTEL NUSANTARA
HOTEL SATRIA
KOS IBU ACHMAD
Tidak Patuh
PEMUDA HOUSE
PT BENTANI PERMAI HOTEL
RUMAH KOST PAPANDAYAN
wajib pajak pada jenis pajak hotel. Pada jenis pajak hotel ada 60 wajib pajak yang
Berdasarkan pada Gambar 4.22 menunjukkan bahwa tingkat kepatuhan
53
WISMA BAROKAH
0
2
4
8
10
12
14
16
18
20
6
ASIA TOSERBA
CV. ARSA RAYA
CV. MEGA ( PIZZA HUT )
KOPERASI KARYA SEHAT…
NFR SPBU SHELL KESAMBI
PASAR HARJAMUKTI
PD. FARMASI KOTA…
PT SUMBER BAHAGIA…
PT. ANUGERAH BINA…
PT. BANK MANDIRI…
PT. CORPISA FORTA…
Patuh
PT. FAJAR ALUNA JAYA /…
PT. GRAGE TATA PERKASA…
PT. LOTTE SHOPPING…
TRANSMART CIREBON
YOGYA GRAND DEPT. STORE
YUSWENDI (MC DONALD…
CV. ARSA RAYA
KOPKAR PT. BCA Tbk. (…
PASAR PERUMNAS KOTA…
PT TOBA SAKTI UTAMA/…
PT. CORPISA FORTA…
PT. KARYA BERSAMA…
PT. NETALAND CAHYA…
Tidak Patuh
Patuh
NANA CAFE KESAMBI
PUSKESMAS PAMITRAN KOTA…
RESTORAN PIZZA HUT CSB MALL
wajib pajak pada jenis pajak parkir. Pada jenis pajak parkir ada 210 wajib pajak
55
56
BAB V
PENUTUPAN
5.1 Kesimpulan
Berdasarkan hasil dari penelitian yang telah dibahas dan dijelaskan, maka
dapat ditarik kesimpulan untuk menjawab pertanyaan penelitian yang ada bahwa:
Cirebon yang terbagi menjadi 4 wajib pajak yaitu pajak hiburan, hotel, parkir,
dan restoran. Untuk pengolahan menggunakan data mining maka 11.406 data
dibagi menjadi 2 bagian yaitu data training sebanyak 9.125 data, dan data
testing sebanyak 2.281, dengan presentase 80% data training dan 20% data
bahwa tingkat akurasi dari perfomance vector sebesar 93,97% dengan class
precision Patuh sebesar 94,73%, dan Tidak Patuh sebesar 88,59%, dan untuk
class recall Patuh sebesar 98,34, dan Tidak Patuh sebesar 70,20%. Dari
tingkat kepatuhan terendah pada jenis pajak restoran dengan presentase 68%
2. Dapat diketahui bahwa presentase tingkat kepatuhan wajib pajak untuk patuh
sebesar 84% sedangkan presentase kepatuhan wajib pajak untuk tidak patuh
sebesar 16%. Dari presentase tersebut dapat diketahui bahwa tingkat kepatuhan
wajib pajak cukup tinggi, namun meskipun tingkat kepatuhan wajib pajak
cukup tinggi masih cukup banyak wajib pajak yang tidak patuh dalam
57
tingkat tidak patuh untuk jenis pajak restoran sebesar 68%, pajak hotel 19%,
pajak parkir 7%, dan pajak hiburan 6%. Jenis pajak restoran memiliki tingkat
ketidakpatuhan paling tinggi dengan jumlah 210 wajib pajak tidak patuh.
3. Penerapan data mining sangat penting dalan pengelompokan data dalam hal ini
5.2 Saran
Adapun saran yang bisa diberikan, setelah dilakukan analisis data ini
sebagai berikut:
1. Diharapkan dari penelitian ini dapat membantu instansi terkait untuk menyusun
lain yang sejenis dengan metode dan algoritma yang berbeda sehingga dapat
DAFTAR PUSTAKA
Ginting, J. A., Informatika, T., & Mulia, U. B. (2019). DATA MINING UNTUK
2, 164–169.
Hendayana, R., Pengkajian, B. B., Pengembangan, D., Pertanian, T., & Tentara
Id, D., Pembuatan, D., Status, K., Winastiti, L. P., Rusgiyono, A., & Safitri, D.
1–10. https://doi.org/10.48108/jurnalbppk.v13i2.227
Tampil, Y., Komaliq, H., & Langi, Y. (2017). Analisis Regresi Logistik Untuk
Thi Bi Dan, T., Widya Sihwi, S., & Anggrainingsih, R. (2016). Implementasi
https://doi.org/10.20961/its.v4i2.1770
341–348.
LAMPIRAN
61
a. Kartu Pembimbing 1
64
65
b. Kartu Pembimbing 2
66
67
a. Dataset
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 1 14/01/2021 Des 2020 HIBURAN 0
JL. DR CIPTO MK
3
NO.87
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 2 14/01/2021 Des 2020 HIBURAN 0
JL. A YANI NO.39
4
CIREBON
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 3 14/01/2021 Des 2020 HIBURAN 0
JL. A YANI NO.39
5
CIREBON
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 4 14/01/2021 Des 2020 HIBURAN 0
JL. YOS SUDARSO
6
ADE IRMA S
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 5 14/01/2021 Des 2020 HIBURAN 0
JL. SILIWANGI NO.
7
80 CIREBON
Patuh
68
P.2.0001747.02.002 CSB XXI STUDIO 6 JL. Dr. CIPTO 14/01/2021 Des 2020 HIBURAN 0
8 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 STUDIO 14/01/2021 Des 2020 HIBURAN 0
JL. Dr. CIPTO
PREMIERE XXI CSB
9 MANGUNKUSUMO
No. 26
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 1 JL. Dr. CIPTO 10/02/2021 Jan-21 HIBURAN 0
10 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 2 JL. Dr. CIPTO 10/02/2021 Jan-21 HIBURAN 0
11 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 3 JL. Dr. CIPTO 10/02/2021 Jan-21 HIBURAN 0
12 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 4 JL. Dr. CIPTO 10/02/2021 Jan-21 HIBURAN 0
13 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 5 JL. JEND. A. YANI 10/02/2021 Jan-21 HIBURAN 0
14 KOMPL. GRAGE
CITY MALL Patuh
P.2.0001747.02.002 CSB XXI STUDIO 6 JL. DR. CIPTO 10/02/2021 Jan-21 HIBURAN 0
15 MANGUNKUSUMO
NO. 234 Patuh
P.2.0013213.03.004 BLITZ MEGAPLEX JL. Dr. CIPTO 10/02/2021 Jan-21 HIBURAN 0
16 MANGUNKUSUMO
No. 26 Patuh
69
PEKALIPAN KEC.
PEKALIPAN
DINAS
11340 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11341 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11342 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11343 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11344 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11345 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11346 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11347 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11348 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11349 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11350 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11351 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11352 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11353 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
CV. TITIAN
11354 P.2.0013622.02.005 30/12/2021 Des 2021 RESTORAN 0 Patuh
UTAMA
74
CV. TITIAN
11355 P.2.0013622.02.005 30/12/2021 Des 2021 RESTORAN 0 Patuh
UTAMA
CV. TITIAN
11356 P.2.0013622.02.005 30/12/2021 Des 2021 RESTORAN 0 Patuh
UTAMA
SDN KARANG Tidak
11357 P.2.0013916.02.003 30/12/2021 Jun-21 RESTORAN 17.160
JALAK I Patuh
SDN KARANG Tidak
11358 P.2.0013916.02.003 30/12/2021 Okt 2021 RESTORAN 3.080
JALAK I Patuh
SDN Tidak
11359 P.2.0014171.03.004 30/12/2021 Nop 2021 RESTORAN 660
PEGAMBIRAN II Patuh
SDN
11360 P.2.0014171.03.004 30/12/2021 Des 2021 RESTORAN 0 Patuh
PEGAMBIRAN II
SD. PENGAMPON
11361 P.2.0014597.03.001 30/12/2021 Des 2021 RESTORAN 0 Patuh
3
CV. SRIKANDI
11362 P.2.0001896.03.002 31/12/2021 Des 2021 RESTORAN 0 Patuh
PRIMA MANDIRI
11363 P.2.0001924.02.003 CV. YUANA 31/12/2021 Des 2021 RESTORAN 0 Patuh
11364 P.2.0001924.02.003 CV. YUANA 31/12/2021 Des 2021 RESTORAN 0 Patuh
DINAS
11365 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11366 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11367 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11368 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
75
DINAS
Tidak
11369 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Nop 2021 RESTORAN 1.636
CIREBON
Patuh
DINAS
11370 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11371 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11372 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11373 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11374 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
DINAS
11375 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
KECAMATAN
11376 P.2.0005463.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
KESAMBI
KECAMATAN
11377 P.2.0005463.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
KESAMBI
KECAMATAN
11378 P.2.0005464.03.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
LEMAHWUNGKUK
RSUD GUNUNG
11379 P.2.0009206.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
JATI
RSUD GUNUNG
11380 P.2.0009206.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
JATI
76
RSUD GUNUNG
11381 P.2.0009206.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
JATI
RSUD GUNUNG
11382 P.2.0009206.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
JATI
RSUD GUNUNG
11383 P.2.0009206.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
JATI
RSUD GUNUNG
11384 P.2.0009206.02.001 31/12/2021 Des 2021 RESTORAN 0 Patuh
JATI
SDN
Tidak
11385 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Nop 2021 RESTORAN 600
CIREBON
Patuh
SDN
Tidak
11386 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Agu 2021 RESTORAN 2.200
CIREBON
Patuh
SDN
Tidak
11387 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Sep-21 RESTORAN 4.500
CIREBON
Patuh
SDN
Tidak
11388 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Nop 2021 RESTORAN 1.000
CIREBON
Patuh
SDN
Tidak
11389 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Okt 2021 RESTORAN 1.100
CIREBON
Patuh
SDN
11390 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
SDN
Tidak
11391 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Apr-21 RESTORAN 4.400
CIREBON
Patuh
77
SDN
Tidak
11392 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Okt 2021 RESTORAN 2.000
CIREBON
Patuh
SDN
11393 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Des 2021 RESTORAN 0 Patuh
CIREBON
SDN
Tidak
11394 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Apr-21 RESTORAN 6.800
CIREBON
Patuh
SDN
Tidak
11395 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Nop 2021 RESTORAN 480
CIREBON
Patuh
SDN
Tidak
11396 P.2.0009638.03.001 PENGAMPON I 31/12/2021 Jul-21 RESTORAN 8.250
CIREBON
Patuh
SMP NEGERI 5
11397 P.2.0010002.01.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
KOTA CIREBON
SMP NEGERI 5
11398 P.2.0010002.01.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
KOTA CIREBON
CV. BERKAT
11399 P.2.0013182.01.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
INDAH JAYA
CV. ROSELLA
11400 P.2.0013478.04.004 SEJAHTERA 31/12/2021 Des 2021 RESTORAN 0 Patuh
BERSAMA
CV. ROSELLA
11401 P.2.0013478.04.004 SEJAHTERA 31/12/2021 Des 2021 RESTORAN 0 Patuh
BERSAMA
DINAS
11402 P.2.0013613.02.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11403 P.2.0013613.02.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
78
DINAS
11404 P.2.0013613.02.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
11405 P.2.0013613.02.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
PT. UTAMA
11406 P.2.0014525.02.003 31/12/2021 Des 2021 RESTORAN 0 Patuh
KARYA GEMILANG
79
PerformanceVector
PerformanceVector:
accuracy: 93.97% +/- 0.71% (micro average: 93.97%)
ConfusionMatrix:
True: Patuh Tidak Patuh
Patuh: 7581 422
Tidak Patuh: 128 994
precision: 88.70% +/- 3.29% (micro average: 88.59%) (positive
class: Tidak Patuh)
ConfusionMatrix:
True: Patuh Tidak Patuh
Patuh: 7581 422
Tidak Patuh: 128 994
recall: 70.19% +/- 4.06% (micro average: 70.20%) (positive class:
Tidak Patuh)
ConfusionMatrix:
True: Patuh Tidak Patuh
Patuh: 7581 422
Tidak Patuh: 128 994
AUC (optimistic): 0.943 +/- 0.010 (micro average: 0.943) (positive
class: Tidak Patuh)
AUC: 0.943 +/- 0.010 (micro average: 0.943) (positive class: Tidak
Patuh)
AUC (pessimistic): 0.943 +/- 0.010 (micro average: 0.943)
(positive class: Tidak Patuh)
80
… … … … … …
… … … … … …
… … … … … …
… … … … … …
… … … … … …