Identifikasi Tingkat Kepatuhan Wajib Pajak Bumi dan Bangunan di Jakarta dengan Pendekatan Algoritma K-Means

Muhammad Taufiqul Umam; Baby Lolita Basyah

doi:10.35760/ik.2025.v30i3.59

Penulis

Muhammad Taufiqul Umam Universitas Gunadarma Penulis
Baby Lolita Basyah Universitas Gunadarma Penulis

DOI:

https://doi.org/10.35760/ik.2025.v30i3.59

Kata Kunci:

K-Means Algorithm, Clustering, Taxpayer Compliance, Land and building Tax

Abstrak

The Rural and Urban Land and Building Tax (PBB-P2) serves as a regional fiscal mechanism levied on the ownership, control, or utilization of property assets by both individuals and corporate entities. As a cornerstone of regional fiscal policy, PBB-P2 is instrumental in bolstering Local Own-Source Revenue (PAD). Given Jakarta's status as the nation’s administrative and commercial epicenter characterized by high population density and intense economic momentum, the city holds a strategic and vast potential for PBB-P2 collection. This study aims to categorize the compliance behavior of PBB-P2 taxpayers within the Jakarta region by utilizing the K-Means algorithm. The research methodology is guided by the Cross-Industry Standard Process for Data Mining (CRISP-DM) framework, which involves six systematic phases: business understanding, data understanding, data preparation, modeling, evaluation, and deployment. The dataset consists of 28,125 PBB-P2 taxpayer records collected from 2020 to 2024. The findings reveal that taxpayer compliance is classified into four distinct clusters. Cluster 0 indicates very high compliance, Cluster 1 reflects low compliance, Cluster 2 denotes moderate compliance, and Cluster 3 corresponds to high compliance. An average silhouette coefficient value of 0.742 demonstrates that the resulting clusters are well-defined, showing strong internal similarity and clear separation from one another.

Referensi

[1] A. N. Nabawi, K. I. Absy, S. R. Dalimunthe, dan D. Vientiany, “Pajak Pusat dan Pajak Daerah,” vol. 02, no. 01, hlm. 1737–1744, 2025.

[2] Amelia Kamlannabila, Syamsul Huda, dan Putra Perdana, “Optimalisasi Pembayaran Pajak Bumi dan Bangunan melalui Penyampaian Informasi Tagihan Secara Door-to-Door di Kecamatan Sambikerep,” GERVASI: Jurnal Pengabdian kepada Masyarakat, 2025.

[3] A. Shabrina Ilra dan M. Aprilya, “Pajak Bumi dan Bangunan PBB Land and Building Tax,” JIIC: JURNAL INTELEK INSAN CENDIKIA, Jun 2025, [Daring]. Tersedia pada: https://jicnusantara.com/index.php/jiic

[4] D. M. Parapat, “Faktor yang Mempengaruhi Kepatuhan Wajib Pajak Membayar Pajak Bumi dan Bangunan di DKI Jakarta,” 2023.

[5] Angelina Jessica Hirawan dan Widyasari, “Faktor yang Mempengaruhi Kepatuhan Wajib Pajak dalam Membayar PBB Daerah Jakarta Barat,” 2021.

[6] E. Mayoana Fitri, R. Randy Suryono, dan A. Wantoro, “Klasterisasi Data Penjualan Berdasarkan Wilayah Menggunakan Metode K-Means pada PT XYZ.”

[7] L. Y. Hutabarat, I. Gunawan, I. Purnamasari, M. Safii, dan W. Saputra, “Penerapan Algoritma K-Means dalam Pengelompokan Jumlah Penduduk Berdasarkan Kelurahan di Kota Pematangsiantar,” Jurnal Ilmu Komputer dan Teknologi, vol. 2, no. 2, hlm. 20–26, 2021, [Daring]. Tersedia pada: http://creativecommons.org/licences/by/4.0/

[8] I. H. Sarker, “AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems,” SN Comput Sci, vol. 3, no. 2, Mar 2022, doi: 10.1007/s42979-022-01043-x.

[9] M. A. Putri, N. Rahaningsih, F. M. Basysyar, dan O. Nurdiawan, “Penerapan Data Mining Menggunakan Metode Clustering Untuk Mengetahui Kelompok Kepatuhan Wajib Pajak Bumi dan Bangunan,” Jurnal Accounting Information System (AIMS, vol. 5, no. 2, hlm. 145–156, 2022, doi: 10.32627.

[10] D. Asti, M. S. Hasibuan, dan P. A. Siregar, “Penerapan Algoritma K-Means untuk Mengetahui Tingkat Kepatuhan Wajib Pajak Kendaraan Bermotor pada UPT Samsat Medan Selatan,” Journal of Computer Science and Informatics Engineering (CoSIE), 2023.

[11] R. Nursaniah, N. Rahaningsih, I. Ali, dan N. Dienwati Nuris, “Pengelompokan Data Penerimaan Pajak Bumi dan Bangunan Berdasarkan Kelurahan di Kota Tasikmalaya Menggunakan Algoritma K-Means,” 2024.

[12] Sri Wahyuni dan Sriani, “Penerapan Algoritma K-Means untuk Pengelompokan Kepatuhan Wajib Pajak Bumi dan Bangunan di Kota Medan,” 2025. [Daring]. Tersedia pada: https://jurnal.unimed.ac.id/2012/index.php/cess

[13] T. Amalina, D. Bima, A. Pramana, dan B. N. Sari, “Metode K-Means Clustering Dalam Pengelompokan Penjualan Produk Frozen Food,” Jurnal Ilmiah Wahana Pendidikan, vol. 8, no. 15, hlm. 574–583, 2022, doi: 10.5281/zenodo.7052276.

[14] R. N. Pratistha dan B. Kristianto, “Implementasi Algoritma K-Means dalam Klasterisasi Kasus Stunting pada Balita di Desa Randudongkal,” 2024. [Daring]. Tersedia pada: https://journal.stmiki.ac.id

[15] Y. Suhanda, I. Kurniati, dan S. Norma, “Penerapan Metode CRIPS-DM dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” Jurnal Teknologi Informatika dan Komputer, vol. 6, no. 2, hlm. 12–20, Sep 2020, doi: 10.37012/jtik.v6i2.299.

[16] Mohd Rizal Palil, “Factors affecting tax compliance behaviour in self assessment system,” AFRICAN JOURNAL OF BUSINESS MANAGEMENT, vol. 5, no. 33, Des 2011, doi: 10.5897/ajbm11.1742.

[17] A. N. Khasanah, V. A. Tricahyo, dan M. M. Huda, “Implementasi Metode K-Means Clustering Sebagai Penentu Kelompok Belajar di SMA,” Journal of Information System Research, vol. 6, no. 2, hlm. 1281–1289, 2025, doi: 10.47065/josh.v6i2.6631.

[18] A. E. Putri, Y. Mz, dan J. E. Bororing, “Implementasi K-Means Clustering dan Model CRIPS-DM untuk Pengelompokan Daerah Rawan Tindak Pidana Narkoba di DIY,” Jurnal Informatika Teknologi dan Sains, vol. 7, no. 2, hlm. 615, 2025.

[19] F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, dan M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” Jurnal Teknologi dan Informasi, 2022, doi: 10.34010/jati.v12i1.

[20] R. Hidayati, A. Zubair, A. Hidayat Pratama, L. Indana, P. Studi Sistem Informasi, dan F. Teknologi Informasi, “Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering Silhouette Coefficient Analysis in 6 Measuring Distances of K-Means Clustering,” 2021.