Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Sihombing, Yoel Michael
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Segmentasi Wajib Pajak Pribadi Berdasarkan Kode PTKP dan Penghasilan Neto Menggunakan Algoritma K-Means Clustering Prasetyo, Dimastito; Rifkhan, Muhammad; Sihombing, Yoel Michael; Alfian, Zurnan
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.1288

Abstract

Penerimaan pajak dari Wajib Pajak Orang Pribadi (WPOP) merupakan salah satu sumber pendapatan negara yang sangat penting dalam mendukung pembangunan nasional. Namun, karakteristik WPOP sangat beragam, baik dari segi penghasilan maupun status keluarga yang memengaruhi besaran Penghasilan Tidak Kena Pajak (PTKP). Keberagaman ini menuntut adanya strategi pengelolaan pajak yang berbasis data agar kebijakan perpajakan menjadi lebih tepat sasaran. Penelitian ini bertujuan untuk melakukan segmentasi terhadap WPOP berdasarkan kode PTKP dan penghasilan neto menggunakan algoritma K-Means Clustering. Penelitian menggunakan metode Knowledge Discovery in Database (KDD) yang terdiri dari lima tahapan: seleksi data, praproses data, transformasi data, pemodelan dengan algoritma K-Means, dan evaluasi hasil menggunakan Davies-Bouldin Index (DBI). Hasil pengelompokan menunjukkan adanya beberapa klaster wajib pajak dengan karakteristik serupa yang dapat menjadi dasar dalam merancang kebijakan perpajakan yang lebih adil, personal, dan efisien. Segmentasi ini diharapkan dapat membantu otoritas pajak dalam meningkatkan kepatuhan dan optimalisasi penerimaan pajak
Implementasi Fuzzy C-Means Clustering dalam Segmentasi Pelanggan dengan RFM Model sihombing, yoel michael; Rahayu, Eka Sri
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.4034

Abstract

Strategi pemasaran yang efektif menjadi kunci utama bagi perusahaan untuk meningkatkan loyalitas pelanggan dan profitabilitas. Salah satu pendekatan yang dapat digunakan adalah segmentasi pelanggan berbasis model RFM (Recency, Frequency, Monetary), yang memungkinkan perusahaan mengelompokkan pelanggan berdasarkan pola perilaku pembelian mereka. Namun, untuk meningkatkan akurasi segmentasi, diperlukan metode clustering yang andal. Penelitian ini mengusulkan implementasi algoritma Fuzzy C-Means (FCM) untuk segmentasi pelanggan berbasis model RFM guna mengoptimalkan strategi pemasaran. Metode FCM merupakan teknik clustering yang lebih fleksibel dibandingkan metode clustering konvensional seperti K-Means karena mampu menangani data dengan ketidakpastian dan memberikan keanggotaan ganda bagi setiap data dalam beberapa klaster dengan derajat keanggotaan tertentu. Dalam penelitian ini, dataset pelanggan dianalisis menggunakan tiga parameter utama model RFM, yaitu Recency (seberapa baru transaksi dilakukan), Frequency (seberapa sering pelanggan bertransaksi), dan Monetary (jumlah uang yang telah dikeluarkan oleh pelanggan). Penelitian ini dilakukan dalam beberapa tahap, meliputi pengumpulan data transaksi pelanggan, normalisasi data, penerapan algoritma FCM untuk clustering, serta analisis hasil segmentasi yang diperoleh. Hasil clustering dibandingkan dengan metode lain seperti K-Means untuk menilai efektivitas FCM dalam menghasilkan klaster yang lebih akurat. Dari hasil penelitian, diperoleh beberapa klaster pelanggan yang memiliki karakteristik berbeda, seperti pelanggan loyal, pelanggan potensial, pelanggan baru, dan pelanggan yang berisiko churn pelanggan kabur atau tidak kembali lagi. Implementasi FCM dalam segmentasi pelanggan berbasis RFM diharapkan mampu memberikan hasil segmentasi yang lebih presisi dibandingkan metode clustering konvensional.
Co-Authors Prasetyo, Dimastito Rahayu, Eka Sri Rifkhan, Muhammad Zurnan Alfian