Saumina, Saumina (2026) EVALUASI PERFORMA METODE SUPPORT VECTOR MACHINE DAN ADAPTIVE BOOSTING PADA KLASIFIKASI TINGKAT KEPATUHAN WAJIB PAJAK BUMI DAN BANGUNAN BERDASARKAN RECEIVER OPERATING CHARACTERISTIC. S2 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (177kB)
	Text Abstrak.pdf Download (166kB)
	Text BAB 1.pdf Download (208kB)
	Text Daftar Pustaka.pdf Download (180kB)
	Text Tesis Saumina 2026.pdf Restricted to Registered users only Download (2MB)

Abstract

Kepatuhan wajib pajak merupakan faktor penting dalam mendukung optimalisasi penerimaan Pajak Bumi dan Bangunan (PBB). Rendahnya tingkat kepatuhan dapat berdampak pada menurunnya pendapatan daerah sehingga diperlukan metode klasifikasi yang mampu mengidentifikasi tingkat kepatuhan wajib pajak secara akurat. Penelitian ini bertujuan untuk membandingkan performa metode Support Vector Machine (SVM) dan Adaptive Boosting (AdaBoost) dalam mengklasifikasikan tingkat kepatuhan Wajib Pajak Bumi dan Bangunan (PBB) berdasarkan analisis Receiver Operating Characteristic (ROC). Dataset yang digunakan berasal dari data PBB Kota Lhokseumawe sebanyak 58.998 data yang mencakup Kecamatan Banda Sakti, Blang Mangat, Muara Dua, dan Muara Satu. Tahapan penelitian meliputi preprocessing data, mapping data, pembagian data menggunakan skenario split 80:20 dan 70:30, pelatihan model, serta evaluasi menggunakan Accuracy, Confusion Matrix, Classification Report, Receiver Operating Characteristic (ROC), dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa kedua metode memiliki performa klasifikasi yang sangat baik. Pada skenario split 80:20, model SVM memperoleh Accuracy sebesar 92,89%, AUC sebesar 80,38%, sedangkan model AdaBoost memperoleh Accuracy sebesar 92,86% dan AUC sebesar 80,69%. Pada skenario split 70:30, model SVM menghasilkan Accuracy sebesar 93,01% dengan AUC sebesar 80,53%, sementara model AdaBoost memperoleh Accuracy sebesar 92,99% dan AUC sebesar 80,75%. Hasil Classification Report menunjukkan bahwa kedua metode memiliki nilai Precision sebesar sekitar 0,93, Recall sebesar 0,99, dan F1-Score sebesar 0,96 pada kelas tidak patuh, sehingga mampu mengidentifikasi wajib pajak tidak patuh dengan sangat baik. Berdasarkan hasil evaluasi tersebut, metode AdaBoost menunjukkan kemampuan diskriminasi yang sedikit lebih baik berdasarkan nilai AUC, sedangkan SVM memperoleh nilai Accuracy yang sedikit lebih tinggi. Namun demikian, kedua metode memiliki performa yang relatif setara dan efektif untuk digunakan dalam klasifikasi tingkat kepatuhan Wajib Pajak Bumi dan Bangunan (PBB). Kata Kunci: PBB, Kepatuhan Wajib Pajak, SVM, AdaBoost, ROC-AUC.

Item Type:	Thesis (S2)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Pascasarjana > 71102 - Magister Teknologi Informasi
Depositing User:	Saumina Saumina Saumina
Date Deposited:	03 Sep 2026 07:37
Last Modified:	03 Sep 2026 07:37
URI:	https://rama.unimal.ac.id/id/eprint/22305

Actions (login required)

View Item