MODUL PEMBELAJARAN

DATA ANALYTICS

2023
 DAFTAR ISI

Bab I : Pengantar Data Analytics ................................................................................................. 3

1. Definisi dan Ruang Lingkup........................................................................................................ 3
2. Sejarah Data Analytics ................................................................................................................ 4

Bab II : Jenis - Jenis Analisis Data .............................................................................................. 6

1. Analisis Deskriptif ............................................................................................................................. 6
2. Analisis Diagnostik ............................................................................................................................ 6
3. Analisis Prediktif................................................................................................................................ 6
4. Analisis Preskriptif ............................................................................................................................. 7
Bab III : Kompetensi Data Analytics .......................................................................................... 8
1. Proses Bisnis ...................................................................................................................................... 8
2. Statistika............................................................................................................................................. 8
3. Teknologi Informasi ........................................................................................................................... 9

Bab IV : Metodologi CRISP-DM............................................................................................... 10

1. Business Understanding ................................................................................................................... 10
2. Data Understanding ......................................................................................................................... 10
3. Data preparation.............................................................................................................................. 11
4. Modeling .......................................................................................................................................... 11
5. Evaluation ........................................................................................................................................ 11
6. Deployment ...................................................................................................................................... 11

Bab V : Pemodelan Data Analytics ............................................................................................ 12

1. Estimation ........................................................................................................................................ 12
2. Forecasting ...................................................................................................................................... 12
3. Classification ................................................................................................................................... 12
4. Clustering ......................................................................................................................................... 12
5. Association ....................................................................................................................................... 13

Bab VI : Implementasi Data Analytics DJP .............................................................................. 14

Soal Test Modul Data Analytics .................................................................................................. 16
Kunci Jawaban Test Modul Data Analytics .............................................................................. 17
Bab I : Pengantar Data Analytics

1. Definisi dan Ruang Lingkup

Data Analytics merupakan serangkaian proses dan teknik analisis dalam mengekstraksi
informasi dan pengetahuan dari data yang tersedia, serta mengubahnya menjadi actionable insights
yang dapat dimanfaatkan untuk mencapai tujuan organisasi. Langkah-langkah yang diperlukan
dalam data analytics terdiri dari pengumpulan, pemrosesan, analisis, dan penyajian data yang
bertujuan untuk mendapatkan wawasan atau pengetahuan yang bisa digunakan dalam
mengoptimalkan pengambilan keputusan di bidang keuangan, kesehatan, pendidikan, dan berbagai
bidang lainnya. Berikut penjelasan secara rinci terkait dengan langkah-langkah yang diperlukan
dalam implementasi data analytics:

a. Pengumpulan Data
Metode Pengumpulan data dapat dilakukan melalui survey, wawancara, observasi, scrapping,
dan metode lainnya. Jenis data berdasarkan proses pengumpulannya terbagi menjadi data
primer dan sekunder. Data primer adalah data yang dikumpulkan secara langsung oleh pihak
yang memanfaatkan data, sedangkan data sekunder adalah data yang pengumpulannya
dilakukan oleh pihak lain. Seluruh data yang dikumpulkan disimpan dalam suatu sistem
database sebelum dilakukan pemrosesan lebih lanjut.

b. Pemrosesan Data
Sumber data yang beragam memungkinkan data yang tersedia tidak terstandar, tidak lengkap,
dan tidak terstruktur seperti adanya data yang tidak valid, duplikasi, serta missing values.
Kondisi ini memerlukan tahapan pemrosesan data antara lain pembersihan, transformasi,
standardisasi, dan integrasi sehingga data yang tersedia siap digunakan sebagai bahan analisis.
Tahapan ini merupakan tahapan yang sangat penting karena akan berpengaruh terhadap hasil
analisis data.

c. Analisis Data
Tahapan analisis bertujuan untuk mengidentifikasi pola, tren, dan hubungan dari data yang
tersedia. Berdasarkan permasalahan bisnis yang ingin dijawab, analisis data terdiri dari analisis
deskriptif, diagnostik, prediktif, dan preskriptif. Secara teknis, berbagai analisis tersebut dapat
dilakukan menggunakan berbagai metode statistika atau machine learning sehingga
menghasilkan insight yang berguna untuk pengambilan keputusan.
d. Visualisasi Data
Hasil analisis berupa insight diharapkan dapat dengan mudah dimengerti oleh pihak yang
berkepentingan. Sehingga, insight dimaksud perlu disampaikan dengan cara yang lebih
menarik dan intuitif melalui visualisasi data. Beberapa teknik visualisasi yang umum
digunakan antara lain berbagai jenis diagram seperti line, bar, maupun pie chart, tabel
ringkasan, serta peta saturasi atau heatmap, yang dapat diintegrasikan ke dalam suatu
dashboard interaktif.

Peran data analytics saat ini menjadi sangat penting karena memungkinkan organisasi
untuk membuat keputusan yang lebih baik berdasarkan informasi dan fakta yang disebut dengan
istilah data driven organization. Dengan demikian, data analytics merupakan alat yang sangat
berharga dalam meningkatkan efisiensi, produktivitas, dan mengembangkan strategi bisnis yang
lebih efektif.

2. Sejarah Data Analytics

Perkembangan data analytics dari masa ke masa telah melalui beberapa fase penting, dari
analisis statistik konvensional hingga penerapan artificial intelligence (AI) yang modern. Selain
perkembangan ilmu statistika, data analytics juga sangat dipengaruhi oleh kemajuan di bidang
teknologi informasi seperti internet, big data, graphical processing unit (GPU), dan cloud
computing. Berikut ini adalah penjelasan singkat mengenai perkembangan data analytics:

1940-1980-an: penemuan komputer digital

Era ini ditandai dengan pengembangan perangkat keras komputer digital secara massif
yang menjadi landasan bagi perkembangan teknologi komputasi modern. Di saat yang bersamaan,
dalam buku yang berjudul The Future of Data Analysis, John Tukey (ahli statistika)
mengemukakan gagasan mengenai integrasi statistika dan komputasi ke dalam disipilin ilmu baru
yang saat ini dikenal dengan istilah data science atau data analytics.

1990-an: perkembangan industri perangkat lunak

Industri ini menjadi pusat perhatian dengan peningkatan kompleksitas perangkat lunak
yang dikembangkan. Banyak perusahaan fokus pada pembuatan aplikasi dan sistem yang mampu
mengatasi tuntutan teknologi yang semakin tinggi. Era ini juga didukung dengan mulai
berkembangnya teknologi database dan data centre yang memungkinkan penyimpanan dan
pengelolaan data dalam skala yang jauh lebih besar.
2000-an: internet dan big data
Meskipun ditemukan pertama kali tahun 1991 oleh peneliti CERN, Tim Berners-Lee,
internet baru mulai menjadi bagian integral dari kehidupan sehari-hari di masa ini. Internet
menciptakan ekosistem digital seperti e-commerce dan online services lainnya yang semakin
berkembang. Kemudahan dalam akses internet menghasilkan data dalam jumlah yang sangat
besar, cepat, dan sangat bervariasi yang menandai dimulainya era Big Data.

2010-an: industri data

Perkembangan mobile devices yang mudah terkoneksi dengan internet mendorong
pertumbuhan data secara eksponensial yang semakin menguatkan Big Data. Kesadaran akan peran
vital data dalam pengambilan keputusan semakin meningkat di era ini, bahkan data mulai menjadi
komoditas yang dapat diperjualbelikan secara luas. Di era ini, profesi Data Scientist mulai populer,
bahkan Harvard Business Review mengeluarkan tulisan berjudul Data Scientist: The Sexiest Job
of the 21st Century. Di sisi lain, kehadiran teknologi GPU yang semakin canggih membuat
algoritma Deep Learning semakin populer digunakan untuk menyelesaikan masalah yang
kompleks.

2020-an - sekarang: revolusi kecerdasan buatan (AI)

Di era ini, kecerdasan buatan menjadi semakin dominan dengan pengembangan sistem
yang mampu belajar dan beradaptasi sendiri. Selain didukung oleh kecanggihan GPU dan deep
learning, hal ini didukung oleh kehadiran teknologi cloud computing yang memungkinkan
pengguna memanfaatkan layanan penyimpanan tanpa server. Masyarakat mulai terbiasa
menggunakan produk data analytics berbasis kecerdasan buatan seperti asisten virtual (Alexa,
Google Assistant, Apple Siri); mobil otonom (tesla autopilot); sistem rekomendasi (netflix,
youtube, spotify); dan berbagai produk AI lainnya seperti pembuatan video, suara, dan text secara
otomatis hanya dengan memberikan prompt.

Perkembangan data analytics terus mengalami kemajuan dan masih memiliki potensi yang
sangat besar di masa depan. Hal ini menjadi semakin nyata dengan hadirnya teknologi kecerdasan
buatan yang semakin memudahkan pekerjaan manusia melalui proses otomasi di berbagai bidang.
Bab II : Jenis - Jenis Analisis Data

Dalam melakukan analisis, diperlukan jenis analisis yang tepat sehingga dapat menjawab
permasalahan bisnis. Berdasarkan hal tersebut, analisis data terbagi menjadi empat jenis antara
lain analisis deskriptif, diagnostik, prediktif, dan preskriptif dengan penjelasan sebagai berikut:

1. Analisis Deskriptif
Analisis deskriptif adalah langkah awal dalam analisis yang bertujuan untuk menggambarkan
atau merangkum karakteristik dasar dari kumpulan data. Analisis deskriptif merupakan
eksplorasi dalam rangka memahami data sebelum melakukan analisis lanjutan. Analisis ini
menjawab pertanyaan mengenai apa yang terjadi dalam bisnis, misalnya apakah penerimaan
pajak dalam suatu periode mengalami tren kenaikan atau penurunan? Dalam hal ini, analisis
deskriptif hanya menggambarkan data penerimaan pajak tanpa mencari tahu apa yang
menyebabkan pajak mengalami sebuah tren.

2. Analisis Diagnostik
Setelah mengetahui apa yang terjadi dalam bisnis, analisis diagnostik mencoba untuk
memahami penyebab dan faktor di balik fenomena atau tren tertentu yang teridentifikasi.
Analisis ini merupakan analisis lanjutan dari analisis deskriptif yang dapat memberikan
jawaban mengapa atau bagaimana suatu fenomena terjadi. Sebagai contoh, apa yang
menyebabkan terjadinya penurunan penerimaan pajak pada suatu periode? Dalam konteks
pertanyaan tersebut, analisis diagnostik diharapkan dapat mengidentifikasi akar masalah dari
penurunan penerimaan pajak seperti misalnya faktor kepatuhan wajib pajak, kondisi makro
ekonomi, serta dampak kebijakan di bidang perpajakan.

3. Analisis Prediktif
Analisis prediktif bertujuan untuk memberikan perkiraan terbaik tentang apa yang akan terjadi
berdasarkan data historis, sehingga dapat digunakan untuk menjawab apa fenomena yang akan
terjadi di masa depan. Hasil prediksi didapatkan melalui pemodelan matematis menggunakan
pendekatan statistika atau machine learning. Direktorat Jenderal Pajak (DJP) telah
mengimplementasikan analisis prediktif melalui pengembangan Business Intelligence Ability
to Pay (BI ATP) yang mencoba memprediksi kemampuan wajib pajak dalam melakukan
pembayaran pajak.
4. Analisis Preskriptif
Analisis preskriptif merupakan tindak lanjut dari hasil analisis prediktif berupa pemberian
rekomendasi terhadap tindakan yang harus diambil dengan tujuan untuk memanfaatkan
peluang atau mengurangi risiko. Contoh penerapan analisis preskriptif di DJP adalah
pengembangan mesin risiko Compliance Risk Management (CRM) yang memberikan
rekomendasi perlakuan terhadap wajib pajak berdasarkan posisi risiko wajib pajak yang
terdistribusi melalui peta risiko kepatuhan.

Setiap jenis analisis memainkan peran unik dalam proses pengambilan keputusan dan
strategi bisnis. Analisis deskriptif dan diagnostik membantu memahami apa yang telah terjadi dan
mengapa bisa terjadi, sedangkan analisis prediktif dan preskriptif berfokus pada masa depan,
memberikan perkiraan tentang apa yang mungkin terjadi dan rekomendasi tentang bagaimana
meresponnya.
Bab III : Kompetensi Data Analytics

Data Analytics merupakan integrasi dari tiga disiplin ilmu yang terdiri dari Proses Bisnis,
Statistika, dan Teknologi Informasi. Penerapan data analytics memerlukan kombinasi antara
pemahaman konseptual dan keterampilan teknis dari ketiga disiplin ilmu tersebut.

Gambar 1: Diagram Interseksi Keahlian Data Analytics

1. Proses Bisnis
Pemahaman mengenai proses bisnis diperlukan untuk menjawab dan memberikan solusi
terkait permasalahan bisnis. Kompetensi ini sangat diperlukan agar hasil analisis dapat
diinterpretasikan dan relevan terhadap konteks bisnis. Dalam konteks DJP, business expert
merujuk pada pegawai yang memiliki kompetensi teknis di bidang perpajakan seperti
pemeriksa pajak dan account representative.

2. Statistika
Kompetensi di bidang statistika dan matematika memiliki peranan penting dalam
menganalisis permasalahan bisnis melalui data. Statistika berperan dalam mengidentifikasi
kelayakan data, menentukan metode dan menyajikan hasil analisis, serta menarik kesimpulan
berdasarkan hasil analisis. Skillset yang dibutuhkan dalam kompetensi ini antara lain
pengetahuan mengenai pengolahan data, pemodelan statistika atau machine learning, dan
penyajian data melalui teknik visualisasi.
3. Teknologi Informasi
Data Analytics erat kaitannya dengan konsep big data di mana data yang tersedia berukuran
sangat besar. Kondisi ini membuat pengelolaan data tidak dapat dilakukan dengan tools
konvensional sehingga penguasaan di bidang teknologi informasi mutlak diperlukan. Secara
spesifik, kompetensi di bidang ini mencakup pengelolaan database, pengetahuan bahasa
pemrograman, dan penguasaan berbagai tools teknologi komputer yang semakin canggih.
Bab IV : Metodologi CRISP-DM

Pengembangan Data Analytics menerapkan pendekatan Cross-Industry Standard Process

for Data Mining (CRISP-DM), yang merupakan salah satu model proses data mining. Model ini
dikembangkan oleh konsorsium yang terdiri dari NCR Systems Engineering Copenhagen, Daimler
Chrysler AG, SPSS Inc., dan OHRA Verzekeringen en Bank Groep. CRISP-DM memiliki enam
tahapan yang merupakan siklus hidup yang bersifat iteratif, di mana beberapa tahap mungkin
memerlukan revisi atau kembali ke tahap sebelumnya berdasarkan evaluasi atau perubahan
rencana pengembangan.

Gambar 2: Model Proses Data Mining CRISP-DM

1. Business Understanding
Fokus utama dari tahap ini adalah memahami tujuan bisnis yang mendasari proyek data
analytics dan mengidentifikasi kebutuhan serta tantangan yang harus diatasi. Pengembangan
data analytics juga melibatkan aspek sumber daya manusia, data, risiko, biaya, dan manfaat
yang dapat dipersiapkan pada tahap ini.

2. Data Understanding
Setelah memahami proses bisnis, pemahaman terhadap data diperlukan untuk menentukan data
yang relevan dalam mendukung pengembangan data analytics. Relevansi data dapat
mempertimbangkan aspek ketersediaan data yang representatif dan keterkaitan data dengan
permasalahan bisnis. Aktivitas yang termasuk pada tahap ini meliputi pengumpulan,
eksplorasi, validasi dan dokumentasi terhadap data.
3. Data preparation
Tahap ini merupakan pemrosesan data dalam pengembangan data Analytics yang mencakup
pembersihan, transformasi, standardisasi, dan integrasi sehingga data yang tersedia siap
digunakan untuk pemodelan. Data preparation merupakan langkah kritis dalam siklus hidup
pengembangan data analytics karena kualitas dan kebersihan data memiliki dampak langsung
pada hasil analisis.

4. Modeling
Inti dari tahap ini adalah memilih model statistika atau machine learning yang tepat dan
optimal sesuai dengan karakteristik data yang telah diidentifikasi pada tahap data
understanding. Secara teknis, pemodelan dilakukan dengan melatih data menggunakan
berbagai jenis pemodelan seperti estimation, forecasting, classification, clustering, dan
association. Tahap ini juga melibatkan proses parameter tuning yaitu penentuan nilai
parameter yang dapat mengoptimalkan model yang dihasilkan.

5. Evaluation
Evaluasi dilakukan terhadap aspek pemodelan maupun non-pemodelan untuk menilai apakah
pengembangan bisa dilanjutkan ke tahap selanjutnya atau perlu adanya perbaikan pada tahap-
tahap sebelumnya. Secara teknis, evaluasi model dilakukan dengan menguji model
menggunakan data uji yaitu data yang tidak digunakan dalam tahap modeling. Hasil pengujian
dapat diukur menggunakan berbagai matriks evaluasi seperti R-square, F1-Score, Root Mean
Square Error, dan lain-lain. Selain itu, evaluasi juga dapat dimplementasikan terhadap
keseluruhan tahap yang telah dilakukan dalam siklus CRISP-DM.

6. Deployment
Tahap deployment bertujuan agar hasil dari pengembangan data analytics dapat diakses oleh
pengguna. Pada tahap ini, hasil analisis disajikan kepada pengguna melalui berbagai platform
seperti website, dashboard interaktif, dan aplikasi teknologi informasi lainnya. Tahap ini
merupakan tahap akhir dari siklus CRISP-DM di mana hasil pengembangan data analytics
menjadi bernilai secara nyata dalam konteks bisnis.

Meskipun telah dilakukan deployment terhadap hasil pengembangan data analytics,

perbaikan terhadap berbagai aspek pengembangan masih dapat dilakukan. Hal ini perlu didukung
dengan pemantauan, pemeliharaan, dan dokumentasi yang baik terhadap seluruh proses
pengembangan data analytics.
Bab V : Pemodelan Data Analytics

Pemodelan data analytics bertujuan untuk melakukan generalisasi suatu permasalahan

bisnis melalui persamaan matematis terhadap data yang tersedia. Model matematis ini dibentuk
berdasarkan pendekatan statistika atau machine learning dengan berbagai algoritma yang secara
umum dapat dikelompokkan ke dalam lima kategori sebagai berikut:

1. Estimation
Model estimasi digunakan untuk memperkirakan nilai dari suatu variabel berdasarkan nilai
variabel lainnya. Metode ini mencoba memperkirakan hubungan antara variabel dependen
(target) dan variabel independen (prediktor). Sebagai contoh, model estimasi dapat digunakan
untuk menentukan nilai wajar saham berdasarkan berbagai indikator keuangan, seperti
pertumbuhan pendapatan, dan volume perdagangan.

2. Forecasting
Forecasting atau peramalan adalah pemanfaatan data historis untuk memprediksi informasi
tentang masa depan. Fokus dari forecasting adalah memprediksi sebuah nilai dalam suatu deret
waktu atau timeseries, di mana nilai suatu pengamatan dapat dipengaruhi oleh nilai yang terjadi
di masa lalu. Sebagai contoh, peramalan jumlah penjualan di masa depan dapat digunakan
untuk menentukan jumlah barang yang harus diproduksi oleh perusahaan manufaktur.

3. Classification

Klasifikasi adalah proses pengelompokan data ke dalam kategori atau kelas yang berbeda.
Model klasifikasi digunakan ketika variabel dependen bersifat kategorik, seperti ‘ya’ atau
‘tidak’, dan ‘Pria’ atau ‘Wanita’. Sebagai contoh, model klasifikasi dapat digunakan untuk
mengidentifikasi transaksi yang berpotensi sebagai penipuan.
4. Clustering
Clustering adalah teknik analisis data yang digunakan untuk mengelompokkan objek atau data
ke dalam kelompok-kelompok (cluster) berdasarkan kesamaan karakteristik atau atribut
tertentu. Model ini berbeda dengan model klasifikasi karena tidak ada variabel target yang
digunakan untuk mengelompokkan data. Sebagai contoh, clustering dapat digunakan untuk
menentukan segmentasi pasar dimana pelanggan dikelompokkan ke dalam beberapa cluster
berdasarkan kesamaan dalam perilaku atau preferensi.
5. Association
Model asosiasi digunakan untuk menemukan hubungan dan ketergantungan antar variabel
dalam dataset. Tujuan utama dari model ini adalah mengidentifikasi aturan atau pola di antara
item atau fitur yang sering muncul secara bersamaan. Sebagai contoh, model ini dapat
digunakan untuk menemukan hubungan antara produk yang sering dibeli secara bersamaan.
Hal ini dapat digunakan untuk membantu perusahaan dalam menentukan strategi penempatan
produk dan promosi silang.

Masing-masing model analisis ini memiliki aplikasi yang berbeda dan digunakan sesuai
dengan jenis data dan tujuan analisis yang spesifik. Oleh karena itu, pemilihan model yang tepat
memerlukan pengetahuan tentang konsep matematika dan statistika, serta analisis data.
Bab VI : Implementasi Data Analytics DJP
Pengembangan data analytics di DJP dimulai secara formal sejak tahun 2014 melalui
pengembangan CRM sebagai upaya meningkatkan kepatuhan perpajakan berbasis risiko. Output
CRM ini adalah rekomendasi treatment kepada wajib pajak berdasarkan risiko kepatuhannya yang
dituangkan dalam sebuah peta risiko. Pengembangan CRM merupakan salah satu dari sepuluh
tema transformasi yang bertujuan untuk meningkatkan rasio penerimaan pajak yang tercantum
dalam Keputusan Menteri Keuangan Nomor 36/KMK.01/2014. Pengembangan CRM ini diawali
dengan pembentukan tim ad hoc sesuai Keputusan Direktur Jenderal Pajak Nomor 105/PJ/2014
yang memiliki tugas untuk mengembangkan mesin risiko CRM yang berlanjut hingga tahun 2019.

Pengembangan CRM juga ditujukan untuk memenuhi indikator kinerja berdasarkan Tax
Administration Diagnostic Assessment Tool Field Guide (TADAT). TADAT adalah sebuah
panduan yang didesain untuk memberikan penilaian yang objektif mengenai tingkat kesehatan
komponen utama pada sebuah institusi perpajakan. Assessment kesehatan difokuskan pada 9
(Sembilan) Performance Outcome Areas (POA), dimana salah satunya terkait effective risk
management. Berdasarkan POA tersebut, DJP dapat dinyatakan telah menerapkan effective risk
management apabila keseluruhan risiko DJP telah dikelola secara efektif.

Sebagai bentuk keseriusan DJP dalam pengelolaan dan pemanfaatan data, maka
dibentuklah Direktorat Data dan Informasi Perpajakan (DIP) berdasarkan PMK nomor 87 tahun
2019. Hal ini menjadi salah satu dari enam belas program strategis transformasi kelembagaan DJP.
Struktur organisasi DIP terdiri dari lima subdirektorat antara lain, Subdirektorat Tata Kelola Data
dan Informasi, Subdirektorat Pengelolaan Data Internal, Subdirektorat Pengelolaan Data
Eksternal, Subdirektorat Analisis Data, serta Subdirektorat Risiko Kepatuhan Wajib Pajak dan
Sains Data.

Implementasi CRM sebagai produk pengembangan data analytics di DJP dilakukan secara
bertahap dimulai pada tahun 2019 antara lain CRM Fungsi Ekstensifikasi, CRM Fungsi
Pemeriksaan dan Pengawasan, serta CRM Fungsi Penagihan. Selanjutnya, pada tahun 2021, DJP
mengimplementasikan dua CRM lainnya yaitu CRM Fungsi Transfer Pricing dan CRM Edukasi
Perpajakan. Selain CRM, di tahun yang sama DJP juga mengimplementasi produk Data Analytics
dalam bentuk Business Intelligence antara lain Smartweb, Ability to Pay (ATP), Dashboard WP
Madya, dan Smartboard. Pada tahun 2022, DJP terus mengimplementasikan beberapa CRM
diantaranya CRM Fungsi Penegakan Hukum, CRM Fungsi Penilaian, dan CRM Fungsi Keberatan.
Sedangkan CRM Integrasi (IRE) serta CRM Sektoral Perkebunan Kelapa Sawit dan Batubara
menjadi produk yang diimplementasikan di tahun 2023.

Saat ini, pengembangan berbagai produk data analytics baik berupa CRM maupun
business intelligence terus dilakuan, begitu juga dengan penyempurnaan terhadap produk yang
sudah ada. Hal ini dilakukan dalam rangka mewujudkan cita-cita DJP menuju data driven
organization. Sehingga visi DJP untuk menjadi mitra tepercaya pembangunan bangsa untuk
menghimpun penerimaan negara melalui penyelenggaraan administrasi perpajakan yang efisien,
efektif, berintegritas dan berkeadilan serta misi DJP untuk meningkatkan kepatuhan pajak melalui
pelayanan berkualitas dan terstandardisasi, edukasi dan pengawasan yang efektif, serta penegakan
hukum yang adil, dapat terwujud. Penjelasan mengenai pemanfaatan CRM dan business
intelligence sebagai produk data analytics akan dijelaskan lebih detail pada modul-modul
selanjutnya.
Soal Test Modul Data Analytics
1. Metode machine learning yang bertujuan mengelompokkan objek berdasarkan kesamaan
karakteristik atau attribute tertentu adalah …
a. Classification c. Clustering
b. Association d. Forecasting
2. Jenis analisis yang digunakan untuk mengetahui pola pembayaran wajib pajak pada suatu
tahun pajak tertentu adalah …
c. Deskriptif c. Diagnostik
d. Prediktif d. Preskriptif
3. Berikut ini adalah produk data analytics yang telah dikembangkan oleh Direktorat Jenderal
Pajak, kecuali …
a. Approweb c. Ability to Pay
b. Smartweb d. Smartboard
4. Manakah urutan yang tepat dari sebagian tahapan dalam menggambarkan metodologi CRISP-
DM …
a. Data Understanding, Business c. Modeling, Deployment, Evaluation
Understanding, Modeling
b. Data Preparation, Business d. Modeling, Evaluation, Deployment
Understanding, Data Understanding
5. Berikut ini adalah kompetensi yang dibutuhkan dalam pengembangan data analytics, kecuali
…
a. Statistika c. Ilmu Komputer
b. Data Science d. Proses Bisnis
6. Pengembangan data analytics di DJP dimulai pada tahun berapa?
a. 2012 c. 2014
b. 2013 d. 2015
7. Tujuan pengembangan CRM di DJP adalah untuk meningkatkan
…
a. Transparansi pengelolaan data c. Efisiensi operasional
b. Kepatuhan perpajakan berbasis risiko d. Komunikasi internal
8. Berapa banyak Performance Outcome Areas (POA) yang difokuskan dalam penilaian oleh
TADAT?
a. 7 c. 9
b. 8 d. 10
9. Direktorat Data dan Informasi Perpajakan (DIP) didirikan berdasarkan PMK nomor
…
a. 85/2019 c. 87/2019
b. 86/2019 d. 88/2019
10. CRM Fungsi Transfer Pricing dan CRM Edukasi Perpajakan diimplementasikan oleh DJP
pada tahun
…
a. 2019 c. 2021
b. 2020 d. 2022

Kunci Jawaban Test Modul Data Analytics

1. c. Clustering.
2. a. Deskriptif.
3. a. Approweb.
4. d. Modeling, Evaluation, Deployment.
5. b. Data Science.
6. a. 2012.
7. b. Kepatuhan perpajakan berbasis risiko.
8. c. 9.
9. c. 87/2019.
10. c. 2021.