Pengembangan Sistem Klasifikasi Daerah Kerawanan Perdagangan Satwa Liar dengan Pendekatan K-Means dan Decision Tree

Abstract

Perdagangan satwa liar memainkan peran penting dalam ekonomi global dan konservasi keanekaragaman hayati. Namun, pengawasan yang ketat diperlukan untuk memastikan bahwa perdagangan ini tetap menjaga keseimbangan ekosistem dan menghindari spesies satwa menuju kepunahan. Upaya penanggulangan yang efektif membutuhkan alat analisis yang efisien untuk mendeteksi area yang berisiko tinggi terhadap perdagangan satwa liar. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi daerah kerawanan perdagangan satwa liar dengan menerapkan algoritma k-means clustering dan decision tree untuk mengklasifikasikan daerah-daerah yang rentan terhadap perdagangan satwa liar. K-means clustering digunakan untuk mengelompokkan wilayah-wilayah yang memiliki kesamaan karakteristik, sedangkan algoritma decision tree digunakan untuk klasifikasi wilayah yang rentan perdagangan satwa liar. Hasil simulasi menunjukkan bahwa algoritma k-means berhasil mengelompokkan wilayah-wilayah yang memiliki kesamaan pola. Selanjutnya metode decision tree digunakan untuk mengklasifikasikan lebih lanjut wilayah-wilayah tersebut berdasarkan tingkat kerawanan perdagangan satwa liar. Hasil penelitian menunjukkan bahwa penggunaan algoritma k-means clustering dan decision tree menawarkan pendekatan yang efisien untuk mengklasifikasikan wilayah-wilayah yang rentan terhadap perdagangan ilegal satwa liar dengan tingkat akurasi sebesar 96,22%. Selain itu, penelitian ini juga membangun sebuah aplikasi web untuk memberikan informasi wilayah yang rentan terhadap perdagangan satwa liar.

Wildlife trade poses a significant threat to biodiversity, disrupting ecosystems and driving many species towards extinction. Effective countermeasures require efficient analytical tools to detect area with high risk of wildlife trade. This study explores the application of k-means clustering and decision tree algorithms in identifying and classifying wildlife trade vulnerability areas. K-means clustering is utilized to group similar areas with common characteristics, while decision tree algorithms is used in the classification and prediction of wildlife trade vulnerability area. Simulation results show that the k-means algorithm has successfully grouped similar areas with common patterns. The decision tree method is used to further classify the areas based on their risk level on wildlife trade. Our results demonstrate that the use of k-means clustering and decision tree algorithms offers an efficient approach for classifying wildlife trade vulnerability areas with an accuracy rate of 96,22%. Furthermore, this research has also embedded the classification model into a web application.