Analisis Efektivitas, Tingkat Pertumbuhan dan Kontribusi Pajak Daerah terhadap Pendapatan Asli Daerah (PAD) (Studi Kasus pada Kabupaten/Kota di Sumatera Barat Tahun Anggaran 2019-2021)
Bibliographic record
Abstract
Penelitian ini bertujuan untuk mengetahui : (1) Efektifitas pemungutan pajak daerah pada masing-masing kabupaten/kota di Sumatera Barat tahun anggaran 2019 – 2021; (2) Tingkat pertumbuhan pajak daerah setiap tahunnya pada masing-masing kabupaten/kota di Sumatera Barat tahun anggaran 2019 – 2021; (3) Besaran kontribusi pajak daerah terhadap Pendapatan Asli Daerah (PAD) pada masing-masing kabupaten/kota di Sumatera Barat tahun anggaran 2019 – 2021. Penelitian ini menggunakan metode deskriptif kuantitatif. Teknik pengumpulan data yang dilakukan dengan menggunakan metode tinjauan kepustakaan dan dokumentasi. Data yang digunakan dalam penelitian ini adalah data Anggaran dan Pendapatan Belanja Daerah (APBD) pada masing-masing kabupaten/kota di Sumatera Barat tahun anggaran 2019 – 2021. Analisis data dilakukan dengan teknik analisis efektivitas, analisis tingkat pertumbuhan dan analisis kontribusi. Hasil dari penelitian ini adalah : (1) Dari hasil analisis efektivitas yang dilakukan dapat disimpulkan bahwa dari 19 kabupaten/kota yang ada di Sumatera Barat terdapat 8 kabupaten/kota yang berada dalam kriteria efektif dan sangat efektif; (2) Dari analisis rasio tingkat pertumbuhan pajak daerah yang telah dilakukan dapat disimpulkan bahwa 18 dari 19 Kabupaten/Kota di Provinsi Sumatera Barat berada pada kriteria tidak berhasil dengan persentase kecil dari 30% bahkan ada yang persentasenya mencapai nilai negatif; (3) Dari hasil analisis rasio kontribusi penerimaan pajak daerah yang telah dilakukan diperoleh kesimpulan bahwa 10 dari 19 Kabupaten/Kota di Provinsi Sumatera Barat memiliki rata-rata rasio kontribusi penerimaan pajak daerah yang berada pada rentang 11-20%. \n \nKata Kunci: Pendapatan Asli Daerah (PAD), Pajak Daerah, Efektifitas, Tingkat Pertumbuhan, Kontribusi
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".