BERITA TERKINI
PENUGASAN pemeriksa pajak bukan sekadar urusan administratif. Di balik satu surat perintah pemeriksaan, terdapat keputusan strategis yang memengaruhi kualitas pemeriksaan, efektivitas pengawasan, hingga kepercayaan publik terhadap otoritas pajak.
Karena itu, wajar jika proses penugasan selalu menjadi ruang yang krusial dan penuh pertimbangan—baik bagi pimpinan yang bertanggung jawab atas hasil pemeriksaan, maupun bagi pemeriksa yang menjalankan mandat tersebut di lapangan. Setiap penugasan membawa konsekuensi profesional, reputasional, dan institusional, sehingga alasan di baliknya dituntut untuk jelas dan dapat dipertanggungjawabkan.
Signifikansi penugasan ini tecermin dari peran pemeriksaan sebagai salah satu instrumen pengamanan penerimaan negara. Kementerian Keuangan (Kemenkeu) mencatat per 31 Desember 2025 realisasi penerimaan pajak pada 2025 mencapai Rp1.917,6 triliun secara neto. Penerimaan ini mengalami kontraksi 0,7% jika dibandingkan dengan tahun sebelumnya yang mencapai Rp1.931,6 triliun.
Dalam Laporan Kinerja Direktorat Jenderal Pajak (DJP) 2024 tercatat bahwa nilai ketetapan pajak hasil pemeriksaan mencapai Rp77,89 triliun. Perinciannya, Rp55,18 triliun di antaranya telah dibayar oleh wajib pajak. Namun, capaian tersebut dihadapkan pada keterbatasan struktural: jumlah pemeriksa sekitar 6.000-an orang dengan audit coverage ratio hanya 0,83%. Kondisi ini menegaskan bahwa tantangan pemeriksaan bukan semata soal kuantitas sumber daya, melainkan bagaimana penugasan dilakukan secara presisi dan efektif.
Dalam praktiknya, penugasan pemeriksa selama ini masih mengandalkan kombinasi pertimbangan atasan, pengalaman informal, serta formula penilaian yang bersifat statis. Pendekatan ini memang praktis, tetapi kerap memunculkan pertanyaan klasik di lapangan, mengapa pemeriksa A ditugaskan ke kasus tertentu, sementara pemeriksa B tidak?
Ketika alasan di balik keputusan sulit dijelaskan secara konsisten, potensi persepsi bias dan ketidakpuasan pun muncul, meskipun keputusan tersebut diambil dengan niat baik. Dalam konteks penguatan standar pemeriksaan sebagaimana diatur dalam Peraturan Menteri Keuangan (PMK) 15/2025 tentang Pemeriksaan Pajak, kebutuhan akan jejak pertimbangan yang terdokumentasi dan dapat ditelusuri menjadi semakin relevan.
Di titik inilah arah besar digitalisasi administrasi perpajakan—yang kerap disebut sebagai Tax Administration 3.0—menjadi relevan sebagai kerangka kebijakan, bukan sekadar jargon teknologi. Intinya, administrasi pajak modern bergerak dari proses yang terpisah-pisah menuju sistem terpadu yang mengintegrasikan data, analitik risiko, dan pengambilan keputusan berbasis proses yang terdokumentasi.
DJP sudah menapaki jalur ini melalui penguatan Compliance Risk Management (CRM), pengayaan basis data, serta pembangunan coretax system sebagai tulang punggung layanan dan pengawasan. Namun, agar transformasi ini utuh, digitalisasi tidak boleh berhenti pada penentuan wajib pajak berisiko, tetapi juga harus menyentuh bagaimana kapasitas internal—termasuk pemeriksa—dialokasikan secara presisi dan akuntabel.
Dalam konteks itulah, kecerdasan buatan (Artificial Intelligence/AI) mulai dilirik sebagai alat bantu berbasis analisis data. Namun, pengalaman berbagai negara menunjukkan bahwa penggunaan AI dalam administrasi publik tidak dapat disamakan dengan sektor komersial. Keputusan pemerintah menyangkut hak warga, akuntabilitas, dan legitimasi kebijakan. Karena itu, muncul kekhawatiran yang wajar: jangan-jangan keputusan penting justru 'diserahkan ke mesin, tanpa ruang penjelasan yang dapat dipahami manusia.
Kekhawatiran inilah yang melahirkan pendekatan Explainable Artificial Intelligence (XAI).
Secara sederhana, XAI adalah pendekatan AI yang tidak hanya menghasilkan rekomendasi, tetapi juga mampu menjelaskan mengapa rekomendasi tersebut muncul. Bukan dalam bahasa teknis, melainkan dalam bentuk penjelasan yang dapat ditelusuri dan dipahami oleh pengambil keputusan.
Literatur kebijakan publik internasional menekankan bahwa AI di sektor publik harus memenuhi prinsip transparansi, dapat dijelaskan, dan dapat diuji. OECD, misalnya, menegaskan bahwa sistem berbasis data di pemerintahan harus mudah diaudit dan dapat dipertanggungjawabkan, bukan sekadar akurat secara statistik. Karena itu, di banyak negara, AI tidak digunakan sebagai pengambil keputusan otomatis, melainkan sebagai alat bantu keputusan yang memperkaya pertimbangan manusia.
Dalam konteks penugasan pemeriksa pajak, AI digunakan untuk membantu menghitung skor maturitas pemeriksa—ringkasnya, ukuran pengalaman kerja yang dirangkum secara sistematis. Skor ini merefleksikan pengalaman auditor dari berbagai dimensi yang selama ini tersebar dan sulit dibandingkan secara objektif: jumlah dan jenis pemeriksaan yang pernah ditangani, peran dalam tim (anggota, ketua, atau supervisor), keterlibatan dalam kasus strategis, hingga efisiensi penyelesaian pemeriksaan.
AI membantu menjawab satu pertanyaan mendasar, seberapa matang pengalaman seorang pemeriksa jika dilihat secara menyeluruh, bukan hanya dari satu indikator tunggal.
Yang membedakan pendekatan XAI adalah kemampuannya menjelaskan alasan di balik skor tersebut. Sistem tidak hanya menghasilkan angka akhir, tetapi juga menunjukkan faktor apa yang paling berkontribusi. Apakah skor tinggi lebih dipengaruhi oleh pengalaman lintas peran? Keterlibatan dalam kasus berisiko tinggi? Atau konsistensi kinerja dari waktu ke waktu?
Bagi pimpinan, penjelasan semacam ini penting karena rekomendasi penugasan tidak lagi bersifat 'percaya saja pada sistem', melainkan dapat ditelusuri logikanya. Bagi pemeriksa, transparansi ini membuka ruang pemahaman tentang aspek kompetensi apa yang dinilai dan bagaimana pengalaman kerja mereka diterjemahkan ke dalam sistem. Dalam jangka panjang, mekanisme ini mendukung pembinaan dan pengembangan sumber daya manusia secara lebih objektif.
Namun, penjelasan tentang apa itu XAI saja tidak cukup. Tantangan kebijakan yang lebih besar adalah bagaimana pendekatan ini diterjemahkan ke dalam praktik penugasan yang nyata, konsisten, dan selaras dengan reformasi administrasi pajak. Tanpa kerangka yang jelas, AI berisiko berhenti sebagai wacana teknologi, bukan instrumen tata kelola.
Tiga pilar berikut dapat dibaca sebagai cara praktis menerjemahkan prinsip Tax Administration 3.0 ke level paling operasional: siapa memeriksa apa, dengan alasan yang jelas.
Pertama, presisi berbasis data. Dengan jumlah pemeriksa yang terbatas dan audit coverage ratio yang rendah, setiap keputusan penugasan membawa implikasi langsung terhadap efektivitas pengamanan penerimaan. Dalam kondisi seperti ini, presisi bukan lagi pilihan, melainkan keharusan.
AI memungkinkan pengalaman pemeriksa—yang selama ini tersebar dalam berbagai catatan administratif—diterjemahkan menjadi skor maturitas yang komprehensif dan terukur. Penugasan tidak lagi sekadar 'siapa tersedia', melainkan 'siapa paling relevan.
Kedua, transparansi dan jejak keputusan. Presisi berbasis data akan kehilangan legitimasi jika tidak disertai kemampuan menjelaskan alasan di baliknya. XAI menyediakan penjelasan faktor-faktor yang memengaruhi rekomendasi penugasan, sehingga setiap keputusan dapat ditelusuri logikanya. Pendekatan ini selaras dengan PMK Nomor 15 Tahun 2025, yang menekankan dokumentasi pertimbangan dan proses pengambilan keputusan sebagai bagian dari profesionalisme pemeriksaan.
Ketiga, pengawasan manusia sebagai pengaman utama. AI tidak menggantikan peran manusia dalam pengambilan keputusan. Dalam desain yang tepat, AI berfungsi sebagai alat bantu, bukan pengambil keputusan otomatis.
Rekomendasi sistem menjadi bahan pertimbangan tambahan bagi pimpinan, yang tetap memiliki ruang diskresi untuk menyesuaikan keputusan dengan konteks kebijakan dan kondisi lapangan. Dengan adanya penjelasan dari XAI, diskresi tersebut justru menjadi lebih bertanggung jawab.
Ketiga pilar ini menunjukkan bahwa penggunaan AI dalam penugasan pemeriksa bukan sekadar soal adopsi teknologi, melainkan penguatan tata kelola.
Pendekatan semacam ini bukan hal baru di tingkat global. Di Inggris, HM Revenue & Customs (HMRC) menggunakan analisis risiko untuk membantu menentukan prioritas pemeriksaan, tetapi keputusan akhir tetap berada pada pejabat yang bertanggung jawab dan dapat menjelaskan dasar pemilihannya.
Di Australia, Australian Taxation Office (ATO) mengembangkan sistem kepatuhan berbasis risiko yang memandu prioritisasi kasus, sambil menekankan prinsip procedural fairness dan pengawasan manusia. Di Amerika Serikat, kritik publik terhadap algoritma yang dianggap terlalu opak justru mendorong tuntutan agar sistem analisis internal dapat diaudit dan dijelaskan, terutama ketika menyentuh keputusan yang berdampak langsung pada warga.
Benang merah dari praktik tersebut jelas: AI boleh digunakan, bahkan diperlukan, tetapi hanya jika dia memperkuat akuntabilitas, bukan menggantikannya.
Dalam konteks Indonesia, pendekatan ini sangat sejalan dengan arah reformasi administrasi perpajakan. Melalui CRM, penguatan basis data, dan pembangunan coretax system, DJP makin mengandalkan data dan analisis untuk mendukung kebijakan berbasis risiko—sebuah arah yang juga ditegaskan dalam Rencana Strategis (Renstra) DJP 2025–2029. Namun, analisis eksternal terhadap wajib pajak perlu diimbangi dengan tata kelola analitik internal, khususnya dalam pengelolaan sumber daya manusia.
Di sinilah Explainable AI menawarkan nilai tambah yang relevan. Jika coretax system dirancang untuk mengintegrasikan data, proses, dan pengambilan keputusan, maka penugasan pemeriksa berbasis AI yang dapat dijelaskan menjadi bagian inheren dari arsitekturnya. Yang dibutuhkan bukan hanya rekomendasi 'siapa ditugaskan', melainkan jejak alasan yang dapat ditelusuri: faktor pengalaman apa yang mendorong rekomendasi, bagaimana konsistensinya, dan di mana ruang diskresi pimpinan bekerja.
Pada akhirnya, modernisasi pemeriksaan tidak cukup hanya membuat sistem lebih digital. Modernisasi pemeriksaan pajak harus membuat keputusan penugasan lebih presisi, lebih adil, dan lebih mudah dijelaskan. Di situlah nilai layanan publik sesungguhnya dari coretax system yang akuntabel.
