<![CDATA[Kepatuhan wajib pajak merupakan faktor kunci dalam memastikan pendapatan pemerintah yang berkelanjutan, namun mengidentifikasi wajib pajak yang patuh dan tidak patuh tetap menjadi tantangan karena meningkatnya volume dan kompleksitas data pajak. Penelitian ini mengusulkan model klasifikasi kepatuhan wajib pajak menggunakan algoritma Support Vector Machine (SVM) untuk meningkatkan akurasi prediksi kepatuhan. Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan dataset wajib pajak yang memuat pendapatan, pajak terutang, ketepatan waktu pembayaran, status pengajuan SPT, tunggakan pajak, dan riwayat kepatuhan. Pra-pemrosesan data meliputi penanganan nilai yang hilang, penghapusan duplikat, pengkodean label, dan normalisasi Min-Max sebelum pelatihan dan evaluasi model menggunakan validasi silang 10-fold. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi 91,00%, presisi 90,48%, recall 92,23%, dan F1-score 91,34%, dengan akurasi validasi silang rata-rata 90,72% ± 1,26%. Temuan ini menunjukkan bahwa SVM memberikan kinerja yang andal dan kuat untuk klasifikasi kepatuhan wajib pajak, serta memiliki potensi besar untuk mendukung administrasi pajak yang cerdas dan berbasis data, sekaligus meningkatkan efisiensi pengambilan keputusan dalam sistem perpajakan digital. Taxpayer compliance is a key factor in ensuring sustainable government revenue, yet identifying compliant and non-compliant taxpayers remains challenging due to the increasing volume and complexity of tax data. This study proposes a taxpayer compliance classification model using the Support Vector Machine (SVM) algorithm to improve the accuracy of compliance prediction. The research employed a quantitative approach using taxpayer datasets containing income, tax payable, payment timeliness, tax return submission status, tax arrears, and compliance history. Data preprocessing included missing value handling, duplicate removal, label encoding, and Min-Max normalization before model training and evaluation using 10-fold cross-validation. Experimental results showed that the proposed model achieved an accuracy of 91.00%, precision of 90.48%, recall of 92.23%, and F1-score of 91.34%, with an average cross-validation accuracy of 90.72% ± 1.26%. These findings demonstrate that SVM provides reliable and robust performance for taxpayer compliance classification and has strong potential to support intelligent, data-driven tax administration and improve decision-making efficiency in digital taxation systems.]]>
