Taksonomi Pola Perdagangan Internasional: Implementasi Unsupervised Learning untuk Segmentasi Negara Berbasis Kinerja Impor

Aprilisa Arum Sari; Oktalia Kumala Sari

doi:10.33506/insect.v12i2.5631

Authors

Aprilisa Arum Sari Program Studi Teknik Informatika, Universitas Duta Bangsa Surakarta
Oktalia Kumala Sari Program Studi Magister Ilmu Komputer, Universitas Budi Luhur Jakarta

DOI:

https://doi.org/10.33506/insect.v12i2.5631

Keywords:

Clustering, Data Mining, Ekonomi Global, Perdagangan Internasional, Volatilitas Impor

Abstract

Perdagangan internasional, khususnya aktivitas impor, merupakan indikator vital dalam mengukur kesehatan ekonomi dan tingkat interkonektivitas suatu negara di pasar global. Namun, penggunaan klasifikasi geopolitik statis konvensional seringkali gagal merefleksikan dinamika transaksi riil yang volatil. Penelitian ini bertujuan untuk mengekstraksi taksonomi pola perdagangan dunia menggunakan teknik data mining melalui pendekatan unsupervised learning (K-Means Clustering). Dengan memanfaatkan data panel historis Bank Dunia yang mencakup 7.763 observasi, penelitian ini melakukan feature engineering pada variabel rata-rata volume impor dan tingkat volatilitas historis untuk menangkap profil risiko dan kapasitas pasar secara simultan. Hasil analisis berhasil mengidentifikasi tiga klaster utama: (1) Raksasa Ekonomi/Pasar Utama (52 negara) dengan rata-rata impor mencapai $USD$ 204,5 miliar yang berfungsi sebagai pusat risiko global, (2) Pasar Berkembang (95 negara) dengan aktivitas impor menengah sebesar $USD$ 9,8 miliar, dan (3) Ekonomi Marginal (44 negara) dengan rata-rata impor minimal sebesar $USD$ 1,09 miliar. Taksonomi berbasis data ini memberikan landasan empiris yang krusial bagi otoritas perdagangan dalam merumuskan kebijakan yang adaptif serta memitigasi risiko volatilitas rantai pasok global di masa depan.

References

[1] O. K. Muhammad Romli, Ikmal Mumtahaen, “Penyelesaian Sengketa Perdagangan Internasional Melalui Dispute Settlement Body,” J. Artif. Intell. Digit. Bus., Vol. 4, No. 2, 2025.

[2] Nurhikmah And I. Rasulong, “Dampak Perang Dagang As-China Terhadap Perdagangan Internasional Dan Ekonomi Global,” Researchgate, No. January, 2025.

[3] A. Giroud, J. Puck, And H. Puhr, “World Investment Report 2025: International Investment In The Digital Economy,” J. Int. Bus. Policy, 2026, Doi: 10.1057/S42214-025-00234-6.

[4] I. Svyshchuk, “Concentration Of Exports And Imports Of Creative Industry Goods In Global Trade,” Bull. Acad. Labor, Soc. Relations Tour. Ser. Econ. Psychol. Manag., No. 7, 2026, Doi: 10.54929/3041-2390-2026-07-01-01.

[5] L. J. Falkenberg And P. W. S. Joyce, “Tracking The Coastal Bioinvasion By Mussels In Hong Kong,” Mar. Pollut. Bull., Vol. 222, 2026, Doi: 10.1016/J.Marpolbul.2025.118678.

[6] V. Singh, G. C. Hajare, S. A. Khan, And A. Kumari, “Decoding Socio-Economic Disparities In Uttar Pradesh: A Spatio-Temporal Analysis Using Wroclaw Taxonomy And K-Means Unsupervised Machine Learning Clustering,” Math. Popul. Stud., 2026, Doi: 10.1080/08898480.2025.2612641.

[7] T. Zhukabayeva Et Al., “An Impact-Aware And Taxonomy-Driven Explainable Machine Learning Framework With Edge Computing For Security In Industrial Iot–Cyber Physical Systems,” C. - Comput. Model. Eng. Sci., Vol. 145, No. 2, Pp. 2573–2599, 2025, Doi: 10.32604/Cmes.2025.070426.

[8] V. Michalakopoulos Et Al., “Exploring Dimensional Distinctions Of Residential Heat Load Profiles Using An Unsupervised Machine Learning Clustering Framework,” Sustain. Energy, Grids Networks, Vol. 45, 2026, Doi: 10.1016/J.Segan.2025.102117.

[9] X. Ke Et Al., “From Prediction To Regionalization: Enhancing Flash Flood Susceptibility Mapping Using Machine Learning And Geodetector,” Geosci. Front., Vol. 17, No. 1, 2026, Doi: 10.1016/J.Gsf.2025.102213.

[10] X.-J. Li, J.-M. Liu, Z.-B. Zhang, Y.-N. Wang, And Y.-Y. Li, “Advancing The Classification Of Gamma-Ray Bursts Using Machine Learning. I. Gamma-Ray Bursts With Extended Emission,” Astrophys. J., Vol. 996, No. 1, 2026, Doi: 10.3847/1538-4357/Ae2274.

[11] S. Naeem, A. Ali, S. Anam, And M. M. Ahmed, “An Unsupervised Machine Learning Algorithms: Comprehensive Review,” Int. J. Comput. Digit. Syst., Vol. 13, No. 1, 2023, Doi: 10.12785/Ijcds/130172.

[12] A. Catur Pamungkas, D. Wakhid Nur Sakti, F. Trisna Aqilla, K. Miza, And A. Arum Sari, “Clustering Produk Umkm Berdasarkan Penjualan Online Menggunakan K-Means,” Pros. Semin. Nas. Teknol. Inf. Dan Bisnis, 2025, Doi: 10.47701/Hgnnv193.

[13] Hasim Azari, Dwi Hartanti, And Aprilisa Arum Sari, “Pengelompokan Produksi Padi Dan Beras Provinsi Jawa Timur Dengan Metode Agglomerative Hierarchical Clustering,” Infotek J. Inform. Dan Teknol., Vol. 7, No. 2, 2024, Doi: 10.29408/Jit.V7i2.26016.

[14] M. Rovi And H. Rustama, “Implementasi Algoritma K-Means Dalam Pengelompokan Gaya Belajar Mahasiswa Ubhi Menggunakan Model Vark,” Infotech J., Vol. 12, No. 1, Pp. 25–32, Jan. 2026, Doi: 10.31949/Infotech.V12i1.16970.

[15] R. A. Fauzianto And Supatman, “Analisis Sentimen Opini Masyarakat Terhadap Tech Winter Pada Twitter Menggunakan Natural Language Processing,” J. Syntax Admiration, Vol. 3, No. 9, 2023, Doi: 10.46799/Jsa.V3i9.909.

[16] P. Ria Indah Kusuma, K. Dini, And A. Azminah, “Pemodelan Molekul Dan Molekular Dinamik Putik Bunga Safron (Crocus Sativus L.) Sebagai Kandidat Obat Antikanker Payudara,” Pharmacoscript, Vol. 6, No. 2, 2023, Doi: 10.36423/Pharmacoscript.V6i2.1391.

[17] O. Kumala Sari And A. Arum Sari, “Prediksi Kunjungan Wisatawan Dengan Random Forest Berbasis Data Historis Dan Eksternal,” Pros. Semin. Nas. Teknol. Inf. Dan Bisnis, 2025, Doi: 10.47701/Kd7t9e88.

[18] A. Wadanur And A. A. Sari, “Implementation Of Apriori And Fp-Growth Algorithms In Spare Parts Sales,” Edumatic J. Inf. Educ., Vol. 6, No. 1, 2022.