Analisis Klasifikasi Kepatuhan Pembayaran Retribusi Pelayanan Pasar di Kota Tangerang Selatan Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.25077/TEKNOSI.v12i2.2026.190-202Kata Kunci:
CRISP-DM, Klasifikasi, Pembelajaran Mesin, Random ForestAbstrak
Retribusi jasa pasar merupakan salah satu sumber utama Pendapatan Asli Daerah (PAD) yang digunakan untuk pengembangan dan revitalisasi pasar, serta meningkatkan kenyamanan, keamanan, dan pertumbuhan ekonomi daerah. Meskipun Sistem Transaksi Elektronik Pemerintah Daerah (ETPD) telah diterapkan di Kota Tangerang Selatan untuk memudahkan pembayaran melalui berbagai kanal digital, namun tingkat kepatuhan pembayaran masih rendah. Pada tahun 2023, penerimaan retribusi jasa pasar Kota Tangerang Selatan baru mencapai 29,94% dari target yang ditetapkan. Dari jumlah tersebut, hanya 16,86% wajib retribusi yang membayar secara rutin dan tepat waktu, sedangkan 83,14% belum melakukan pembayaran tepat waktu. Kondisi ini dapat menghambat perolehan pendapatan daerah yang optimal. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang dapat memprediksi kepatuhan pembayaran retribusi jasa pasar di Kota Tangerang Selatan. Penelitian ini memanfaatkan algoritma Random Forest dan mengikuti framework Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk mengklasifikasikan data retribusi jasa pasar periode November 2021 sampai dengan November 2024 yang diperoleh melalui sistem ETPD. Model yang dikembangkan mengklasifikasikan kepatuhan pembayaran retribusi menjadi dua kategori, yaitu tepat waktu dan terlambat. Hasil analisis menggunakan K-Fold Cross Validation menunjukkan bahwa model Random Forest mencapai metrik kinerja yang kuat dengan akurasi 94,94%, presisi 99,49%, recall 90,34%, F1-score 94,69%, dan AUC 95%, yang menunjukkan kemampuan klasifikasi model yang sangat baik. Temuan ini dapat menjadi rekomendasi bagi pemerintah Kota Tangerang Selatan untuk merumuskan strategi peningkatan kepatuhan pembayaran retribusi.Referensi
V. P. Tappi, “Analisis Pendapatan Asli Daerah (PAD) Kabupaten Jayapura,” Jurnal Ekonomu & Bisnis, vol. 12, no. 1, pp. 16–24, 2021, Accessed: Mar. 07, 2024. [Online]. Available: https://doi.org/10.55049/jeb.v12i1.66
Sumiati, Sulkarnain, Sitti Jamilah Amin, and Damirah, “Analisis Potensi Pasar Tradisional dalam Meningkatkan Perekonomian Daerah,” BALANCA : Jurnal Ekonomi dan Bisnis Islam, vol. 4, no. 2, pp. 8–15, Nov. 2023, doi: 10.35905/balanca.v4i2.4823.
S. Ruddin and A. Y. Nasution, “Analisis Revitalisasi Pasar Tradisional untuk Meningkatkan Pendapatan Daerah Kota Tangerang Selatan, Provinsi Banten,” Jurnal Mandiri : Ilmu Pengetahuan, Seni, dan Teknologi, vol. 3, no. 2, pp. 294–306, Dec. 2019, doi: 10.33753/mandiri.v3i2.91.
O. B. Saputri, “Analisis SWOT Transformasi Digital Transaksi Keuangan Pemerintah Daerah dalam Mendukung Inklusi Keuangan,” Jurnal Ekonomi Keuangan dan Manajemen, vol. 17, no. 3, pp. 482–494, 2021, Accessed: Mar. 18, 2024. [Online]. Available: https://doi.org/10.30872/jinv.v17i3.9339
L. Breiman, “Random Forests,” Mach Learn, vol. 45, no. 1, pp. 5–32, 2001, Accessed: Sep. 17, 2024. [Online]. Available: https://doi.org/10.1023/A:1010933404324
G. Biau and E. Scornet, “A Random Forest Guided Tour,” Test, vol. 25, no. 2, pp. 197–227, Jun. 2016, doi: 10.1007/s11749-016-0481-7.
Y. Ao, H. Li, L. Zhu, S. Ali, and Z. Yang, “The Linear Random Forest Algorithm and Its Advantages in Machine Learning Assisted Logging Regression Modeling,” J Pet Sci Eng, vol. 174, pp. 776–789, Mar. 2019, doi: 10.1016/j.petrol.2018.11.067.
C. Janiesch, P. Zschech, and K. Heinrich, “Machine Learning and Deep Learning,” Electronic Markets, vol. 31, no. 3, pp. 685–695, Sep. 2021, doi: 10.1007/s12525-021-00475-2.
Narayanan and Jayashree, “Implementation of Efficient Machine Learning Techniques for Prediction of Cardiac Disease using SMOTE,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 558–569. doi: 10.1016/j.procs.2024.03.245.
Y. Kanoun, A. M. Aghbash, T. Belem, B. Zouari, and H. Mrad, “Failure Prediction in The Refinery Piping System Using Machine Learning Algorithms: Classification and Comparison,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 1663–1672. doi: 10.1016/j.procs.2024.01.164.
C. Schröer, F. Kruse, and J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM Process Model,” in Procedia Computer Science, Elsevier B.V., 2021, pp. 526–534. doi: 10.1016/j.procs.2021.01.199.
P. Chapman et al., CRISP-DM 1.0 Step-By-Step Data Mining Guide. Amsterdam: SPSS Inc, 2000.
I. N. Hidayati, T. F. Kusumasari, and F. Hamami, “Comparison of Apache SparkSQL and Oracle Performance: Case Study of Data Cleansing Process,” International Journal on Informatics Visualization, vol. 6, no. 2, pp. 208–213, 2022, Accessed: Jul. 24, 2024. [Online]. Available: http://dx.doi.org/10.30630/joiv.6.1-2.928
F. Ridzuan, W. M. Nazmee, and W. Zainon, “A Review on Data Cleansing Methods for Big Data,” in Procedia Computer Science, Elsevier B.V., 2019, pp. 731–738. doi: 10.1016/j.procs.2019.11.177.
U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” Journal of Computer and Information Systems Ampera, vol. 3, no. 2, pp. 55–66, 2023, doi: 10.51519/journalcisa.v4i2.393.
K. Potdar, T. S. Pardawala, and C. D. Pai, “A Comparative Study of Categorical Variable Encoding Techniques for Neural Network Classifiers,” Int J Comput Appl, vol. 175, no. 4, pp. 7–9, 2017, Accessed: Jul. 24, 2024. [Online]. Available: https://doi.org/10.5120/ijca2017915495
R. Larose and B. Coyle, “Robust data encodings for quantum classifiers,” Phys Rev A (Coll Park), vol. 102, no. 3, pp. 1–24, Sep. 2020, doi: 10.1103/PhysRevA.102.032420.
M. S. Irwanto, F. A. Bachtiar, and N. Yudistira, “Klasifikasi Aktivitas Manusia Menggunakan Algoritme Computed Input Weight Extreme Learning Machine dengan Reduksi Dimensi Principal Component Analysis,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 6, pp. 1195–1202, 2022, doi: 10.25126/jtiik.202295504.
F. Rachmawati, J. Jaenudin, N. B. Ginting, and P. Laksono, “Machine Learning for the Model Prediction of Final Semester Assessment (FSA) using the Multiple Linear Regression Method,” Jurnal Teknik Informatika, vol. 17, no. 1, pp. 1–9, May 2024, doi: 10.15408/jti.v17i1.28652.
F. Aldi, F. Hadi, N. A. Rahmi, and S. Defit, “Standardscaler’s Potential in Enhancing Breast Cancer Accuracy Using Machine Learning,” Journal of Applied Engineering and Technological Science, vol. 5, no. 1, pp. 401–413, 2023, Accessed: Jul. 25, 2024. [Online]. Available: https://doi.org/10.37385/jaets.v5i1.3080
Ridwan, E. H. Hermaliani, and M. Ernawati, “Penerapan Metode SMOTE Untuk Mengatasi Imbalanced Data pada Klasifikasi Ujaran Kebencian,” Computer Science , vol. 4, no. 1, pp. 80–88, 2024, Accessed: Jul. 25, 2024. [Online]. Available: https://doi.org/10.31294/coscience.v4i1.2990
E. Sutoyo and M. A. Fadlurrahman, “Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network,” Jurnal Edukasi dan Penelitian Informatika, vol. 6, no. 3, pp. 379–385, 2020, Accessed: Sep. 13, 2024. [Online]. Available: http://dx.doi.org/10.26418/jp.v6i3.42896
V. R. Joseph, “Optimal Ratio for Data Splitting,” Stat Anal Data Min, vol. 15, no. 4, pp. 531–538, Aug. 2022, doi: 10.1002/sam.11583.
N. M. Kebonye, “Exploring The Novel Support Points-Based Split Method On A Soil Dataset,” Measurement (Lond), vol. 186, no. 58, pp. 1–4, Dec. 2021, doi: 10.1016/j.measurement.2021.110131.
C. Zucco, “Multiple learners combination: Bagging,” Encyclopedia of Bioinformatics and Computational Biology: ABC of Bioinformatics, vol. 1, no. 3, pp. 525–530, Jan. 2018, doi: 10.1016/B978-0-12-809633-8.20345-2.
D. Nishfi, I. Huda, C. Prianto, and R. M. Awangga, “Analisis Sentimen Perbandingan Layanan Jasa Pengiriman Kurir pada Ulasan Play Store Menggunakan Metode Random Forest dan Descision Tree,” Jurnal Ilmiah Informatika (JIF), vol. 11, no. 2, pp. 150–158, 2023, Accessed: Aug. 07, 2024. [Online]. Available: https://doi.org/10.33884/jif.v11i02.7952
F. Y. Pamuji and V. P. Ramadhan, “Jurnal Teknologi dan Manajemen Informatika Komparasi Algoritma Random Forest Dan Decision Tree untuk Memprediksi Keberhasilan Immunotheraphy,” Jurnal Teknologi dan Manajemen Informatika, vol. 7, no. 1, pp. 46–50, 2021, Accessed: Aug. 07, 2024. [Online]. Available: https://doi.org/10.26905/jtmi.v7i1.5982
L. Langsetmo et al., “Advantages and Disadvantages of Random Forest Models for Prediction of Hip Fracture Risk Versus Mortality Risk in the Oldest Old,” Journal of Bone and Mineral Research Plus, vol. 7, no. 8, pp. 1–11, Aug. 2023, doi: 10.1002/jbm4.10757.
T. M. Khoshgoftaar, M. Golawala, and J. Van Hulse, “An empirical study of learning from imbalanced data using random forest,” in Proceedings - International Conference on Tools with Artificial Intelligence, ICTAI, 2007, pp. 310–317. doi: 10.1109/ICTAI.2007.46.
E. Renata and M. Ayub, “Penerapan Metode Random Forest untuk Analisis Risiko pada Dataset Peer to Peer Lending,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 3, pp. 462–474, Dec. 2020, doi: 10.28932/jutisi.v6i3.2890.
V. Nguyen, “Bayesian optimization for accelerating hyper-parameter tuning,” in Proceedings - IEEE 2nd International Conference on Artificial Intelligence and Knowledge Engineering, AIKE 2019, Institute of Electrical and Electronics Engineers Inc., Jun. 2019, pp. 302–305. doi: 10.1109/AIKE.2019.00060.
Q. Yang et al., “Research on Surrogate Models and Optimization Algorithms of Compressor Characteristic Based on Digital Twins,” Journal of Engineering Research (Kuwait), vol. 5, no. 4, pp. 1–13, 2024, doi: 10.1016/j.jer.2024.01.025.
E. Elgeldawi, A. Sayed, A. R. Galal, and A. M. Zaki, “Hyperparameter tuning for machine learning algorithms used for arabic sentiment analysis,” Informatics, vol. 8, no. 4, pp. 1–21, Dec. 2021, doi: 10.3390/informatics8040079.
D. M. Belete and M. D. Huchaiah, “Grid Search in Hyperparameter Optimization of Machine Learning Models for Prediction of HIV/AIDS Test Results,” International Journal of Computers and Applications, vol. 44, no. 9, pp. 875–886, 2022, doi: 10.1080/1206212X.2021.1974663.
S. Andradóttir, “A Review of Random Search Methods,” International Series in Operations Research Management & Science, vol. 7, no. 4, pp. 277–292, 2014, doi: 10.1007/978-1-4939-1384-8__10.
S. Greenhill, S. Rana, S. Gupta, P. Vellanki, and S. Venkatesh, “Bayesian Optimization for Adaptive Experimental Design: A Review,” IEEE Access, vol. 8, no. 5, pp. 13937–13948, 2020, doi: 10.1109/ACCESS.2020.2966228.
D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021, Accessed: Jul. 31, 2024. [Online]. Available: http://dx.doi.org/10.30645/j-sakti.v5i2.369
Z. A. Dwiyanti and C. Prianto, “Prediksi Cuaca Kota Jakarta Menggunakan Metode Random Forest,” Jurnal Tekno Insentif, vol. 17, no. 2, pp. 127–137, Oct. 2023, doi: 10.36787/jti.v17i2.1136.
A. H. Bik, F. T. Anggraeny, and E. Y. Puspaningrum, “Klasifikasi Penyakit Ginjal Menggunakan Algoritma Hibrida CNN-ELM,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 3, pp. 3836–3844, 2024, Accessed: Aug. 02, 2024. [Online]. Available: https://doi.org/10.36040/jati.v8i3.9807
D. T. Wilujeng, M. Fatekurohman, and I. M. Tirta, “Analisis Risiko Kredit Perbankan Menggunakan Algoritma K-Nearest Neighbor dan Nearest Weighted K-Nearest Neighbor,” Indonesian Journal of Applied Statistics, vol. 5, no. 2, pp. 142–148, Oct. 2023, doi: 10.13057/ijas.v5i2.58426.
R. N. Irawan, K. M. Hindrayani, and M. Idhom, “Penerapan Cross Validation sebagai Analisis Sentimen Pelayanan Publik Kereta Api Lokal Daop 8 Menggunakan Metode Multinomial Naïve Bayes,” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 2, pp. 954–963, Apr. 2024, doi: 10.33379/gtech.v8i2.4117.
H. Azis, Purnawansyah, F. Fattah, and I. P. Putri, “Performa Klasifikasi K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung,” ILKOM Jurnal Ilmiah, vol. 12, no. 2, pp. 81–86, Aug. 2020, doi: 10.33096/ilkom.v12i2.507.81-86.
H. Hafid, “Penerapan K-Fold Cross Validation untuk Menganalisis Kinerja Algoritma K-Nearest Neighbor pada Data Kasus Covid-19 di Indonesia,” Journal of Mathematics, Computations, and Statistics, vol. 6, no. 2, pp. 161–168, 2023, Accessed: Jul. 29, 2024. [Online]. Available: https://doi.org/10.35580/jmathcos.v6i2.53043
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 