Studi Simulasi Pengelompokan Pajak Daerah Surabaya
DOI:
https://doi.org/10.55719/imej.v2i2.1033Keywords:
Minimization, Repair, Production Process, WasteAbstract
Surabaya is one of the cities that has the highest local revenue in Indonesia among other districts or cities. On the other hand, the city of Surabaya shows a significant level of inequality between its regions based on GRDP volume per sub-district. The aim of this research is to conduct a simulation study of the grouping of regional tax payments in each sub-district in the city of Surabaya. This research uses 7 regional tax variables in the city of Surabaya, namely ground water tax, entertainment tax, street lighting tax, hotel tax, restaurant tax, parking tax and land and building tax. The number of sub-districts included in cluster 1 is 7 sub-districts, namely Dukuh Pakis, Gayungan, Genteng, Mulyorejo, Sambikerep, Tegalsari and Wonokromo. The number of sub-districts in cluster 2 is 20 sub-districts, namely Asemrowo, Benowo. Bulak. Gu-nung Anyar, Jambangan, Kenjeran, Lakarsantri, Pabean Cantian, Pakal, Rungkut, Sawahan, Semampir, Simokerto, Sukolilo, Sukomanunggal. Tambaksari, Tandes, Tenggilis Mejo-yo, Wiyung, Wonocolo. The number of sub-districts included in cluster 3 is 2 sub-districts, namely Karang Pilang and Krembangan. Genteng and Bubutan are members of sub-districts in cluster 4.
Surabaya adalah salah satu kota yang memiliki pendapatan asli daerah tertinggi di Indonesia di antara kabupaten atau kota lainnya. Pada sisi lainnya, Kota Surabaya menunjukkan tingkat ketimpangan yang signifikan antara wilayahnya berdasarkan volume PDRB per kecamatan. Tujuan dari penelitian ini adalah untuk melakukan studi simulasi pengelompokan pembayaran pajak daerah di setiap kecamatan di Kota Surabaya. Penelitian ini menggunakan 7 variabel pajak daerah di Kota Surabaya, yaitu pajak air tanah, pajak hiburan, pajak penerangan jalan, pajak hotel, pajak restoran, pajak parkir serta pajak bumi dan bangunan. Jumlah kecamatan yang termasuk dalam klaster 1 sebanyak 7 kecamatan yaitu Dukuh Pakis, Gayungan, Genteng, Mulyorejo, Sambikerep, Tegalsari dan Wonokromo. Jumlah kecamatan dalam klaster 2 sebanyak 20 kecamatan yaitu Asemrowo, Benowo. Bulak. Gu-nung Anyar, Jambangan, Kenjeran, Lakarsantri, Pabean Cantian, Pakal, Rungkut, Sawahan, Semampir, Simokerto, Sukolilo, Sukomanunggal. Tambaksari, Tandes, Tenggilis Mejo-yo, Wiyung, Wonocolo. Jumlah kecamatan yang termasuk dalam klaster 3 sebanyak 2 kecamatan yaitu Karang Pilang dan Krembangan. Genteng dan Bubutan adalah anggota kecamatan dalam klaster 4.
Downloads
References
BPPK. (2015). Pengelolaan Sumber Penerimaan Pajak. http://www.bppk.kemenkeu.go.id/publikasi/artikel/147. Diakses pada tanggal 16 Agustus 2017.
Nurcholish, H. (2005). Teori dan Praktek Pemerintahan dan Otonomi Daerah. Jakarta: Gramedia Widiasarana.
Dirjen Perimbangan Kementerian Keuangan. (2017). Realisasi Anggaran Pendapatan dan Belanja Daerah 2016. http://www.djpk.depkeu.go.id/?p=4666. Diakses pada tanggal 9 Oktober 2017.
Rencher, A. (2002). Methods of Multivariate Analysis. Canada: John Wiley & Sons, Inc.
Zadeh, L. A. (1965). Information and control. Fuzzy sets, 8(3), 338-353.
Gustafson, D. & Kessel, W.C. (1979). Fuzzy Clustering with a Fuzzy Covariance Matrix. San Diego: Paper in Proceedings of the IEEE on Decision and Control. 761 - 766.
Velichkov, N., & Stefanova, K. (2017). Tax Models in the EU: a Cluster Analysis. Economic Alternatives, (4), 573-583.
Mingoti, S. A. & Lima, J.O. (2006). Comparing SOM Neural Network with Fuzzy C-Means (FCM), C-Means and Traditional Hierarchical Clustering Algorithms. European Journal of Operational Research. 174:1742-1759.
Sirait, R. (2015). Pengelompokan Kecamatan dan Faktor-Faktor Yang Mempengaruhi Pajak Daerah Kota Surabaya (Studi Kasus Tahun 2006-2014. Tugas Akhir: Jurusan Statistika, Institut Teknologi Sepuluh Nopember.
Amalia, N.A., Widodo, D.A., & Oktaviana, P.P. (2016). Analisis Clustering Perusahaan Sub Sektor Perbankan Berdasarkan Rasio Keuangan CAMELS Tahun 2014 Menggunakan Metode Fuzzy C-Means dan Fuzzy Gustafson-Kessel. Jurnal Sains dan Seni ITS. 5 (2).
Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis, sixth edition. New Jersey: Pearson Education Inc.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2009). Multivariate Data Analysis, 7th edition. New Jersey: Prentice Hall, Inc.
Rencher, A. (1998). Multivariate Statistical Inference and Application, 2nd edition. New York: John Willey & Sons Inc.
Sharma, S. (1996). Applied Multivariate Techniques. New York: John Wiley & Sons Inc.
Hartati, S., Hamzah, A. (2005). Kajian Eksperimen Kinerja Fuzzy Clustering C Mean, Guste-Kessel, Gath-Geva dan C Regresi. Jurnal Pakar Teknologi Informasi dan Bisnis. 6 (1).
Kusumadewi, S., & Hari, P. (2004). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.
Bezdek, J. C. (1981). Pattern recognition with fuzzy objective function algorithms. New York: Plenum Press.
Balasko, B., Abonyi, J. & Feil B. (2007). Fuzzy Clustering and Data Analysis Toolbox For Use with Mathlab. University of Vezprem: Vezprem.
Orphin, A. R. & Kostylev, V. E. (2006). Towards a Statistically Valid Method of Textural Sea Floor Characterization of Benthic Habitats. Journal Marine Geology. 225:209-222.
Law, A.M. and Kelton, W.D. (1991) Simulation Modelling and Analysis. 2nd edition. New York: McGraw-Hill.
Badan Pusat Statistik, (2015). Kota Surabaya Dalam Angka 2015. Surabaya: Badan Pusat Statistik Kota Surabaya.
