Perpustakaan Digital ITB

Kepatuhan pajak kendaraan bermotor (PKB) menjadi tantangan bagi pemerintah daerah karena karakteristik wajib pajak yang kompleks dan heterogen. Kondisi ini menyulitkan pemerintah daerah dalam mengidentifikasi serta menerapkan kebijakan yang efektif, yang selama ini masih dilakukan dengan pendekatan konvensional. Penelitian ini bertujuan untuk mengembangkan model pendukung kebijakan berbasis data dengan mengintegrasikan clustering, classification, dan explainable artificial intelligence (XAI). Model ini diharapkan dapat mengatasi permasalahan kebijakan yang masih bersifat umum tanpa mempertimbangkan karakteristik masing-masing. Analisis dimulai dengan pengelompokan wajib pajak menggunakan metode k-prototype clustering berdasarkan denda dan pemutihan. Jumlah cluster optimal ditentukan menggunakan metode elbow, dengan hasil k = 3 dan nilai silhouette score sebesar 0,939. Selanjutnya, status kepatuhan wajib pajak diprediksi menggunakan beberapa algoritma, yaitu logistic regression, k-nearest neighbor, decision tree, random forest, dan XGBoost, dengan penerapan hyperparameter tuning menggunkaan GridSearchCV untuk mengoptimalkan kinerja model. Hasil penelitian menunjukkan bahwa XGBoost-SMOTE memiliki kinerja terbaik dengan nilai accuracy (0,804) dan F1-score (0,601). Untuk memastikan transparansi dalam proses prediksi, digunakan metode SHapley Additive exPlanations (SHAP) guna menginterpretasikan hasil prediksi model serta mengidentifikasi faktor-faktor yang memengaruhi, dengan hasil yaitu pkb pokok, merek kendaraan, status kepatuhan tahun sebelumnya, denda tahun sebelumnya, dan kategori layanan tahun sebelumnya.