Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   3 ,  Septem ber   20 21 ,  pp.  1654 ~ 1662   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 23 .i 3 . pp 1654 - 1662          1654       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   Machin e le ar nin g depl oy ment f or arms dy namics p attern  recogniti on in So uth ea st  Asia re gion       Z ul Indra 1 , A z ha ri  Set iaw an 2 , Y e ssi J usm an 3 , Ari sm an   Ad n an 4   1 Depa rtment of I nform at ic s E ng i nee ring ,   Abdurr ab  Univer si t y ,   In donesia   2 Depa rtment of I nte rna ti ona l  R elati ons,   Abdurrab   Univer sit y ,   Indo nesia   3 Depa rtment of  El e ct ri ca l   Eng in ee ring ,   Muham m adiy ah  Yog y a kar ta Unive rsi t y ,   Indone sia   4 Depa rtment of  Mathe m at i cs,   R i au  Univer si t y ,   In donesia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Oct   27 ,  2020   Re vised  Ju l   28 ,  2021   Accepte d  Aug   4 ,  2021       Finding  the   m os t  signifi c ant   dete rm ina nt  var ia b le  of  arms   dy nami c  is  high l y   req uire d   due  to   strategic  polic ie s  form ula t ions  and  power   m appi ng  for   ac ad emics  and  poli c y   m ake rs .   Mac hine   l e arn i ng  is  stil l  n ew  or  under - discussed  among  the   stud y   of  poli tics  and  inte rna ti on al   re la t io ns .   Exi sting  li te r at ur e  hav e  m uch  foc us  on  using  adva nc e d  quant i ta t ive   m et hods  b y   apply ing  v ari ous   t y p es  of  reg r ession  anal y s is.  Th is  stud y   ana l y z e d  the   a rm s  d y nami c  in  Southea st  As ia   coun tri es  al ong  with   it s  som e  strat egi c  par tn ers   su ch  as  Unite d  Stat es,   China,  Russ ia ,   South  Korea ,   and  Jap an  b y   using   ‘Dec ision  T ree ’   of  m ac hin e  l e arn ing  al gori th m .   Thi s  stud y   conduc t ed  a   m ac hine   learni n g  ana l y s is  on  5 5  var ia bl e  it ems   which  is  cl assifie d  int o  8   cl asses  of  var ia b le s  videlicet  d ef ense   budge t ,   a r m s  tra de  expor ts ,   arms   tra de   imports,  poli t ic a l  posture,   ec ono m ic   posture,   se cur ity   postur e  a nd  def ens e   priori t y ,   n at ion a l  ca pab il i t y ,   an d  dire ct   cont a ct,.   Th e  result s  suggest  three   findi ngs:  (1)  st ate  who  per ce iv es  m ari ti m e  as  str ategic   dr ive rs  and  f orc es  wil l  see k  m ore   power  for  i ts  m ari tim e  def ense   pos ture   which   is  tr ansla t ed  t o   def ense   budget,  (2)  big  size   count rie s  te nd  to  be   an  arms   expor t er  coun t r y ,   and  (3)  stat e’s  e ner g y   d epe nde n ce   ofte n  l ea ds  t o  a  highe r  volu m e  of  arm s   tra nsfers b et wee n  count r ie s.   Ke yw or ds:   Ar m s d ynam ics   Decisi on tree   Ma chine  le a rn i ng   Patt ern   recog ni ti on   Pr e processin g   Southeast  Asia   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Azh a ri Seti awa n   Dep a rtm ent o f In te r natio nal R el at ion s   Abd urrab U nive rsity   73 Ri au  R oad,  Peka nb a r u,  Ri a u 282 91, In done sia   Em a il : azhari.seti awan @ univ r ab. ac.i d       1.   INTROD U CTION     Ma chine  l earn i ng   is  co ns ide re d  as  on e  of   the   m os t  essenti al  su bject s  in  sci entifi c  stud ie s  nowa days   wh ic h  the  nam e  firstly   was  co ined  in  1959  [ 1] ,  [2 ] .  It  is  a  fie ld  of   stu dy  for  com pu te r  sci en ce  and   i nfor m at ion  te chnolo gy  w hi ch  is  f ocu se d  on   al gorithm s  and   sta ti sti cal   m od e ls.  Ma chine  le ar ning  al gorithm s  are  use d  in  a   wide  va riet y  of  a pp li cat ions  li ke  em ail  filt e rin g  a nd  com pu te r  visio n.   It  is  cl os el y  relat ed  to   com pu ta ti on al   sta ti sti cs,  wh ic h  f oc us es  on  m aking   predic ti on s  us in g  c om pu te rs  [3] .   Ma chine  le ar ni ng   as   the  s ub set   of   ‘ar ti fici al   intel li gen ce’   is  use d  to  e ffec ti ve ly   per f or m   a  sp eci fic  ta s k  without  us in g  ex plici t  instru ct ions,   rely ing   on  patt ern s   an d  i nf e re nce  instea d  [4] .  The   patte r ns   and  infe re nces   are  util iz ed  f or  va rio us   predi ct ive   analy ti c s   wh ic h   is  essenti al   fo r  s ocial   sci ences,  especial ly   po li ti cal   sci ence  and   inter nat ion al   relat ion s .   Ther e  are  m any  pr obabili ti es,  ty pe  of   inte racti ons,  an d  dy nam i cs  in  the  stu di es  to  form ula te   decisi on   m akin g .   Howe ver,  re ga rd i ng   t he  po l it ic al   analy sis,   the re  ha ve  be en  nu m ero us   and  va rio us   researc hes  t ha t  us ed   adv a nce d  sta ti sti cal   m et ho ds   bu t  sti ll   rar e  in   us i ng  m achine  le arn i ng  as  t he  m ai n  par t  of  the   resea rc h.   Ba se d  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mac hin e le ar ni ng d e plo y me nt  for  ar ms  d y na mics  pa tt ern   …  ( Zu l I ndr a )   1655   on  inter natio na l  facu lt y  s urve y  by  te achi ng ,  resea rch  &  i nt ern at io nal  pol ic y  (TRIP)  on  2359   prof e ssor s  an d   ind ivi du al   who   are  af fili at ed  with  poli ti cal   sci ence  unit ,  pr of essi onal   or   poli cy   school  a nd   resea rch   i nst it ute   world wide  s ho wed   t he  m e thods  w hich  is  m os t  em plo ye d  by  academ ic s  fr om   var io us   in sti tuti on s  in  th e  stud y  of   i nter nationa l  relat io ns   a re:   qual it at ive  an al ysi s  (64.60 % ),   po li cy   a naly sis  (16.3 0%),  qu a ntit at ive  an al ysi s   (6.80% ),   oth er   (5.20% ),   pure   theo ry  ( 3.30%),  le gal  or  et hical   analy sis  (2.50% ),   f orm al   m od el li ng   ( 0.80%) ,   and   e xp e rim e ntal  (0 . 50%)  [5] .  The  qu a nt it at ive  analy s is  was  the  3 rd   m os t  e m plo ye d  in  the  stud y  of   internati onal   re la ti on s.  T he refor e ,  it   can  be  c on cl ud e d  t hat  the  stu dy  for  i m ple m entat ion   of  m achine  le arn i ng   al gorithm  is still  u nder - disc usse d  i n  the  stu dy  o f  inter natio nal r el a ti ons.   This  a rgum ent  is  sup ported   by  fa ct s  obt ai ned   from   the  co nducted   li te ratur e  stu dies  relat ed  t o  researc h  on  qu antit at ive  poli ti cs  an d  inter nat ion al   relat ion s hip  in  t he  la st  10  ye ars   [ 6] - [ 15] .  Durin g  t he  la st  10  ye ars,   m os t  of   the  stud ie s  trie d  to  fin d  an  infe ren ti al   insigh t  su c h  as  pr ob a bili ty ,  causati on ,  an d  ef fe ct s  by  us in g  certai n   m od el s  of   regr ession.  All  of   tho s e  pr e vious  r esearc hes  ha ve   no t  ap plied  pa tt ern   recog niti on   f or  the  analy sis  y et .  He nce,  t his  stu dy  is  ai m ed   to   co nduct   resear ch  on  t he  dynam ic s  of   t he  a rm s  trade  in   Southeast  Asia  us in g  m achine  le arn in g  al go r it h m s  in  order   to  ta ckle  the  is su e  of   this  rese arch   ga p.   T hi s  stud y   tr ie s   to  e xp l ore  the  patte rn s   of  arm s  dynam ic s  in   Southeast  A sia   re gion  c ountries   fo c us i ng   on  sever a l   prom inent  var i ables,  nam el y   (1)  eco nom ic  po st ur e ,  ( 2)   poli ti cal   po sture ,  (3)  co ntig uiti es ,  an d  ( 4)   de fen se   po st ur e   a nd  secur it y   pr i or it iz at ion .   Th e  a naly sis  gen e ra te d  a  m od el /p at te rn   of  arm s   trade  dyna m i cs  by  app ly in g ‘D eci sion Tree ’  al go rithm .       2.   RESEA R CH MET HO D   As  sta te d  i n  intr oductio n  se ct ion ,  t his  stu dy  is  aim ed  to  an al yz e  the  arm s  trade  dy nam ic s  in   Southeast  Asia   reg io n  by  usi ng  the  al gorithm s  of   m achine  le arn i ng.  H ow e ve r,   this  stu dy  di scov e red   t hat  there  are  th ree  m ai n  chall enges  to   a chieve  t his  go a l  are  (i)   ho w  to   identify   a nd  c ollec t  the  ap pr opriat e  data,   (ii)  ho w   to  prepa re  t he  colle ct ed  data  to  be  a ble  proc essed  by  m achine  le ar ning  an d  (iii )  wh at   is  t he  m os t  fit  m a chin e   le arn in g  al gorithm  to  be  em plo ye d  t o  a naly ze the  data.    This  stu dy  is  div ide d  int o  three  sta ges  na m el y  data  collecti on ,  data  pr e - proce ssin g  a nd   m achine   le arn in g  de pl oym ent  to  ta ckle  these  chall en ges.   Ba se d  on  the  li te ratur e  r eview  that  has   been   ca rr ie d  ou t,  it   was  f ound  that   there  are  se ve ral  cat egories  of   data  that  ha ve  to  be  ob ta in ed  duri ng   data  colle ct ion   sta ge .  The   necessa ry  data   are  the n  el a borated  t o  fi nd  pa tt ern s  of   de fe ns e  budget ,  th e  num ber   of  i m po rts  an d  e xport s  of  a rm s  fo r  c ount ries  in  the  Sout heast  Asia  reg i on   by  us in g  m achine  le ar ning  al gorithm s .   The  m achine  le arn i ng   al gorithm   cho s en  in  t his  stu dy   is  a  decisi on  tree  al gorithm   since  it   can  ge ner at e  a  m od el   of   decisi on  ru l es  that  are  easy   to  under sta nd   [16],  [17] .  I n  ad diti on,  this  al gorithm   is  ver y  us e fu l  in  the  data  exp lo rati on  pr ocess   [18],  [ 19 ] .  It  is  reall y  us efu l  al gorithm   to  fi nd   t he  hi dd e n  relat ion s hip s  be tween  in put  va riables  an d  a  ta rg et   var ia ble.  He nc e,  decisi on  tre e  is  an  a ppr opr ia te   al go rithm   to  get  m od el   from   a  set   of   data  colle ct ion   since  it   com bin es  data  exp l or at io n  an d  m od el ing .  T o  accom m od at e  the  us e  of  thi s  decisi on  tree  al gorithm ,  this   study   pro po ses   a  novel  al gorithm   for  data  pre - processin g  t o  en able  the  c ollec te d  d at a  ca n  be   processe d  by   this   chosen  alg or it hm . Th e overall   arch it ect ure  of   researc h  m et hod  to  con du ct  t hi s stud y i s  il lustrate d  Fi gure  1 .       D a t a   C o l l e c t i o n   o f     a r m s   d y n a m i c s   i n   S o u t h e a s t   A s i a P r o p o s e d   P r e p r o c e s s i n g   M a c h i n e   L e a r n i n g   D e p l o y m e n t N a t i o n a l   c a p a b i l i t i e s s e c u r i t y   p r i o r i t i z a t i o n   &   d e f e n s e   p o s t u r e   e c o n o m i c   p o s t u r e p o l i t i c a l   p o s t u r e s t a t e ’ s   c o n t i g u i t i e s O b t a i n   K n o w l e d g e / P a t t e r n   u s i n g   D e c i s i o n   T r e e C o n v e r t   n u m e r i c   d a t a   i n t o   l a b e l   u s i n g   p r o p o s e d   p r e p r o c e s s i n g s t a r t e n d   Figure  1 .   Re se arch  f ram ewo r k       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 54   -   16 62   1656   2.1.     Data  c ollec tion st age   As  in  gen e ral  s tud ie s  relat ed  t o  m achine  le arn in g  w hich  is  us e d  f or   data  analy ti cs,  the  early   sta ge  for   this  stu dy  is  da ta   colle ct ion .  As  pr e viously   m entioned,  the   first  c halle nge  to  co nduct  t his  stu dy  is  how  t o  colle ct   the  ap pro pr ia te   dat a  f or   a rm s  dyna m ic s  in  Southe ast   Asia  w hich   is  then   analy z ed  by  us i ng  m achine   le arn in g  al gori thm .  Ba sed  on   the  co nducted  l it eratur e  stu dy,   it   is  rev eal ed  that  there  a re  two  fun dam ental   data  reg a rd i ng  t he  a rm s d yna m ic s,  nam ely total  e xport s and tota l im po rt s of arm s.  The  total  ex po rts and im p or ts  of  arm s  trade  al ong  with  t he  def e ns e  budge t  data  will   be   treat ed  as   th e  outp ut  va ria bles  in  t his  st ud y.   Fu rt her m or e,  t his  stu dy  ha s  i den ti fie d  5  gr oups  of  in put  va riables  that  great ly   influ ence   the  arm s  dynam ic s  nam ely  po li ti cal   po st ur e ,  ec onom ic   po st ur e,   secu rity   po st ure,  natio nal  ca pab il it ie s,  an d  direct  c on ti guit y.  Data   colle ct ion   to ok  place  by  ob serv i ng   data  f ro m   1960   t o  2018  sig nifica nt  va riables  f or   al l   co untr es   in  the   Southeast  Asia   reg i on   a dded   sever al   c ountr i es  that  ha ve  i m po rtant  r ole  in  ASEA N,   na m el y  Russia,  Japan,   China,  and  Sou th Ko rea.     2.2.     Data  pre processin g st age   The  nex t   sta ge   in  this  st ud y  i s  data  pr e - pr oc essing.  As  pr e viously   m entioned,  the   seco nd  c halle ng e   in  this  resea rc h  is  how  t o  pr epar e  t he  data  that  has  been   c ollec te d  duri ng  the  data  colle ct ion   sta ge  t o  be  able   be  processe d  with  m achine  l earn i ng  al gorit hm s.  The  us e  of  decisi on   tre e  al gorithm   raises  pr ob le m s  in  te rm s   of   data  su it abi li ty  since  the  colle ct ed  datas et   is  nu m erica l  data.  In   ot he r  ha nd,  the  da ta   req ui red   by  the  decisi on  tree  al gorithm   to  cond uct  data  cl assifi cat ion   is  cat egorical   dat a.  To  ta c kle  this  issue ,  this   stud y  pro po ses   a  no vel  al gorithm   fo r  data  pre pro cessi ng   so   t hat  nu m erical   data  can  be   analy zed  usi ng  a  de ci sion  tree.  The  m ain   idea  of   this   novel  al go rit hm   is  to  con ve rt  nu m erical   data  into  cat egorical   data  ba sed  on  aver a ging the dat a   [20] . T he pr opos e d  al gor it h m  w il l cal cu la te  the av era ge  d at a for  eac h  var ia ble  then  c onve rt   each  data  for  that  va riable  in to  seve ral  cat egories.  T he  fl owcha rt  of  pr opose d  pr e proc essing  f or   in put  an d  ou t pu t  va riable s can  b e  seen  in  Fi gure  2  a nd  3 .           Figure  2. Pr e pr ocessin g f or   ou tpu t  var ia ble       2.3.     Ma c hine   le arnin g  de ployme nt st age   The  final  sta ge   of   this  stud y  is  analy zi ng   dat a  us ing   m achine  le arn in g.   Ba sed  on  the  cond ucted  stu dy   li te ratur e,  the  m os t  app ropr i at e  al go rithm   t o  achie ve  the  go al   f or  this  stud y  is  the  de c isi on   tree  al go rithm .   Decisi on  tree a lgorit hm   is  reall y  us ef ul  al gori thm   to  find  the   hidde n  relat ion sh i ps  b et wee n  in put  va riabl es  an d  an  outp ut  va riable.  I n  ad diti on,  this  al gori thm   can  gen er at e  a  m od el   of   decisi on  r ul es  that  are  easy   to   unde rstan d.   Th e  m ai n  con cept  o f  a d eci sion  t ree is to  con ve rt d at a into a  decisi on  tree and d eci sio n  ru le s.  This   decisi on  tree  c on sist s  of  se ve ral  ty pes  of  no des,   nam el y  ro ot  no des,   i nter nal  no des  a nd  le af  node s.  T hi s  node  is a re pr ese ntat ion   of the  d at a  var ia bles in   t he  d at aset .       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mac hin e le ar ni ng d e plo y me nt  for  ar ms  d y na mics  pa tt ern   …  ( Zu l I ndr a )   1657       Figure  3. Pr e pr ocessin g f or   i nput  va riable       3.   RESU LT S  AND  DI SCUS S ION   3.1.     Data  c ollec tion a nd pre processin g   The  s ucces s  of  the  data  c ollec ti on   sta ge  is  de te rm ined  by  th e  qual it y  of  the   data  c ollec te d  to  s uppor t   the  res ults  of  data  a naly sis  at   the  m achine  le arn i ng  depl oy m ent  sta ge.  The   res ults  of  pr e processi ng  a re   determ ined  fro m   the  su ccess  of   the p r opos e d  prep ro ce ssin g  al gorithm   to  conve rt  nu m erical   data  in  the  dataset   into  cat eg or ic a l  data.  Th rou ghout  the  data  colle ct ion   sta ge s,  t his  stu dy  suc ceeded  i n  ide ntifyi ng   t he  va riable s   need e d  t o  a naly ze  arm s  trade  patte r ns .  The r e  are  30  in pu t  var ia bles  that  hav e   bee n  i dent ifie d  an d  retri eved  a s   the  infl uen ti al   var ia bles  that  aff ect   the  patte rn s  of   a rm s  dynam ic s.  The  de ta il s  of   these  var ia b le s  can  be   seen   in Ta ble 1.       Table  1.   Id e nti fied  var ia bles  of d at aset   Ty p e   Categ o ry   Data Sou rce   Ind icato r   Inp u t  Variable   Po litical Pos tu re  [ 2 1 ] ,  [ 2 2 ]   Po lity  I V  Project   Po litical S y ste m ,   Reg i m e Dur ab ility ,  State  Fr ag ilit y   Ind ex ,  Ef f ectiv en ess   Sco re,   Legiti m a cy   Sco re,  S ecurit y  E f f ectiv en ess ,  Secu rit y  L eg iti m ac y ,   Po litical E f f ectiv en ess ,  Po litical L eg iti m ac y ,  Econ o m ic  Ef f ectiv en ess ,  Econ o m i c L eg iti m acy ,  Social  Ef f ectiv en ess  and  Social Legiti m ac y   Econ o m i c Pos tu re  [ 2 3 ],  [ 2 4 ]   W o rldb an k   GDP ( Gros s Do m e stic Prod u ct),   GDP  per Capi ta,  GDP   Growth  and   Inf latio n   Secu rity Prioriti zat io n   an d  Defen se Po stur e  [ 2 3 ] ,  [ 2 5 ],  [ 2 6 ]   SIPRI   Militar y   Exp en d itu re  (% GDP) ,  Milita ry   Exp en d itu re  (C o n stan t$ m )  an d   Militar y  P erso n n el   Natio n al Cap ab ilities  [ 2 7 ]   Co rr elates o f   W ar  Pr o ject   Ir o n  and  Steel  P rod u ctio n  ( 1 0 0 0 to n s) ,  Pri m a ry Energ y   Co n su m p tio n   (10 0 0 co alto n s),  To tal Pop u latio n  ( 1 0 0 0 ),  Ur b an  Pop u lati o n  ( 1 0 0 0 ),   Co m p o site  Ind ex  of  Nation al Cap ab ility,   an d  High Tech  Exp o rt  (US$)   Direct  Co n tig u ity   [ 2 8 ]   Co rr elates o f   W ar  Pr o ject   Total Nu m b e r  o f  Dir ect Co n tig u ities, T o tal  Nu m b er  of  Dir ect  Co n tig u ities b y  L an d  and  T o tal Nu m b er  o f  Dir ect Co n ti g u ities b y  Sea     Ou p u t  Variable   Def en se Bu d g et   SIPRI   Def en se Bu d g et   Total o f  Ar m s  E x p o rt   SIPRI   Air  d ef en se   syste m ,  Nu m b e r  o f  Ar m s  Exp o rt  f o r  Aircr af t ,  Ar m o red  v eh icles, Ar till er y ,  M iss iles,   Nav al w eapo n s, Sens o rs,  S h ip s an d  Others   Total o f  Ar m s  I m p o rt   SIPRI   Air  d ef en se syste m ,  Nu m b e r  o f  Ar m s  I m p o rt  f o r  Ai rcr af t ,  Ar m o red   v eh icles, Naval w e ap o n s ,   Artiller y ,  E n g in es, M iss iles, S en so rs,  Sh ip s  an d  Others       3.2.     Ma c hine   le arnin g  de ployme nt   As  e xp la ine d  in  the  m et ho d  sect ion ,  t he  a lgorit hm   cho s en  f or   data  a na ly sis  is  the  decisi on   tree   al gorithm .  This  al gorithm   pr oduces  a n  arm s  tradin g  patte r n  in  the  f or m   of   decisi on  r ul es  by  disc ov e ri ng   t he  root  var ia bles  that  gr eat ly   inf luence  the  patte rn   of   the  decisi on   r ule  f or   e ach  outp ut  vari able.  H ow e ve r,   thi s   stud y  has  t hr ee   outp ut  va riabl es,  na m ely  defense  budget ,  t ot al   arm s  exp ort   an d  total   a rm s   i m po rts.   Ba se d  on  the  res ults  of  data  co nversi on  at   the  pr e pro cessi ng  sta ge,  the  val ues  of   t hese  th ree  data   have  bee n  set   to  be   two  outp ut  val ues,   nam el y  hig h  a nd  lo w. T he  fi rst  ste p  t o  c onduct   dat a  analy sis  by  us in g  a  decisi on  tree   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 54   -   16 62   1658   al gorithm   is  by  cal culat ing   the  total   entrop y  fo r  al l  data  in  the  dataset .   On ce  the  tota l  entropy  has  been  ob ta ine d,  the   ne xt  proce ss   is  t o  determ ine  th e  no de  of  the   decisi on  tree .  The  e xpla natio n  of  the   decisi on  tree  al gorithm  an al ysi s r esults  for e a ch ou t pu t  va riable .     3.2.1.  De fense  b ud get   The  decisi on   tr ee  for  patte r n  of   the  de fen se  budget   var ia bl e  is  pr ese nted  i n  Fig ur e  4.   T he   patte rn   of  a r m s   dy n a m i c s   f o r   d e f e n s e   b u d g e t   o u t p u t   v a r i a b l e s   c a n   b e   de t e r m i ne d   b a s e d   o n   t h e   d a t a   p r e s e n t e d   i n   F i gu r e   4 .   The deci sio n r ules fo r  Fi gure  4  a re  descr i bed   as s how n  in .       C o n t s e a E n t r o p y   =   0 . 1 4 0 1 7 8 G D P   P e r c a p i t a E n t r o p y   =   0 . 1 9 9 7 0   S f i E n t r o p y   =   0 . 2 2 2 7 7 D u r a b i l i t y E n t r o p y   =   0 . 1 0 6 9 4 L o w   P o s i t i v e H i g h   P o s i t i v e M i d l e L o w   P o s i t i v e H i g h   P o s i t i v e M i d l e L o w ( + 0 ,   - 3 9 ) L o w ( + 9 ,   - 4 2 ) H i g h ( + 1 0 ,   - 7 ) L o w   P o s i t i v e H i g h   P o s i t i v e M i d l e L o w ( + 1 8 ,   - 7 3 ) H i g h ( + 4 6 ,   - 1 ) H i g h ( + 2 1 2 ,   - 6 4 ) L o w   P o s i t i v e H i g h   P o s i t i v e M i d l e H i g h ( + 1 4 ,   - 8 ) H i g h ( + 1 2 9 ,   - 7 5 ) L o w ( + 5 ,   - 1 2 9 )     Figure  4. Decis ion   t ree fo r def ense  budget   goal       IF  ( Co ntsea  = No ne AND  GD P  Per ca p ita  = H ig h P o s itive)     OR (Co ntsea  =  L o w Pos itive AND   Sfi  =  Low  P o sitive )  OR  (Co ntsea  = L o w Pos itive AND   Sfi  =  H ig h  Pos itive)      OR (Co ntsea  =  H ig h P o sitive AND   Dura b ility = M id d le)  OR  (Co ntsea  =  H ig h  Pos itive AN D Dura b ility =  Low  P o sitive)    TH EN  De fense B ud g et = H ig h   ELSE De fense Bu d g et = L o w     3.2.2.  T otal  of  arms  e xpor t   The  decisi on  r ules  for  Fig ur e   5.  T he  decisi on  tree   f or  patte rn   of  the  arm s  expo rt  var ia ble   is  pr esente d  in Figu re  6 .         T P o p 1 0 0 0 E n t r o p y   =   0 . 2 5 0 9 2 C o n t L a n d E n t r o p y   =     0 . 4 2 1 2 8 M i d d l e H i g h L o w L o w L o w   P o s i t i v e H i g h   P o s i t i v e N o n e L o w ( + 0 ,   - 4 0 ) H i g h ( + 5 6 ,   - 0 ) H i g h ( + 7 1 ,   - 2 5 ) L o w       Figure  5. Decis ion   t ree fo r  ar m s ex po rt  goal   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mac hin e le ar ni ng d e plo y me nt  for  ar ms  d y na mics  pa tt ern   …  ( Zu l I ndr a )   1659   IF  ( TP o p 1 0 0 0  = H ig h P o sitive  AN D Co ntLand  = L o w Pos itive)     OR ( TP o p 1 0 0 0  = H ig h P o sitive  AN D Co ntLand   =  H i g h P o sitive)    TH EN  T o ta l of Ar m  exp o rt = H ig h   ELSE Tota l of Ar m  exp o rt = Low     3.2.3.  T otal  of  arms  im po r t   The deci sio n  tr ee f or   patte r n o f  the  arm s ex port  var ia ble is  pr ese nted  in Fi gure  6.       p e c 1 0 0 0 c o a l t o n E n t r o p y   =   0 . 1 0 5 2 2 D u r a b i l i t y E n t r o p y   =   0 . 1 5 1 6 6   C o n t l a n d E n t r o p y   =   0 . 0 9 4 9 8 M i l e x p G D P E n t r o p y   =   0 . 3 2 0 7 L o w   P o s i t i v e H i g h   P o s i t v e M i d d l e L o w   P o s i t i v e H i g h   P o s i t v e M i d d l e L o w ( + 0 ,   - 9 9 ) L o w ( + 1 9 ,   - 1 8 3 ) H i g h ( + 2 6 ,   - 2 4 ) L o w   P o s i t i v e H i g h   P o s i t v e N o n e n L o w ( + 1 ,   - 3 6 ) H i g h ( + 7 8 ,   - 6 4 ) H i g h ( + 9 4 ,   - 2 4 ) L o w   P o s i t i v e H i g h   P o s i t v e M i d d l e L o w ( + 0 ,   - 3 1 ) H i g h ( + 1 1 7 ,   - 3 7 ) H i g h ( + 2 3 ,   - 5 )     Figure  6 .   Decis ion   t ree fo r  ar m s i m po rt g oal       The deci sio n r ules fo r  Fi gure  6   a re  descr i bed as  s how n  in .   IF  ( Pec10 0 0 Co a lt o n = M id d le AND   Dura b ility = H ig h   Pos itive)   OR  (P ec10 0 0 Co a l to n  =  Low   Pos itiv e  AND  Co ntla nd   =  Low   Pos itive)  OR  (P ec10 0 0 Co a lto n  =  Low   Pos itive  AND  Co ntla nd   =  H ig h   P o sitive)  OR  ( Pec 1 0 0 0 C o a lto n  AN D  Milexp GDP  =  Low   Pos itive)  OR   (P ec10 0 0 Co a lto n   =  Low   Pos itive  AND  Milexp GD P   =  H ig h  Pos itive)   TH EN  Arm  im p o r t = H ig h   ELSE A rm  im p o rt  = L o w       4.   RESU LT S  AND  DI SCUS S ION   Ba sed  on  th e  hy po the sis  in  th e  introd uction  sect ion ,  t her e  are  thre e  ob j ec ti ves  in  the  st udy  nam el y:  (1)  de fen s e  bu dg et ,  (2)  arm s  trade  ex port,  a nd   (3)  arm s  trade  im po rt.  Each  goal   has  different  decisi on   tree  of   m achine lear nin g o utcom e. T he follo wing is  a d et ai le d disc us sio n of eac h objecti ve .     4.1.     Def e nse  b ud get   Ba sed  on  the  r esult,  def e ns e  budget   is  m os t   sign ific antly   de te rm ined  by  sta te ’s  direct  sea  con ti guit y  (contsea) .  It  s ugge sts  that  the   m or e  sta te   ha s  direct  sea  c onti gu it y;   the  st at e  will   sp en d  m or e  fo r  it s  de fen se   budget .  Anothe r  stu dy  al so  su ggest s  sim ila r  pre po sit io n  that  co ntig uity   has  posit ive  eff ect   or  pos it ively   associat ed  with  m i li ta ry  sp end i ng   [ 29 ] .  Re gardin g  the  dir ect   sea  con ti gu it y,  it   has  thre e  der i vative  va riables   wh ic h  are:  ( 1)   GDP  pe r  Ca pita  wh ic h  occ ur   for  gro up  of  sta te   with  no  dir ect   sea  con ti gu it y,  (2 )  sta te   fragil it y   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 54   -   16 62   1660   ind e x  wh ic h  oc cur   f or   gro up  of  sta te   with  low  num ber   of  di rect  sea  c ont igu it y,  a nd  ( 3)   sta te ’s  dura bili ty  wh ic h  occ ur   f or   gr oup  of  sta te   with  hig h  nu m ber   of  dir ect   sea.   Acco r ding  to  the  res ult,  stud y  on  de fens e   budget   relat ed   to  sea  co ntig uity   is  i m po rtant  for  the  st udy  on   m arit i m e   power   a nd/o r   m arit i m e  secur it y.  A  sta te   who  per c ei ves  m arit i m e   as  strat egic  dri ver s  a nd  f or ce s  will   seek  m or e  po wer   f or   it s  m ariti m e  def ens e   po st ur e .  A  st udy  by   U nited  Stat es  d e par tm ent  of   The   Na vy  al so  m ade  cl assifi cat ion   about  sta te s  by   it s   m arit i m e p owe r  [ 30] .    To  c oncl ude,   a  de fense  budget   ca n  be  e xpla ined   by  ide nti fyi ng  sta te ’ s  sp at ia l  c ondi ti on - in   this   c on te xt  is  dire ct   sea  co ntig ui ty - whi c h  is  po sit ively   associat ed  wit h  GDP   pe r  Ca pita,  St at e’s  F rag il it y  ind e x ,  and   sta te ’s  dur abili ty .  GD P  pe r  Ca pita  will   sign ific a ntly   determ ine  def ense   budg et   am on g  sta te   with  no   direct   sea  co ntig uity   or  a  la ndlo cke d  c ountry.   Stat e’s  fr a gili ty   will   sign ific a ntly   determ ine  de f ense  budget   a m on g  sta te   with  few  direct  sea  cont igu it ie s.  Stat e’s  dura bili ty   will   sign ific antly   determ ine  def ense  budget   a m ong  sta te  w it h  m any d irect  sea  co ntigu it ie s.     4.2.     Arms  e xpor t   Ba sed  on  the  resu lt   of   m achine  le arn in g  de ci sion   tree  m od el   outc om e,  siz e  of   the  sta te   wh ic h  is  translat ed  to  it s  total   popu la t ion   has  a  signi ficant  relat ion  with  it s  arm s   trade  ex port.  big   siz e  po pu l at ion   country te nds to  ex port m or e in the  arm s tra de.  T h is analy sis resu lt  w as c orres ponded w it h  cl assic al  th eor y o n  econom ic   and   m anu fact ur e d  pro du ct io n  t ha t  there   is  a  ge ne ral  posit ive  re la ti on sh i p  between  po pula ti on  siz e   and d e ns it y wit h  e xport  p e rform ance of th e  c ountry  [31],  [32] .    Re gardin g  th e   decisi on  tr ee  m od el   of   a rm s   ex port,  t otal  of  po pu la ti on  var ia ble  has   one  der i vate  var ia ble  that  is   direct  la nd   co ntigu it y .  It  sug gests  that  if  the  popu la ti on  of  the  sta te   is  b ig  and   it   has  m uch   direct  co ntig uity   by  la nd ,  the   sta te   te nd   to  get  higher  am ount  of  arm s  t rad e  e xport   an d  vice  ve rsa.   Existi ng   li te ratur es  al so  hav e  ex plaine d  ho w  la nd  c onti gu it y  was  a sso ci at ed  with  no t  on ly   inter na ti on al   co nf li ct s  but  al so   m i li ta ry  e xp e ndit ur es  [ 33] ,  [ 34 ] .  Our  a naly sis  resu lt   s uggests  new   i nsi gh t  that  sta te ’s  num ber   of  direct  la nd   c onti gu it y  was  po sit ively   associat ed  with  the  am ount  of  arm s  trade  ex port.  T o  c on cl ud e ,  arm s  expo rt  ca n  be  ex plained  by   identify ing   s ta te ’s  total   of   popula ti on   w hi ch  is  po sit ivel y  associat ed  w it h  sta te ’s  nu m ber   of   direct la nd c on ti gu it y.     4.3.     Arms  i m po r t   In   te rm   of   arm s  trade  im po rt ,   our  m achine  le arn i ng   decisi on   tree  m od el   ou tc om e  su gg e sts  pr im ary   energy  c on s um pt ion   si gn i ficantl y  determ i ne  the   am ou nt   of  sta te ’s   arm s  trade   im po rt.   As   the  r oo t  va riable,   pr im ary  ener gy   con s um ption  has  th ree  der i vative  var ia ble s  wh ic h  are:  ( 1)   sta te   durab i li ty   wh ic h  occ ur   for   gro up   of  sta te   with  lo w  pr im ary  ene rg y  c on su m ption ,  (2)  direct  la nd  c onti gu it y  occur  f or   gro up  of  sta te   with  m idd le   pri m ar y  energy  co nsu m pt ion ,  a nd  ( 3)  m i li ta ry  exp e nd it ure  by  pe rc ent  of  GDP  oc cur   f or   gro up  of  sta te   with  high  pri m ary  ener gy   con s um ption .  A  stud y  by  V incenz o  Bo ve  on   the  relat io ns hi p  betwee n  ener gy   consum ption   a nd  arm s  trade  sta te d  that  e nergy  dep e nde nce  le ads  to  a  hig he r  volum e  of   arm s  transf e r s   betwee n  c ount ries  [ 35] .  T he  s tud y  fou nd  tha t  a  co untry   with  a   rece nt  discov e ry  of  ne w  oi l  fiel ds   will   increas e   it s  i m po rt  of  weapo ns   f r om   oil - de pe nd e nt  econom ie s  by  56%  [ 35 ] .   I n  de eper   disc us si on,  oil  m igh t  play   an  even   la r ge r  r ol e  in  influ e ncing   ec onom ic   and   poli ti cal   decisi on s  [ 35] .   To  co nclu de,   arm s  i m po rt  c an  be   exp la ine d  by  identify in g  sta t e’s  co nsum pti on   on  pri m ary   energy  w hich   is  determ ined  by  Stat e’s  D urabil it y,   nu m ber   of  di re ct  land  c onti gu it y ,  and  am ount  o f   m i li ta ry exp en ditu re  by percent  of GDP       5.   CONCL US I O N   T h i s   r e s e a r c h   p r e s e n t s   r o b u s t   e v i d e n c e   t h a t   ‘ d e c i s i o n   t r e e ’   o f   m a c hi n e   l e a r n i n g   a l g o r i t hm   c a n   c l a s s i f y   a n d   p r e d i c t   d e f e n s e   b u d g e t ,   a r m s   t r a d e   e x p o r t ,   a n d   a r m s   t r a de   i m p o r t   i n   S o u t h e a s t   A s i a   c o u n t r i e s .   E a c h   v a r i a b l e   h a s  i t s  o w n  r o o t  v a r i a b l e s  o r  i t s   m o s t  s i g n i f i c a n t  f a c t o r / v a r i a b l e   t o  d e t e r m i ne  t h o s e  d e p e n de n t  v a r i a b l e s .   D e f e n s e   b u d g e t   w a s   d e t e r m i n e d   b y   s t a t e ’ s   d i r e c t   s e a   c o n t i g u i t y .   A r m s   e x p o r t   w a s   d e t e r m i n e d   b y   s t a t e ’ s   t ot a l   p o p u l a t i o n .   A r m s   i m p o r t   w a s   d e t e r m i n e d   b y   p r i m a r y   e n e r g y   c o n s um p t i o n .   T o   s u m   u p ,   a r m s   d y n a m i c   i n   t h e   S o u t h e a s t   A s i a   c o u n t r i e s - a n d   s om e   s t r a t e gi c   c o u n t r i e s   p a r t n e r s   a s   w e l l - w a s   h i g h l y   a s s o c i a t e d   w i t h   i t s   d i r e c t   s e a   c o n t i g u i t y ,   t o t a l   p o p u l a t i o n ,   a n d   p r i m a r y   e n e r g y   c o n s um pt i o n .   I n   s p i t e   o f   t h a t ,   t hi s   r e s e a r c h   p r e s e n t s   t h r e e   t h e o r e t i c a l   i m pl i c a t i o n s .   F i r s t ,   a   s t a t e   w h o   p e r c e i v e s   m a r i t i m e   a s   s t r a t e g i c   d r i v e r s   a n d   f o r c e s   w i l l   s e e k   m o r e   p o w e r   f o r   i t s   m a r i t i m e   d e f e ns e   p o s t u r e   w h i c h   i s   t r a n s l a t e d  t o   d e f e n s e   b u d g e t .   T h a t   i s   w h y   s e a   c o n t i gu i t y   a c c o r d i n g   t o   o u r   a n a l y s i s   d e t e r m i n e   d e f e n s e   b u d g e t   s i g n i f i c a n t l y .   S e c o n d ,   b i g   s i z e   c o u n t r i e s   t e n d   t o   b e   a n   a r m s   e x p o r t e r   c o u n t r y .   Y e t ,   i t   i s   n o t   j u s t   a b o u t   t h e   s i z e   o f   t h e   c o u n t r y ,   b e c a u s e   a c c o r d i n g   t o   t h e   r e s e a r c h   a n a l y s i s ,   i t   m u s t   b e   a   c o u n t r y   w i t h   m a n y   d i r e c t   l a n d   c o n t i g u i t i e s .   T hi r d ,   r e l a t i o n s h i p   b e t w e e n   e n e r g y   c o n s um p t i o n   a n d   a r m s   t r a d e   s t a t e d   t h a t   e n e r g y   d e p e n d e n c e   l e a d s   t o   a   h i g h e r   v o l um e   o f   a r m s   t r a n s f e r s   b e t w e e n   c o u n t r i e s .   A m o ng   t h e   s t a t e s   w i t h   h i g h   p r i m a r y   e n e r g y   c o n s u m pt i o n ,   a   h i g h   l e v e l   o f   m i l i t a r y   e x p e n d i t u r e   b y   p e r c e n t   o f   G D P   w i l l   l e a d   t o   a   h i g h   l e v e l   o f   a r m s   t r a d e   i m po r t  a n d  v i c e  v e r s a .  I n t e r e s t i n g l y ,  t h e  c om bi n a t i o n  o f  t h e s e   t h r e e  f i n d i n g s  c a n b e  t o o l s / s u p p o r t s  f o r   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Mac hin e le ar ni ng d e plo y me nt  for  ar ms  d y na mics  pa tt ern   …  ( Zu l I ndr a )   1661   a c a d e m i c s   a n d   d e c i s i o n / p o l i c y   m a k e r s   t o   p e r c e i v e   a n d   c a l c u l a t e   t h e   p o w e r   p r o j e c t i o n s   a n d   r e g i o n a l   p o l i t i c a l   l a n d s c a p e   i n   o r d e r   t o   f o r m u l a t e   c e r t a i n   s t r a t e g i c   p o l i c i e s   a nd   f o r e i g n   p o l i c y .   H o w e v e r ,   f u r t h e r   r e s e a r c h   n e e d s   t o   b e   d o n e   i n   o r d e r   t o   d e e p e n   a n d   e n r i c h   t h i s   r e s e a r c h   t o p i c ,   s u c h   a s   b y   a p p l y i n g   r a n d o m   f o r e s t   a n d   u n s e r v i s e d   l e a r n i n g   a l g o r i t hm s .   T h e   r a n d o m   f o r e s t   a l g o r i t hm   i s   a   d e c i s i o n   t r e e   d e v e l o pm e n t   a l g o r i t hm   h e n c e   i t s   i m pl e m e nt a t i o n  i s  e x p e c t e d  t o  c o v e r   t h e   l i m i t a t i o n   o f   t h e   d e c i s i o n   t r e e   a l g o r i t hm   u s e d   i n  t h i s   s t u d y ,   w h i c h  i s   t h a t   i t   c a n   o n l y   c l a s s i f y   t w o   c l a s s e s .   I n   t e r m s   o f   i m p l e m e n t i n g   u n s u p e r v i s e d   l e a r n i n g   a l g o r i t hm s ,   c l u s t e r   o f   c o u n t r i e s   c a n   b e   f o r m e d  b a s e d   o n   t h e i r   w e a p o n   t r a d i n g   p a t t e r n s   b y   u s i n g   a n   u n s u p e r v i s e d   l e a r n i n g   a l g o r i t hm .   T h e s e   c o u n t r y   c l u s t e r s   c a n   b e   a n   i m p o r t a n t   i n f o r m a t i o n   t o   c o n d u c t   a n a l y s i s   f o r   t h e   p o l a r i z a t i o n   o f   t h e s e   c o u n t r i e s   i n  t h e i r   p o l i t i c a l   a n d   d e f e n s e   p o l i c i e s .       REFERE NCE S    [1]   J.  McCar th y   and   E.   Feig enba um ,   “ In  Mem oria m   Arthur  Sam uel :  Pionee r  in  Ma ch ine   L ea rning , ”  A I  Magazine ,   vol .   11,   no .   3 .   p .   11 ,   1990,   doi :  10 . 16 09/a imag. v11 i3.840.    [2]   A.  L .   Sam uel,  " Som e  Studie s  in   Mac hin e  Le arn i ng  Us ing  the  Ga m e  of  Che cke rs, "  in  I BM  Journa l  of   Re sear ch  an d  Dev el opmen t ,   vo l.   3 ,   no .   3 ,   pp .   21 0 - 229,   Jul y   1959 ,   doi :  10 . 1147/rd . 33. 0210 .   [3]   J .   H.  Friedman,   “ Data   Mining  a nd  Stat isti cs:  W hat ’s  the  Conne ct ion ? , ”   Comput ing  scie n ce   and   stati stic s ,   vol.  2 9,   no.   1 ,   pp .   3 - 9 ,   1 998.   [4]   R.   M.   Nea l ,   " Pa t te rn  R ec ogni ti on   and  Ma chi n e Learning , "   New Yo rk:  Springer ,   vo l .   49 ,   no .   3 ,   2007 .   [5]   D.  Mali n ia k ,   S.   Pete rson,  R .   Po wers,  and   M.  J.   Ti ern e y ,   “ TRIP  2014  W orld  Surve y   Repor t,”  W i ll ia m sburg,  2014 .   [6]   P.  E.   Shea  and  P.  Poast,   “ W ar  and  Defa ult,”   Jo urnal  of  Confl ict  Re soluti on ,   vol .   62,   no.   9,   pp.   1876 - 1904,   2018,   doi:   10 . 1177/00 22002717707239.     [7]   M.  Digiuse ppe  a nd  P.  Poast,   “ Arm s  ver sus   Dem o cra t ic   All ie s, ”  B riti sh  Journal  of   Pol itical   S cienc e ,   vol .   48,   no .   4,   pp.   981 - 1003 ,   2 018.   [8]   C.   Kaout za nis ,   P.  Poast,   and  J.  Urpel ai n en,   “ No t  letti ng   ‘ba d  ap ple s’’  spoil  the   bunch:   Dem ocr a ti z at ion  and  str i ct  int ern at ion a l  org ani z at ion  a ccess ion  rule s,’”   The  Re v ie w  of  Inte rn ati onal  Or ganizati ons ,   vol.   11 ,   no.   4,   pp.   399 - 41 8,   2016,   doi :  10 . 10 07/s11558 - 015 - 9237 - 5.     [9]   P.  Poast,   M.  J.  Bom m ari to,   and   D.  M.  Katz,  “ The   Elec troni c  W orld  Tre aty   In dex:   Coll ecting  the   Population  of   Inte rna ti ona l  Agree m ent s  in  the   20th  Cent ur y , ”  SSRN   El ec troni c  J ournal ,   pp.   1 - 29,   2015,   doi:   10. 2139/ssrn.26 52760.     [10]   D.  W ie ns,  P.   P oast,   and  W .   R.   Cla rk ,   “ The  Polit i ca l   Resourc e  Curse:   An  E m piri ca l   Re - evalua ti on , ”   Po li tic al   Re search  Quar ter ly ,   vo l. 67 ,   no.   4,   pp .   783 - 794 ,   2014.   [11]   P.  Poast,   “ Cent ral   Banks  at   W ar, ”  Inte rnat i onal  Or ganizati on ,  vol.   69 ,   no.   1,   pp.   63 - 95,   2014,   doi:   10. 1017/S0020818314000265.    [12]   P.  Poast  and   J .   Urpel ai n en,  “ Fit  and   Feasible:  W h y   Dem o cra t iz ing   States   Form ,   not  Joi n,   Int ern a ti ona l  Organi zations,”  Inte rnational   Stu die s Quar te rly ,   v ol.   57 ,   no .   4 ,   pp .   831 - 841,   2013 ,   doi:   10 . 1111/i sq u. 12031.     [13]   W .   R.   Cla rk ,   S.  N.  Golder ,   and  P.  Poast ,   “ Moneta r y   insti tut ions  and  the   po li t ic a l   survival   of  dem ocr atic  l ea d ers, ”   Inte rnational   Stu die s Quar te rly ,   v ol.   57 ,   no .   3 ,   pp .   556 - 567,   2013 ,   doi:   10 . 1111/i sq u. 12013.     [14]   J.  Era se y ,   “ Cau sal  Infe r ence  w it h  Obs erv a ti on al   Da ta   Introdu ct ion   to  Ma tc hi ng, ”  i n  Ana lyti cs,   Po li c y,  and   Gove rnance ,   Ne w Have n:   Yale  U nive rsit y   Press ,   2015 ,   pp .   1 - 37 ,   doi: 10. 1177 /15 36867X0800700403.    [15]   W .   D.  Berr y   et   al. ,   “ Te sting  for   Inte r ac t ion  in  Bina r y   Log it   an d  Probit  Models :  Is  a  Produc t  T erm  Essentia l ? , ”   Ame rican Journal  of   Politi cal Science ,   vol. 54, n o.   1 ,   pp .   248 - 26 6,   2018 ,   doi :  10 . 1111/j . 1540 - 590 7. 2009. 00429 . x.     [16]   M.  Som vanshi,   P.  Chava n ,   S.  Tam bade   and  S.   V.   Shinde,   "A   r eview  of  m ac hin e  l ea rning   techniqu es  using  de ci sio n  tre e  and  support  vec tor  m ac hin e, "  2016  Inte rna ti onal  Confe re nce   on  Computing  Comm unic ati on  Control  and   automati on  ( ICCUBEA ) ,   2016,   p p.   1 - 7 ,   doi :  10 . 1 109/ICCUBEA.2016 . 7860040 .   [17]   S.  Gava nkar   and   S.  Sawarka r,  "D ec ision  Tr ee:  Revi ew  of  Te ch nique s  for  Miss ing  Value s  a t  Training,   Te sting   a nd   Com pat ibi lit y , "  2015  3rd  Inte rnational   Conf ere nce   on  Art if i ci al   Inte l li gen ce,  M odel li ng  and   Si mulati on  ( AIM S) ,  2015,   pp .   122 - 1 26,   doi :  10 . 1109 /AIMS . 2015. 29 .   [18]   G.  G.  Moisen,   " Cla ss ifi c at ion  a nd  Regre ss ion  Tre es ,"   in   Jørge nsen,   Sve n  Erik ;   Fat h,   Brian  D. ( Edi tor - in - Chie f ) .   Enc y cl oped ia  o f Ec olog y ,  CRC p ress,  vol .   1 ,   pp .   582 - 588,   2008 .   [19]   W .   Loh,   “ Cla ss ifi c at ion  and  r e gre ss ion  tre es, ”   Wil ey   in te rdis ci pli nary  re vi e ws:  data  mining  and  knowl ed ge   discov ery ,   vo l. 1 ,   no .   1 ,   pp .   14 - 2 3,   2011 ,   doi :  10 . 1002/widm. 8.     [20]   Z.   Indra ,   A.  Setiawan,   A.  B.   Saputra ,   and  Y.  Jus m an,   “ Ar m s   Dy namics  Cla ss ifi c at ion  S y st em  for  South  Ea st  As ia   Regi on  b y   Us ing   K - NN   Algorit h m , ”  Journal   of P hysic s: Conf ere n ce   S erie s ,   vol .   1 811,   no .   1 ,   p .   12 095,   2021 .   [21]   I.   V.   Polit y ,   “ Pol ity   IV P roj ect:  P oli tical Re g ime  Chara c te rist ic s  a nd  Tra nsi ti ons,   1 800 - 2013 "   Vien na,   2012 .   [22]   M.  G.  Marshal l  and  B.   R.   Col e,   “ Global   Report   on  Confli ct,  Governa nc e  and  Sta t e  Fragil i t y   2008, ”  Forei gn  Po li c y   Bul letin ,  vol .   8 ,   no.   1 ,   3 - 21 ,   200 8 .    [23]   Pw C,   “ Global   Defe nse  Perspe cti ves:  Mapping   Priorit i zation  and  Pos ture   in  a  Ch al l engi ng  W orld , ”  London,  U.K. ,   2015.   [24]   K.  M.  Kade r a  a nd  G.  L .   Soroki n,   “ Mea suring  n at ion al   power , ”  Inte rnational   Int erac ti ons ,   vol.  3 0,   no.   3,   pp .   211 - 230,   2004 ,   doi :  1 0. 1080/0305062 049049 2097.     [25]   D.  J.  Singer,   “ Rec onstruc ti ng  the   Corre l at es  o f  W ar  Data set  on  Mate rial  Ca pabi litie s  of  Sta te s,  1816 - 1985, ”   Inte rnational   Int erac ti ons ,   vol .   1 4,   pp .   115 - 132 ,   1987,   doi :  10 . 10 80/03050628808434695.     [26]   D.  J.  Singer ,   S.  Bremer,   and   J.  S tuc ke y ,   “ Capa b ilit y   Distribu ti on,   Unce rtaint y ,   and   Major  Pow er  W ar,   1820 - 1965 , ”   in  P eac e ,   War,  a nd  Numbers ,   B.   Russ et ,   Ed .   B ev erly   Hi ll s: SAG E  Publi ca t ions,  1 972.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 54   -   16 62   1662   [27]   S.  M.  W al t ,   “ Alli an ce   Form at io n  and  th e  Balan ce   of  W orl d  Or der , ”   in  The  Per il s  of  Anarchy:   Conte mpor ary  Re ali sm   and   Int e rnational   S ec urit y ,   M .   Brown,   S. L y nn - Jones ,   and   S.  Mil le r ,   Eds.   Cambridge:   MIT   Press ,   1995.   [28]   D.  M.  Stinnet,  J.   Ti r,  P.  Schaf er,  P.  F.  Diehl,  a n d  C.   Gochm an,   “ The   Corre l at es  of  W ar  Projec t   Dire ct   Con ti gu i t y   Data ,   Version   3, ”   Confl ict  Manage ment  a nd  Pe a ce  Scie nce ,   vol .   19 ,   no.   2,   pp.   58 - 66,   2002 ,   doi :   10. 1177/073889 420201900203.     [29]   T.   Böhm el t  an d  V.  Bove,   “ Forec asti ng  m ilita r y   exp endi tur e, ”  R ese arch  a nd  Pol it i cs ,   vo l.   1,   no.   1,   p .   205316801453590,   2014 ,   doi :  10 . 1177/20531680 14535909.     [30]   U.   S.  Marine   Corps,  U.S.  Navy ,   and  U.S.  Co ast  Guard,   “ Nava l  Opera t ions  Conce pt  2010:  Im ple m ent ing  the   Marit ime  Stra teg y , ”  Uni te d  St ates.  Depa r tment  of  the   Nav y ;   U nit ed  St at es .   Ma rine   Cor ps;  Uni t ed  States.  Co ast  Guard,   W ashing ton  D.C.,  2010 .   [31]   T.   K.   Morrison,  “ The   Eff e ct s  of  Populat ion   Size   and   Popul at ion  Densi t y   o n  the   Manuf act ure d  Expor ts  of  Deve lopi ng   Cou ntri es, ”  Sou the rn   Ec onomi c Journal ,   vo l .   43,   no.   3,   p .   1368 ,   Jan .   1977,   doi :  10 . 23 07/1057796.     [32]   E.   Nuroglu,   “ The   Im pac t  of  P opula ti on  on  Bi la t era l  Tr ade   Fl ows   in  the   ca se  of  OIC,”   in  2 nd  Inte rnational   Confe renc e  on   I slamic  E conomi c  Int egrati on ,   20 10.   [33]   A.  Q.  Flores,   “ Alli an ce s  as  cont i guity   in  spa ti a l  m odel s  of  m il it a r y   expe ndi ture s, ”  Confl i ct   Mana geme nt  and  P ea c e   Sci en ce ,   vol .   28 ,   no.   4,   pp.   402 - 41 8,   Sep .   2011 ,   d oi:   10 . 1177/073 8894211413064.     [34]   P.  D.  Senese ,   “T err i tor y ,   contig uity ,   and  intern at ion al   conf lict :   Assessing  a  ne w  joi nt  expl anation,”  Ame rican   Journal  of   Politi cal   S ci en ce ,   vo l.  49,   no .   4 ,   pp .   76 9 - 779,   2005 ,   doi :  10. 2307 /36476 96.     [35]   V.  Bove ,   “ How   t he  arms   tr ade i s  used  to  se cur e   a c ce ss   to  o il,”   The  Conve rs ati on ,  2 018.       BIOGR AP HI ES OF  A UTH ORS        Z ul   Indra   is  a   cur ren tly   as  L ec tur er  at   Univ ersit as  Abdurra b ,   Indone sia.   H e  obta ine d  his   Master   in   Com pute r  and  Infor m at ion  Sci enc e s  from   Univer siti   Te kno logi   P ET RON AS .   Presently   pu rsuing  h is   Ph.D.  in  Com pute r  Scie nce .   His  rese ar c h  int ere st  in cl u des  software   deve lopment ,   d a ta   m ini ng ,   and  m ac hin e  l ea rn ing.           A z hari  Setia w a n   is  a  cur r ent l y   as  Lectu rer   at  Univer sit as  Abdurrab,   Indon esia.  He   obta in ed  his  Master   in   I nte rna ti ona l   Re l at ions  from   Univer sit y   of   Indo nesia .   His  rese a rch   intere st  inc lud es  Inte rn at ion al   Relati o ns,  AS EAN   S ec uri t y   Com m unity ,   stra te gi c  studie s,  a nd  int ern at ion al   s ecurit y .         Yess i  Jus ma n   is   a  cur ren t l y   as  L ec tur er  at   Unive rsita s  Muham m d i y ah  Yog y aka rt a ,   Indone sia .   She  obta ine d  h er  PhD   fro m   U nive rsiti   Mal a y a .   Her  rese arc h  int er est  inc lud es  int el l ige nt   s y stem,  d ata  pro ce ss ing,   and  m a c hine   le arn ing.           Arisman  Adna n   is  a  cur ren tly   as  Le ct ur er  at   Univer sit as  Ria u,   Indone sia.   He  o bta in ed  a  PhD  in  Stat ist ic s,   Uni ver sit y   of  Newc astl e   UK .   He  is  working  on   stat i stic al  m odel li ng ,   ordina l  d ata,  and  sta ti sti ca l   co m puti ng.       Evaluation Warning : The document was created with Spire.PDF for Python.