Skripsi Mohamad Ripai (41180156)

SKRIPSI
PENGKLASIFIKASIAN SURAT PEMBERITAHUAN PAJAK DAERAH

MENGGUNAKAN METODE BINARY LOGISTIC REGRESSION
UNTUK MENGETAHUI PATUH DAN TIDAK PATUH DALAM
PEMBAYARAN PAJAK DAERAH
(Studi Kasus: Badan Pengelola Keuangan dan Pendapatan Daerah Kota
Cirebon)
Disusun sebagai salah satu sayarat memperoleh gelar sarjana

Program Studi Teknik Informatika
Jenjang S1 STMIK IKMI Cirebon
Oleh :
MOHAMAD RIPAI
41180156
PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
STMIK IKMI CIREBON
2021
LEMBAR PENGESAHAN

Cirebon)
CLASSIFICATION LOCAL TAX NOTIFICATIONS USING BINARY LOGISTIC

REGRESSION METHOD TO KNOW COMPLIANCE AND NOT
COMPLIANCE WITH REGIONAL TAX PAYMENTS
Cirebon)
Dipersiapkan dan Disusun oleh
MOHAMAD RIPAI
41180156
Telah Diujikan dan Disahkan Dalam Ujian Sidang Skripsi

Pada Program Studi Teknik Informatika Jenjang Sarjana
pada hari NamaHari, tanggal ujian tesis
Menyetujui,
Tim Penguji Tugas Akhir
………………………….. ………………………..
Penguj 1 Penguji 2
NIDN. 000000 NIDN. 000000
Mengetahui,
Ketua Program Studi Teknik Informatika
Gifthera Dwilestari, S.I.Kom., M.Kom

NIDN. 0401129402
Mengesahkan,
Ketua STMIK IKMI Cirebon
Dr. Dadang Sudrajat, S.Si., M.Kom

NIDN. 0418046301
i
HALAMAN PENGESAHAN LPPM

Cirebon)
CLASSIFICATION LOCAL TAX NOTIFICATIONS USING BINARY LOGISTIC

REGRESSION METHOD TO KNOW COMPLIANCE AND NOT
COMPLIANCE WITH REGIONAL TAX PAYMENTS
Cirebon)
Dipersiapkan dan Disusun oleh
MOHAMAD RIPAI
41180156
Cirebon, Maret 2022
Kepala LPPM STMIK IKMI Cirebon Menyetujui,

Pembimbing Utama
Agus Bahtiar, M.Kom Nana Suarna, M.Kom

NIDN: 0419017002 NIDN. 0417126503
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.
Wassalamu’alaikum Wr. Wb.

Cirebon, 09 Maret 2022
MOHAMAD RIPAI
vi
DAFTAR ISI
LEMBAR PENGESAHAN ................................................................................... i
HALAMAN PENGESAHAN LPPM .................................................................. ii
HALAMAN PERSETUJUAN PEMBIMBING ................................................ iii
HALAMAN PERNYATAAN KEASLIAN SKRIPSI ....................................... iv
KATA PENGANTAR ........................................................................................... v
DAFTAR ISI ........................................................................................................ vii
DAFTAR TABEL ................................................................................................ ix
DAFTAR GAMBAR ............................................................................................. x
ABSTRAK ........................................................................................................... xii
ABSTRACT ........................................................................................................ xiii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang Masalah .................................................................................. 1

1.2 Rumusan Masalah ............................................................................................ 5
1.3 Pertanyaan Penelitian ....................................................................................... 5
1.4 Tujuan Penelitian .............................................................................................. 6
1.5 Manfaat Penelitian............................................................................................ 7
1.6 Batasan Masalah ............................................................................................... 8
1.7 Kerangka Pemikiran ......................................................................................... 9
BAB II SISTEMATIKA LITERATURE RIVIEW ......................................... 10
2.1 Penelitian Terdahulu ...................................................................................... 10

2.2 Kajian Literature Review .............................................................................. 16
BAB III METODOLOGI PENELITIAN ......................................................... 21
3.1 Jenis Penelitian ............................................................................................... 21

3.2 Metode Penelitian ........................................................................................... 21
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
4.1 Hasil ................................................................................................................. 32

4.1.1 Dataset ............................................................................................. 32
4.1.2 Seleksi Data..................................................................................... 33
4.1.3 Pembersihan Data............................................................................ 34
4.1.4 Transformasi Data ........................................................................... 34
4.1.5 Pengujian Pada Software RapidMiner ............................................ 35
4.2 Pembahasan ..................................................................................................... 49
BAB V PENUTUPAN ......................................................................................... 56
5.1 Kesimpulan ..................................................................................................... 56

5.2 Saran................................................................................................................. 57
DAFTAR PUSTAKA .......................................................................................... 58
LAMPIRAN ......................................................................................................... 60
viii
DAFTAR TABEL
Tabel 1. 1 Rumusan Masalah .................................................................................. 5
Tabel 1. 2 Pertanyaan Penelitian ............................................................................. 6
Tabel 1. 3 Tujuan Penelitian ................................................................................... 6
Tabel 2. 1 Kajian Literature Review ..................................................................... 20
Tabel 3. 1 Operasional Variabel............................................................................ 24
Tabel 3. 2 Waktu Penelitian .................................................................................. 28
Tabel 4. 1 Sampel Dataset ..................................................................................... 33
Tabel 4. 2 Seleksi Data.......................................................................................... 34
Tabel 4. 3 Hasil Perfomance Vector ..................................................................... 49
ix
DAFTAR GAMBAR
Gambar 1. 1 Kerangka Pemikiran ........................................................................... 9
Gambar 3. 1 Alur Metode Penelitian .................................................................... 22
Gambar 4. 1 Tampilan Lembar Kerja RapidMiner ............................................... 35
Gambar 4. 2 Tampilan Operator Read Excel ........................................................ 36
Gambar 4. 3 Import Data ...................................................................................... 36
Gambar 4. 4 Import Data Tahap 1 ........................................................................ 37
Gambar 4. 7 Oprator Split Data ............................................................................ 40
Gambar 4. 8 Pembagian Data Training Dan Data Testing.................................... 41
Gambar 4. 9 Operator Cross Validation ............................................................... 41
Gambar 4. 10 Manarik Garis Antar Oprator ......................................................... 42
Gambar 4. 11 Operator Logistic Regression ......................................................... 43
Gambar 4. 12 Operator Apply Model .................................................................... 44
Gambar 4. 13 Operator Performance .................................................................... 44
Gambar 4. 14 Menghubungkan Apply Model Dan Performance .......................... 45
Gambar 4. 15 Proses Run ...................................................................................... 46
Gambar 4. 16 Hasil Split Data .............................................................................. 47
Gambar 4. 17 Hasil Performance Vector .............................................................. 47
Gambar 4. 18 Diagram Scatter Bubble ................................................................. 48
Gambar 4. 19 Sampel Model Logistic Regression ................................................ 48
Gambar 4. 20 Presentase Kepatuhan Wajib Pajak Tahun 2021 ............................ 51
x
Gambar 4. 21 Tingkat Kepatuhan Pajak Hiburan ................................................. 52
Gambar 4. 22 Tingkat Kepatuhan Wajib Pajak Hotel........................................... 53
Gambar 4. 23 Tingkat Kepatuhan Wajib Pajak Parkir .......................................... 54
Gambar 4. 24 Tingkat Kepatuhan Wajib Pajak Restoran ..................................... 55
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
1.1 Latar Belakang Masalah

Pajak daerah merupakan sumber pendapatan daerah yang penting guna
membiayai pelakasanaan pemerintah daerah. Undang-undang Nomor 28 tahun
2009 tentang Pajak Daerah dan Retribusi Daerah (UU PDRD) yang berlaku mulai
tanggal 1 Januari 2010 memberikan perluasan objek pajak dan pemberian diskresi
dalam penetapan tarif agar kemandirian daerah meningkat. Kemandirian daerah
dicerminkan oleh besarnya kontribusi Pendapatan Asli Daerah (PAD) terhadap
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
pasar dan sebuah lingkungan ekonomi yang menguntungkan. UU PDRD mengatur
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
atas Tanah dan Bangunan (BPHTB).
Beberapa kewenangan diberikan kepada pemerintah daerah agar
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
sangat besar (Juliarini, 2020).
Menurut Peraturan Daerah Kota Cirebon Nomor 3 Tahun 2012 Surat
Pemberitahuan Pajak Daerah (SPTPD) merupakan salah satu jenis surat yang ada
dalam pajak daerah. Surat ini digunakan oleh wajib pajak (WP) untuk melakukan
pelaporan, perhitungan, dan pembayaran terhadap pajak, objek pajak maupun
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
tindakan yang tepat untuk mengetahui faktor-faktor yang mempengaruhi ketidak

3
patuhan wajib pajak dalam membayarkan pajaknya melalui pengelompokan surat
pembertihuan pajak daerah. Untuk mengetahui faktor-faktor yang berpengaruh
secara signifikan pada ketidakpatuhan dalam membayar pajak maka diperlukan
adanya teknik data mining.
Data mining adalah suatu proses menemukan hubungan yang berarti, pola,
dan kecenderungan dengan memeriksa dalam sekumpulan database besar yang
tersimpan dan dalam penyimpanan menggunakan teknik pengenalan pola seperti
teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna.
Ada beberapa teknik dalam data mining, salah satu dari teknik data mining yaitu
pengklasifikasian. Klasifikasi merupakan suatu proses untuk menilai objek data
untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia
(Thi Bi Dan dkk., 2016).
Dalam pengklasifikasian data ada beberapa metode yang digunakan, salah
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
menyatakan keberadaan suatu karakteristik dan bernilai 0 untuk menyatakan
ketidakberadaan sebuah karakteristik. Binary Logistic Regression tidak
mengasumsikan hubungan linear antar variabel bebas dan terikat dikarenakan
bentuk variabel terikat yang bersifat kategorik. Dalam Binary Logistic Regression,
model yang didapat dengan respon kualitatif pada variabel dependen bertujuan
4
untuk menentukan probilitas individu dalam keputusan kualitatif (Tampil dkk.,
2017).
Menurut penelitian sebelumnya yaitu oleh (Hendayana et al., n.d.)
Menjelaskan bahwa Binary Logistic Regression merupakan suatu metode Data
Mining dan analisis statistika yang mendeskripsikan hubungan antara perubah
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
kruasial dilakukan sebelum analisis data.
Berdasarkan latar belakang yang telah dijelaskan diatas penelitian tentang
pengelompokan surat pemberitahuan pajak daerah menggunakan metode binary
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
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, rumusan masalah dalam penelitian ini, meliputi:
Rumusan
Deskripsi Rumusan Masalah
Masalah
Kesadaran Wajib Pajak di Kota Cirebon dalam membayarkan
1 pajaknya masi kurang, sehingga target Pendapatan Asli Daerah
tidak sesuai terget per triwulannya.
Perlu adanya pengklasifikasian data melalui Data Mining dengan
2 metode Binary Logistic Regression, untuk mengetahui Wajib
Pajak mana saja yang tidak patuh dalam membayar pajaknya.
Tabel 1. 1 Rumusan Masalah
1.3 Pertanyaan Penelitian
Berdasarkan rumusan masalah yang ada maka pertanyaan dalam penelitian ini
sebagai berikut:
Rumusan Pertanyaan
Deskripsi Pertanyaan Penelitian
Masalah Penelitian
Wajib Pajak mana saja yang tidak patuh dalam

1 1
membayarkan pajaknya?
Bagaiamana penerapan Data Mining dengan metode

2 2
Binary Logistic Regression?
6
Bagaimana klasifikasi status pembayaran pajak
3 daerah dengan menggunakan metode Binary
Logistic Regression?
Tabel 1. 2 Pertanyaan Penelitian
1.4 Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
Rumusan Pertanyaan Tujuan

Deskripsi Tujuan Penelitian
Masalah Penelitian Penelitian
Untuk mengetahui wajib pajak mana
1 1 1 saja yang tidak patuh dalam
membayarkan pajaknya.
Untuk mengetahui bagaimana
penerapan Data Mining dengan

2 2
menggunakan metode Binary Logistic
2 Regression.
Untuk mengetahui klasifikasi status
3 3 pembayaran pajak daerah menggunakan
metode Binary Logistic Regression.
Tabel 1. 3 Tujuan Penelitian

7
1.5 Manfaat Penelitian
Berdasarkan tujuan penelitian yang ingin dicapai, maka penelitian ini
diharapkan bisa mempunyai manfaat baik secara langsung maupun tidak langsung.
Adapun manfaat dalam penelitian ini adalah sebagai berikut:
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
Adapun manfaat praktis dari penelitian ini adalah sebagai berikut:
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

8
Cirebon. Khususnya mengenai pengaruh penerepan teknologi informasi
terhadap peningkatan Pendapatan Asli Daerah.
1.6 Batasan Masalah
Pembatasan suatu masalah berfungsi untuk menghindari adanya
penyimpangan dan pelebaran pokok – pokok masalah agar penelitian lebih terarah,
sehingga tujuan penelitian akan tercapai. Adapun batasan dalam penelitian ini
adalah sebagai berikut:
1. Dataset didapatkan dari Badan Pengelola Keuangan dan Pendapatan Daera
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,
Rapidmaner, SPSS, Browser Google Chrome.
3. Hardware yang digunakan dalam penelitian ini menggunakan Laptop dengan
spesifikasi Processesor Intel Core I5, RAM 8 GB.
4. Variabel Dependen (Y) antara lain tingkat kepatuhan wajib pajak pajak.
Sedangkan variabel independen (X) yang digunakan meliputi Jenis Pajak.
5. Metode yang digunakan adalah Binary Logistic Regression.

9
1.7 Kerangka Pemikiran
MASALAH
Perlu adanya pengelompokkan data melalui Data Mining dengan metode

Binary Logistic Regression, untuk mengetahui Wajib Pajak mana saja yang
tidak tepat dalam membayar pajaknya.
TUJUAN
1. Mengetahui faktor apa saja yang menyebabkan ketidaktepatan Wajib

Pajak dalam membayarkan pajaknya.
2. Mengetahui bagaimana penerapan Data Mining dengan
menggunakan metode Binary Logistic Regression.
Mengetahui klasifikasi status pembayaran pajak daerah
menggunakan metode Binary Logistic Regression.
SOLUSI
DESIGN PENELITIAN PENDEKATAN LANDASAN TEORI
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.
Gambar 1. 1 Kerangka Pemikiran

10
BAB II
SISTEMATIKA LITERATURE RIVIEW
2.1 Penelitian Terdahulu
Penelitian oleh (Lugas, dkk., 2017), berjudul “Penggunaan Regresi Logistik
Biner dan Interative Dischotomiser 3 (ID3) Dalam Pembuatan Klasifikasi Status
Kerja (Studi Kasus Penduduk Kota Surakarta Tahun 2015)”. Penelitian ini
bertujuan untuk memperoleh hasil klasifikasi status kerja di Kota Surakarta tahun
2015 menggunakan metode Regresi Logistik Biner. Memperoleh hasil klasifikasi
status kerja di Kota Surakarta tahun 2015 menggunakan metode Iterative
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
pohon keputusan yang 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.
11
Penelitian oleh (Samosir, dkk., 2016), berjudul “Perbandingan Metode
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
dari hasil pencatatan pemeriksaan kandungan dan kelahiran pada PUSKESMAS
(Pusat Kesehatan Masyarakat) Kecamatan Pamenang Kota Jambi pada tahun 2014.
Berdasarkan penelitian yang dilakukan oleh peneliti dapat disimpulkan bahwa,
variabel-variabel prediktor yang memberi pengaruh signifikan adalah jumlah anak
(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.
Berdasarkan ketepatan klasifikasi yang diperoleh, maka dapat diketahui bahwa
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
Regresi Logistik Biner.
Penelitian oleh (Utami, 2018), berjudul “Analisis Regresi Logistik Biner
Untuk Mengklasifikasi Penderita Hipertensi Berdasarkan Kebiasaan Merokok Di
RSU Mokopido Toli-Toli”. Penelitian ini bertujuan untuk mendapatkan klasifikasi
penderita hipertensi di RSU Mokopido Toli-toli dengan menggunakan regresi
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
logistik biner dengan 3 variabel prediktor yang berpengaruh terhadap variabel
respon adalah sebaga berikut:
Variabel β
X1 2.478
X3 -2.364
X4 1.549
Konstanta -0.981
Berdasarkan tabel diatas diperoleh model persamaan regresi logistic biner
sebagai berikut: g(x) = - 0,981 + 2,478X - 2,364X3 +1,549X4.

13
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
naik maka pada penderita hipertensi akan menurun.
Penelitian oleh (Nuryanto, 2021), berjudul “Klasifikasi Persepsi Pengguna
Twitter Terhadap Kasus COVID-19 Menggunakan Metode Logistic Regression”.
Penelitian ini bertujuan untuk mengetahui persepsi pengguna Twitter terhadap
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
UserName, ScreenName, Location, TweetAt, OriginalTweet, dan Sentiment.
Berdasarkan penelitian yang dilakukan oleh peneliti dapat disimpulkan bahwa, nilai
performance yang dihasilkan pada precision dan recall setiap label class dari
masing-masing hyperparameter, sehingga hal tersebut dapat menyimpulkan bahwa
nilai akurasi pada masing-masing dari kedua hyperparameter tersebut dapat
dipertanggung jawabkan keakuratannya. Dimana pengujian menggunakan
hyperparameter L2 mendapatkan akurasi sebesar 77% dan mendapatkan nilai F1-
score sebesar 74%, sedangkan pengujian menggunakan hyperparameter None

14
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.
Penelitian oleh (Wijaya, 2016), berjudul “Binary Logistic Regression (BLR)
Terhadap Status Bekerja Di Kota Surabaya”. Penelitian ini bertujuan untuk
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
dengan kategori 1 adalah masih bekerja, kategori 0 tidak bekerja, sedangkan
variabel prediktornya yaitu tingkat pendidikan (X1) dan jenis kelamin (X2).
Berdasarkan penelitian yang dilakukan oleh peneliti dapat disimpulkan bahwa,
Model regresi logistik yang terbentuk bisa membuat klasifikasi dalam penaksiran
nilai Y yaitu sebesar 66%. Artinya dengan model persamaan regresi logistik ini bisa
memprediksi seseorang masih bekerja dimana padakenyataannya sesorang
memang masih bekerja, atau 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
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
sebesar 49,7% dengan tingkat akurasi klasifikasinya sebesar 66, 6%.
Penelitian oleh (Venosia dkk., 2021), berjudul “Pemodelan Persepsi
Masyarakat Terhada Undang-Undang Cipta Kerja Dengan Menggunakan
Aanalisis Regresi Logistik Biner”. Penelitian ini bertujuan untuk mengkaji model
fungsional pada opini masyarakat Kota Surabaya terhadap Undang-Undang
Penciptaan Lapangan Kerja, yang didorong oleh tindakan pada tanggal 6, 7, dan 8
Oktober 2020. Penelitian ini menggunakan pendekatan kuantitatif. Penelitian ini
akan mengidentifikasi pengaruh variabel independen dan dependen kemudian
berusaha mencari penyebab kausalitastersebut serta dibandingkan juga
hasilanalisisnya guna menentukan preferensikeputusannya. Penelitian ini
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
dipublikasikan ke beberapa media sosialserta melakukan wawancara secara
langsung. Berdasarkan penelitian yang dilakukan oleh peneliti dapat disimpulkan
bahwa, masyarakat dengan usia 18–25 tahun, masyarakat yang berdomisili di
Surabaya Timur, dan masyarakat yang berstatus sebagai pelajar/mahasiswa secara
individu cenderung lebih pro terhadap program jaminan pensiun yang harus diatur
secara jelas dan sistematis dalam UU Ciptaker.

16
2.2 Kajian Literature Review
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
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
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
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
Penulis Penelitian
Regresi jelas dan sistematis
Logistik dalam UU Ciptaker.
Biner
Tabel 2. 1 Kajian Literature Review
21
BAB III
METODOLOGI PENELITIAN
3.1 Jenis Penelitian
Jenis penelitian yang digunakan dalam penelitian ini adalah jenis penelitian
kuantitatif. Penelitiahn kuantitatif salah satu jenis penelitian yang spesifikasinya
adalah sistematis, terencana dan terstruktur dengan jelas sejak awal hingga
pembuatan desain penelitian. Menurut (Sugiyono, 2016) jenis penelitian kuantitatif
merupakan jenis penelitian yang berlandaskan pada filsafat positivisme, digunakan
untuk meneliti pada populasi atau sampel tertentu, pengumpulan data menggunakan
instrumen penelitian, dan analisis data bersifat kuantitatif/statistik.
3.2 Metode Penelitian
Penelitian ini dilakukan dengan cara menganalisa data pembayaran wajib
pajak menggunakan machine learning yang bertujuan untuk mengetahui apakah
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
Hasil Penelitian dan Pengujian
Kesimpulan
Gambar 3. 1 Alur Metode Penelitian
Tahapan pengumpulan data merupakan tahap mengumpulkan dataset
melalui observasi di tempat penelitian. Tahap analisis data dalam penelitian ini
menggukana software rapidminer sebagai tools dalam pengolahan data miningnya.
Tahap implementasi algoritma merupakan tahapan dalam penerapan algoritma
dalam data mining. Tahap hasil penelitian dan pengujian merupakan proses
pengkajian ulang terhadap validasi hasil penelitian sehingga bisa ditarik kesimpulan
dari sebuah penelitian.
Algoritma yang digunakan pada penelitian yaitu algoritma regresi logistik
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
sedangkan variabel respon berupa variabel berskala kategorik.
Menurut (Ginting. dkk, 2019), Analisi regresi logistik biner digunakan
untuk menganalisis hubungan antara satu variabel respon dan beberapa variabel
23
prediktor, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai
1 untuk menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk
menyatakan ketidakberadaan sebuah karakteristik. Model regresi logistik biner
digunakan jika variabel responnya menghasilkan dua kategori bernilai 0 dan 1,
sehinga mengikuti distribusi Bernoulli sebagai berikut:
𝑦𝑖
𝑓(𝑦𝑖 ) = 𝜋𝑖 (1 − 𝜋𝑖 )1−𝑦𝑖
Dimana:
πi = peluang kejadian ke-1

yi = perubahan acak ke-1 yang terdiri dari 0 dan 1
Bentuk model regresi dengan satu variabel prediktor adalah:
exp⁡(𝛽0+ 𝛽1 𝑥
𝜋(𝑥) =
1 + exp⁡(𝛽0+ 𝛽1 𝑥
Untuk mempermudah menaksir parameter regresi, maka π(x) pada

persamaan diatas ditransformasikan menghasilkan bentuk logit regresi logistik
sebagai berikut:
𝜋(𝑥)
𝑔(𝑥) = In [ ] = ⁡ 𝛽0 + 𝛽1 𝑥
1 − 𝜋(𝑥)
3.3 Operasionalisasi Variabel
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.
Pada penelitian ini terdapat dua variabel yaitu:

24
1. Variabel Bebas atau Variabel Independen (X): bisa disebut dengan variabel
prediksi. Merupakan hasil manipulasi. Atribut atau potensial kasus diberikan
pada investigasi hasil penelitian. Adapun variabel bebas atau variabel
independen dalam penelitian ini variabel (X1) pajak hiburan, variabel (X2) pajak
hotel, variabel (X3) pajak parkir, variabel (X4) pajak restoran.
2. Variabel Tidak Bebas atau Variabel Dependen (Y): sering disebut sebagai
variabel output, criteria, konsekuen, variabel terikat atau variabel yang
dipengaruhi atau yang menjadi sebab akibat. Adapun variabel tidak bebas atau
variabel dependen dalam penelitian ini yaitu (Y) patuh dan tidak patuh
pembayaran pajak daerah.
Variabel Nama Variabel Kode Keterangan
0 = Tidak Patuh
Dependen Status Kepatuhan Wajib Pajak Y
1 = Patuh
1 = Hiburan
2 = Hotel
Independen Jenis Pajak X
3 = Parkir
4 = Restoran
Tabel 3. 1 Operasional Variabel
3.4 Sumber Data dan Teknik Pengumpulan Data
3.4.1 Sumber Data
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
ini didapat dari pihak lain yang terpercaya.

25
Data primer ialah data yang diperoleh dan dikumpulkan langsung dari
objek yang diteliti. Data primer adalah data yang didapat atau dikumpulkan
langsung di lapangan oleh orang yang melakukan penelitian atau yang
bersangkutan memerlukan. Data primer diperoleh dari sumber informan, yaitu
individu atau perseorangan seperti hasil wawancara yang dilakukan oleh peneliti,
hasil observasi lapangan, dan data mengenai informan.
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,
penelitian terdahulu, buku, dan lain sebagainya.
Sumber data primer dalam penelitian ini adalah data Surat Pemberitahuan
Pajak Daerah (SPTPD) yang diperoleh dari Badan Pengelola Keuangan dan
Pendapatan Daerah (BPKPD) Kota Cirebon, melalui Sistem Informasi
Pendapatan Daerah atau SIMPENDA Kota Cirebon. Sedangkan data
sekundernya adalah data yang berupa dokumentasi seperti foto observasi di
tempat penelitian yaitu di Badan Pengelola Keuangan dan Pendapatan Daerah
Kota Cirebon.
3.4.2 Teknik Pengumpulan Data
Metode pengumpulan data adalah teknik atau cara yang digunakan
peneliti untuk mengumpulkan data, serta instrumen pengumpulan data
merupakan alat bantu yang dipilih peneliti dan digunakan peneliti dalam
26
kegiatannya dalam mengumpulkan data agar kegiatan tersebut menjadi sistematis
dan lebih mudah (Ridwan, 2018). Dalam penelitian ini, peneliti sendiri bertindak
sebagai pengumpul data. Adapun teknik pengumpulan data yang dipakai dalam
pengumpulan data antara lain:
1. Observasi
Observasi adalah teknik pengumpulan data yang dilakukan melalui
pengamatan, dengan disertai pencatatan-pencatatan terhadap keadaan atau
perilaku objek penelitian (Abdurrahman, 2016). Dalam hal ini peneliti
melakukan pengamatan dan penelitian langsung berkaitan dengan proses
pembayaran pajak daerah, observasi dilakukan di Kantor Badan Pengelola
Keuangan dan Pendapatan Daerah Kota Cirebon.
2. Dokumentasi
Teknik dokumentasi ini digunakan untuk mengumpulkan data yang
tersedia dalam catatan dokumen. Funsinya sebagai pendukung, menambah
keakuratan, dan pelengkap data-data yang diperoleh melalui observasi.
3. Studi Pustaka
Studi pustaka, mengumpulkan data dengan mempelajari masalah yang
berhubungan dengan objek yang diteliti serta bersumber dari buku- buku
pedoman, literatur yang disusun oleh para ahli untu melengkapi data yang
diperlukan dalam penelitian.

27
3.5 Populasi dan Tempat Serta Waktu Penelitian
3.5.1 Populasi dan Sampel
Populasi adalah wilayah generalisasi yang terdiri atas, objek/subjek yang
mempunyai kuantitas & karakteristik tertentu yang ditetapkan oleh peneliti untuk
dipelajari dan kemudian ditarik kesimpulannya (Sugiyono, 2016). Populasi
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
populasi yang diambil menurut prosedur tertentu sehingga dapat mewakili
populasinya. Sampel merupakan bagian dari jumlah dan karakteristik yang
dimiliki oleh populasi (Sugiyono, 2016). Sampel yang digunakan dalam
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
pembagian, pajak hotel 1.247 pembayaran, pajak restoran 9.240 pembayaran,
pajak hiburan 447 pembayaran, dan pajak parkir 472 pembayaran.
3.5.2 Tempat Penelitian
Tempat yang dijadikan dalam penelitian ini adalah Badan Pengelola
Keuangan Dan Pendapatan Daerah Kota Cirebon, yang berlokasi di jalan
Pengampon No.4, Lemahwungkuk, Kec. Lemahwungkuk, Kota Cirebon, Jawa

28
Barat 45111. Penelitian ini dilakukan dimulai dari bulan Januari 2021 sampai
bulan Februari 2022.
3.5.3 Waktu Penelitian
Waktu yang digunakan peneliti dalam penelitian ini dilaksanakan sejak
tanggal dikeluarkannya izin penelitian atau observasi ditempat penelitian dalam
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
3.6 Metode Analisa Data
Metode analisis data merupakan tahapan proses penelitian dimana data yang
sudah dikumpulkan dikelola untuk diolah dalam rangka menjawab permasalahan
yang ada. Analisis data digunakan untuk mengolah data menjadi informasi. Data
yang akan dianalisis merupakan data hasil penelitian lapangan maupun
kepustakaan, kemudian dilakukan analisis oleh penulis untuk ditarik kesimpulan.
Dalam penelitian ini penulis menggunakan analisis data Regresi Logistik Biner
yang digunakan untuk mengetahui data variabel independen mana saja yang
mempengaruhi variabel dependen secara signifikan. Adapun tahapan analisis data
dalam penelitian ini adalah sebagai berikut:
1. Dataset
Menurut (Ermawelis, 2018) dataset merupakan sekumpulan informasi atau
keterangan-keterangan dari suatu hal yang diperoleh melalui pencarian atau
pengamatan dari sumber-sumber tertentu.
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
tetap merepresentasikan data aslinya. Kumpulan data operasional Seleksi
(Selection) Data darurat perlu dilakukan sebelum langkah penggalian informasi
di KDD dimulai. Hasil seleksi data yang akan digunakan untuk proses data
mining, disimpan dalam file terpisah dari database operasional. Menciptakan
himpunan data target, pemilihan himpunan data, atau memfokuskan pada subset
variabel atau sampel data, dimana penemuan (discovery) akan dilakukan.

30
Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan
sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi
yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas,
terpisah dari basis data operasional.
3. Pembersihan Data
Menurut (Thi Bi Dan dkk., 2016) pembersihan data atau data cleaning
merupakan proses penanganan missing value dan noise. Missing value
merupakan kondisi dimana adanya data yang hilang atau tidak lengkap di dalam
database. Cara untuk mengatasi missing value adalah dengan mengabaikan
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
mining. Beberapa teknik untuk data transformation adalah normalization,
pemilihan attribute, dan discretization. Normalization dilakukan untuk
menskalakan nilai data dalam rentang nilai tertentu, misalnya -1 sampai 1 atau
0 sampai 1. Teknik kedua adalah pemilihan atribut, merupakan proses

31
pemilihan atribut yang diberikan untuk proses data mining. Terakhir adalah
teknik discretization. Teknik ini dilakukan untuk mengganti raw value pada
atribut numerik dengan nilai interval.
5. Pengujian Pada Software RapidMiner
Pada proses ini akan dilakukan data mining dengan menggunakan algoritma
regresi logistik biner dengan menggunakan software rapid miner.

32
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
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 didapatkan dari Sistem Pendapatan Daerah (SIMPENDA) Kota Cirebon,
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
hotel 1.247 data, dan pajak parkir 472 data.
I TGL_ MA JEN N NAMA ALAMAT PO D JU NPW Ket

d PEMB SA_ IS_ O_ KO E M PD era
AYAR PAJ PAJ BU K N LA ng
AN AK AK KTI D H an
A
1 08/01 Jan HIB 81 SKY GAME JL. 70 0 70 P.1.0 Pa
/2021 uari UR 3 SURYA KARANGGE 0. 0. 0099 tu
202 AN TAS NO.23 00 00 49.02
1 0 0 .003
h
2 08/01 Jan HIB 84 MASTER PIECE KOMP CSB 6. 0 6. P.2.0 Pa
/2021 uari UR 7 MALL 56 56 0133 tu
202 AN 6. 6. 74.02
1 70 70 .002
h
0 0
3 14/01 Jan HIB 89 CV WIJAYA JL. DR 24 0 24 P.2.0 Pa
/2021 uari UR 2 GEMILANG / CIPTO MK 3. 3. 0133 tu
202 AN PING ME NO.87 00 00 54.02
1 0 0 .002
h
4 14/01 Jan HIB 87 NEW PANDA JL. A YANI 93 0 93 P.2.0 Pa
/2021 uari UR 6 SHIATZU AND NO.39 6. 6. 0131 tu
202 AN REFLEKSI CIREBON 00 00 68.04
1 0 0 .002
h
33
5 14/01 Jan HIB 87 CV PADANG JL. A YANI 1. 0 1. P.2.0 Pa

/2021 uari UR 7 NUSA PERSADA / NO.39 27 27 0131 tu
202 AN NEW PANDA CIREBON 4. 4. 68.04
1 00 00 .002
h
0 0
6 14/01 Jan HIB 88 PT PRIMA JL. YOS 2. 0 2. P.2.0 Pa
/2021 uari UR 2 SARANA SUDARSO 21 21 0132 tu
202 AN MANUNGGAL/CI ADE IRMA S 7. 7. 97.03
1 REBON 00 00 .001
h
WATERLAND 0 0
7 14/01 Jan HIB 92 KOKUO JL. 1. 0 1. P.2.0 Pa
/2021 uari UR 3 SILIWANGI 50 50 0130 tu
202 AN NO. 80 0. 0. 47.01
1 CIREBON 00 00 .003
h
0 0
8 14/01 Jan HIB 10 CSB XXI STUDIO JL. Dr. 13 0 13 P.2.0 Pa
/2021 uari UR 61 1 CIPTO 51 51 0017 tu
202 AN MANGUNK 86 86 47.02
1 USUMO 30 30 .002
h
No. 26
9 14/01 Jan HIB 10 CSB XXI STUDIO JL. Dr. 65 0 65 P.2.0 Pa
/2021 uari UR 60 2 CIPTO 53 53 0017 tu
202 AN MANGUNK 17 17 47.02
1 USUMO 8 8 .002
h
No. 26
1 10/02 Jan HIB 10 CSB XXI STUDIO JL. Dr. 6. 0 6. P.2.0 Pa
0 /2021 uari UR 59 3 CIPTO 55 55 0017 tu
202 AN MANGUNK 3. 3. 47.02
1 USUMO 17 17 .002
h
No. 26 8 8
Tabel 4. 1 Sampel Dataset

Dari data yang didapatkan penulis, data tersebut memiliki 12 atribut
diantaranya yaitu id, tanggal pembayaran, masa pajak, jenis pajak, nomor bukti,
nama wajib pajak, alamat, pokok pajak, denda, jumlah pajak terhitung, NPWD,
dan keterangan.
4.1.2 Seleksi Data
Data selection atau seleksi data merupakan proses menganalisis data-data
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.
Id Nama Jenis_Pajak Masa_Pajak Keterangan

1 SKY GAME SURYA Hiburan Januari 2021 Patuh
2 MASTER PIECE Hiburan Januari 2021 Patuh
3 CV WIJAYA GEMILANG / PING ME Hiburan Januari 2021 Patuh
4 NEW PANDA SHIATZU AND REFLEKSI Hiburan Januari 2021 Patuh
CV PADANG NUSA PERSADA / NEW
5 Hiburan Januari 2021 Patuh
PANDA
PT PRIMA SARANA
6 Hiburan Januari 2021 Patuh
MANUNGGAL/CIREBON WATERLAND
7 KOKUO Hiburan Januari 2021 Patuh
8 CSB XXI STUDIO 1 Hiburan Januari 2021 Patuh
Tabel 4. 2 Seleksi Data
4.1.3 Pembersihan Data
Pembersihan data merupakan proses cleaning data supaya didalam data
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.
4.1.4 Transformasi Data
Transformasi data atau data transformation merupakan proses yang
digunakan untuk mengubah data dalam bentuk yang sesuai dalam proses data
mining. Dalam penelitian ini teknik transformasi data yang digunakan
menggunakan teknik pemilihan atribut, atribut keterangan pada dataset yang
dirubah rolenya menjadi atribut label.

35
4.1.5 Pengujian Pada Software RapidMiner
Tujuan utama dalam penelitian ini adalah untuk mengetahui klasifikasi
status pembayaran pajak daerah menggunakan metode Binary Logistic
Regression. Pengujian untuk mengetahui kepatuhan wajib pajak menggunakan
software RapidMiner versi 9.10 dengan menggunakan data training dari data
pembayaran pajak daerah.
Setelah Muncul tampilan awal pada RapidMiner maka akan muncul
tampilan lembar kerja. Berikut ini tampilan lembar kerja pada RapidMiner.
Gambar 4. 1 Tampilan Lembar Kerja RapidMiner
Proses selanjutnya adalah melakukan importing data. Dalam importing
data maka dibutuhkan operator, berhubung data yang digunakan peneliti
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
Gambar 4. 2 Tampilan Operator Read Excel
Selanjutnya klik pada operator read excel lalu pada tab parameter klik
import configuration wizard untuk mengambil file dataset, seperti pada Gambar
4.2.
Gambar 4. 3 Import Data

37
Setelah mengklik import configuration wizard maka akan diarahkan pada
form data import wizard tahap 1 untuk memilih lokasi file yang digunakan dalam
penelitian ini.
Gambar 4. 4 Import Data Tahap 1
Setelah memilih file data seperti gambar 4.4 selanjutnya yaitu klik Next
dan akan diarahkan pada tampilan form data import wizard tahap 2.
38

Pada import wizard tahap 2 akan diarahkan untuk memilih sheet mana
yang akan digunakan dalam penelitian, setelah memilih sheet klik Next dan akan
diarahkan pada tampilan import wizard tahap 3.

39

Pada import wizard tahap 3 akan diarahkan untuk memilih atribut mana
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
atribut keterangan. Setelah memilih label pada proses import configuration
wizard, proses selanjutnya klik finish.
Setelah data berhasil diimport, maka proses selanjutnya yaitu memilih
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
Gambar 4. 7 Oprator Split Data
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
data. Setelah memasukkan jumlah presentase data klik ok untuk menyelesaikan
pembagian data.
41
Gambar 4. 8 Pembagian Data Training Dan Data Testing
Setelah proses pembagian data dengan operator split data, maka proses
selanjutnya memilih operator cross validation. Cross validation berfungsi untuk
memvalidasi data dan untuk memaksimalkan nilai akurasi pengolahan data.
Gambar 4. 9 Operator Cross Validation

42
Langkah selanjutnya hubungkan operator read excel dengan opeator split
data dan operator split data dengan operator cross validation dengan menarik
garis pada setiap operatornya, seperti terlihat pada gambar 4.10.
Gambar 4. 10 Manarik Garis Antar Oprator
Pada operator cross validation terdapat dua subproses, yaitu subproses
training yang digunankan untuk melatih model dan subproses testing digunakan
untuk pengujian sekaligus mengukur kinerja model. Untuk membuka subproses
pada operator cross validation dengan cara klik dua kali pada operator cross
validation dan akan diarahkan pada tampilan sub prosess. Berikut tampilan
subproses pada operator cross validation.
Proses selanjutnya memasukkan operator modeling Logistic Regression
pada subproses training dan hubungkan operator ke port training dan port model
seperti pada Gambar 4.11.

43
Gambar 4. 11 Operator Logistic Regression
Selanjutnya masukkan operator Apply Model pada subproses testing.
Operator apply model tersebut digunakan untuk menerapkan model yang telah
dilatih sebelumnya menggunakan data training pada unlabeled data pada data
testing.
44
Gambar 4. 12 Operator Apply Model
Setelah memasukkan operator apply model, selanjutnya masukkan
operator Performance pada subproses testing. Operator Performance digunakan
untuk mengevaluasi kinerja statistik klasifikasi.
Gambar 4. 13 Operator Performance
Proses selanjutnya yaitu hubungkan operator apply model dengan port
model dan port tes, dan hubungkan operator performance dengan operator apply
model dan pada port per, seperti terlihat pada Gambar 4.14.
45
Gambar 4. 14 Menghubungkan Apply Model Dan Performance
Setelah semuanya terhubung, untuk menjalankan proses klik icon run
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
Gambar 4. 15 Proses Run
Setelah menunggu proses running selesai maka RapidMiner akan
menampilkan hasil prediksi pada view result. Berikut ini merupakan hasil dari
proses spit data.

47
Gambar 4. 16 Hasil Split Data
Dari hasil proses split data pada rapidminer dengan metode prediksi
menampilkan hasil dari data testting dan data training yang sudah diuji. Untuk
mengetahui tingkat acuracy algoritma logistic regression, klik pada tab
performanceVector pada view result. Berikut hasil dari tingkat accuracy
algoritma logistic regression.
Gambar 4. 17 Hasil Performance Vector

48
Berdasarkan Gambar 4.18 dibawah ini, menunjukkan bahwa pada
diagram scatter bubble yaitu pembayaran pajak daerah pada tahun 2021 dengan
jenis pajak hiburan, hotel, parkir, dan restoran. Dapat dilihat bahwa ketidak
patuhan pembayaran terbanyak terdapat pada jenis pajak restoran.
Gambar 4. 18 Diagram Scatter Bubble
Berikut merupakan sampel model regresi logistik yang dihasilkan dari
pengujian menggunakan rapidminer.
Gambar 4. 19 Sampel Model Logistic Regression

49
4.2 Pembahasan
Bersarkan hasil dari pengujian menggunakan rapidminer nilai klasifikasi
yang dihasilkan performance vector pada nilai accuarcy, precision, dan recall,
seperti yang terlihat pada Tabel 4.3 adalah sebagai berikut:
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)
Untuk tingkat accuracy atau ketepatan sebesar 93,97 %. Accuracy
sendiri merupakan jumlah prediksi benar baik itu positif ataupun negatif dengan
perhitungan seperti dibawah ini:

𝑇𝑃⁡+⁡𝑇𝑁
Accuracy =⁡𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
Sehingga didapatkan hasil sebagai berikut:

7581+994 8575
Accuracy =⁡7581+994+422+128 = ⁡ 9125⁡ = ⁡0,9397260273 = 93,97%.
b. Precision
Precision merupakan jumlah prediksi benar positif dibagi dengan
keseluruhan hasil prediksi positif, sehingga didapat berhitungan sebagai
berikut:
50
1. Untuk nilai precision Patuh

𝑇𝑃 7581 7581
precision = 𝑇𝑃+𝐹𝑃 = ⁡ 7581+422⁡ = 8003 = ⁡0,9472697738 = 94,73%
2. Untuk nilai precision Tidak Patuh

𝑇𝑁 994 994
precision = 𝑇𝑁+𝐹𝑁 = ⁡ 994+⁡128 = 1122 = 0,8859180035 = 88,59%
Sehingga didapatkan hasil bahwa untuk nilai precision Patuh sebesar
94,73%, dan untuk nilai precision Tidak Patuh sebesar 88,59%.
c. Recall
Recall adalah jumlah prediksi benar positif dibagi dengan keseluruhan
data yang benar positif, sehingga didapat perhitungan sebagai berikut:
1. Untuk nilai recall Patuh

𝑇𝑃 7581 7581
recall = 𝑇𝑃+𝐹𝑁 = ⁡ 7581+128⁡ = 7709 = ⁡0,9833960306 = 98,34%
2. Untuk nilai recall Tidak Patuh

𝑇𝑁 994 994
recall = 𝑇𝑁+𝐹𝑃 = ⁡ 994+422⁡ = 1416 = 0,7019774011 = 70,20%
Sehingga didapatkan hasil bahwa untuk nilai recall Patuh sebesar
98,34%, dan untuk nilai precision Tidak Patuh sebesar 70,20%.

51
Berdasarkan analisis yang dilakukan peneliti berikut ini merupakan
presentase kepatuhan wajib pajak pada tahun 2021.
Presesentase Kepatuhan Wajib Pajak

Pada Tahun 2021
Tidak Patuh
16%
Patuh
Tidak Patuh
Patuh
84%
Gambar 4. 20 Presentase Kepatuhan Wajib Pajak Tahun 2021

Berdasarkan pada Gambar 4.20 diatas dapat diketahui bahwa presentase
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
ANTHURIUM BEAUTY AND…

CGV CINEMAS TRANSMART
CSB XXI STUDIO 2
CSB XXI STUDIO 4
CSB XXI STUDIO 6
CV WIJAYA GEMILANG /…
CV. SUARA MAS / AYU TING…
CV. WIJAYA SUKSES…
FANTASI KARAOKE KELUARGA
FUN WORLD GRAGE CITY…
GRAGE 21
dalam membayarkan pajaknya.

HAPPY WORLD ASIA
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
FUN WORLD GRAGE CITY…

HAPPY PUPPY
Tidak Patuh
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
TRANS STUDIO MINI CIREBON

0
2
4
6
8
10
12
14
16
18
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…
tidak patuh dalam membayarkan pajaknya.

RUMAH KOST GHAZI
STAR KOST
PAJAK HOTEL
VINOTEL CIREBON
WISMA BAROKAH
C HOTEL
GRAND DIAN HOTEL
HOTEL CAHAYA MURNI
HOTEL NUSANTARA
HOTEL SATRIA
KOS IBU ACHMAD
Tidak Patuh
Gambar 4. 22 Tingkat Kepatuhan Wajib Pajak Hotel
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…
yang tidak patuh dalam membayarkan.

PT. RESKA MULTI USAHA…
PT. SECURINDO…
RUMAH SAKIT CIREMAI
SURYA TOSERBA
PAJAK PARKIR
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
Gambar 4. 23 Tingkat Kepatuhan Wajib Pajak Parkir
RESTORAN KFC KARTINI

RUMAH SAKIT UMUM…
YOGYA GRAND DEPT. STORE
wajib pajak pada jenis pajak parkir. Pada jenis pajak parkir ada 22 wajib pajak
54
YUSWENDI (MC DONALD…

0
100
200
300
400
500
600
700
A AND W CSB MALL

BASO BALUNGAN SOP BALUNGAN…
C'BEZT FRIED CHICKEN
CV. CAKRAWALA NUSA GRAPHICA
CV. TITIAN UTAMA
DINAS PERINDUSTRIAN…
GALUNGGUNG CATERING
ICHIBAN GRAGE CITY MALL
KABOBS PREMIUM KEBAB ( CSB…
KEDAI YAMANI
LIMAU
Patuh
NANA CAFE KESAMBI
PUSKESMAS PAMITRAN KOTA…
RESTORAN PIZZA HUT CSB MALL
yang tidak patuh dalam membayarkan.

RSUD GUNUNG JATI
SD. PENGAMPON 3
SDN KEMAKMURAN I
SDN SUMURWUNI
Pajak Restoran
SMPN 10 KOTA CIREBON

TEA BAR FOOD MART
WARUNG BANGJT
AYAM GEPREK PANGERAN SETIABUDI
COFFEE N' FRIENDS
DINAS PENGENDALIAN PENDUDUK…
ICHIBAN
KEDAI KERATON
MASHU ALL YOU CAN EAT
RIB & LANAI COFFEE
Tidak Patuh
Gambar 4. 24 Tingkat Kepatuhan Wajib Pajak Restoran
SDN KEBON BARU III

SEBLAK PARAHYANGAN
WARUNG BAKSO KLIWON
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:
1. Penelitian ini menggunakan 11.406 data pembayaran pajak daerah di Kota
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
testing. Pada pengujian menggunakan software rapidminer diperoleh hasil
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
pemodelan Logistic Regression dan berdasrkan diagram pie didapatkan hasil
tingkat kepatuhan terendah pada jenis pajak restoran dengan presentase 68%
seperti yang terlihat pada diagram dibawah ini.
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
membayarkan pajaknya. Berdasarkan hasil pembahasan dapat diketahui bahwa
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
data Surat Pemberitahuan Pajak Daerah, sehingga bisa mempermudah dalam
pengklasifikasian wajib pajak yang patuh dan tidak patuh.
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
strategi untuk meningkatkan pendapatan asli daerah melalui sektor pajak
hiburan, pajak hotel, pajak parkir, dan pajak restoran.
2. Setelah dilakukannya penlitian ini diharapkan dapat dikembangkan penelitian
lain yang sejenis dengan metode dan algoritma yang berbeda sehingga dapat
diketahui algoritma mana yang lebih baik.

58
DAFTAR PUSTAKA
Ermawelis, E. (2018). Teknologi Informasi untuk Perpustakaan, Pusat
Dokumentasi dan Informasi. AL MUNIR : Jurnal Komunikasi Dan Penyiaran
Islam, 1, 11–18. https://doi.org/10.15548/amj-kpi.v0i1.5
Ginting, J. A., Informatika, T., & Mulia, U. B. (2019). DATA MINING UNTUK
ANALISA PENGAJUAN KREDIT DENGAN MENGGUNAKAN
METODE LOGISTIK REGRESI Data Mining To Analisizes Loan Proposal
Using Regresion Logistic Method. Jurnal Algoritma, Logika Dan Komputasi,
2, 164–169.
Hendayana, R., Pengkajian, B. B., Pengembangan, D., Pertanian, T., & Tentara
Pelajar, J. (n.d.). PENERAPAN METODE REGRESI LOGISTIK DALAM
MENGANALISIS ADOPSI TEKNOLOGI PERTANIAN Application Method of
Logistic Regression Analyze the Agricultural Technology Adoption.
Id, D., Pembuatan, D., Status, K., Winastiti, L. P., Rusgiyono, A., & Safitri, D.
(2017). ( Studi Kasus Penduduk Kota Surakarta Tahun 2015 ). 6, 397–405.
Juliarini, A. (2020). Komparasi Penerimaan Pajak Daerah Kota Dan Kabupaten Di
Indonesia Setelah Berlakunya Undang-Undang Pajak Daerah Dan Retribusi
Daerah. Jurnal BPPK : Badan Pendidikan Dan Pelatihan Keuangan, 13(2),
1–10. https://doi.org/10.48108/jurnalbppk.v13i2.227
Nuryanto, A. (2021). COVID-19 MENGGUNAKAN METODE LOGISTIC
REGRESSION. 5(2), 234–241.
Samosir, R. O., Wilandari, Y., & Yasin, H. (2015). PERBANDINGAN METODE

59
KLASIFIKASI REGRESI LOGISTIK BINER DAN RADIAL BASIS
FUNCTION NETWORK PADA BERAT BAYI LAHIR RENDAH (Studi Kasus:
Puskesmas Pamenang Kota Jambi). 4, 997–1005.
Tampil, Y., Komaliq, H., & Langi, Y. (2017). Analisis Regresi Logistik Untuk
Menentukan Faktor-Faktor Yang Mempengaruhi Indeks Prestasi Kumulatif
(IPK) Mahasiswa FMIPA Universitas Sam Ratulangi Manado.
D’CARTESIAN, 6(2), 56. https://doi.org/10.35799/dc.6.2.2017.17023
Thi Bi Dan, T., Widya Sihwi, S., & Anggrainingsih, R. (2016). Implementasi
Iterative Dichotomiser 3 Pada Data Kelulusan Mahasiswa S1 Di Universitas
Sebelas Maret. Jurnal Teknologi & Informasi ITSmart, 4(2), 84.
https://doi.org/10.20961/its.v4i2.1770
Utami, I. T. (2018). Analisis Regresi Logistik Biner Untuk Mengklasifikasi
Penderita Hipertensi Berdasarkan Kebiasaan Merokok Di RSU Mokopido
Toli-Toli Binary Logistic Regression Analysis For Classification Of
Hypertension Patients Based On Smoking Habits In Mokopido Toil-Tol. 7(3),
341–348.
Venosia, D., Nugroho, H. ., Nabila, A. ., & Sediono. (2021). Pemodelan Persepsi
Masyarakat Terhadap Undang-Undang Biner. 12.
Wijaya, A. (2016). BINARY LOGISTIC REGRESSION ( BLR ) TERHADAP
STATUS BEKERJA DI. 521–525.

60
LAMPIRAN
61
Lampiran 1. Surat Izin Observasi/Penelitian
a. Surat Permohonan Izin Observasi

62
b. Surat Balasan Izin Observasi

63
Lampiran 2. Kartu Bimbingan Skripsi
a. Kartu Pembimbing 1
64
65
b. Kartu Pembimbing 2
66
67
Lampirat 3. Data Penelitian
a. Dataset
Id NPWPD Nama Alamat Tgl_Pembayaran Masa_Pajak Jenis_Pajak Denda Keterangan

P.2.0013213.03.004 BLITZ MEGAPLEX 08/01/2021 Des 2020 HIBURAN 0
JL. KARANGGETAS
1
NO.23
Patuh
P.2.0013213.03.004 CGV CINEMAS 08/01/2021 Des 2020 HIBURAN 0
TRANSMART
2 KOMP CSB MALL
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
JL. A YANI NO.39
4
CIREBON
Patuh
JL. A YANI NO.39
5
CIREBON
Patuh
JL. YOS SUDARSO
6
ADE IRMA S
Patuh
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
11 MANGUNKUSUMO
No. 26 Patuh
12 MANGUNKUSUMO
No. 26 Patuh
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
P.2.0013213.03.004 CGV CINEMAS 10/02/2021 Jan-21 HIBURAN 0

TRANSMART JL. DR. CIPTO
17 MANGUNKUSUMO
KOMPL. CSB
Patuh
P.2.0001747.02.002 STUDIO 10/02/2021 Jan-21 HIBURAN 0
PREMIERE XXI CSB JL. TENTARA
18
PELAJAR
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 1 JL. JEND. A. YANI 10/03/2021 Peb 2021 HIBURAN 0
19 KOMPL. GRAGE
CITY MALL Patuh
P.2.0001747.02.002 CSB XXI STUDIO 2 10/03/2021 Peb 2021 HIBURAN 0
JL. TENTARA
20
PELAJAR
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 3 JL. DR. CIPTO MK 10/03/2021 Peb 2021 HIBURAN 0
21 KOMP. CSB MALL
CIREBON Patuh
22 JL. KARANGGETAS
Patuh
JL. TENTARA
23
PELAJAR
Patuh
JL. KARANGGETAS
24
NO. 64 CIREBON
Patuh
P.2.0013213.03.004 BLITZ MEGAPLEX 10/03/2021 Peb 2021 HIBURAN 0
JLN PEKIRINGAN
25
NO. 33 KEL.
Patuh
70
PEKALIPAN KEC.
PEKALIPAN
P.2.0013213.03.004 CGV CINEMAS JLN PEKIRINGAN 10/03/2021 Peb 2021 HIBURAN 0

TRANSMART NO. 33 KEL.
26
PEKALIPAN KEC.
PEKALIPAN Patuh
P.2.0001747.02.002 STUDIO 10/03/2021 Peb 2021 HIBURAN 0
JL. Dr. WAHIDIN
27 PREMIERE XXI CSB
NO. 32
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 1 09/04/2021 Mar-21 HIBURAN 0
JL. KAPTEN
28
SAMADIKUN
Patuh
JL. RA. KARTINI
29
NO. 60 CIREBON
Patuh
JL. DR. CIPTO MK (
30
KOMPL. CSB )
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 4 JL. CIPTO MK 09/04/2021 Mar-21 HIBURAN 0
(KOMPL. CSB
31
RUKO YELLOW
RIBBON KAV12) Patuh
P.2.0001747.02.002 CSB XXI STUDIO 5 JL. CIPTO 09/04/2021 Mar-21 HIBURAN 0
MANGUNKUSUMO
32 RUKO ORANGE
BLOSSOM NO. 12
B DAN 15 Patuh
JL. DR. CIPTO
33
MAGUNKUSUMO
Patuh
71
P.2.0013213.03.004 BLITZ MEGAPLEX 09/04/2021 Mar-21 HIBURAN 0

34 JL. R. A KARTINI
Patuh
P.2.0013213.03.004 CGV CINEMAS JL. DR. CIPTO 09/04/2021 Mar-21 HIBURAN 0
35 TRANSMART MANGUNKUSUMO
NO. 234 CIREBON Patuh
P.2.0001747.02.002 STUDIO JL. DR. CIPTO NO. 09/04/2021 Mar-21 HIBURAN 0
36 PREMIERE XXI CSB 26 MK KOMP. CSB
MALL CIREBON Patuh
P.2.0001747.02.002 CSB XXI STUDIO 1 07/05/2021 Apr-21 HIBURAN 0
JL. GARUDA RAYA
37
NO. 26 CIREBON
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 2 JL. CIPTO 07/05/2021 Apr-21 HIBURAN 0
38 MANGUNKUSUMO
NO. 99 CIREBON Patuh
JL. RA. KARTINI
39
CIREBON
Patuh
JL. SILIWANGI -
40
PGC CIREBON
Patuh
P.2.0001747.02.002 CSB XXI STUDIO 5 JL. LAWANGGADA 07/05/2021 Apr-21 HIBURAN 0
41 NO. 49 KOTA
CIREBON Patuh
P.2.0001747.02.002 CSB XXI STUDIO 6 JL. DR. CIPTO MK 07/05/2021 Apr-21 HIBURAN 0
42 RUKO CSB OFFICE
PARK 2-5 CIREBON Patuh
P.2.0013213.03.004 BLITZ MEGAPLEX JL. DR. WAHIDIN 07/05/2021 Apr-21 HIBURAN 0
43 NO. 52 KOTA
CIREBON Patuh
72
P.2.0013213.03.004 CGV CINEMAS JL. Dr. CIPTO 07/05/2021 Apr-21 HIBURAN 0

No. 26 Patuh
P.2.0001747.02.002 STUDIO JL. Dr. CIPTO 07/05/2021 Apr-21 HIBURAN 0
45 PREMIERE XXI CSB MANGUNKUSUMO
No. 26 Patuh
P.2.0013213.03.004 BLITZ MEGAPLEX JL. Dr. CIPTO 09/06/2021 Mei 2021 HIBURAN 0
46 MANGUNKUSUMO
No. 26 Patuh
P.2.0013213.03.004 CGV CINEMAS JL. Dr. CIPTO 09/06/2021 Mei 2021 HIBURAN 0
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 1 JL. Dr. CIPTO 11/06/2021 Mei 2021 HIBURAN 0
48 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 2 JL. Dr. CIPTO 11/06/2021 Mei 2021 HIBURAN 0
49 MANGUNKUSUMO
No. 26 Patuh
P.2.0001747.02.002 CSB XXI STUDIO 3 JL. JEND. A. YANI 11/06/2021 Mei 2021 HIBURAN 0
50 KOMPL. GRAGE
CITY MALL Patuh
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
73
DINAS
11340 P.2.0013613.02.003 30/12/2021 Des 2021 RESTORAN 0 Patuh
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
CV. TITIAN
UTAMA
74
CV. TITIAN
UTAMA
CV. TITIAN
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
PEGAMBIRAN II
SD. PENGAMPON
3
CV. SRIKANDI
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
CIREBON
DINAS
CIREBON
DINAS
CIREBON
75
DINAS
Tidak
11369 P.2.0002432.02.001 KESEHATAN KOTA 31/12/2021 Nop 2021 RESTORAN 1.636
CIREBON
Patuh
DINAS
CIREBON
DINAS
CIREBON
DINAS
CIREBON
DINAS
CIREBON
DINAS
CIREBON
DINAS
CIREBON
KECAMATAN
KESAMBI
KECAMATAN
KESAMBI
KECAMATAN
LEMAHWUNGKUK
RSUD GUNUNG
JATI
RSUD GUNUNG
JATI
76
RSUD GUNUNG
JATI
RSUD GUNUNG
JATI
RSUD GUNUNG
JATI
RSUD GUNUNG
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
KOTA CIREBON
SMP NEGERI 5
KOTA CIREBON
CV. BERKAT
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
PERHUBUNGAN
DINAS
PERHUBUNGAN
78
DINAS
PERHUBUNGAN
DINAS
PERHUBUNGAN
PT. UTAMA
KARYA GEMILANG
79
Lampiran 4. Description Performance Vector
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:
Patuh: 7581 422
recall: 70.19% +/- 4.06% (micro average: 70.20%) (positive class:
Tidak Patuh)
ConfusionMatrix:
Patuh: 7581 422
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
Lampiran 5. Regression Logistic Model
Model Metrics Type: BinomialGLM

Description: N/A
model id: rm-h2o-model-logistic_regression-1
frame id: rm-h2o-frame-logistic_regression-2
MSE: 0.036160525
RMSE: 0.19015922
R^2: 0.72417146
AUC: 0.97810733
pr_auc: 0.921425
logloss: 0.13076052
mean_per_class_error: 0.10082334
default threshold: 0.3958449363708496
CM: Confusion Matrix (Row labels: Actual class; Column labels: Predicted class):
Patuh Tidak Patuh Error Rate
Patuh 7570 139 0.0180 139 / 7,709
Tidak Patuh 260 1156 0.1836 260 / 1,416
Totals 7830 1295 0.0437 399 / 9,125
Gains/Lift Table (Avg response rate: 15.52 %, avg score: 1144.37 %):
Group Cumulative Data Fraction Lower Threshold Lift Cumulative Lift Response Rate Score
Cumulative Response Rate Cumulative Score Capture Rate Cumulative Capture Rate Gain Cumulative
Gain
1 0.01008219 106.226988 2.591693 2.591693 0.402174 261.114346
0.402174 261.114346 0.026130 0.026130 159.169277 159.169277
2 0.02005479 57.333840 2.974250 2.781926 0.461538 71.193042
0.431694 166.672605 0.029661 0.055791 197.425033 178.192631
3 0.03002740 42.919946 4.603006 3.386738 0.714286 47.358885
0.525547 127.046515 0.045904 0.101695 360.300646 238.673760
4 0.04000000 34.956431 1.557941 2.930791 0.241758 36.975039
0.454795 104.590339 0.015537 0.117232 55.794065 193.079096
5 0.05008219 29.724517 2.311510 2.806122 0.358696 31.485206
0.435449 89.873332 0.023305 0.140537 131.150976 180.612166
81
6 0.10005479 21.540550 0.254377 1.531647 0.039474 24.064704

0.237678 57.005058 0.012712 0.153249 -74.562333 53.164662
7 0.15002740 20.284781 0.381565 1.148566 0.059211 20.806620
0.178232 44.947726 0.019068 0.172316 -61.843499 14.856611
8 0.20000000 19.256493 0.000000 0.861582 0.000000 19.612051
0.133699 38.617278 0.000000 0.172316 -100.000000 -13.841808
9 0.30005479 15.673599 0.063525 0.595466 0.009858 18.183728
0.092403 31.803607 0.006356 0.178672 -93.647549 -40.453437
10 0.40000000 7.316541 0.190783 0.494350 0.029605 11.798364
0.076712 26.805037 0.019068 0.197740 -80.921750 -50.564972
11 0.50005479 1.336004 1.785745 0.752742 0.277108 4.347666
0.116809 22.311594 0.178672 0.376412 78.574467 -24.725763
12 0.60000000 1.004900 1.314279 0.846281 0.203947 1.094499
0.131324 18.777349 0.131356 0.507768 31.427948 -15.371940
13 0.69994521 0.549619 2.070343 1.021065 0.321272 0.770595
0.158447 16.206164 0.206921 0.714689 107.034347 2.106459
14 0.80000000 0.391735 1.101092 1.031073 0.170865 0.468813
0.160000 14.237917 0.110169 0.824859 10.109158 3.107345
15 0.89994521 0.251685 1.074035 1.035845 0.166667 0.302482
0.160740 12.690290 0.107345 0.932203 7.403484 3.584461
16 1.00000000 0.203510 0.677595 1.000000 0.105148 0.230776
0.155178 11.443656 0.067797 1.000000 -32.240518 0.000000
null DOF: 9124.0
residual DOF: 8497.0
null deviance: 7876.4595
residual deviance: 2386.3794
GLM Model (summary):
Family Link Regularization Number of Predictors Total Number of Active Predictors Number of Iterations
Training Frame
binomial logit None 633 627 8
rm-h2o-frame-logistic_regression-2
Scoring History:
timestamp duration iterations negative_log_likelihood objective
2022-03-02 23:41:57 0.000 sec 0 3938.22979 0.43159
2022-03-02 23:41:58 0.311 sec 1 2175.37250 0.23840
82
2022-03-02 23:41:58 0.324 sec 2 1854.48727 0.20323

2022-03-02 23:41:58 0.346 sec 3 1618.64383 0.17739
2022-03-02 23:41:58 0.377 sec 4 1535.73381 0.16830
2022-03-02 23:41:58 0.420 sec 5 1466.02725 0.16066
2022-03-02 23:41:58 0.499 sec 6 1384.81329 0.15176
2022-03-02 23:41:58 0.711 sec 7 1334.54376 0.14625
2022-03-02 23:41:58 0.804 sec 8 1193.18971 0.13076
H2O version: 3.30.0.1-rm9.8.1
Attribute Coefficient Std. Coefficient Std. Error z-Value p-Value

Nama.CGV CINEMAS 0.208096432469868 0.2080964324698688 2.017.655.039.557.3 0.01031377655694393 0.991770942814839
TRANSMART 8 90 4
Nama.CSB XXI STUDIO - -0.25330261382397884 24.007.447.438.947. - 0.991581674999357

1 0.253302613823978 100 0.01055100149518800 9
84 4

2 0.298715173448154 700 0.01103146680764444 8
8 3
83
Nama.CSB XXI STUDIO - -0.31321386330376966 2.399.484.944.947.5 - 0.989585206214659

3 0.313213863303769 00 0.01305337897465418 7
66 6

4 0.301366339015582 700 0.01256296474143274 8
2 4

5 0.294051576244519 600 0.01225855122174920 9
83 9

6 0.363877031851149 700 0.01268007927975640 7
34 8
Nama.STUDIO - -0.2915999397001558 23.276.829.469.766. - 0.990004781163921

PREMIERE XXI CSB 0.291599939700155 100 0.01252747673728115 7
8 9
Nama.GRAGE 21 - - 38.083.849.470.502. -2,74E+12 0.999781593103913

0.010424785572221 0.010424785572221984 200 3
984
84
Nama.CV PADANG 0.178190472343746 0.17819047234374616 20.472.448.403.037. 0.00870391605516557 0.993055367446594

NUSA PERSADA / NEW 16 400 8 5
PANDA
Nama.MASTER PIECE 5.673.804.914.939.7 5.673.804.914.939.760 14.311.476.886.311. 0.39645139072728375 0.691772060830980

60 900 5
Nama.HAPPY PUPPY 5.514.187.220.270.8 5.514.187.220.270.850 14.309.688.246.899. 0.3853464258010968 0.699980769429145

50 900
Nama.CV. WA HAHA - -0.23496397836583666 24.758.193.203.532. - 0.992427908006818

0.234963978365836 600 0.00949035240311116 1
66 1
Nama.MIXO KARAOKE - -0.1552079508165503 2.057.143.125.258.4 - 0.993980153774535

FAMILY 0.155207950816550 80 0.00754482995912344 1
3 7
Nama.FANTASI 5.542.150.778.078.8 5.542.150.778.078.870 1.432.571.345.696.2 0.3868673483333715 0.698854414850672

KARAOKE KELUARGA 70 70 3
85
Nama.RAIN LUXURY 0.074801259199450 0.07480125919945074 20.062.667.381.716. 0.00372838056756185 0.997025189600398

CLUB 74 900 9
Nama.CV. WIJAYA 5.536.832.560.480.6 5.536.832.560.480.670 14.319.959.267.422. 0.38665141828139865 0.699014286572836

SUKSES MAKMUR / 70 200
NAV KARAOKE
Nama.CV. SUARA MAS 5.224.776.341.062.9 5.224.776.341.062.970 14.403.741.181.342. 0.36273744961696586 0.716801021601906

/ AYU TING TING 70 300 4
KARAOKE
Nama.SPOT BILYARD - -0.35190227422781584 2.582.044.754.531.1 - 0.989126110261586

0.351902274227815 30 0.01362882163875260 9
84 7
Nama.SKY GAME 5.486.476.202.985.8 5.486.476.202.985.860 14.346.236.031.699. 0.38243314768158376 0.702140107250186

SURYA 60 600 8
86
Nama.HAPPY WORLD - -0.43727879226919875 2.584.714.713.098.6 -0.0169178745357537 0.986502132990221

ASIA 0.437278792269198 60 9
75
Nama.TIME ZONE - -0.2985586187604354 24.841.306.298.649. - 0.990410746732672

GRAGE 0.298558618760435 500 0.01201863602384976 6
4
Nama.HAPPY WORLD - -0.4019703899093232 24.819.471.482.133. - 0.987078212057553

GRAGE 0.401970389909323 500 0.01619576751256301
2 6
Nama.PT PRIMA 5.420.775.169.893.3 5.420.775.169.893.370 14.325.856.394.750. 0.3783910029895166 0.705140150805626

SARANA 70 300 8
MANUNGGAL/CIREBON
WATERLAND
Nama.MR. GAMES - -0.3033763089511128 24.831.542.218.555. - 0.990252186141777

0.303376308951112 300 0.01221737684598641 5
8 3
87
Nama.FUN WORLD CSB 0.560654107729026 0.5606541077290266 20.229.032.796.805. 0.02771531952914598 0.977889205179945

MALL 6 000 6 2
Nama.FUN WORLD 56.112.630.177.887. 56.112.630.177.887.300 14.327.516.420.237. 0.39164240704432496 0.695322449647914

GRAGE CITY MALL 300 000
Nama.FUN WORLD 5.406.566.562.578.7 5.406.566.562.578.740 14.335.933.590.695. 0.37713390121224155 0.706074098588339

GRAGE MALL 40 800 8
Nama.KING'S FUN ( 30.525.696.113.871. 30.525.696.113.871.200 15.538.892.140.769. 0.19644705579608435 0.844260268511185

PGC ) 200 600 1
Nama.KID'S FUN - -0.37728105691044406 25.857.228.525.090. - 0.988358533891374

JUNCTION 0.377281056910444 300 0.01459093175992749 4
06 6
88
Nama.TRANS STUDIO 528.461.354.927.008 528.461.354.927.008 14.333.810.733.444. 0.36868168887841896 0.712364998901914

MINI CIREBON 900 6
Nama.BEE BEE LAND 1.573.247.479.662.5 1.573.247.479.662.560 15.094.710.668.329. 0.10422508348990481 0.916990728626667

60 100 6
Nama.DREAM LAND 0.040073494454689 0.040073494454689995 62.799.048.306.698. 6,38E+11 0.999490851832711

995 900 1
Nama.ANTHURIUM - -6.721.078.519.274.590 6.280.217.571.817.0 - 0.914773243611287

BEAUTY AND 6.721.078.519.274.5 50 0.10701983557760694 4
WELLNESS 90
Nama.CV WIJAYA 0.208970594974766 0.20897059497476636 20.465.192.421.466. 0.01021102517245675 0.991852922241064

GEMILANG / PING ME 36 500 4 7
89
Nama.NEW PANDA -0.205821180325288 -0.205821180325288 27.116.838.539.906. - 0.993943985578400

SHIATZU AND REFLEKSI 200 0.00759016136864159 9
7
Nama.M POWER - -0.27876690849099245 27.127.415.604.525. - 0.991800918267407

STUDIO 0.278766908490992 300 0.01027620590752070 8
45 1
Nama.KOKUO -0.297580568551925 -0.297580568551925 2.586.195.619.809.1 - 0.990819344826453

20 0.01150649882292695
6
Nama.SWISS-BEL 0.437787818078373 0.4377878180783739 17.612.489.425.563. 0.02485666889559378 0.980169289756812

HOTEL 9 300 5 1
Nama.HOTEL NEO 0.493197034246578 0.49319703424657846 1.845.080.098.652.2 0.02673038610122283 0.978674777182516

46 80 7 4
90
Nama.SOUL REFLEKSI - -0.3987748085704949 25.872.072.695.860. - 0.987702428446485

DAN MASSAGE 0.398774808570494 500 0.01541333055369381 3
KELUARGA 9 8
Nama.PRO GYM 7.196.780.232.139.5 7.196.780.232.139.580 1.430.373.827.386.4 0.5031398152250457 0.614865975433497

80 40 3
Nama.CV. BIL GYM 7.636.038.174.464.2 7.636.038.174.464.220 143.190.899.348.994 0.5332767801013094 0.593841998730193

20 9
Nama.HOTEL 1.132.864.474.944.4 1.132.864.474.944.470 18.908.401.653.918. 0.05991328593920048 0.952224698255637

GRAHAWITA SANTIKA 70 500 5 9
Nama.PURE BLISS - -0.2406049747142722 30.799.336.678.307. - 0.993766974790068

0.240604974714272 200 0.00781201807127673 7
2
91
Nama.CV. PRATAMA 12.473.005.435.574. 12.473.005.435.574.500 765.634.893.403.978 0.16291061892595024 0.870588809833122

PERSADA/ HOTEL PIA 500 4
Nama.CHAMPION GYM 16.001.743.158.114. 16.001.743.158.114.900 4.686.567.644.183.7 0.3414384336898206 0.732773545670627

900 50 9
Nama.RISSA SALLON 0.020032936211457 0.020032936211457852 45.472.747.330.081. 4,41E+10 0.999648493417879

852 600 3
Nama.THE LUXTON - - 21.839.478.625.822. - 0.957611323154369

CIREBON 11.607.976.271.114. 11.607.976.271.114.200 400 0.05315134335390777 7
200 5
Nama.HOTEL GRAGE - - 1.750.579.109.005.2 - 0.884724502364231

25.380.374.897.255. 25.380.374.897.255.000 60 0.14498273609398324 3
000
Nama.HOTEL CITRA 11.428.115.386.569. 11.428.115.386.569.000 19.192.599.218.611. 0.05954438612716456 0.952518513153472

DREAM 000 300 4
92
Nama.HOTEL METLAND 10.991.673.669.954. 10.991.673.669.954.800 19.616.641.406.521. 0.05603239332448062 0.955316001547717

800 100
Nama.PT BENTANI 0.634912508353156 0.6349125083531567 23.922.220.356.084. 0.02654070144419852 0.978826069964532

PERMAI HOTEL 7 100 5 8
Nama.HOTEL PRIMA 0.695011913449107 0.6950119134491075 17.255.579.980.450. 0.04027751685173848 0.967871878184109

5 200 5
Nama.HOTEL INTAN 21.187.106.570.265. 21.187.106.570.265.300 24.332.603.701.935. 0.0870729118420644 0.930613556807443

300 600 4
Nama.HOTEL BATIQA 13.524.036.804.217. 13.524.036.804.217.800 1.854.606.038.390.3 0.07292134568889566 0.941868707758664

800 80 3
Nama.HOTEL AMARIS 22.045.429.007.503. 22.045.429.007.503.700 25.165.178.608.791. 0.08760291095173169 0.930192288471985

700 300 7
93
Nama.PT. AMD 15.576.826.404.484. 15.576.826.404.484.700 19.158.487.367.413. 0.08130509526017657 0.935199321976556

SILIWANGI PROPERTI / 700 900
MD 7 HOTEL
Nama.HOTEL GRAND 0.923985751213014 0.9239857512130147 1.912.055.090.721.8 0.04832422223065572 0.961457850553028

TRYAS 7 90
Nama.CORDELA 21.855.780.307.842. 21.855.780.307.842.100 26.184.809.799.002. 0.08346740142704814 0.933479896810999

HOTEL/PT PRIMUS 100 100 6
PRATAMA
Nama.HOTEL ZAMRUD 2.185.399.774.201.2 2.185.399.774.201.240 2.390.706.419.417.1 0.0914123020899441 0.927164987022783

40 00
Nama.ONO'S HOTEL 0.784293742921508 0.7842937429215082 16.999.298.898.098. 0.0461368287964646 0.963201192114955

2 600 4
94
Nama.HOTEL 2.323.129.625.255.8 2.323.129.625.255.800 23.026.949.930.323. 0.10088742244566941 0.919639827597240

PRIANGAN 00 300 6
Nama.HOTEL SLAMET 22.555.403.260.194. 22.555.403.260.194.200 24.330.523.454.549. 0.09270414301742654 0.926138605536247

200 600 9
Nama.C HOTEL 4.205.531.043.580.5 4.205.531.043.580.570 15.880.197.783.627. 0.26482863128546313 0.791141479555149

70 700 7
Nama.HOTEL PADMA 22.958.565.310.212. 22.958.565.310.212.800 2.515.149.202.445.8 0.09128112673350164 0.927269214059217

INDAH 800 80
Nama.HOTEL AURORA 22.259.756.437.467. 22.259.756.437.467.600 25.184.317.962.320. 0.08838737054849644 0.929568798851086

600 300 3
Nama.HOTEL LOTUS 2.248.437.591.503.0 2.248.437.591.503.030 25.165.438.304.985. 0.08934625196087273 0.928806737272718

30 500
Nama.HOTEL REINDY - - 15.858.130.066.380. ######## 0.147851674623707

AMANAH 22.949.276.541.557. 22.949.276.541.557.100 500 96
100
95
Nama.HOTEL CAHAYA 2.180.936.450.631.6 2.180.936.450.631.650 2.515.537.459.403.6 0.0866986274634414 0.930911067436481

MURNI 50 10 7
Nama.HOTEL NEW 22.863.270.894.592. 22.863.270.894.592.100 2.618.968.147.566.2 0.08729877419791587 0.930434028350752

AURORA 100 60 8
Nama.HOTEL PERMATA 21.941.864.236.495. 21.941.864.236.495.600 27.410.585.266.416. 0.08004887171591599 0.936198386641759

HIJAU 600 600 7
Nama.HOTEL 22.159.998.964.063. 22.159.998.964.063.400 2.619.456.542.867.6 0.08459769651228283 0.932581230421586

SUNYARAGI 400 90 2
Nama.HOTEL 2.132.362.997.043.2 2.132.362.997.043.270 27.417.310.497.077. 0.07777433155854566 0.938007565035372

CORDOVA 70 100 1
Nama.HOTEL ASRI 22.667.899.370.732. 22.667.899.370.732.900 26.148.116.669.165. 0.08669037107924323 0.930917630368273

900 400 1
Nama.HOTEL WA HAHA 21.790.673.364.166. 21.790.673.364.166.800 25.138.648.972.412. 0.08668195887567348 0.930924317164430

800 800 7
96
Nama.HOTEL CASSANA 22.700.133.772.216. 22.700.133.772.216.500 24.257.896.017.869. 0.09357832911599177 0.925444124920113

500 000 2
Nama.HOTEL TRYAS 14.792.659.880.798. 14.792.659.880.798.500 1.786.182.843.727.0 0.08281716473063855 0.933996920531845

500 70 1
Nama.HOTEL DEWANTI 21.794.954.152.446. 21.794.954.152.446.200 2.433.506.411.760.7 0.08956193436399068 0.928635334771700

200 00 9
Nama.SAMPURNA 21.056.303.212.606. 21.056.303.212.606.600 2.616.309.878.244.5 0.0804809223391165 0.935854768778430

HOTEL 600 90 5
Nama.HOTEL BARU 7.906.905.483.468.2 7.906.905.483.468.250 14.879.817.862.404. 0.5313845610601152 0.595152317974220

50 400 1
Nama.HOTEL SUBUR 9.944.325.045.978.5 9.944.325.045.978.510 14.901.851.368.305. 0.6673214488724043 0.504566828677798

10 000 5
Nama.GRAND DIAN 7.795.335.067.635.3 7.795.335.067.635.370 5.082.278.369.234.6 0.15338268589977436 0.878096497970131

HOTEL 70 60 7
97
Nama.HOTEL 44.365.250.415.324. 44.365.250.415.324.800 1.489.359.177.930.7 0.2978814719291752 0.765793629626388

LANGENSARI 800 80 7
Nama.HOTEL MEGA - - 6.020.551.444.602.9 -0.521845913100474 0.601777619311981

31.418.001.659.772. 31.418.001.659.772.000 50
000
Nama.HOTEL TRIJAYA 23.676.479.331.708. 23.676.479.331.708.200 2.433.320.638.693.0 0.09730110761081247 0.922487276429773

200 30 5
Nama.HOTEL SAPADIA 1.164.481.772.875.6 1.164.481.772.875.650 19.643.809.468.770. 0.05927983442961759 0.952729222658422

50 200 5
Nama.HOTEL HORTON 22.640.512.434.795. 22.640.512.434.795.800 2.518.353.603.666.2 0.08990203918081792 0.928365060684267

800 60 6
Nama.HOTEL 7.822.679.727.721.2 7.822.679.727.721.280 14.880.404.425.947. 0.5257034354577356 0.599094276476974

NUSANTARA 80 800 7
Nama.HOTEL TIDAR 8.129.337.770.211.5 8.129.337.770.211.520 14.879.141.711.373. 0.5463579773554814 0.584819890194961

JAYA 20 300 5
98
Nama.HOTEL MIRA 19.665.950.719.492. 19.665.950.719.492.200 25.192.034.528.852. 0.07806416229292142 0.937777014514625

200 500 3
Nama.HOTEL UMA 2.195.989.019.980.2 2.195.989.019.980.260 23.627.317.565.392. 0.09294279868641538 0.925949004445213

60 300 1
Nama.PENGINAPAN 7.850.414.066.601.3 7.850.414.066.601.370 14.883.909.671.410. 0.5274430065697413 0.597885984862397

OKE 70 800 9
Nama.HOTEL APITA 5.003.487.646.336.2 5.003.487.646.336.260 15.199.453.418.567. 0.3291886562331355 0.742013096577172

EKSPRESS 60 100 3
Nama.HOTEL RAHAYU 6.105.260.396.014.9 6.105.260.396.014.940 15.014.992.251.634. 0.40661095881352777 0.684293747111915

40 800 8
Nama.HOTEL 6.444.320.736.345.9 6.444.320.736.345.940 1.497.176.155.230.5 0.4304316972877306 0.666881641995795

RAJAWALI 40 20 5
Nama.HOTEL FAMILI 78.557.439.661.526. 78.557.439.661.526.500 14.881.179.039.536. 0.5278979538705666 0.597570164946997

500 000 3
99
Nama.HOTEL PIA 4.751.564.376.229.5 4.751.564.376.229.540 15.612.616.936.084. 0.3043413154682335 0.760867871839702

40 300 7
Nama.HOTEL SATRIA 37.827.124.833.726. 37.827.124.833.726.700 16.969.762.278.276. 0.2229089848957407 0.823606343383221

700 600 1
Nama.HOTEL SETIA 10.110.324.848.347. 10.110.324.848.347.600 1.486.627.309.453.3 0.6800846980313608 0.496450832859512

600 50 86
Nama.BAPONTAR 6.847.326.801.791.7 6.847.326.801.791.790 14.918.151.210.515. 0.45899298815025263 0.646239201368818

HOTEL 90 400 3
Nama.VINOTEL 2.170.199.268.636.0 2.170.199.268.636.080 24.319.293.314.328. 0.08923776034879292 0.928892956652655

CIREBON 80 900 4
Nama.KING'S HOTEL 54.032.096.314.389. 54.032.096.314.389.400 15.226.154.977.335. 0.3548636960205555 0.722691707074428

400 100 2
Nama.HOTEL LA MEGA - -4.753.227.397.225.430 9.580.918.999.028.1 -0.4961139320463482 0.619814030206872

4.753.227.397.225.4 90 1
30
100
Nama.SUTAN RAJA 12.208.257.590.601. 12.208.257.590.601.400 1.962.741.831.172.7 0.06220001732630929 0.950403548693941

GUEST HOUSE 400 00 5 5
Nama.LOSMEN WISMA 2.334.141.656.734.5 2.334.141.656.734.590 25.086.294.040.253. 0.09304449884025219 0.925868209568760

BAHTERA 90 500 3
Nama.COLONIAL 8.995.896.911.664.4 8.995.896.911.664.400 14.863.783.683.024. 0.6052225397991038 0.545031141297213

GUEST HOUSE 00 200 6
Nama.WHITE HOUSE 09 9.597.604.874.604.3 9.597.604.874.604.360 14.860.022.359.270. 0.6458674585113717 0.518365195760891

60 700
Nama.PEMUDA HOUSE 10.018.058.267.121. 10.018.058.267.121.700 14.868.778.870.476. 0.6737646954326554 0.500460923491368

700 000 2
Nama.RUMAH KOST 2.323.024.903.487.3 2.323.024.903.487.330 2.517.313.156.983.4 0.09228191959522072 0.926474053139802

BUDAYA & CAFE 30 00 5
BUDAYA
101
Nama.PENGINAPAN 8.458.531.567.989.4 8.458.531.567.989.470 14.951.165.883.513. 0.56574394491313 0.571567857164417

RUMAH KITA 70 300 2
Nama.LENNY KOST/ 10.682.430.278.508. 10.682.430.278.508.800 14.854.265.112.767. 0.7191490253749971 0.472049103261578

D'KASSAN 800 800 23
Nama.PONDOK IBU 9.584.387.245.315.1 9.584.387.245.315.100 14.863.663.312.827. 0.6448199911151024 0.519043845322747

EEN 00 100 2
Nama.RUMAH KOSAN 2.476.673.053.241.9 2.476.673.053.241.950 23.487.227.588.457. 0.10544765421607637 0.916020604210814

VINADODITA 50 400
Nama.KOS IBU 10.223.829.793.075. 10.223.829.793.075.400 14.870.768.294.122. 0.6875118750331155 0.491760220148731

ACHMAD 400 800 9
Nama.RUMAH KOST 2.316.948.771.837.8 2.316.948.771.837.870 24.344.025.867.283. 0.09517525098228236 0.924175627589706

IBU HJ. AMRIL 70 400 1
102
Nama.KOST CEMPAKA 23.032.762.795.204. 23.032.762.795.204.600 25.173.241.901.201. 0.09149700656595038 0.927097684675373

BARU 600 200 1
Nama.KOST CEMARA 21.086.966.736.704. 21.086.966.736.704.300 24.160.848.404.949. 0.08727742661712463 0.930450996490658

300 200
… … … … … …
… … … … … …
… … … … … …
… … … … … …
… … … … … …

Skripsi Mohamad Ripai (41180156)

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Mohamad Ripai (41180156)

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

PENGKLASIFIKASIAN SURAT PEMBERITAHUAN PAJAK DAERAH

Disusun sebagai salah satu sayarat memperoleh gelar sarjana

PROGRAM STUDI TEKNIK INFORMATIKA

PENGKLASIFIKASIAN SURAT PEMBERITAHUAN PAJAK DAERAH

CLASSIFICATION LOCAL TAX NOTIFICATIONS USING BINARY LOGISTIC

Telah Diujikan dan Disahkan Dalam Ujian Sidang Skripsi

Gifthera Dwilestari, S.I.Kom., M.Kom

Dr. Dadang Sudrajat, S.Si., M.Kom

PENGKLASIFIKASIAN SURAT PEMBERITAHUAN PAJAK DAERAH

CLASSIFICATION LOCAL TAX NOTIFICATIONS USING BINARY LOGISTIC

Dipersiapkan dan Disusun oleh

Cirebon, Maret 2022

Kepala LPPM STMIK IKMI Cirebon Menyetujui,

Agus Bahtiar, M.Kom Nana Suarna, M.Kom

Wassalamu’alaikum Wr. Wb.

LEMBAR PENGESAHAN ................................................................................... i

HALAMAN PENGESAHAN LPPM .................................................................. ii

HALAMAN PERSETUJUAN PEMBIMBING ................................................ iii

HALAMAN PERNYATAAN KEASLIAN SKRIPSI ....................................... iv

KATA PENGANTAR ........................................................................................... v

DAFTAR ISI ........................................................................................................ vii

DAFTAR TABEL ................................................................................................ ix

DAFTAR GAMBAR ............................................................................................. x

ABSTRAK ........................................................................................................... xii

ABSTRACT ........................................................................................................ xiii

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang Masalah .................................................................................. 1

2.1 Penelitian Terdahulu ...................................................................................... 10

BAB III METODOLOGI PENELITIAN ......................................................... 21

3.1 Jenis Penelitian ............................................................................................... 21

4.1 Hasil ................................................................................................................. 32

5.1 Kesimpulan ..................................................................................................... 56

Tabel 1. 1 Rumusan Masalah .................................................................................. 5

Tabel 1. 2 Pertanyaan Penelitian ............................................................................. 6

Tabel 1. 3 Tujuan Penelitian ................................................................................... 6

Tabel 2. 1 Kajian Literature Review ..................................................................... 20

Tabel 3. 1 Operasional Variabel............................................................................ 24

Tabel 3. 2 Waktu Penelitian .................................................................................. 28

Tabel 4. 1 Sampel Dataset ..................................................................................... 33

Tabel 4. 2 Seleksi Data.......................................................................................... 34

Tabel 4. 3 Hasil Perfomance Vector ..................................................................... 49

Gambar 1. 1 Kerangka Pemikiran ........................................................................... 9

Gambar 3. 1 Alur Metode Penelitian .................................................................... 22

Gambar 4. 1 Tampilan Lembar Kerja RapidMiner ............................................... 35

Gambar 4. 2 Tampilan Operator Read Excel ........................................................ 36

Gambar 4. 3 Import Data ...................................................................................... 36

Gambar 4. 4 Import Data Tahap 1 ........................................................................ 37

Gambar 4. 5 Import Data Tahap 2 ........................................................................ 38

Gambar 4. 6 Import Data Tahap 3 ........................................................................ 39

Gambar 4. 7 Oprator Split Data ............................................................................ 40

Gambar 4. 8 Pembagian Data Training Dan Data Testing.................................... 41

Gambar 4. 9 Operator Cross Validation ............................................................... 41

Gambar 4. 10 Manarik Garis Antar Oprator ......................................................... 42

Gambar 4. 11 Operator Logistic Regression ......................................................... 43

Gambar 4. 12 Operator Apply Model .................................................................... 44

Gambar 4. 13 Operator Performance .................................................................... 44

Gambar 4. 14 Menghubungkan Apply Model Dan Performance .......................... 45

Gambar 4. 15 Proses Run ...................................................................................... 46

Gambar 4. 16 Hasil Split Data .............................................................................. 47

Gambar 4. 17 Hasil Performance Vector .............................................................. 47

Gambar 4. 18 Diagram Scatter Bubble ................................................................. 48

Gambar 4. 19 Sampel Model Logistic Regression ................................................ 48

Gambar 4. 20 Presentase Kepatuhan Wajib Pajak Tahun 2021 ............................ 51