PENGGUNAAN DATA MINING DALAM EKSTENSIFIKASI PENELITIAN ULANG

Authors

  • Ardandy Amrie Irshadi Direktorat Jenderal Bea dan Cukai
  • Alam Wahyu Santoso

DOI:

https://doi.org/10.31092/jpbc.v5i2.1305

Abstract

ABSTRACT

Due to increasing volume of international trade, effect on increasing customs document, Customs play a role so that trade flows run without obstacles, this causes inspection of imported goods to be less than optimal, but on the other hand Customs are required to collect state revenues optimally. This study tries to solve this problem from the post-clearance control side with re-examination by construct an analytical data model to predict the suitable classification. This study uses data on the Notification of Imported Goods during 2020 at the Regional Office of DJBC XXX which using a sample of goods that has similarities but has the potential to be misclassified. This study uses the Cross-industry Standard Process for Data Mining (CRISP-DM) model and the Rapid Miner Studio 9.9.2 application. Based on the model formed, the prediction results obtained according to the appropriate classification according to data mining. It also found the factors that most impact to goods classification, the most impact is the Importer status, whereas the least impact is the goods lane.

ABSTRAK:

 

Seiring dengan volume perdagangan internasional yang semakin tinggi, jumlah dokumen kepabeanan yang harus diperiksa juga mengalami peningkatan. Hal ini menghambat peran Bea dan Cukai sebagai fasilitator perdagangan yang menyebabkan pemeriksaan barang impor kurang optimal. Di sisi lain, Bea dan Cukai dituntut untuk menghimpun penerimaan negara secara optimum. Penelitian ini mencoba untuk menyelesaikan permasalahan tersebut pada tahap post clearance dengan penelitian ulang, yaitu dengan membangun model data analitik untuk memprediksi klasifikasi barang yang diberitahukan oleh importir sudah sesuai atau belum. Penelitian ini menggunakan data Pemberitahuan Impor Barang selama tahun 2020 pada Kanwil DJBC XXX yang sampel data barangnya memiliki kemiripan tetapi berpotensi salah klasifikasi. Penelitian ini menggunakan model Cross-industry Standard Process for Data Mining (CRISP-DM) dan aplikasi Rapid Miner Studio 9.9.2. Berdasarkan permodelan yang dibentuk, didapatkan hasil prediksi klasifikasi yang sesuai menurut data mining. Didapat pula faktor yang paling memengaruhi kebenaran pemberitahuan klasifikasi barang impor, yaitu status importir, sedangkan yang paling tidak berpengaruh adalah jalur pengeluaran barang impor.

Kata Kunci: Penelitian Ulang, Data Analitik, Penerimaan Negara, Klasifikasi Barang

 

References

Canrakerta, Achmad N. Z., Yova R., Application of Business Intelligence for Customs Declaration: A Case Study in Indonesia. Jurnal of Physics: Conference Series.

Chapman & Pete. 2000. CRISP-DM v.1.0 Step by Step Data Mining Guide. SPSS Inc.

Direktorat Jenderal Bea dan Cukai (2017). Peraturan Direktur Jenderal Bea dan Cukai Nomor PER-8/BC/2017 tentang Petunjuk Pelaksanaan Penelitian Ulang sebagaimana diubah dengan Peraturan Direktur Jenderal Bea dan Cukai Nomor PER-25/BC/2019. Jakarta: Direktorat Audit Kepabeanan dan Cukai.

Kementerian Keuangan (2017). Buku Tarif Kepabeanan Indonesia Tahun 2017. Jakarta: Direktorat Jenderal Bea dan Cukai.

Pemerintah Republik Indonesia. (2006). Undang-Undang Republik Indonesia Nomor 10 Tahun 1995 Tentang Kepabeanan sebagaimana diubah dengan Undang-Undang Nomor 17 Tahun 2006. Jakarta: Kementerian Hukum dan HAM.

Sri L., Herta A. S., Implementasi Data Mining Dalam Penerbitan Surat Penetapan Tarif dan Nilai Pabean Menggunakan Metode Classification Pada Direktorat Jenderal Bea dan Cukai. CKI On Spot Vol. 11

Turban & E. 2005. Decision Support Systems and Intelligent Systems. Yogyakarta: Andi Offset.

World Customs Organization (2019). Risk Management Compendium Volume 1. Brussel: World Customs Organization.

Published

2021-11-30

How to Cite

Irshadi, A. A., & Alam Wahyu Santoso. (2021). PENGGUNAAN DATA MINING DALAM EKSTENSIFIKASI PENELITIAN ULANG. JURNAL PERSPEKTIF BEA DAN CUKAI, 5(2), 218–132. https://doi.org/10.31092/jpbc.v5i2.1305

Issue

Section

Articles