Optimalisasi Grid Search pada Extreme Gradient Boosting (XGBoost) Untuk Prediksi Pendapatan Asli Daerah (PAD) Dari Pajak Kendaraan Bermotor (PKB)

Bintang Maulidana Muhammad, Abdulloh Hamid, Ahmad Hanif Asyhar, Retna Fetty Idamayanti

Sari


Pendapatan Asli Daerah dari Pajak Kendaraan Bermotor merupakan salah satu sumber penerimaan penting daerah yang digunakan untuk mendanai pembangunan serta pelayanan publik. Penelitian ini bertujuan memprediksi Pendapatan Asli Daerah (PAD) dari sektor Pajak Kendaraan Bermotor (PKB) di Surabaya Utara periode Januari–April 2025. Model yang digunakan dalam penelitian ini adalah algoritma XGBoost yang dioptimalkan dengan Grid Search. Dataset terdiri dari 1.826 data harian periode 2 Januari 2020 hingga 31 Desember 2024 yang dibagi menggunakan teknik Time Series Split sebanyak lima kali. Penilaian performa model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil tuning parameter menunjukkan bahwa kombinasi hyperparameter terbaik learning_rate sebesar 0.1, max_depth 3, n_estimators 100, dan subsample 0.8, menghasilkan nilai MAPE sebesar 0.4231%. Nilai MAPE yang sangat rendah (<1%) menunjukkan akurasi model yang sangat tinggi dalam mengikuti pola musiman dan tren harian, sehingga sangat layak digunakan sebagai bahan pertimbangan strategis kebijakan keuangan daerah.

Teks Lengkap:

PDF

Referensi


Abdi, J., Hadavimoghaddam, F., Hadipoor, M., & Hemmati-Sarapardeh, A. (2021). Modeling of CO2 adsorption capacity by porous metal organic frameworks using advanced decision tree-based models. Scientific Reports, 11(1), 1–14. https://doi.org/10.1038/s41598-021-04168-w

Amjad, M., Ahmad, I., Ahmad, M., Wróblewski, P., Kamiński, P., & Amjad, U. (2022). Prediction of Pile Bearing Capacity Using XGBoost Algorithm: Modeling and Performance Evaluation. Applied Sciences (Switzerland), 12(4). https://doi.org/10.3390/app12042126

Hadi, A. F., Enantya, F. B. P., & Khakimah, H. (2024). Analysis of the Success of Economic Development in Surabaya in the Era of Mayor Tri Rismaharini’S Government. Journal of Finance, Economics and Business, 3(1), 41–52. https://doi.org/10.59827/jfeb.v3i1.111

Irmawati, Syam, A. B., Baharuddin, & Sudirman. (2024). Optimalisasi Pendapatan Asli Daerah melalui Pajak dan Retribusi. Jurnal Ilmiah Administrasita, 15(01), 74–82. https://doi.org/https://doi.org/10.47030/administrasita.v15i1.752

Islam, S. F. N., Sholahuddin, A., & Abdullah, A. S. (2021). Extreme gradient boosting (XGBoost) method in making forecasting application and analysis of USD exchange rates against rupiah. Journal of Physics: Conference Series, 1722(1). https://doi.org/10.1088/1742-6596/1722/1/012016

Lubis, D. B. (2024). Manajemen Keuangan Sektor Publik (D. I. M. G. Efgivia (ed.)). Widina Media Utama.

Mehdary, A., Chehri, A., Jakimi, A., & Saadane, R. (2024). Hyperparameter Optimization with Genetic Algorithms and XGBoost: A Step Forward in Smart Grid Fraud Detection. Sensors, 24(4). https://doi.org/10.3390/s24041230

Momeni, E., He, B., Abdi, Y., & Armaghani, D. J. (2023). Novel Hybrid XGBoost Model to Forecast Soil Shear Strength Based on Some Soil Index Tests. CMES - Computer Modeling in Engineering and Sciences, 136(3), 2527–2550. https://doi.org/10.32604/cmes.2023.026531

Noertjahjani, S., Zaki, S. A., & Kiswanto, A. (2024). Analysis of the Application of Linear Interpolation and Quadratic Interpolation in Electrical Distribution Performance. International Journal of Informatics and Computation (IJICOM), 6(2). https://doi.org/https://doi.org/10.35842/ijicom.v6i2.84

Pemerintah Surabaya. (2025). Kelurahan Di Surabaya. https://www.surabaya.go.id/id/page/0/8169/kelurahan

Pratama, R. B., & Tucunan, K. P. (2021). Analisis Rekognisi Citra Ruang Kota Surabaya Berdasarkan Persepsi Masyarakat Melalui Lensa Sosial Media. Jurnal Teknik ITS, 10(2). https://doi.org/10.12962/j23373539.v10i2.63408

Riatma, D. L., Rahman, Y. F., Roshinta, T. A., Masbahah, Sani, A. F., Khoirunisa, R., & Haqimi, N. A. (2025). Model Prediksi Manajemen Stok Produk Berbasis Deep Learning Gated Recurrent Unit untuk Optimalisasi Rantai Pasok E-Commerce. Jurnal Pendidikan Teknologi Informasi, 5(1), 314–323. https://doi.org/http://dx.doi.org/10.51454/decode.v5i1.1130

Setiawan, A., Arnita, Yusuf, D., Syafira, N., & Tania, T. (2024). Analisis Deskriptif Ump (Upah Minimum Provinsi) Seindonesia (2002-2022) Menggunakan Metode Fuzzy C Means Clustering. Jurnal Ilmu Komputer Revolusioner, 08(12), 1–13.

Shams, M. Y., Elshewey, A. M., El-kenawy, E. S. M., Ibrahim, A., Talaat, F. M., & Tarek, Z. (2024). Water quality prediction using machine learning models based on grid search method. Multimedia Tools and Applications, 83(12), 35307–35334. https://doi.org/10.1007/s11042-023-16737-4

Surabaya, B. P. S. K. (2025). Kota Surabaya Dalam Angka Surabaya Municipality In Figures.

Buku, 37(1), 1–341. https://surabayakota.bps.go.id/id/publication/2025/02/28/bd1f25e59ae790cc8a7c0c07/kota-surabaya-dalam-angka-2025.html

Surakhi, O., Zaidan, M. A., Fung, P. L., Motlagh, N. H., Serhan, S., Alkhanafseh, M., Ghoniem, R. M., & Hussein, T. (2021). Time-lag selection for time-series forecasting using neural network and heuristic algorithm. Electronics (Switzerland), 10(20), 1–22. https://doi.org/10.3390/electronics10202518

Tarwidi, D., Pudjaprasetya, S. R., Adytia, D., & Apri, M. (2023). An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach. MethodsX, 10(March), 102119. https://doi.org/10.1016/j.mex.2023.102119

Wan, A., Du, C., Gong, W., Wei, C., AL-Bukhaiti, K., Ji, Y., Ma, S., Yao, F., & Ao, L. (2024). Using Transfer Learning and XGBoost for Early Detection of Fires in Offshore Wind Turbine Units. Energies, 17(10), 1–20. https://doi.org/10.3390/en17102330

Wenny. (2024). Normalisasi Data Kependudukan Dengan Model Min Max Dan Algoritma K-Means Untuk Pengelompokkan Tingkat Ekonomi Masyarakat. Bulletin of Information System Research (BIOS), 2(2), 53–63. https://doi.org/https://doi.org/10.62866/bios.v2i2.141

Zhang, P., Jia, Y., & Shang, Y. (2022). Research and application of XGBoost in imbalanced data. International Journal of Distributed Sensor Networks, 18(6). https://doi.org/10.1177/15501329221106935




DOI: http://dx.doi.org/10.25157/teorema.v11i1.22512

Refbacks



##submission.copyrightStatement##

Laman Teorema: https://jurnal.unigal.ac.id/index.php/teorema/index

Terindek: