PENDAMPINGAN APLIKASI MOBILE SEBAGAI PENYEDIA BUKTI BAYAR (AMBYAR) PADA RPM MOTOR
Notice bibliographique
Résumé
Kebutuhan masyarakat Indonesia dalam pengetahuan pajak untuk saat ini masih dinilai kurang, walaupun sudah dilakukan sosialisasi oleh Direktorat Jendral Pajak (DJP). Data survey DJP membuktikan bahwa per 31 Desember 2021, SPT Tahunan 2020 tercatat mencapai 15,97 juta dari 19 juta wajib pajak yang wajib melaporkan SPT (Azkiya Dihni.Vika,2021). Salah satu penyebabnya adalah belum semua wajib pajak mengerti tentang pajak serta bagaimana pelaporannnya. Untuk itu wajib pajak harus mengetahui informasi tentang objek pajak penghasilan, penghasilan kena pajak, tarif pajak penghasilan, pelunasan pajak di tahun berjalan, ilustrasi penghitungan pajak terutang, serta pembukuan dan pencatatan (Fitriya,2022). Permasalah muncul ketika pelaku usaha adalah merupakan pelaku bisnis UMKM (Usaha Mikro Kecil dan Menengah) yang tidak mengerti tentang pajak. Walaupun pemerintah telah menyatakan bahwa UMKM dengan pendapatan di bawah 500 juta dinyatakan bebas pajak (Liputan 6, 2023). Namun hal ini tetap harus dibuktikan dengan pelaporan keuangan. Tujuan kegiatan ini adalah : 1) mengenalkan bentuk laporan keuangan yang dapat dipakai sebagai alat untuk pelaporan pajak, 2) mengenalkan aplikasi AMBYAR yang dapat dipakai sebagai laporan keuangan. Metode yang digunakan dalam kegiatan adalah Experimential Learning (pembelajaran pengalaman), dengan tahapan pelaksanaan adalah sebagai berikut : 1) Persiapan, 2) Pelaksanaan sosialisasi aplikasi AMBYAR sebagai alat pelaporan keuangan, 3) Pelaksanaan pelatihan dan pendampingan penggunaan aplikasi AMBYAR, 4) Evaluasi. Hasil evaluasi menunjukkan bahwa :1) Pengetahuan mitra dalam mengoperasikan aplikasi AMBYAR meningkat sebesar 33,34%, 2) Pengetahuan mitra dalam membuat laporan keuangan meningkat sebesar 66,67%, 3) Respon mitra terhadap pelaksanaan kegiatan menyatakan baik sebesar 100%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».