Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDirektorat Jenderal Pajak DJP memiliki tanggung jawab besar untuk mengumpulkan penerimaan pajak dengan target Rp 1.355 triliun di tahun 2016 sesuai dengan yang direncanakan dalam Anggaran Pendapatan dan Belanja Negara-Perubahan dengan cara menunjang kepatuhan Wajib Pajak. Kemudian, DJP melakukan penambahan basis data perpajakan dengan cara mengeluarkan peraturan baru, yaitu PMK Nomor 39/PMK.03/2016. Dua bulan sejak ditetapkannya PMK Nomor 39/PMK.03/2016, pelaksanaan dari pelaporan data transaksi nasabah kartu kredit oleh bank atau lembaga penyelenggara kartu kredit ditunda sampai program pengampunan pajak berakhir kemudian ditunda kembali pelaksanaannya sampai batas waktu yang tidak ditentukan. Analisis kebijakan ini dilakukan dengan pendekatan kualitatif melalui teknis analisis data kualitatif berupa successive aproximation. Alasan dilakukannya penundaan pelaksanaan ini adalah 1 pemberhentiaan sementara pemeriksaan pajak pada program pengampunan pajak, 2 kondisi masyarakat serta bank atau lembaga penyelenggara kartu kredit, 3 mendukung program nontunai Bank Indonesia, 4 data kartu kredit tidak mencerminkan penghasilan, serta 5 masih minimnya jumlah transaksi dengan menggunakan kartu kredit. Sedangkan, manfaat yang diperoleh bagi pemeriksa pajak atas data kartu kredit adalah menjadi data pendukung dan rekonsiliasi pada objek pajak PPh dan PPN atas Wajib Pajak sebagai nasabah kartu kredit perseorangan dan/atau korporasi. Analisis atas evaluasi ini menyimpulkan bahwa kebijakan penetapan data transaksi nasabah kartu kredit sebagai basis data perpajakan perlu untuk dimodifikasi kemudian dilanjutkan kembali pelaksanaannya. Hal ini mengingat data transaksi nasabah kartu kredit yang dapat dijadikan basis data pengujian kepatuhan pajak di perkembangan aktivitas ekonomi dengan menggunakan nontunai yang sudah berkembang pesat.

---

ABSTRAKThe Directorate of General Taxes DGT have a resposibility to collect revenues with a target of Rp 1,355 trillion in 2016 as planned in the Revised State Revenue and Expenditure Budget by supporting taxpayer compliance. After that, the DGT made a new regulation of adding tax database, namely PMK Number 39 PMK.03 2016. The implementation of reporting data of credit card rsquo s client by bank or institution that arranged in PMK Number 39 PMK.03 2016 has been delayed until tax amnesty program ended. Afterwards, that implementation postponed again up to unspecified time limit. This policy analysis is done by qualitative approach through qualitative data analysis technique in the form of successive aproximation. The reasons for implementation delay is 1 tax audit is stop during tax amnesty program, 2 resistance from society and also bank or institution acquirer credit card, 3 support less cash program from Bank Indonesia, 4 credit card rsquo s data doesn rsquo t reflect people rsquo s income, and 5 inadequate on credit card rsquo s transaction. Meanwhile, the benefits of credit card client rsquo s data is the data can support tax auditors to reconciliation tax object of income tax and value added tax. Evaluation analysis conclude that policy of credit card client rsquo s data as a tax base needs to modify and re implementing. This should be re implementing because credit card client rsquo s data can be a tax base to measure tax payer rsquo s compliance in currently economic activities is much more using less cash rather than cash basis."

"

Transaksi kartu kredit yang semakin meningkat yang diikuti dengan maraknya tindak kecurangan memicu penelitian mengenai pengembangan model prediksi transaksi kartu kredit fraud. Data transaksi kartu kredit Doku digunakan menjadi sumber data pada penelitian. Penelitian ini melakukan pengembangan model prediksi serta webservice prediksi transaksi kartu kredit fraud. Fitur yang digunakan dalam pembuatan model adalah amount, payment bank issuer, payment bank acquirer, payment brand, payment 3D secure ECI, payment type, payment bank issuer country, dan hour. Model Decision Tree memberikan hasil terbaik dalam aspek precision dan F1-score dengan nilai 97.2% dan 96.8%. Model XGBoost memberikan hasil terbaik dalam aspek recall dan FP-rate dengan nilai 96.4% dan 3%. Kedua model tersebut sama-sama memperoleh nilai accuracy terbaik yaitu 96.7%. Dalam aspek webservice, model XGBoost memiliki performa terbaik dengan rata-rata throughput 77 request per detik.

---

The increasing amount of credit card transaction followed by fraudulent transaction becoming more rampant provokes many studies in fraud credit card transaction prediction model. Doku credit card transaction is used as data source for this study. This study experiments on developing model and webservice to predict fraud credit card transaction. Features used in builiding the model are amount, payment bank issuer, payment bankacquirer, payment brand, payment 3D secure ECI, payment type, payment bank issuer country, and hour. Decision Tree model achieves best precision and F1-score with 97.2% and 96.8% score. XGBoost model achieves best recall and FP-rate with 96.4% and 3% score. Both said model achieves same best accuracy with 96.7% score. In regards of the webservice, XGBoost achieves best performance with average throughput reaching 77 request per second.

"