Oleh: Yandra Arkeman, Guru Besar Teknik Industri Pertanian dan Ketua BRAIN, IPB University; dan Verry Surya Hendrawan, kandidat Doktor Teknik Industri Pertanian IPB University
REPUBLIKA.CO.ID, JAKARTA – Salah satu hal yang menjadi perhatian pemerintah saat ini adalah peningkatan penerimaan pajak. Kenyataan yang dihadapi sekarang adalah banyaknya pajak yang luput dari pungutan pemerintah karena perhitungan yang salah atau sengaja dibuat salah oleh para wajib pajak (WP) besar agar pembayaran pajaknya menjadi kecil, sedangkan pemerintah tidak punya teknologi untuk memberikan perhitungan pajak yang benar dan obyektif.
Padahal kita sudah hidup di era 5.0, di mana penggunaan teknologi digital sudah sangat masif di segala bidang. Teknologi digital maju, seperti Artificial Intelligence (AI) dan blockchain bisa digunakan sebagai wasit yang obyektif (seperti VAR dalam sepakbola) untuk menjadi hakim dalam perhitungan pajak yang adil untuk kedua belah pihak, sehingga tidak ada tax gap yang tinggi.
Patut diketahui bahwa tax gap adalah selisih antara pajak yang seharusnya dibayar (potensi pajak) dengan pajak yang benar-benar dibayar, yang mengukur ketidakpatuhan, kebocoran, dan inefisiensi sistem pajak, menunjukkan ruang fiskal yang belum tergarap, dan fokus pada administrasi, kepatuhan, dan penegakan hukum. Tax gap ini nilainya bisa mencapai ratusan triliun per-tahun. Ini berarti bahwa ruang fiskal pajak Indonesia masih sangat besar dan dapat dioptimalkan tanpa menaikkan tarif pajak. Dengan demikian diperlukan berbagai terobosan untuk mendukung pencapaian target ini, diantaranya melalui digitalisasi, data integration, dan implementasi AI.
Pada prinsipnya, digitalisasi administrasi fiskal dan penerapan AI menjadi alat penting bagi otoritas pajak di berbagai negara untuk menutup tax gap, memperbaiki kepatuhan para wajib pajak, dan meningkatkan efisiensi pengelolaan pajak. Di Indonesia, potensi penerimaan yang belum tergali masih besar; pemanfaatan AI yang terarah dapat mempersempit ruang ketidakpatuhan dan memperbesar penerimaan negara secara material.
Contoh nyatanya adalah perangkat lunak PalmVision yang dikembangkan oleh Ditjen Pajak Kementerian Keuangan RI dan didukung oleh BRAIN IPB University. Perangkat lunak ini mampu melakukan otomatisasi perhitungan produksi minyak sawit (CPO) dari citra satelit lahan sawit yang diambil dengan drone. Perhitungan produksi CPO secara otomatis ini dilakukan dengan mempertimbangkan luas canopy, neraca massa dan berbagai factor lain.
Beberapa algoritma AI digunakan untuk memprediksi produksi CPO dengan sangat presisi. Tujuan utama pengembangan PalmVision ini adalah menekan potensi kehilangan pajak dari sektor minyak kelapa sawit sebesar setidaknya Rp22,83 triliun per tahun (Iqtishad Consulting, n.d.), yang diakibatkan underestimate produksi CPO akibat kemampuan perhitungan yang tidak memadai.
Etika AI di perpajakan
Adapun demikian, implementasi AI di berbagai bidang (termasuk tentunya bidang perpajakan) senantiasa berhadapan dengan beberapa isu terkait tata kelola, ketidaksiapan aturan hukum, akurasi hasil, hingga isu-isu terkait terkait sumber daya manusia seperti: berkurangnya peran manusia dan meningkatnya ketergantungan terhadap AI yang mengurangi professional judgment para petugas pajak. Di bawah ini adalah beberapa contoh.
Contoh pertama; yakni kontroversi penggunaan AI pada HM Revenue & Customs (HMRC) di Inggris. Pada tahun 2023, HMRC mendapat tuntutan pengungkapan penggunaan AI dalam menilai klaim kredit pajak research & development (R&D). Pengadilan setempat memerintahkan HMRC untuk mengungkap apakah dan bagaimana AI dipergunakan mengingat kekhawatiran transparansi dan kemungkinan kesalahan/ketidaktepatan keputusan otomatis. Kasus ini menonjolkan risiko bahwa penggunaan AI tanpa kebijakan/akuntabilitas yang jelas dapat menimbulkan pelanggaran hak, keputusan yang salah, atau persoalan terkait kerahasiaan data.
Kedua; pengalaman Australian Taxation Office (ATO) terkait isu tata kelola AI dan pengurangan tenaga kerja. Audit independen oleh Australian National Audit Office (ANAO) pada tahun 2025 menyoroti fakta bahwa ATO mengadopsi alat otomatisasi berbasis AI tetapi menghadapi tantangan terkait permasalahan tata kelola, risiko disipliner (risiko kesalahan dan ketidakadilan penegakan pajak akibat penggunaan AI tanpa tata kelola, transparansi, dan kontrol manusia yang memadai), dan efek pengurangan staf (termasuk deskilling dan ketergantungan berlebih pada sistem). Publikasi menyorot perlunya kebijakan penggunaan AI dengan pengawasan yang konsisten, agar tidak menimbulkan bias dan justru dapat mengakibatkan masalah operasional.
Dan ketiga adalah di negeri kita; Direktorat Jenderal Pajak (DJP) Kementerian Keuangan Republik Indonesia pada pertengahan tahun 2025 lalu menyampaikan rencana pemanfaatan crawling (proses otomatis mengumpulkan data dari internet; website, media sosial, forum, marketplace, dan sumber terbuka lain, menggunakan program atau bot yang disebut crawler atau web crawler) untuk mengidentifikasi tanda-tanda harta atau aktivitas ekonomi WP yang belum tercatat.
Langkah ini praktis efektif untuk mengidentifikasi temuan, tetapi berisiko memunculkan isu terkait dengan privasi WJ, legalitas akses data WJ, dan proses verifikasi sebelum tindakan administrasi/ penagihan dapat dilaksanakan.. Kasus-kasus internasional menunjukkan bahwa penggunaan data publik tanpa tata kelola yang baik justru dapat memicu tuntutan hukum dan pada akhirnya beresiko menurunkan kepercayaan publik secara luas.
Beberapa Peluang Inovasi
Sebagaimana telah disampaikan sebelumnya, pada tahun 2025 DJP telah mengembangkan PalmVision melalui pemanfaatan teknologi Computer Vision, yang bertujuan untuk memprediksi volume produksi kelapa sawit pada area perkebunan yang ditentukan. Teknologi berbasis AI ini memungkinkan analisis data visual dari luasan area perkebunan, jumlah dan usia tanaman sawit, untuk menghasilkan prediksi yang lebih akurat dan efisien terkait volume produksi. Selain PalmVision, tentunya masih banyak alternatif pemanfaatan AI lain yang masih sangat berpotensi untuk dapat dikembangkan. Berikut adalah 5 (lima) diantaranya.
Pertama: deteksi kepatuhan dan profiling risiko otomatis (untuk menghasilkan risk scoring) melalui penggunaan model ML (machine learning)/AI untuk memindai data SPT, e-faktur, transaksi perbankan (jika legal akses), dan metadata. Sebagai hasilnya adalah skor risiko, sebagai dasar pelaksanaan audit. Semakin tinggi skor, maka memperoleh prioritas audit. Sebagai contoh: e-invoicing dengan ML untuk mengidentifikasi ketidaksesuaian PPN (pajak pertambahan nilai).
Berikutnya adalah deteksi pola (graph analytics) transaksi terstruktur pada underground economy / invoice fraud: melalui anomaly detection pada jaringan supply chain dan identifikasi e-faktur untuk menemukan faktur fiktif atau penggunaan jaringan perusahaan cangkang.
Ketiga: otomasi layanan dan kepatuhan sukarela melalui penyediaan chatbots dan virtual assistant berbasis AI untuk membantu WP Individu dan UMKM dalam menyusun SPT (Surat Pemberitahuan) secara mandiri. Fasilitas ini juga dapat dibangun untuk mengoreksi entri yang rawan kesalahan sehingga mengurangi underreporting akibat kesalahan administrasi.
Keempat: crawling and cross-matching untuk WP yang high profile. Dilakukan melalui penggunaan data sumber terbuka berupa pemanfaatan AI NLP (natural language processing) dan image/sentiment analysis untuk mengidentifikasi aset/aktivitas yang diposting di media sosial dan marketplace, serta kemudian mencocokkannya dengan data WP. Walaupun cara ini sangat efektif, tetapi masih memerlukan payung hukum dan tata kelola kerahasiaan data.
Dan terakhir, kelima: prediksi penerimaan dan perencanaan fiskal melalui model AI yang mampu meningkatkan akurasi prediksi penerimaan dan sekaligus fitur sistem peringatan dini sehingga kebijakan fiskal dapat lebih responsif dan adaptif dengan perubahan.
Pemanfaatan AI di DJP menjanjikan peningkatan kepatuhan, efisiensi, dan penerimaan pajak. Namun, pengalaman internasional dari HMRC–Inggris dan ATO–Australia yang dipaparkan sebelumnya menunjukkan bahwa juga terdapat risiko struktural, hukum, dan institusional yang serius bila tidak dikelola dengan tepat, yakni terkait dengan; tata kelola, risiko hukum (kewajiban keberadaan regulasi penggunaan AI dan privacy impact assessment), bias dan diskriminasi algoritmik, risiko disipliner dan penegakan, dampak organisasi dan SDM, serta risiko turunnya kepercayaan publik.
Selain berbagai risiko yang dipaparkan di atas, juga terdapat setidaknya dua kendala teknis lain yaitu: data quality dan data integration. Karena tanpa kualitas data yang baik, maka AI akan menghasilkan keluaran yang tidak baik pula. Serta tanpa adanya integrasi data antar institusi, maka keluaran AI tidak komprehensif.
Aspek lain yang harus dipersiapkan adalah terkait kesiapan sumber daya manusia dan perubahan organisasi, yang meliputi upskilling (proses meningkatkan keterampilan, pengetahuan, dan kompetensi) pegawai DJP (Direktorat Jenderal Pajak) serta pembentukan unit kerja data dan AI.
Implementasi AI wajib didasarkan pada roadmap demi pencapaian yang optimal. Terdapat 4 (empat) tahapan, yakni: tahap pertama berupa audit data & pembenahan master data nasional (pada periode 0–6 bulan pertama) untuk merealisasikan single taxpayer registry. Kemudian pada 6-12 bulan berikutnya adalah tahapan pilot risk scoring e-faktur + SPT untuk segmen besar (WP badan besar).
Tahapan berikutnya adalah membangun unit Data Science & AI terpusat di DJP pada periode 6-18 bulan). Hal ini dapat dilakukan melalui kerjasama akademik untuk transfer knowledge. Dan tahapan terakhir (keempat) pada periode 18-36 bulan adalah penyusunan skalasi dan integrasi lintas-instansi: Kemendagri, Bea Cukai, K/L lain untuk cross-matching.
Namun yang tidak kalah pentingnya adalah penyusunan kerangka hukum & etika AI, yang meliputi aturan pemakaian data, transparansi algoritma untuk keputusan administratif, mekanisme banding. Kegiatan ini wajib dimulai segera dan bersamaan dengan keempat tahapan yang diuraikan diatas.
AI dapat sangat berperan efektif dan efisien bila ditempatkan dalam kerangka tata kelola yang kuat, didukung dengan data berkualitas, dan dipayungi mekanisme hukum yang jelas. Untuk Indonesia—dengan tax gap yang masih besar—AI yang diimplementasikan dengan strategi dan etika yang tepat dapat memberikan tambahan penerimaan signifikan (hingga ratusan triliun rupiah per-tahun). Namun, keberhasilan sangat bergantung pada integrasi data, payung hukum, dan transparansi agar manfaat fiskal tidak mengorbankan hak dan kepercayaan publik.
Keberadaan PalmVision DJP berbasis AI yang diluncurkan pada tahun 2025 dan berpotensi meningkatkan penerimaan +/- Rp22.83 trilliun per-tahun dapat menjadi contoh yang baik dan seyogyanya dapat diikuti dengan pembuatan “vision” yang lain seperti: “FishVision” untuk meningkatkan ketaatan WP sektor kelautan dan perikanan (potensi peningkatan penerimaan Rp30-60 trilliun per-tahun), atau “ForestVision” di bidang kehutanan (potensi peningkatan penerimaan Rp30-60 trilliun per-tahun), atau “MiningVision” di bidang pertambangan (potensi peningkatan penerimaan Rp150-300 triliun per-tahun), dan bidang-bidang strategis lainnya, untuk peningkatan penerimaan negara dari sektor pajak.
Ikuti Whatsapp Channel Republika