Pengelompokan Perangkat Daerah di Jawa Barat Berdasarkan Jenis Pajak Menggunakan Metode K-Medoids
DOI:
https://doi.org/10.29313/bcss.v5i1.16792Keywords:
K-Medoids, Perangkat Daerah, PajakAbstract
Abstract. The management of regional taxes is one of the critical aspects of increasing locally generated revenue (PAD) that supports regional development. In West Java, with a large and diverse number of regional agencies, an effective strategy is needed to understand the characteristics of each agency in terms of contributions and the types of taxes managed. One approach that can be utilized is grouping regional agencies based on tax types using cluster analysis. Among the many clustering algorithms available, the K-Medoids algorithm stands out due to its robustness against outliers. This method is considered highly suitable as tax data often contains extreme values that can influence clustering results. Based on the clustering analysis conducted, two clusters were formed: Cluster 1 consists of 1 regional agency, PD1, while Cluster 2 includes 37 regional agencies. The average value for each type of tax in Cluster 1 is higher than in Cluster 2, indicating that members of Cluster 1 are high-tax contributors, whereas members of Cluster 2 are low-tax contributors.
Abstrak. Pengelolaan pajak daerah merupakan salah satu aspek penting dalam meningkatkan pendapatan asli daerah (PAD) yang mendukung pembangunan wilayah. Di Jawa Barat, dengan jumlah perangkat daerah yang tidak sedikit dan beragam, diperlukan strategi yang efektif untuk memahami karakteristik masing-masing perangkat daerah dalam hal kontribusi dan jenis pajak yang dikelola. Salah satu pendekatan yang dapat digunakan adalah pengelompokan perangkat daerah berdasarkan jenis pajak menggunakan analisis klaster. Dalam konteks pengelompokan perangkat daerah, di antara banyaknya algoritma analisis klaster, algoritma K-Medoids menarik perhatian karena sifatnya yang lebih tahan terhadap pencilan. Metode ini dirasa sangat cocok karena data pajak sering kali mengandung nilai ekstrim yang dapat memengaruhi hasil klasterisasi. Berdasarkan hasil pengelompokan yang telah dilakukan, diperoleh sebanyak 2 klaster dengan jumlah anggota klaster 1 sebanyak 1 perangkat daerah yaitu PD1 dan anggota klaster 2 sebanyak 37 perangkat daerah. Nilai rata-rata tiap jenis pajak pada klaster 1 lebih tinggi dibandingkan dengan klaster 2, sehingga dapat dikatakan bahwa anggota klaster 1 merupakan anggota klaster dengan tarikan pajak yang tinggi, sedangkan anggota klaster 2 merupakan anggota klaster dengan tarikan pajak yang rendah.
References
Nurfauzan, A. F., & Darwis, S. (2024). Clustering Probabilistic Seismic Hazard Analysis Temporal Epidemic-Type Aftershock Sequence untuk Premi Asuransi. Jurnal Riset Statistika, 41–48. https://doi.org/10.29313/jrs.v4i1.3864
Afira, Natasya., & Wijayanto, Arie W. (October, 2021). Analisis Cluster Kemiskinan Provinsi di Indonesia Tahun 2019 dengan Metode Partitioning dan Hierarki. Komputika: Jurnal Sistem Komputer, Vol. 10, No. 2, 101-109. 10.34010/komputika.v10i2.4317.
Faradilla, Shafa Bunga. (2022). Komparasi Analisis K-Medoids Clustering dan Hierarchical Clustering. Tugas Akhir (S1), Universitas Islam Indonesia Yogyakarta.
Laraswati, B. D. (Maret 8, 2023). 5 Cara Mendeteksi Outlier dalam Data. Algoritma Data Science School. Retrieved October 4, 2023, from https://blog.algorit.ma/cara-mendeteksi-outlier/.
Nurkholik, David. (2022). Analisis K-Medoids Clustering Metode Elbow pada Kasus Covid-19 di Provinsi DKI Jakarta. Skripsi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Paramadina, M., Sudarmin, & Aidid, M. K. (2019). Perbandingan Analisis Cluster Metode Average Linkage dan Metode Ward (Kasus: IPM Provinsi Sulawesi Selatan). VARIANSI: Journal of Statistics and Its Application on Teaching and Research, Vol. 1, No. 2, 23-31. 10.35580/variansiunm9357
Sukmawati (2017). Analisis Cluster dengan Metode Hierarki untuk Pengelompokkan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Indikator Makro Ekonomi. Skripsi tidak dipublikasikan. Program Sarjana, Program Studi Matematika, Universitas Islam Negeri Alauddin Makassar.
Widyadhana, D., dkk. (2021). Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah. PRISMA, Prosiding Seminar Nasional Matematika, 4, 584-594.
Zulfa, Farida. (2019). Pengelompokan Provinsi Di Indonesia Berdasarkan Indikator Pendidikan Menggunakan K-Means Dan K-Medoids. Sarjana Terapan (S1/D4) tesis, Universitas Negeri Semarang.
