Abstract
Tropical countries have a warm and humid climate are suitable habitat for the lives of reptile animals, especially snakes. Snakes are a type of reptile animal that is widely found in tropical countries, especially in Indonesia. The worst thing that happens when meeting a snake is the bite of snake. If the bite comes from a venomous snake it can cause a more serious problem than the bite from non-venomous snake is, which can cause paralysis, disability, and the worst is death. According to the WHO (World Health Organization) an estimated 5.4 million people are bitten by snakes each year with almost 2.7 million being bitten by venomous snakes and get affected symptoms. Around 81,000 to 138,000 people die every year. This research uses image processing technic to make the identification system of snake bites whether venomous or non-venomous. The method used in this system is Active Contour Model and Support Vector Machine. By using these methods, the highest accuracy is obtained in the best of SVM kernel, on RBF kernel and Polynomial kernel.
Highlights
Negara tropis yang memiliki iklim hangat dan lembab merupakan habitat yang cocok bagi kehidupan hewan reptil, terutama ular
Snakes are a type of reptile animal
that is widely found in tropical countries
Summary
Negara tropis yang memiliki iklim hangat dan lembab merupakan habitat yang cocok bagi kehidupan hewan reptil, terutama ular. Jika gigitan berasal dari ular yang berbisa dapat mengakibatkan masalah yang lebih serius daripada gigitan oleh ular tidak berbisa, dimana dapat mengakibatkan kelumpuhan yang menghambat pernapasan, pendarahan fatal, gagal ginjal, kerusakan jaringan yang mengakibatkan cacat permanen hingga amputasi anggota badan, dan yang terburuk adalah kematian. Dengan adanya sistem ini diharapkan dapat membantu menggolongkan gigitan ular yang termasuk ke dalam gigitan yang berbahaya atau tidak sehingga mendapat tindakan yang seharusnya diambil agar meminimalisir efek terburuk yaitu kematian. Selain itu kelebihan SVM lainnya terdapat pada penelitian dilakukan oleh Aris [6] yaitu membandingkan metode K-Nearest Neighbor (KNN) dengan metode Support Vector Machine (SVM) untuk melakukan klasifikasi, dan diperoleh kesimpulan bahwa SVM memiliki kinerja yang lebih unggul karena mampu mengklasifikasikan data dalam pengenalan plat kendaraan dengan ketepatan sebesar 95%
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
