Analisis Clustering Untuk Segmentasi Wilayah Berdasarkan Karakteristik PBB di Kabupaten Sragen
DOI:
https://doi.org/10.52436/1.jpti.500Keywords:
clustering k-means, njop daerah, pajak bumi bangunan, pengelolaan pajak daerah, segmentasi wilayah, strategi perpajakanAbstract
Penelitian ini menganalisis karakteristik Pajak Bumi dan Bangunan (PBB) di Kabupaten Sragen menggunakan metode clustering K-means untuk mengoptimalkan pengelolaan pajak daerah. Analisis dilakukan terhadap dataset yang mencakup 1,5 juta item data PBB periode 2021-2023 dari 196 desa. Variabel yang digunakan meliputi luas bumi, nilai objek pajak, realisasi pembayaran, dan status administrasi pajak. Hasil penelitian menunjukkan pembentukan empat cluster dengan karakteristik berbeda: cluster urban premium (NJOP tinggi, luas lahan kecil), cluster permukiman menengah (NJOP moderat, luas sedang), cluster sub-urban (NJOP rendah, luas besar), dan cluster rural (NJOP terendah, luas terbesar). Analisis korelasi mengungkapkan hubungan positif kuat antara NJOP bangunan dengan PBB (r=0,98) dan hubungan negatif antara luas bumi dengan NJOP (r=-0,39), mengindikasikan fenomena densifikasi di pusat kabupaten. Pola distribusi desa dalam cluster mengalami perubahan signifikan selama periode penelitian, mencerminkan dinamika produktivitas dan efisiensi pengelolaan PBB. Hasil clustering ini memberikan dasar untuk pengembangan strategi pengelolaan PBB yang lebih terarah dan efektif sesuai karakteristik wilayah.
Downloads
References
M. A. Putri, N. Rahaningsih, F. M. Basysyar, and O. Nurdiawan, “Penerapan Data Mining Menggunakan Metode Clustering Untuk Mengetahui Kelompok Kepatuhan Wajib Pajak Bumi dan Bangunan,” J. Account. Inf. Syst., vol. 5, no. 2, pp. 145–156, 2022, doi: 10.32627/aims.v5i2.496.
O. Daerah and P. Jabar, “Peningkatan pertumbuhan ekonomi provinsi jawa barat berbasis kebijakan desentralisasi fiskal,” PRESTISE, vol. 4, no. 1, pp. 64–90, 2024.
E. S. Lodi, S. Alam, and O. Deviany, “Optimizing Rural and Urban Land and Building Tax Receipts in Increasing Local Own Revenue in Enrekang Regency,” J. Gov. Local Polit., vol. 5, no. 1, pp. 1–11, 2023.
E. T. Irianti and F. Niswah, “Optimalisasi Pemungutan Pajak Bumi Dan Bangunan Perdesaan Perkotaan (Pbb-P2) Dalam Meningkatkan Pendapatan Asli Daerah Di Kabupaten Gresik,” Publika, pp. 503–514, 2021, doi: 10.26740/publika.v9n4.p503-514.
P. J. Sani and S. Sulfan, “Perilaku Kepatuhan Wajib Pajak Orang Pribadi Pekerjaan Bebas Di Kota Denpasar,” J. Pajak dan Keuang. Negara, vol. 3, no. 2, pp. 294–304, 2022, doi: 10.31092/jpkn.v3i2.1520.
J. Mardini, “PENGELOMPOKAN DATA PBB MASYARAKAT,” J. Math. Technol., vol. 3, no. May, pp. 54–61, 2024.
R. Nursaniah, N. Rahaningsih, I. Ali, and N. Dienwati Nuris, “Pengelompokan Data Penerimaan Pajak Bumi Dan Bangunan Berdasarkan Kelurahan Di Kota Tasikmalaya Menggunakan Algoritma K-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1477–1483, 2024, doi: 10.36040/jati.v8i2.9009.
D. M. Putra and F. F. Abdulloh, “Comparison of Clustering Algorithms?: Fuzzy C-Means , K-Means , and DBSCAN for House Classification Based on Specifications and Price,” J. Appl. Informatics Comput., vol. 8, no. 2, pp. 509–515, 2024.
M. Adelina Bui and A. Bahtiar, “Implementasi Metode Algoritma K-Means Clustering Untuk Mengelompokkan Transaksi Penjualan Barang Di Toko Arino,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1451–1456, 2024, doi: 10.36040/jati.v8i2.8975.
S. S. Firdaus, Y. Budisusanto, and U. W. Deviantari, “Visualisasi Spasial dan Basis Data Pajak Bumi dan Bangunan (PBB) (Studi Kasus?: Desa Bener, Madiun),” Geoid, vol. 16, no. 1, p. 131, 2021, doi: 10.12962/j24423998.v16i1.8567.
A. Agung, A. Daniswara, I. Kadek, and D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” J. Informatics Comput. Sci., vol. 05, pp. 97–100, 2023.
N. A. Maori and E. Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.
S. Mahardi, “PENERAPAN DATA MINING UNTUK CLUSTERING DATA PAJAK BUMI DAN BANGUNAN MENGGUNAKAN ALGORITMA K-MEANS,” 2021, Sekolah TInggi Manajemen Informatika dan Komputer LIKMI.
D. Ariyanto and F. Rachmadiarti, “Peningkatan Kemampuan Analisis StatistikMenggunakan Aplikasi R Studio Berbasis OpenSource Untuk Kebutuhan Penelitian DosenDi Fakultas Mipa Universitas Negeri Surabaya,” J. Umum Pengabdi. Masy., pp. 13–20, 2022.
I. Romli, “Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Klasifikasi Penyakit Ispa,” Indones. J. Bus. Intell., vol. 4, no. 1, p. 10, 2021, doi: 10.21927/ijubi.v4i1.1727.
A. Herlin Lutfiannisa, Maimunah, and P. Sukmasetya, “Clustering Data Pasien Berdasarkan Usia di Puskesmas Menerapkan Metode K-Means,” J. Inf. Syst. Res., vol. 5, no. 2, pp. 639–647, 2024, doi: 10.47065/josh.v5i2.4755.
W. A. Silamantha and K. Hadiono, “Analisis RFM dan K-Means Clustering untuk Segmentasi Pelanggan pada PT . Sanutama Bumi Arto,” KESATRIA J. Penerapan Sist. Inf. (Komputer dan Manajemen), vol. 5, no. 3, pp. 1297–1305, 2024.
I. Wahyudi, M. B. Sulthan, and L. Suhartini, “Analisa Penentuan Cluster Terbaik Pada Metode K-Means Menggunakan Elbow Terhadap Sentra Industri Produksi Di Pamekasan,” J. Apl. Teknol. Inf. dan Manaj., vol. 2, no. 2, pp. 72–81, 2021, doi: 10.31102/jatim.v2i2.1274.
