DJP Gunakan Machine Learning untuk Awasi Pajak Kelapa Sawit

Pengawasan perpajakan pada industri kelapa sawit diperkuat melalui pemanfaatan teknologi machine learning oleh Kementerian Keuangan. Seperti dilansir dari Nasional, teknologi ini membantu Direktorat Jenderal Pajak (DJP) memeriksa transaksi usaha dan menelusuri kesesuaian data produksi dengan penjualan minyak sawit.

Penerapan teknologi tersebut ditujukan untuk mengoptimalkan pengawasan pajak melalui pengolahan data transaksi dan aktivitas bisnis. Pendekatan ini menjadi salah satu strategi pemerintah dalam menghadapi kompleksitas perdagangan kelapa sawit yang melibatkan banyak perusahaan di Indonesia.

Indonesia merupakan produsen minyak kelapa sawit terbesar di dunia. Besarnya aktivitas perdagangan antarbadan usaha menghasilkan faktur pajak elektronik yang dapat dimanfaatkan sebagai sumber informasi untuk menilai kesesuaian transaksi yang dilaporkan perusahaan.

Salah satu kendala dalam pemeriksaan perpajakan adalah perbedaan istilah yang dipakai perusahaan untuk menjelaskan barang yang diperjualbelikan. Variasi penyebutan tersebut dapat menyulitkan petugas dalam mengenali jenis komoditas, menghitung volume transaksi, dan menelusuri harga jual berdasarkan dokumen yang tersedia.

Untuk mengatasi persoalan itu, DJP menggunakan machine learning guna membaca faktur pajak elektronik sekaligus mengelompokkan informasi mengenai barang yang diperdagangkan. Data yang dianalisis mencakup jenis barang, kuantitas transaksi, dan nilai penjualannya.

Wakil Menteri Keuangan Nurkholisoh Ibnu Aman menjelaskan penggunaan teknologi tersebut dalam acara The 7th BRITACOF, Selasa (13/10/2026).

"Jadi, kami menggunakan machine learning untuk membaca faktur-faktur tersebut dan mengidentifikasi barang yang dijual, berapa jumlahnya, serta berapa harganya," ujar Nurkholisoh.

Pencocokan bahan baku dengan hasil penjualan

Selain memeriksa dokumen transaksi, DJP menelusuri hubungan antara bahan baku yang dibeli pabrik dan minyak kelapa sawit yang dihasilkan. Analisis dilakukan dengan membandingkan jumlah tandan buah segar (TBS) yang masuk ke pabrik dengan perkiraan volume minyak sawit yang semestinya dapat diproduksi.

Perhitungan tersebut kemudian disandingkan dengan laporan penjualan minyak kelapa sawit dari perusahaan yang bersangkutan. Dengan cara ini, otoritas pajak dapat menilai keterkaitan antara jumlah bahan baku, perkiraan hasil pengolahan, dan volume produk yang dilaporkan terjual.

Ketiga komponen data itu memberikan dasar untuk mengidentifikasi kemungkinan perbedaan antara aktivitas produksi dan laporan penjualan. Apabila angka yang tercatat tidak selaras, kondisi tersebut dapat menjadi petunjuk awal bagi DJP untuk menelusuri kemungkinan adanya risiko perpajakan.

Nurkholisoh menjelaskan bahwa perbedaan dalam hasil pencocokan data dapat membantu otoritas pajak menentukan bagian transaksi yang perlu diperiksa lebih lanjut.

"Ketika angka-angka tersebut tidak sesuai, kami memperoleh petunjuk yang jelas mengenai potensi ketidaksesuaian," katanya.

Data transaksi menjadi dasar pengawasan

Pemanfaatan machine learning menggabungkan pemeriksaan faktur pajak elektronik dengan analisis alur produksi dan penjualan. Kedua pendekatan tersebut memungkinkan DJP menelaah informasi usaha dari beberapa sisi, mulai dari pencatatan transaksi hingga kesesuaian jumlah produk yang dipasarkan.

Dalam pelaksanaannya, ketidaksesuaian data tidak serta-merta menjadi bukti pelanggaran, tetapi dapat digunakan sebagai indikasi awal untuk penelusuran lebih lanjut terhadap potensi risiko perpajakan. Analisis tersebut membantu mengarahkan pengawasan pada transaksi dan aktivitas usaha yang memerlukan pemeriksaan lebih mendalam.