<![CDATA[Monitoring the movement of domestic animals requires an understanding of commodity movement patterns to ensure more targeted quarantine planning. This study aims to analyze animal movement patterns using DOMAS (Domestic Inbound) and DOKEL (Domestic Outbound) data from the South Sulawesi Animal, Fish, and Plant Quarantine Agency. The methods employed include K-Means Clustering to group commodities based on movement intensity and a Moving Average (window size of 3) to analyze trends. K-Means clustering yielded three groups (low, medium, and high) with Silhouette Scores of 0.8243 (DOMAS) and 0.8167 (DOKEL), indicating good clustering quality. Movement was dominated by low- to medium-volume commodities, with only one commodity per month falling into the high-volume category. The Moving Average method resulted in MAPE values of 43.83% (DOMAS) and 47.79% (DOKEL). Consequently, this method is better suited for short-term trend analysis than for high-precision prediction of fluctuating data. These findings can support operational decision-making and the planning of quarantine monitoring activities. Keyword: Animal Traffic; K-Means Algorithm; Moving Average Abstrak Pengawasan lalu lintas hewan domestik memerlukan pemahaman pola pergerakan komoditas agar perencanaan karantina lebih tepat sasaran. Penelitian ini bertujuan menganalisis pola lalu lintas hewan pada data DOMAS (Domestik Masuk) dan DOKEL (Domestik Keluar) di Balai Karantina Hewan, Ikan, dan Tumbuhan Sulawesi Selatan. Metode yang digunakan adalah K-Means Clustering untuk mengelompokkan komoditas berdasarkan intensitas pergerakan, serta Moving Average (window size 3) untuk menganalisis tren. K-Means menghasilkan tiga cluster (rendah, sedang, tinggi) dengan Silhouette Score 0,8243 (DOMAS) dan 0,8167 (DOKEL), yang menunjukkan kualitas pengelompokan yang baik. Lalu lintas didominasi komoditas bervolume rendah hingga sedang, dan hanya satu komoditas per bulan yang berada pada tingkat tinggi. Moving Average menghasilkan MAPE 43,83% (DOMAS) dan 47,79% (DOKEL). Karena itu, metode ini lebih sesuai untuk analisis tren jangka pendek daripada prediksi presisi tinggi pada data yang fluktuatif. Hasil ini dapat mendukung pengambilan keputusan operasional dan perencanaan pengawasan karantina.]]>
