Wahyuwidayat, Raditia (2025) Analisis Perilaku Wajib Pajak Untuk Memprediksi Pembayaran Pajak Kendaraan Bermotor Menggunakan Pendekatan Weighted Majority Voting Ensemble. Masters thesis, Institut Teknologi Sepuluh Nopember.
![]() |
Text
6025202007-Master_Thesis.pdf Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy |
Abstract
Ketidakpatuhan wajib pajak berdampak pada penerimaan Pajak Kendaraan Bermotor (PKB) sehingga tidak sesuai dengan target yang telah ditetapkan. Perilaku ini berakibat berkurangnya pendapatan, dan beberapa target pembangunan daerah bisa tidak tercapai. Oleh karena itu, Pemerintah Daerah perlu melakukan prediksi pembayaran PKB untuk merumuskan target ke depan dengan lebih baik. Penelitian ini bertujuan untuk melakukan analisis perilaku wajib pajak dalam memprediksi pembayaran PKB, apakah bayar atau tidak bayar, sehingga target dapat tercapai sesuai dengan yang telah ditetapkan. Pendekatan yang diusulkan dimulai dengan menganalisis dan memperoleh dataset dengan fitur perilaku wajib pajak. Metode ensemble classifier berbasis Weighted Majority Voting Ensemble (WMVE) digunakan untuk melakukan prediksi pembayaran. WMVE dikembangkan dengan menggunakan teknik Grid Search 10-Fold Cross-Validation untuk mencari nilai hyperparameter yang optimal, sehingga dapat meningkatkan nilai akurasi model setiap individual classifier. Bobot yang ditentukan dari nilai akurasi model setiap individual classifier diubah menjadi peringkat jumlah suara untuk lebih memaksimalkan kinerja model. Kinerja sistem yang diusulkan dievaluasi menggunakan confusion matrix, akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode WMVE yang dikembangkan dengan optimalisasi hyperparameter tuning Grid Search 10-Fold Cross-Validation dan optimalisasi bobot pada setiap individual classifier berkinerja lebih baik, dengan akurasi 99,368% dibandingkan dengan metode individual classifier standar dalam memprediksi pembayaran PKB berdasarkan perilaku wajib pajak.
===================================================================================================================================
Taxpayer non-compliance has an impact on Motor Vehicle Tax (MVT) receipts so that it does not meet the predetermined targets. This behavior results in reduced income, and several regional development targets may not be achieved. Therefore, Regional Governments need to predict MVT payments to formulate future targets better. This research aims to analyze taxpayer behavior in predicting MVT payments, whether the pay or not, so that targets can be achieved by what has been set. The proposed approach starts by analyzing and obtaining a dataset with taxpayer behavioral features. An ensemble classifier method based on Weighted Majority Voting Ensemble (WMVE) is used to predict payments. WMVE was developed using the Grid Search 10-Fold Cross-Validation technique to find optimal hyperparameter values to increase the model accuracy value for individual classifiers. The weight determined from the model accuracy value of individual classifiers is converted into a ranking of the number of votes to maximize model performance. The performance of the proposed system is evaluated using the confusion matrix, accuracy, precision, recall, and F1-score. The research results show that the WMVE method developed by optimizing the hyperparameter tuning of Grid Search 10-Fold Cross-Validation and optimizing the weights for individual classifiers performs better, with an accuracy of 99.368% compared to the standard individual classifier method, in predicting PKB payments based on taxpayer behavior.
Item Type: | Thesis (Masters) |
---|---|
Uncontrolled Keywords: | Pajak Kendaraan Bermotor, Prediksi Pembayaran, Analisis Perilaku, Hyperparameter Tuning, Weighted Majority Voting Ensemble ============================================================ Motor Vehicle Tax, Payment Prediction, Behavior Analysis, Hyperparameter Tuning, Weighted Majority Voting Ensemble |
Subjects: | T Technology > T Technology (General) T Technology > T Technology (General) > T174 Technological forecasting |
Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis |
Depositing User: | Raditia Wahyuwidayat |
Date Deposited: | 06 Feb 2025 09:01 |
Last Modified: | 06 Feb 2025 09:01 |
URI: | http://repository.its.ac.id/id/eprint/118487 |
Actions (login required)
![]() |
View Item |