PENDAMPINGAN APLIKASI MOBILE SEBAGAI PENYEDIA BUKTI BAYAR (AMBYAR) PADA RPM MOTOR
Bibliographic record
Abstract
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%.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.080 | 0.038 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".