Model Klasifikasi Daerah Perdagangan Satwa Liar Menggunakan Algoritma Naive Bayes dan Random Forest

Abstract

Perdagangan satwa liar merupakan sektor perdagangan yang kritikal namun rentan terhadap berbagai bentuk aktivitas yang mampu mengancam keanekaragaman hayati dan keseimbangan ekosistem. Oleh karenanya diperlukan regulasi dan pemantauan yang ketat terkait dengan perdagangan satwa liar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi untuk mengkategorikan daerah-daerah yang rawan terhadap perdagangan satwa liar menggunakan pendekatan machine learning. Data yang digunakan dalam penelitian ini adalah data perdagangan satwa liar yang berasal dari database CITES pada periode 2018–2020. Penelitian ini menggunakan teknik K-Means untuk pelabelan data serta Naïve Bayes dan Random Forest untuk mengkategorikan tingkat kerawanan daerah perdagangan satwa liar. Daerah perdagangan satwa liar pada penelitian ini dikategorikan ke dalam tiga kategori kerawanan, yaitu kategori rendah, sedang, dan tinggi. Cara melakukan klasifikasi daerah perdagangan satwa liar dapat dilakukan dengan Naive Bayes dan Random Forest, kemudian untuk mengimplentasikan dengan menggunakan bahasa pemrograman python sehingga memperoleh hasil sebaran risiko pada tiap negara yang terdapat pada data base. Data yang akan digunakan dalam penelitian ini merupakan data kasus perdagangan satwa liar yang terjadi dari tahun 2018 hingga 2020 di berbagai negara. Data tersebut diunduh dari situs https://trade.cites.org/ dalam format csv (CITES, 2023). Data terdiri dari 16 kolom dan 179.524 baris. Pada tahap analisis data perdagangan satwa liar diantaranya menganalisis hewan yang banyak diperjualbelikan yaitu Acipenser dan terendah adalah Coralium. Bagian tubuh hewan yang diperjualbelikan paling tinggi adalah hati dan terendah adalah ekstrak, negara yang paling banyak melakukan impor perdagangan satwa liar adalah Korea dan paling rendah adalah Qatar, selanjutnya negara yang paling banyak ekspor adalah Perancis dan paling rendah adalah China. Tahun tertinggi yang melakukan perdagangan satwa liar terjadi pada tahun 2020 dan terendah pada 2018. Tahapan selanjutnya adalah tahap praproses data yang merupakan tahapan awal untuk mengubah data input menjadi data dengan format yang tepat dan siap untuk diproses. Praproses data yang dilakukan meliputi tahap data cleaning, data reduction, dan data transformation. Pada penelitian ini juga dilakukan seleksi fitur untuk memilih subset dari fitur yang optimal, dan mengeliminasi variabel yang tidak berhubungan dengan data penelitian. Tahapan selanjutnya adalah tahap clustering yang dilakukan menggunakan algoritma K-Means, yang bertujuan untuk mengelompokkan data yang mirip dan menemukan pola berdasarkan kemiripan (Eshimiakhe et al. 2022). Nilai k dalam clustering ditentukan dengan metode Elbow dan metode Silhouette, di mana nilai Silhouette mengukur kohesi serta separasi dalam kluster, dan semakin kecil nilai Silhouette maka semakin dekat nilai k dengan kluster yang tidak sesuai (Arnita et al. 2020). Setelah melalui tahap clustering selanjutnya dibangun model klasifikasi menggunakan algoritma Naïve Bayes dan Random Forest. Algoritma Random Forest adalah metode yang dapat meningkatkan hasil akurasi dalam membangkitkan atribut untuk setiap node yang dilakukan secara random, dan hyperparameter tuning untuk mendapatkan parameter terbaik dari RF sehingga RF dapat membentuk model klasifikasi yang baik. Hasil penelitian menunjukkan bahwa hasil klasifikasi menggunakan algoritma Naive Bayes mencapai akurasi 92,45 persen, sementara Random Forest mencapai akurasi 98,11 persen. Selain itu penelitian ini juga menampikan visualisasi peta sebaran tingkat kerawanan perdagangan satwa liar. Dari tampilan dibawah ini menggunakan bahasa pemrograman Python dan menggunakan software Visual Studio Code, tahapannya seperti pada alur penelitian dan data dibawah ini 3 kelas yaitu rendah, sedang, tinggi dan diketahui tingkat importer tertinggi oleh negara Korea dan exporter tertinggi adalah Perancis diharapkan dengan adannya tampilan ini dapat memudahkan pembacaan data dan membatu stakeholder ditiap negara untuk bisa melakukan tindakan preventif dan korektif atas masalah ini.