Keywords: Accuracy; compliance; ensemble; parameter tuning; single classification; taxpayer

ABSTRAK

Bidang pematuhan cukai pendapatan ekonomi digital masih di peringkat awal. Pengumpulan cukai pendapatan kerajaan yang terhad telah memaksa Lembaga Hasil Dalam Negeri Malaysia (LHDNM) untuk mengembangkan penyelesaian untuk meningkatkan kepatuhan cukai sektor ekonomi digital sehingga pembayar cukai dapat melaporkan pendapatan secara sukarela atau tindakan tegas dapat diambil. Keupayaan untuk mendiagnosis kepatuhan pembayar cukai akan memastikan LHDNM memungut cukai pendapatan dengan berkesan dan memberi pendapatan kepada negara. Namun, ini memberikan cabaran dalam mengekstrak pengetahuan yang diperlukan dari sejumlah besar data, yang menyebabkan perlunya model ramalan untuk mengesan tahap kepatuhan pembayar cukai. Makalah ini mencadangkan model analisis deskriptif dan ramalan untuk meramalkan pematuhan cukai pendapatan ekonomi digital di Malaysia. Analisis deskriptif dijalankan untuk meneroka dan mengekstrak ringkasan data untuk pemahaman awal. Melalui penerangan ringkas model deskriptif, taburan data histogram menunjukkan bahawa maklumat yang diekstrak dapat memberikan gambaran yang jelas dalam mempengaruhi hasil untuk mengelaskan pematuhan cukai ekonomi digital. Dalam pemodelan ramalan, pendekatan tunggal dan bergabung digunakan untuk mencari model terbaik dan faktor penting yang menyumbang kepada ketidakpatuhan pembayaran cukai di kalangan peruncit ekonomi digital. Berdasarkan pengesahan data latihan dengan adanya tujuh algoritma pengelasan tunggal, tiga peningkatan prestasi telah dibuat melalui pengelasan bergabung, iaitu kaedah pembalut, pemeringkatan dan undian, dan dua teknik yang melibatkan parameter pencarian dan evolusi grid.  Hasil uji kaji menunjukkan bahawa kaedah bergabung dapat meningkatkan ketepatan model pengelasan tunggal dengan ketepatan tertinggi iaitu 87.94% berbanding dengan model pengelasan tunggal terbaik. Fasa analisis pengetahuan mempelajari ciri-ciri yang bermakna dan pengetahuan tersembunyi yang dapat mengelaskan konteks pembayar cukai yang berpotensi mempengaruhi tahap pematuhan cukai dalam ekonomi digital dikategorikan. Secara keseluruhan, pengumpulan maklumat ini berpotensi untuk membantu pihak berkepentingan membuat keputusan pada masa depan mengenai pematuhan cukai ekonomi digital.

Kata kunci: Ketepatan; model bergabung; pematuhan; pembayar cukai; pengelasan tunggal

RUJUKAN

Adejo, O. & Connolly, T. 2017. An integrated system framework for predicting students’ academic performance in higher educational. International Journal of Computer Science & Information Technology (IJCSIT) 9(3): 149-157. doi:10.5121/ijcsit.2017.93013

Ali, K., Pazzani, M. & Science, C. 1995. HYDRA-MM: Learning multiple descriptions to improve classification accuracy. International Journal on Artificial Intelligence Tools 4: 1-22.

Breiman, L.E.O. 1996. Bagging Predictors. Boston: Academic Publishers. pp. 123-140.

Castellón González, P. & Velásquez, J.D. 2013. Characterization and detection of taxpayers with false invoices using data mining techniques. Expert Systems with Applications 40(5): 1427-1436.

Cleary, D. 2011. Predictive analytics in the public sector: Using data mining to assist better target selection for audit. Proceeding of the 11^th European Conference on EGovernment: ECEG. pp. 132-140.

Dhrubajyoti, D. 2017. Machine learning. European Journal of Multidisciplinary Studies 2(7): 255-258.

Freund, Y. & Schapires, R.E. 1997. A decision-theoretic generalization of on-line learning and an application to boosting. AT&T Labs 139: 119-139.

Hamsagayathri, P. & Sampath, P. 2017. Decision tree classifiers for classification of breast cancer. International Journal of Current Pharmaceutical Research 9(2): 31-35.

Han, B.J. & Kamber, M. 2002. Data Mining: Concepts and Techniques. Beijing Machinery Industry Press 84: 92-99.

Jupri, M. & Sarno, R. 2018. Taxpayer compliance classification using C4.5, SVM, KNN, Naive Bayes and MLP. International Conference on Information and Communications Technology (ICOIACT). pp. 297-303.

Lakshmi, R.D. & Radha, N. 2011. Machine learning approach for taxation analysis using classification techniques. International Journal of Computer Applications 12(10): 1-6.

LHDNM. 2018. Risalah Ekonomi Digital LHDNM.

Lin, C. & Lin, I. 2012. The application of decision tree and artificial neural network to income tax audit: The examples of profit- seeking enterprise income tax and individual income tax in Taiwan. Journal of the Chinese Institute of Engineers 35: 37-41.

Loo, E.C., Evans, C. & McKerchar, M.A. 2012. Challenges in understanding compliance behaviour of taxpayers in Malaysia. Asian Journal of Business and Accounting 3(2): 145-162.

Mithal, V., Nayak, G., Khandelwal, A. & Kumar, V. 2017. RAPT: Rare Class Prediction in Absence of True Labels. IEEE Transactions on Knowledge and Data Engineering 4347(c): 1-14. doi:10.1109/TKDE.2017.2739739.

Mohd Rizal, P., Mohd Rusyidi, M.A. & Wan Fadillah, B.W.A. 2013. The perception of tax payers on tax knowledge and tax education with level of tax compliance: A study the influences of religiosity. ASEAN Journal of Economics, Management and Accounting 1(1): 118-129.

Nellen, B. 2015. Taxation and today’s digital economy. Journal of Tax Practice & Procedure 17: 17.

Pham, B.T., Bui, D.T., Prakash, I. & Dholakia, M.B. 2016. Hybrid integration of Multilayer Perceptron Neural Networks and machine learning ensembles for landslide susceptibility assessment at Himalayan Area (India) using GIS. Catena 149(Part 1): 52-63. doi:10.1016/j.catena.2016.09.007.

Tretter, M.J. 2003. Data Mining. Encyclopedia of information systems. Executive report. 

*Pengarang untuk surat-menyurat; email: rajazhan@hasil.gov.my

sebelumnya kandungan seterusnya