Visualisasi Data Penerimaan PKB dan Identifikasi Dominasi Kategori Kendaraan menggunakan Pendekatan Clustering
DOI:
https://doi.org/10.55606/jutiti.v6i1.7494Keywords:
Data Visualization, K-Means Clustering, Motor Vehicle Tax, Regional Own Revenue, Vehicle Contribution AnalysisAbstract
Motor Vehicle Tax (PKB) as the primary source of Regional Own Revenue (PAD) in North Sumatra has not been utilized optimally due to the lack of systematic analysis to identify contribution patterns across vehicle categories. This study aims to cluster vehicle categories based on PKB contributions using the K-Means Clustering algorithm, in order to provide clear visual insights for decision-making. The data used were derived from PKB realization across five vehicle categories (Passenger Cars, Buses, Cargo Vehicles, Motorcycles, and Special Vehicles) at 34 SAMSAT Technical Implementation Units (UPT) in North Sumatra for the period January–August 2025. The methodology includes data preprocessing, category aggregation, Min-Max Scaling normalization, and optimal cluster determination using the Elbow method. The results indicate an optimal cluster of K=3 (Silhouette Coefficient=0.62; Davies–Bouldin Index=0.78), with Passenger Cars as the dominant category (71.8%) and Motorcycles at an intermediate level (18.2%). Data visualization through monthly trend charts, proportion heatmaps, and bar charts of the top 10 UPTs reveals seasonal fluctuation patterns in PKB revenue. These findings can serve as a basis for priority collection strategies and data-driven transportation infrastructure planning for regional institutions and SAMSAT North Sumatra
Downloads
References
Anwar, M., Firmansyah, E., Sutara, B., & K. K. Clustering. (2025). Penentuan Prioritas Penagihan PBB Berbasis K-Means Clustering di Desa Gunasari. Vol. 5(2), 101–110.
Apuilino, F., Seno, I., Achmadi, S., & F. T. Industri. (2021). Penerapan Metode Clustering pada Analisis Realisasi Pendapatan Asli Daerah dengan Algoritma K-Means. Vol. 5(2).
Asti, D., et al. (2023). Penerapan Algoritma K-Means untuk Mengetahui Tingkat Kepatuhan Wajib Pajak Kendaraan Bermotor pada UPT Samsat Medan Selatan. Vol. 2(4), 190–198.
Budiarti, M. G., Rahaningsih, N., Dana, R. D., & T. Informatika. (2023). Analisis Cluster Data Daftar Kendaraan Bermotor Menggunakan Algoritma K-Means. Vol. 7(6), 3286–3292.
Hanifah, N., et al. (2023). Pengaruh Pajak Kendaraan Bermotor (PKB), Bea Balik Nama Kendaraan Bermotor (BBNKB), dan Pajak Air Permukaan (PAP) terhadap Pendapatan Asli Daerah (PAD) di UPTD Pusat Pengelolaan Pendapatan Daerah Wilayah (PPPDW) Kota Sukabumi. Vol. 2, 1–13.
Hasan, Y., & K. Dbscan. (2024). Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster. Vol. 6(1), 60–74.
Hasan, Y., U. B. Darma, K. Medan, & S. Utara. (2024). Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K-Means dan. Vol. 12(3).
Ilmiah, J., & W. Pendidikan. (2023). DOI: https://doi.org/10.5281/zenodo.10081332 p-ISSN: e-ISSN: Accredited by Directorate General of Strengthening for Research and Development Available online at https://jurnal.peneliti.net/index.php/JIWP. Vol. 9, 547–558.
Kaharu, N. A., & Panyili, A. S. P. Penerapan Algoritma K-Means untuk Menentukan Kelas Besar Tunggakan Pajak Kendaraan Bermotor. Vol. XIV(1), 70–78.
Kasus, S., Citra, P. T., Medica, T., Mubarok, H., Irawan, B., & Suprapti, T. (2024). Clustering Data Penjualan Produk Kesehatan Menggunakan Algoritma K-Means di PT. Citra Teknik Medica. Vol. 8(2), 2076–2082.
Kendaraan, P., & J. Barat. (2025). Al-Kharaj: Jurnal Ekonomi, Keuangan & Bisnis Syariah. Vol. 7, 334–344. https://doi.org/10.47467/alkharaj.v7i1.5084
Kholijah, G., & Syafmen, W. (2025). Analisis Pengelompokan Bulan Berdasarkan Jenis Surat Tahun 2023 Menggunakan Metode K-Means di UPTD/SAMSAT Kabupaten Bungo. Vol. 10, 38–45.
Nur, A. M., Bahtiar, H., Jannah, M. A., & No, V. (2025). Implementasi Algoritma K-Means Clustering dalam Mengelompokkan Kepatuhan Wajib Pajak Bumi dan Bangunan dengan Optimasi Elbow. Infotek: Jurnal Informatika dan Teknologi, 8(1).
Nursaniah, R., Rahaningsih, N., Ali, I., & Dienwati, N. (2024). Pengelompokan Data Penerimaan Pajak Bumi dan Bangunan Berdasarkan Kelurahan di Kota Tasikmalaya Menggunakan Algoritma K-Means. Vol. 8(2), 1477–1483.
Rahmawati, E., & Effendi, P. M. (2025). Pemodelan Keputusan Konsumen untuk Pembelian Mobil Bekas Menggunakan K-Means Clustering: Consumer Decision K-Means Clustering Modeling for Used Car Purchases Using. Vol. 6, 22–33. https://doi.org/10.37373/infotech.v6i1.1587
Rakhmawati, N. A., Aletha, D. B., Widiastuti, L. P. G., Sidum, A., & Kaki, L. (2020). Klasterisasi Peraturan Daerah di Seluruh Wilayah Jawa dengan Menggunakan Algoritma K-Means. Vol. 9, 242–246.
T. Compliance, V. (2024). Penerapan Data Mining Menggunakan Metode Teknik Klasifikasi untuk Melihat Potensi Kepatuhan Wajib Pajak Kendaraan. Vol. 3(1), 1–14.
Tammam, B. F., Ibrahim, A., Indah, D. R., & Oklilas, A. F. (2025). Taxpayer Classification Using K-Means Clustering to Support CRM Strategy Development: Case Study of Prabumulih City Samsat. Vol. 7(4), 3454–3482. https://doi.org/10.63158/journalisi.v7i4.1365
Tania, N. E., Saputri, S. N., Yusniawaty, A. P., & Nurpriyanti, A. W. (2025). Kepuasan Mahasiswa dalam Berbelanja Online di Aplikasi e-commerce: Pendekatan Deskriptif Kuantitatif. (1), 1–14.
Wiradiansya, E., Elfianty, L., & Fredricka, J. (2024). Klasterisasi Data Kendaraan Bermotor Berdasarkan Tunggakan Pajak pada Kantor Samsat Kabupaten Bengkulu Selatan Menggunakan Metode K-Means Clustering. Vol. 6, 164–173.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Teknik Informatika dan Teknologi Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
