Pemodelan Prediksi Perdagangan Satwa Liar Menggunakan Algoritma Machine Learning

Abstract

Perdagangan satwa liar merupakan segala bentuk perdagangan sumber daya hewan maupun tumbuhan liar oleh manusia. Perdagangan satwa liar diindikasikan sebagai salah satu ancaman yang mampu memberikan dampak signifikan bagi keberlangsungan keanekaragaman hayati. Beberapa spesies hewan seperti mamalia dan reptil saat ini terancam punah dengan adanya perdagangan satwa liar. Praktik perdagangan satwa liar banyak ditemukan di berbagai media, termasuk situs internet dikarenakan media ini mudah diakses oleh banyak orang. Namun jika data tersebut diolah secara manual maka dibutuhkan waktu, tenaga dan upaya yang cukup besar. Oleh sebab itu, dibutuhkan sebuah pendekatan berbasis kecerdasan buatan untuk membantu mengolah data perdagangan satwa liar agar daerah yang rawan perdagangan satwa liar dapat diprediksi dengan cepat dan akurat. Penelitian ini bertujuan untuk membangun sebuah model yang dapat melakukan prediksi area yang rawan perdagangan satwa liar. Algoritma yang digunakan dalam penelitian ini adalah algoritma clustering K-Means untuk melakukan klasifikasi daerah-daerah yang berpotensi melakukan perdagangan satwa liar, serta algoritma K-Nearest Neighbor untuk melakukan prediksi daerah rawan perdagangan satwa liar. Selain itu digunakan metode Market Basket Analysis untuk menentukan apakah terdapat asosiasi kecenderungan komoditas yang diperdagangkan secara bersamaan ke suatu negara. Data yang digunakan merupakan data perdagangan satwa liar pada tahun 2018 hingga 2020 dari berbagai negara. Dengan penggunaan pendekatan clustering, dalam penelitian ini didapatkan 3 wilayah dengan potensi perdagangan satwa liar yaitu rendah, sedang dan tinggi. Hasil penelitian menunjukkan bahwa model prediksi yang dibangun mampu memprediksi wilayah rawan perdagangan satwa liar dengan tingkat akurasi 97% untuk import dan 98% untuk eksport. Dengan metode Market Basket Analysis, pada penelitian ini juga disimpulkan bahwa ada beberapa komoditas yang cenderung diperdagangkan ke negara yang sama seperti Aligator dan Acipenser.

Wildlife trade is any sale or exchange of animal or plant resources by humans. This trade is indicated as a threat that causes significant influence on the sustainability of biodiversity. Some species like mammals and reptiles are threatened with extinction due to this wildlife trade. Wildlife trades are often found in several media including websites due to it is one of the most accessible media. However, if the data is processed manually, it requires a lot of time, energy, and effort. Therefore, we need an artificial intelligence-based approach to process wildlife trade data so that the prone areas of wildlife trade can be predicted quickly and accurately. This study aims to develop a model prediction to predict prone areas of wildlife trade. The algorithm used in this study are K-Means clustering algorithm to classify potential areas of wildlife trades, K-nearest neighbor algorithm to build a prediction model of wildlife trade and Market Basket Analysis Algorithm to determine whether there is an association between specific commodities that tend to be traded to or from the same country. Data used in this study is wildlife trade data in 2018 – 2020 from various countries. Using the clustering approach, we obtained 3 levels of area i.e. low, medium, and high. The outcome of this study shows that the prediction model can predict prone areas of wildlife trade with 97% accuracy for import and 98% accuracy for export. Using Market Basket Analysis algorithm, we can conclude that there are some commodities that tend to be traded to or from the same country, such as Alligator and Acipenser.