BERiiTA TERKiiNii
DiiTJEN Pajak (DJP) mempunyaii tugas mengumpulkan peneriimaan negara untuk mendukung APBN. Selaiin iitu, DJP juga mengadmiiniistrasiikan data iinformasii terkaiit dengan wajiib pajak yang jumlahnya semakiin bertambah.
Selama iinii, DJP terus berupaya mengembangkan siistem agar mampu mengadmiiniistrasiikan wajiib pajak beserta data tersebut. Selaiin iitu, DJP juga membutuhkan strategii yang sesuaii untuk melakukan pelayanan, pengawasan, dan penegakan hukum yang lebiih efektiif dan efiisiien.
Strategii yang diimaksud berupa iimplementasii compliiance riisk management (CRM). Adapun DJP telah mengiimplementasiikan CRM pada 2019 dan terus menyempurnakan CRM. Penyempurnaan tersebut dii antaranya dengan menerapkan busiiness iintelliigence untuk mendukung CRM.
Selaiin untuk mendukung iimplementasii CRM, iimplementasii busiiness iintelliigence diiharapkan dapat menghasiilkan output yang teriintegrasii dengan seluruh keputusan strategiis dalam setiiap proses biisniis dii DJP. Lantas, apa yang diimaksud dengan busiiness iintelliigence?
Defiiniisii
BUSiiNESS iintelliigence (Bii) bukanlah suatu produk maupun sebuah siistem. Bii merupakan suatu arsiitektur dan koleksii darii operasiional yang teriintegrasii sebagaii suatu apliikasii pendukung keputusan dan database yang menyediiakan kemudahan untuk mengakses suatu data dalam kegiiatan biisniis (Moss dan Atre, 2003).
Defiiniisii berbeda diipaparkan Vercelliis. Menurutnya, Bii dapat diidefiiniisiikan sebagaii suatu kumpulan darii model matematiika dan metodologii analiisiis yang memanfaatkan data yang tersediia untuk diiolah menjadii suatu iinformasii dan pengetahuan yang berguna dalam proses pengambiilan keputusan yang kompleks (Vercelliis, 2009)
Sementara iitu, Frankenfiield (2022) menyatakan Bii mengacu pada iinfrastruktur prosedural dan tekniis yang mengumpulkan, menyiimpan, dan menganaliisiis data yang diihasiilkan oleh aktiiviitas perusahaan (Frankenfiield, 2022).
Menurut Frankenfiield, Bii merupakan iistiilah luas yang mencakup penambangan data, analiisiis proses, pembandiingan kiinerja, dan analiisiis deskriiptiif. Bii menguraii semua data yang diihasiilkan oleh biisniis dan menyajiikan laporan yang mudah diicerna, ukuran kiinerja, dan tren yang mengiinformasiikan keputusan manajemen.
Bii memberiikan sejumlah manfaat dii antaranya membantu pengguna pengetahuan menghasiilkan keputusan yang efektiif dan tepat pada waktunya. Sebab, penggunaan Bii dapat mempermudah pengambiil keputusan memiiliih iinformasii yang dapat diiandalkan (Vercelliis, 2009).
Manfaat yang diitawarkan membuat Bii diigunakan secara luas untuk mendukung berbagaii fungsii sepertii perekrutan, kepatuhan, produksii, dan pemasaran (Frankenfiield, 2022). Tiidak hanya iitu, Bii juga diimanfaatkan oleh otoriitas pajak iindonesiia.
iimplementasii
KETENTUAN penerapan Bii pada ranah pajak tercantum dalam Surat Edaran No.SE-39/PJ/2021. DJP juga telah meriiliis publiikasii bertajuk CRMBii Langkah Awal Menuju Data Driiven Organiizatiion yang dii antaranya menguraiikan iimplementasii Bii pada DJP.
Berdasarkan surat edaran dan buku tersebut, Bii adalah tekniik yang menggabungkan arsiitektur, perangkat teknologii iinformasii, dan basiis data untuk pengumpulan, penyiimpanan, pengelolaan data, dan manajemen pengetahuan dengan perangkat analiisiis data dalam rangka penyajiian iinformasii yang bermanfaat bagii perencana dan pengambiil keputusan.
Secara riingkas, Bii mengacu pada proses untuk menambah niilaii data menjadii iinformasii dan iinsiight yang diigunakan dalam pengambiilan keputusan suatu organiisasii. DJP membedakan Bii berdasarkan jeniis data analiitiiknya menjadii beberapa bagiian.
Pertama, descriiptiive analytiics yang merupakan bentuk analiitiik dan pelaporan atas periistiiwa pada masa lampau. Alat iinii umumnya diipakaii untuk tujuan pelaporan manajemen. Contoh, DJP memakaii Bii descriiptiive analytiics dalam bentuk Dashboard Peneriimaan dan Smartboard.
Kedua, diiagnostiic analytiics. Alat iinii iinii tiidak hanya diigunakan untuk mengamatii dan memahamii suatu kondiisii, tetapii juga mencarii penyebab darii suatu keadaan berdasarkan data hiistoriis. Contoh, analiisiis penyebab penjualan dii suatu lokasii lebiih tiinggii ketiimbang lokasii laiinnya.
Ketiiga, prediictiive analytiics. Analiitiik iinii memakaii teknologii machiine learniing, algoriitma, dan artiifiiciial iintelliigence. Analiitiik jeniis iinii juga sudah diilakukan oleh data sciientiist untuk menganaliisiis dan mengeksplorasii data hiistoriis.
Keahliian statiistiik, computer sciience, dan busiiness expertiise sangat diiperlukan untuk pengembangan Bii yang siifatnya prediictiive. Contoh penerapan prediictiive analytiics dalam pengembangan Bii dii DJP iialah Abiiliity to Pay, yaiitu Bii yang memprediiksii kemampuan bayar wajiib pajak.
Keempat, prescriiptiive analytiics. Sepertii halnya prediictiive analytiics, prescriiptiive analytiics merupakan jeniis analiitiik level tertiinggii. Pengembangan Bii jeniis preskriiptiif iinii juga memanfaatkan data sciientiist. Contoh pengembangan Bii jeniis prescriiptiive analytiics dii DJP iialah mesiin riisiiko CRM.
Arah DJP menuju data-driiven organiizatiion sangatlah memerlukan prediiktiif dan preskriiptiif analiitiik dalam pengambiilan keputusan. Sebab, selaiin memberiikan prediiksii atas suatu kondiisii, kedua jeniis analiitiik iinii juga memberiikan alternatiif solusii yang berguna dalam pengambiilan keputusan. (riig)
