Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   1 3 ,  No.   3 ,  Ma rch   201 9 , p p.   999~ 1006   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 3 .pp 999 - 10 06          999       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Sn ake s p ec i es  id en tificatio n by usi ng natu ral l angu age  processi ng       Nu r Li yana Iz z at i Rusli 1 , A mi z a  Amir 2 , N ik Ad il ah H ani n Z ah ri 3 , R .   Badli shah  Ahm ad 4   1,2,3 School   of  Co m pute r  and   Com m unic at ion   Enginee ring ,   Univ ersit i  M al a y si a  Per l is,  Mal a y s ia   4 Facul t y   of  Infor m at ic s a nd   Com puti ng,   Univer sit i  Sulta n   Z ai n al   Abidin  (UniSZA ),   22200   Besut,  Te ren gg anu       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Oct   1,   2018   Re vised Dec   10, 2 018   Accepte d Dec   25, 201 8       The   pape r  pre se nts  the   snake   sp ec i es  ide nti f ic a tion  b y   using  nat ura l  la ngua g e   proc essing.   I t  aim s  to  hel p  m edi cal  profe ss ion al s  in  pre d ictin g  the   snak e   spec ie s  for  snak e - bite  tr ea tment s  base d  on  the  pat i ent ’s  de scr ip ti on  of  th e   snake .   The   de ci s ion  in  suita ble   a nti - venom  cri tic al l y   dep ends  on  the   t y pe  of   snake   spec ie s.   W rong  ant i - ven om   m ay   resul t   in  seve re  m o rbidi t y   and  m orta li t y .   Thi s  rese arc h  inv esti g at es  the   hum an  per ce p ti on  and  t he  sele c ti o n   of  words   in  desc ri bing  a  snake   base d  on  th ei r  v isual   vi ew.   Th e  desc riptions   were   pre sente d  in  unstruct ure d  te xt ,   and  the   NLP  proc essing  invol ves  pre - proc essing,   feat ure   ext ra ct ion  and  cl assifi ca t i on.   Four  m ac hine   le arn ing  al gorit hm s  (na ïv e  Ba y es ,   k - Nea r est  Neighbour ,   Suppor t  Vec tor   Mac hin e,   an d   Dec ision  Trees  J48)  were   used  during  tra ini ng  an d  cl assificat ion .   Our  result s   show   tha t  J48  al gorit hm   obtai ned  the   high est   cl assificat ion  ac cur acy   of   71. 6%  cor re ct   pr edi c ti on  for  the   NLP - Snake  dat a   set  with  high  pre ci sion  and  rec a ll .   Ke yw or ds:   N at ural  lan gu a ge     Hu m an  pe rce ption     Sn a ke  im ages    TF - IDF       Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed.   Corres pond in g  Aut h or :   Am iz a A m ir,    School  of Com pu te r  a nd Com m un ic at ion  Enginee rin g,     Pauh   P utra  Cam pu s,  U niv e rsi ti  Mal ay sia  Per li s,    02600 A ra u,  M al ay sia   Em a il : a m iz aa m ir@u nim ap. e du.m y       1.   INTROD U CTION     Sn a kes  t hat  ar e  cold - blood e d  ve rtebr at es   fa ll s  into  tw o  ca te gories;   ve no m ou s  an d  non - ve nom ou s.   Ma ny  ve no m ou s  s na kes  hav e   ap pear e d  in   m any  co untrie s,  and  they   are   a  real  threat  t o  t he  public  safet y  an d  healt h.   T he re  a re  m or e  than   3000  s pecies  of  the  s nak e  n owadays ,  60 0  of  them   are  ve nom ou s,  a nd  ov er  20 0  are  co ns i der e d  i m po rtant  i n  m edical   reco r d  [1 ] .  Highest   m edical   i m po rtant  treat m ents  are  s nak e  bites   from   a   highly   venom ou s  sn a ke  that  a re  necessa ry  to   be  recog nized   since  they   can   cause  seve re  pain  a nd   e ven   death  (e. g. ,  Bl ac k  M a m ba,   Ki ng   C obra,  I nd ia n  Kr ai t).   Sec onda ry  m edical   i m po rtant  sn a ke   bites  are  du e  to  the  venom ou s  s na kes  (e .g.,  Al bin o  B ur m ese  Pyt hon,   Ba ll   Pyt ho n,  Re d  Ra t  Snake)  that  ca n  r esult  in  disa bili ty   and  sever e  pai n  bu t  in  le ss  i m pacted  due  to  t heir  act ivit y  or   m ay be  beca us e  of   t he  ha bitat   that  near   of  hum an   popula ti on .  In   Ma la ysi a,  the  five - ye ar  re vie w  of  sn a keb it e   patie nts  show s  that  there  we re  260  cases  of  sn ake   bites re ported , a nd 52.9%  of t he  s na ke bit es w ere  fro m  u nk now n  [ 2].    In   m any  e m er ge ncy  cases,  one  has  to  identif y  the  sn ake  sp e ci es  m erely  based   on  the  te xt  descr i ption  giv e n  to  them   by  the  victi m   or   witness  without  any  gr a phic al   ai ds .  Be ing   able  to  rec ognize  the  ty pe  of  sn a ke   base d  on  the   descr i ption  of  the  pe op le   ha ve  bec om e  ver y  im p or ta nt  in  s ocial   an d  m edical   progr ession.   To  pe rfor m   optim a l  cl inica l   t reatm ent,  the  diag nosis  of   th e  sn ake  s pecie s  respo ns ible  f or   the  s nake  bi te   is   cru ci al .  The  sl igh te st  delay   m igh t  giv e  res ult  in  sever e  m or bid it y  and  m or ta li ty .   Thu s,  it   is  i m per at ive  t o  pr eci sel y  and   c on ci sel y  deter m ine  the  ty pe  or   s pecies  of   th e  sn akes .  The  colle ct ed  inf orm at ion   is  i m po rtant  to   identify   if   the s nak e   is venom ou s  o r  not,  t hus  hel ps   m edical   prof e ssio nal  t o  determ ine  th e  su it able anti - venom   and f ur t her tre atm ent p la n.   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.   1 3 , N o.   3 ,  Ma rc h   201 9   :   999   –   1006   1000   Ty pi cal ly ,  sn ake  sp eci es  a re  recog nized  m a nu al ly   base d  on  the  vis ual  fe at ur es  s uch   as  head   s ha pe ,   sk in  col or,  ey e  sh ape ,  and   body  sh a pe.   T his  process  re qu i res  knowle dg e  of   cha ract erist ic s  of   the   sn akes   wh ic h  is  no t  quit e  com m on   fo r  m os t  peo ple   wh er e  on ly   th e  e xp e rts  hav e  this  us ef ul  knowle dge.  Co ns i der i ng  the  dif ficult y  f aced  by  m os t  people  in  id ent ify ing   the  s na ke   sp eci es,  the  m ai n  aim   of   this  work   is  t o  pe rfor m   sp eci es  recog niti on   base d on the  descr i ptio n from  the w it ne ss or  victim  in  un st ru ct ur e d  te xt for m .    In  this  w ork,  a n  i ntell igent  sy stem   that  will   help   the  m edical   pro fessio nal   to  be  able  t o  pr e dict  the   ty pe  of   t he  s na ke  ba sed  on  the  desc riptio n  in  the  un st ruct ur e d  te xt  by   us in g  natu ral  la ngua ge  pro cessi ng   (N L P) .  C ommon   per ce ptio n  and   wor ds   us e d  by  m any  diff ere nt  pe op le   to  desc ribe  m a ny  diff e re nt  typ es   of   sn a kes  will   be   analy zed.  T he   te xt  will   be  prep ro ce ssed ,  re le van t  ke ywo r ds   will   be  e xtr act ed  base d  on  thei r   weig ht  in   the  c on te xt,  a nd  the se  key words  w il l  be  use d  as  f eat ur es   duri ng  cl assifi cat ion   by   m ach ine  le ar ning   to lear n  a nd pr edict  the s peci es of s na kes.   Li m it ed  stud ie s  ha ve   bee n  c onduct ed   f or  s pecies  recog niti on  by  us i ng  m achine  le ar ni ng.  B utterfly   sp eci es  recog ni ti on   in   [ 3]  us e s  ne ur al   net work s   to  rec ogniz e  butt erf ly   s pe ci es  base d  on  butt erf li es’   s ha pe .  T he  br a nc h  le ngth   si m il arity  (BLS)  e ntr opie s  f r om   the  boun da ry  pi xels  of  a  butt erf ly   s hap e   wer e   ext racted   in  t his  stud y. Woo d  sp eci es  rec ogniti on   wa s  pro pos ed  by  Zha o  et   al .  [4 , 5 ]   and   Z a m ri  et   a l.  [6 ] .  In   [ 4]  an d  [ 6],  i m age   base d  fe at ur e s  (co l or ,   te xt ur e,   an d  s pectral  f eat ur es )  wer e   e xtracted   to   ide ntify  the  w ood  sp eci es   by  us i ng  the   back   prop a gati on   neural  network.  I n  [5 ] ,  k - near e st  neig hbor  (k - N N)   was  us e d  to  cl assify   wo od  sp eci es  thr ough im ages.  Im age - based plant  sp eci es  re cogniti on  by  us in g k - N N  wa s also su ggest ed by Fa ria et  al. [7] .    Christi anse n  et   al .  [8 ]   us e  a  k - NN   cl assifi e r  to  discrim inate   ani m al  and   non - anim al   ba sed  on  heat   char act e risti cs  of   ob j ect s.  Whi le   in  the  wo rk  of   Y u  et   al .  [9 ] .,  Su pp or t  Ve ct or   Ma chine  ( SV M)  has  bee n  us e d  to  extrac t  feat ur es  a nd  cl ass ify   i m ages  of  57   a nim al   sp eci es  captur e d  by  cam era  tr aps  with  a n  a ver a ge   cl assifi cat ion  a ccur acy   of 82 %.   To  our  knowle dg e ,  the  cl os es t  wo r k  to  our  r esearch  ca n  be   fo un d  in  [10]  and   [ 11] .  In   th ese  works ,   autom at ic  sn ake  sp eci es  ide ntific at ion   te chn i qu e s  from   sn a ke  i m ages  wer e  pr opos e d  by  us ing   m a chine   le arn in g  al gori thm s.  A m ir  et   al .  [10]  ap plied  te xture  based  appr oach   as  fe at ur es,  w hile  Ja m es  et   al .  [1 1]   us e d  featur e s  desc ribing  top,  side  and   body  view s  of   sna ke  im a ges.   I n  co ntras t,  NLP   was  util iz ed  in  our  w ork  t o  enab le   sn a ke  s pecies rec ognit ion  t hro ugh  te xt - base d  in f or m at ion   from  a h um an.       2.   RESEA R CH MET HO D     This  w ork  in volve d  the  colle ct ion   of  the  te xt - based   desc riptio n  of   s na ke s  based   on   th e  pr ese nted   sn a ke  i m ages  by  us in g  surv e y  m e tho ds  (qu est ionnaire) .  T hen,  i m po rta nt  featur es  wer e   extracte d  by  us in g  te rm   fr eq uen c y  –   inv erse  docum ent  fr eq ue ncy  (TF - I DF),  an d  these  f eat ur es  we re  pro vid e d  to  m achin e   le arn in g  al gorithm s to  le arn   an d pr e dict t he sn ake s pecies  us i ng  W e ka  t oo l  [12 ] .       2.1.      Ra w   D ata Co ll ecti on   60   respo nd e nt s  fr om   m ulti pl e  ranges  of  ag e  par ti ci pated  in  the  qu e sti onnai re  survey  durin g  data  colle ct ion   proc ess.  T he  res po nd e nts  wer e  s how n  with  se ries  of  sn a ke ’s  pictures.  Im ages  of   t hr ee  sp eci es  of   sn a kes  ( Na j a  Trip ud ia ns ,  B oa   Con stric tor ,  and  D og - T oothed   Ca t)  w ere   us e d  in  t his  s urvey.  Af te r   that,  th e   respo nd e nts  w ere  aske d  a  fe w  quest io ns   in   a  qu e sti onnair e  to  desc ribe  t he  s nak e  im age  that  they   ha d  see n  base d  on  their   per ce ptio n  a nd  opinio n  of  the   sn a ke.  T hey  wer e   al lowe d  t o  us e  t heir  ow n  wor ds   to   e xpla in  the   sn a kes’ cha racteri sti cs. Two  e xam ples o f sna ke  im ages ar e s how n  in  Fig ure  1 .     Durin g  the  sur vey,  the  res pond e nts  are  gui ded   to wa rd s  e xp la ini ng   th e  ei gh t  physi cal   char act erist ic s   of  the  sn a ke  –   that  play s  a   m a j or  ro le   in  deci di ng  wh at   ki nd  of  the   s nak e   t hat  is  venom ou s  or  non - ve nom ou s.   A  s nake  ob se r ver is al ways  usi ng these c ha r act erist ic s to  re cognize t he  s na ke  s pecies:   a)   Len gth   of it s bod y   b)   The  s ha pe of  it s bod y   c)   Its h ea d  a nd  ne ck  s ha pe    d)   The  c olor a nd  patte rn on its  body   e)   Scal e tex tu re   f)   Ey e pup il  s hape   g)   Tai l scal es   h)   An al   plat di vis ion   180  sam ples  of   unstr uctu re d  te xt  re pres ent  the  s na ke s’  de scripti on  are  obta ine d  from   the   qu e sti onnaire .    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       Snake  sp eci es  i den ti fi catio n b y u si ng natur al  lang uage pr oc essing   ( Nur L i yana Izz ati Ru s li )   1001     (a)       (b)     Figure  1. Tw o exam ples o f sn ake im ages f r om   the sp eci es  of Do g - To oth e d C at  ( a)  and B oa   Co ns tric tor  (b)       2.2.     Te xt   Pre - pr ocessin g   The  m et ho d  of  pr e - proces sin g  te xt  is  the  first  ste p  and   an  i m po rtant  ste p  in  te xt  m ining   te chn iq ues .   Pr e - proces sin g i s p e rfor m ed  to m ini m ise  the d im ension al it y of t he rep res entat ion   sp ace   wh ic h  incl uded  [13 ] :   a)   Da ta  to ken iz at i on   To ken iz at io n  was  pe rfor m ed  us ing   Wek a  t o  br ea k  do wn   a  te xt  into  pieces  of   w ords.   In   this  w ork,  tok e nizat ion i s  bro ken into  wo rd s . E xam ple of to ke nizat ion  i s sho wn as  fo ll ow s:   Inp ut: I  sa w  a   gr ee n  s na ke,  a nd it  h as  tw o  f angs   Ou t pu t:   I,  sa w,  a,  gr ee n, sn a ke , and, i t, h a s,  t wo, fan gs   b)   Ste m m ing   Ste m m ing   is  t he  process  of  fin ding  the  r oot  of  the   w ord  f r om   diff ere nt  w ord  form s ,  w her e   the   su f fixes   an d  prefixes  will   be  rem ov ed.   A  w ord  s uc h  as  “ pl ay ing ”  an d  “ pl ay ed”  can  be  stemm ed  as  “play ”.  Ste m m ing   was   nee ded  as  it   preve nts  ov e rf l ow  of   t he  diff e r ent  w ord  with  the  sam e  m eaning   i n  the   li br a ries.   Exam ple o f st em m ing  p r ocess  shown a s foll ows:    Inp ut: I,   saw , a , gree n,  s na ke,   and, it,  has, t w o,   fa ng s   Ou t pu t:   I,  see , a , gree n,  s na ke , and, i t, h a s,  t wo,  f an g   c)   Sy m bo ls a nd S top - w ord  el im i nation   The  ste m m ed  te xt  ob ta ine d  pr e viously   unde rw e nt  the  pro cess  in  rem ov ing   al l  the  sp ec ia l  sy m bo ls   su c h  as  ‘(‘,  ‘ )’ ,   ‘# ’ ,  ‘!’,  ‘ ? ’ ,  ‘ _’,  ‘+ ’,   ‘ - ‘,‘ *’ ,  a nd   ‘/’.   Sto p  w ord  or  sto p  w ord  li st  are  the  set   of   com m on   wor d  that  h um an  us e   ever y  day  in  any  la nguag e .  It   do es  not  ha ve  le ss  sign ific ant   m eaning   in  th e  te xt  or   par a grap h.  Com m on  w ord s ( e. g.  “a”, “a n” , and  “t he” )  ar e elim inate d  by  u sing   sto p - w ord  rem ov al  fu nction  i n W e ka . Th is   process  can  m i nim ise  the d im ensio nalit y about  15%  to 2 0%  r e du ct io n  i n  th e colle ct ed dat a [ 13 ] .   Inp ut: i , s ee,  a,  gr ee n, sn a ke, a nd, it,  has, t w o, fa ng   Ou t pu t:  i,  see,  gr ee n, sn a ke, i t, h a s,  t wo, f a ng     2.3.     Fe ature  Extr act i on   using  TF - I DF   A  high  num ber  of   w ords  in  th e  te xt  descr ipti on   will   cause  high   dim ension al it y  of   the  re pr ese ntati on  sp ace d ur i ng  tr ai nin g  a nd  te sti ng.  T heref or e , in   this w ork,  T F - I DF  wei gh ti ng  is use d  to   id entify   im po rtant  an d  releva nt  key w ords  from   each  descr i ptio n.   These   hi gh  w ei gh ti ng  keyw ords  will   be   e xtracted   as  im portan t   featu re s  an d  w il l  be  us ed  to  op ti m ise   the  trai nin g  process.   Term   fr eq uency   (TP)   re pr es ents  how  m any  tim es   the  num ber   of   t he  w ord   that  occ ur s   in  a  sin gle  te xt  or   doc um ent.  We  use d  a  fle xib l e  filt er   nam ed   Strin gtoWo r dV ect or   i n  W e ka  t o  c onve rt  strin g  at tri bu te s   in to   a  se t  of  w ord  vect or  w hich   re pr e sents   the  w ords  occ urren ce .  Be lo w  are  t hr ee  e xam ples  of   a  s na ke  de scripti on  by  a  hu m an  in  te xt  f or m   a nd   how   featur e  ex t racti on is  done.   Exam ple:   Text  1: “I   saw   a long a nd a  gr een s na ke. ”   Text  2: “T he g reen sna ke  is  a  dang e rous sna ke. ”   Text  3: “T he  lo ng snake  is sca rier.”   Af te r  pre - proc essing, the  text  w il l be a s foll ow s:   Text  1: I ,  see,  long, g ree n,  a nd, sna ke   Text  2: gree n,   sn a ke,   be, da nger ous,  s na ke   Text  3: lo ng, snake , be,  scary   TF - ID F  w ei ght o f  a term  is cal culat ed  as   f ollow s:   (a)   Ca lc ulate  term   fr e qu e ncy  (TF)   (b)   Ca lc ulate  d oc um ent f re qu e nc y (D F )  a nd the   inv e rse of  the  DF   (IDF ).   (c)   Com pu te  TF - I DF     The n or m al iz e d  T F is m easure d  acc ordin g  t o  E quat ion ( 1).   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.   1 3 , N o.   3 ,  Ma rc h   201 9   :   999   –   1006   1002        =    .       ℎ           ℎ                     ℎ      (1)     In   reali ty ,  each   te xt  will   con t ai n  dif fer e nt  si ze,  an d  us ually ,  the  va lue  of   TF  will   be  higher  t han   a n  exam ple  of   TF   in  Table  1.   N ext,  th e  te xt  w il l  be  norm aliz ed  ba sed  on  it s  siz e  by  div i di ng   T F  by  the  total   nu m ber   of ter m s.        Table  1.  T F Ba sic  Cal culat ion f or   Text  1, Te xt 2 an d Text  3   Text 1   i   see   lo n g   an d   g reen   sn ak e   TF   1   1   1   1   1   1   No r m   TF   0 .16 7   0 .16 7   0 .16 7   0 .16 7   0 .16 7   0 .16 7   Text 2   g reen   sn ak e   be   d an g erou s         TF   1   2   1   1       No r m   TF   0 .20 0   0 .40 0   0 .20 0   0 .20 0       Text 3   lo n g   sn ak e   be   scary       TF   1   1   1   1       No r m   TF   0 .25 0   0 .25 0   0 .25 0   0 .25 0           In   TF,  al l  te r m s  being   treat ed  as  e qual .  I n  c on tra st,  the   inv e rse  do c um ent  fr e qu e nc y  (I D F)   is   a   m easur e  of   ho w  m uch   in for m at ion   the  wor d  prov i des  ac r os s  al l  te xt  or   do c um ents.  Th us ,  IDF  is  c ompu te d  as   fo ll owin g  E qu at ion   2:      =   log   (            .          ℎ  ℎ               )   (2)     Fo r  e xam ple, the  te rm  o f  t he “ gr ee n” was  use d  to  f i nd IDF:   Total  no. o f  te xts: 3   Nu m ber   of text s w it h t erm  g re en on i t:  2      (   ) =    ( 3 2 )           Table  2  s hows   the ex am ple of  m easur ed ID F  v al ue  for t erm s that a pp ea re d i n  al l t he  text.     Finall y, TF - I D F w ei gh t i s  m e asur e d usi ng E qu at io n ( 3) .       Table  2.   Inve rs e Docum ent Frequ e ncy   Ter m s   IDF   I   0 .47 7   see   0 .47 7   lo n g   0 .47 7   an d   0 .47 7   g reen   0 .17 6   sn ak e   0 .00 0   be   0 .17 6   d an g erou s   0 .47 7   scary   0 .47 7        _  =       ∗    (3)       Table  3.  E xam ple on  w ord oc currence s in  T F - I DF   W o rds   Text 1   Text 2   Text 3   i   0 .08 0   -   -   see   0 .08 0   -   -   lo n g   0 .08 0   -   0 .12 0   an d   0 .08 0   -   -   g reen   0 .02 9   0 .03 5   -   sn ak e   0 .00 0   0 .00 0   0 .00 0   be   -   0 .35 2   0 .04 4   d an g erou s   -   0 .09 5   -   scary   -   -   0 .12 0       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       Snake  sp eci es  i den ti fi catio n b y u si ng natur al  lang uage pr oc essing   ( Nur L i yana Izz ati Ru s li )   1003   Fr om   the  exam ple  in  Ta ble  3,  the  w ord   “sna ke”  is  c onsider ed  c omm on   due  to  it   is  an  oc currence   i n  al l  descr i ption  with   wei gh t   val ue  of  0.0 00.  In  a no t he r  word,  t he  word  “s na ke”   is  not  si gnif ic ant  in   determ ining   th e  cha racteri sti c  of  a  sn a ke  de scribe d  i n  eac h  te xt .  T her e fore,  a   w ord   wit h  ze ro  or  l ow  weig ht   will  b e c onside red irrele van t  f eat ur e a nd  om i tt ed  duri ng trai ning a nd classi ficat ion .     2.4.     Tr aining  a n d  Clas sific at i on   In   s up e rv ise d  cl assifi cat ion ,  trai ning  m us t  be  first  co nduc te d,   an d  cl assifi cat ion   ta sk   f ollows  this.  The  trai ning  involve s  bu il din g  a  m od el   based   on  one  or   m or e  nu m eric al   and   cat egori cal   var ia bles  su ch  a s   at tribu te s  or  fe at ur es.  Cl assifi cat ion   is  a  te xt  m ining   ta sk   of  pr e dicti ng   the v al ue  of  a  cat egorical   var ia bl e  su ch   as target  or cla ss.    Four   m achine  le arn in g  al gorithm s  wer e  ch ose n  to   pe rfo rm   these  ta s ks .  T hey  are  naïve   Ba ye s  [13],   Suppor t  Ve ct or  Ma chine  (SV M)  [14],  k - Ne arest  Neig hbou rs  (k - NN)  [ 15 ] ,  and   decisi on  tree  J4 8  [ 16] .  I n  this  work,  18 0  sam ples  of   te xt - base d  desc ription   c ollec te d  from   60   respo ndents  will   be  us e d  for  trai ni ng   a nd   cl assifi cat ion .  Du e   to  li m i ted   sam ple,  in  order  to  ob ta i ned  m or e  accurate  resu lt ,  10 - fo l d  strat ifie d  cr oss   validat io n  was   app li e d  to  e nsure  t he  vali dity   of   our  re su lt   be  co nduc te d  f or   eac h  al go rithm .  The  trai ni ng   a nd   cl assifi cat ion   proces ses  wer e   perform ed  on  diff e re nt sets  of the  d at a as  to   gen e rali ze the  new in form at io n.         3.   RESU LT S   A ND AN ALYSIS     The  quest io nn ai re  was  fill ed   by  the  so ci et y  throu gh   s ocial   m edia  as  the  m edium ,  and   we  obta ine d  180  sam ples  from   60   pa rtic ipants.  Eac h  par t ic ipant  was  a s ked   t o  de scri be   three  s na ke  im ages  (r e prese nting   a   sp eci es  each ).   The  ra w  datase t  in  te xt  fo rm   t hen   was  im po rted  into  an  Attr ibu te - Re la ti on  Fil e  Fo rm at   (A RFF)   file .  The n,  pre processi ng  an d  featu re  e xtract ion   we re  perform ed.   ARFF   fi le   is  le ss  m e mo ry  i ntensiv e ,  faster   and b et te r  for a naly sis beca use  it  inclu des  m et a d at a a bout  colum n  hea der an d data col um n.   Convertin g  a  word   t o  a  vect or   is  sim ply  a  m echan ism   to  input  an d  pro c ess  w ords  f or   any  natu ral   la nguag e   proc essing  ta sk.  A s  m entioned  in  Se ct ion  V ,  durin g  prep ro c essing,  We ka  pack a ge   was   us e d  t o  conve rt  word   into  the  vecto r.   This  res ults   in  483  at tribu te s  wer e  f ou nd   in  the  da ta set .  Then,  fe at ur es   extracti on  m eth ods  s uc h  as stop  w ord  el im in at ion ,  ste m m er ,  an d  to ke nizer   wer e   pe rfor m ed.   Fi nally ,  TF - IDF T   trans form  w as  execu te d  t o  cal culat e the  weig ht of eac h w ord  in  each  doc um ent.    These  feat ur e  extracti on  ta sks  resu lt   in  a  re du ct io n  of  the  dim ension al it y  of   at trib utes  to  30%.  Af te r   featur e s  extrac ti on ,  the  num ber   of  at tribu te s   decr eases  t o  346  at trib utes.  Hen ce ,  the  re s ulti ng   data  set   wh ic h  cal le d  the  NLP - Snake  d at a set  consist s  of   18 0  sam ples w it h 3 46 att r ib utes.     3.1.      Clas si ficat i on   Accur ac y   Cl assifi cat ion   accuracy  is   pr esented   as  a   per ce ntage   w he re  100%   is  the  best  a n  al gorithm   can  achieve.  F our  m achine  le arn i ng   al go rithm s  decisi on  tree  J4 8,  SV M  (Li ne ar  Kernel) ,  na ïve  Ba ye s,  k - N N  are  sel ect ed  as  cl assif ie rs  in  this  pro j ect .  The  pe rfor m ance  of   t he  cl assifi ers  a s  repor te d  in  F igure  2  il lustra te s  the   correct ly   and   inco rr ect ly   cl a ssifie d  instanc es.  Figure  2  ind ic at es  that  J4 8  has  the  hi gh e st  per ce ntage  of   71.67%  fo ll ow ed  by  S VM  w it h  68.33% .  N aï ve  Ba ye s  ob ta i ned   61. 11%   wh ic h  the n  f ol lowed   by  k - N N  by  55.56%  as the   lowest  per ce nt age  ob ta in ed  for co rr ect ly  classi fied  i ns ta nce s.    Fo r  i ncorr ect l y  cl assifi ed  instances ,  J48   ob ta ine d  the   lowest  pe rce ntage  of   bein g  inc orrectl y  cl assifi ed  insta nces  with  28. 33%.   This   the n  fo ll owe d  by  31. 67%  f or  S V M,  38. 89%  f or   naïve   Ba ye s.  k - NN  ob ta ine d  t he  highest  propo r ti on   of  inc orr ect ly   cl assifi e d  in sta nces  by   44.44% .  He nce,  J48  ac hie ves  t he  highest  pe rce nt age  of  c orrec t  pr e dicti on   c om par ed  to   S VM,  k - NN,  a nd  naï ve  Ba ye s  for  t he  N LP - Sn ake   dataset .           Figure  2. The  a ccur acy   of n aï ve  Ba ye s, k - N N,   SV M,  and  J 48 for N LP - Snake  dataset   0 50 1 0 0 n aïv e Bay es k -NN SVM (L in ear Ker n el) J4 8 6 1 .11 5 5 .56 6 8 .33 7 1 .67 3 8 .89 4 4 .44 3 1 .67 2 8 .33 Cla ss ified  Ins tances Co rr e ctly  Class ifi ed Inco rr ectly  Class if ied 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.   1 3 , N o.   3 ,  Ma rc h   201 9   :   999   –   1006   1004   3.2.       Preci si on a nd Rec all   Re gardin g  pro bab il ist ic   inter pr et at io n,   preci sion  an d  recall   are  no t  i nter pret ed  as  rati os .   I ns te ad ,  they   are  inte rpreted   as  pro ba bili ti es.  P recisi on  is  the  pr ob a bili ty  that  a  sel ect ed   data  is   releva nt  w hile  re cal l  is  th e   pro bab il it y  that  a  sel ec te d  data  is  cor rectl y  retrieve d.   Pre c isi on   an d  recal l  bo th  are  sta ti sti cal   m easur e s  of   perform ances o f  a m achine learn i ng alg or it hm . Th e out com es w e re sh own i n  Fig ure  3  a nd Fig ur e  4.   Figure  3  il lust rates  the  preci sion  pe rfor m ances  obta ined   in  W e ka  i nter f aces  after   te n  trai ning  a nd  cl assifi cat ion   wer e  car ried  out.  It  show s  th at   the  hig hest  pr eci sio n  outc om e  of   m achi ne  le arn i ng   al gorithm s  for  Bo a  Co ns tr ic tor  was  k - N N  by  87. 2%,   th e  second  hi gh e st  is  J4 8  by  78. 9%,   the  sec ond  lowest  preci sion   f or   Boa Co ns tric to r  is  62.1% f ollow e d by  naïve B ay es as the l owest   pr eci sio n by 60% .            Figure  3. The   pr eci sio n pe rfo rm ance o f naï ve  Bay es, k - NN,  S VM,   a nd J 48  for  th ree s na ke  s pecies i n N LP - Sn a ke data set           Figure  4. The  re cal l perfo rm a nce  of n aï ve  B ay es, k - N N,  S VM,   a nd J 48 for t hr ee  s nak e   sp eci es in  NLP - Sn a ke data set       The  highest  preci sion   of   m achine  le a rn i ng   a lgorit hm s  fo r  Dog - To oth e d  Ca t  is  J4 8  with   69. 4%,   SVM   with  64. 6%,   fol lowed   by  naïv e  Ba ye s  with  57. 9%  as  the  se cond  lo west  pr eci sion   an d  k - NN   with  56%  as  the   lowest  preci sio n.   F or   Na j a  T ripudian s,  the  hi gh e st  pr eci sio n  is  J4 8  by  87. 2% ;  the  second  highest  pr eci si on   is   SV M  by  78. 9% ,  f ollowe d  by   the  se co nd  lowest  pr e ci sio n  f or  Na j a  T ripudian s  is  naï ve  Ba ye s  by  64. 7%.  More ov e r, t he l ow est   pr eci si on is  obta ined  by  k - NN w it h 5 1.6%  only .   Figure  4  sho w s  that  the  hig he st  recall   ou tc om e  of   m achine  le arn in g  al gorithm s  fo r  Boa  Con stric to r   was  J 48  by  75 %,  the   sec on d  highest  is  S V M  by  60% ,  the   seco nd  lo west   recall   f or  Boa   Const rict or  is  55%  in   naïve  Ba ye s  f ol lowed b y  k - N N  as t he  l ow est  r ecal l by  18. 3% .   The  highest  re cal l  of   m achin e  le arn i ng  al go rithm s  fo r  D og - To oth e d  Ca t  i s  J48  t hat  goes   by  71.7%,   SV M  an d  k - N N  sh a r e  the  sa m e  ou tc om e  by  70 %  a nd   naïve  Ba ye s  by  55%  as  the  lo w est   recall .  Fo r  Naj a   Trip ud ia ns ,  s urp risin gly  the  highest  recall   is  k - NN   by  78. 3%,   the  sec ond  highest  rec al l  is  SV M  by  75 % ,   fo ll owe d  by  th e  second  lo we st  recall   fo r  N aja  Trip udia ns  is  naïve  Ba ye s  b y  73.3 % .  J4 8  ob ta in s  the   lowest  recall  w it h 6 8.3%  only .    0 20 40 60 80 1 0 0 n aïv e Bay es k -NN SVM J4 8 Prec isio n Cla ss ifiers Bo a Co n str icto r Do g -T o o th ed   Cat Naj a T r ip u d ian s 55 1 8 .3 60 75 55 70 70 7 1 .7 7 3 .3 7 8 .3 75 6 8 .3 0 20 40 60 80 1 0 0 n aïv e Bay es k -NN SVM J4 8 Bo a Co n str icto r Do g -T o o th ed   Cat Naj a T r ip u d ian s 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       Snake  sp eci es  i den ti fi catio n b y u si ng natur al  lang uage pr oc essing   ( Nur L i yana Izz ati Ru s li )   1005   In  ge ne ral,  for  pr eci sio n  an d  r ecal l  perform a nce  am ong  the   f our  al gorith m s  fo r  th e  NL P - S nake  data   set ,  J48  sho ws   the  m os t  prec ise   per ce nta ge   we re  ob ta ine d  for  eac h  s na ke  s pecies.   It  al so   has  th e  hi gh est   accuracy c om par ed  to SVM,   k - NN an d naï ve  Bay es.       4.   CONCL US I O N     The  pa pe r  dem on st rates  the  prel i m inary  resul t  fo r  the  r eco gnit ion   of   s nake   sp eci es  by  us i ng   natu ral  la nguag e   pr oce ssing.  Hu m an  descr i ption  of  sn a ke  im ages  f ro m   three  s pec ie s  was  c ollec te d  th r ough  a  s urvey  in  so ci al   m edia.  The  res ulti ng   raw   data  set   con ta ins  a  te xtu al   descr ipti on  of   sn a ke  char a ct erist ic s  by  a  hum an.   The  pre - proces sing   an d  feat ure  sel ect ion   was   then  perf or m e d.   The  feature   extracti on  ta sk  inv ol ves  sto p  wor d  el i m inati on ,  st e m m ing ,  word  tok e nizer  an d  TF - I DF   tra nsfo rm .  The  pro cessed  data  set ,  nam ed  NLP - Snak e   dataset ,  c on sis ts  of  34 6  at tr ibu te s  with  180  sam ples.  Then,  the   pe rfo rm ance  of   f our  m achine  le arn i ng   al gorithm s  (n aï ve  Ba ye s,  k - N N,   SV M  a nd  de ci sion   tree   J 48)  are  e valuate d  f or  trai ning  a nd  cl assifi cat io n.   All  in  al l,  the  ov e rall   per f orm ances  sh ow  that   the  J4 8  is  th e  best  an d  su i te d  for  te xt  cl assifi cat ion   ta s k,   in   par ti cula r,  t o  id entify  sn a ke  c ha racteri sti c in  natu ral la ngua ge  ta s k.     In   t he  fu t ur e ,  we  ai m   to  colle ct   a  la rg e r  da ta   set   by  in volv ing   a   great er  num ber   of  s na ke   sp eci es  a nd   m or e p arti ci pa nts.  By   do i ng s o,  m or e acc ura te  r esults a re e xp ect e d for  rea l - w or ld  im ple m entat ion .       ACKN OWLE DGE MENTS     We  would  li ke   to  th an ks   t o  th e  ra ndom   par ti ci pan ts  w ho  he lped  us  by  a nsweri ng  th e  sur vey  f or  thi s   stud y.   W e  also  wou l d  li ke  t o  t hanks  Tam an  Ular  Perlis f or  the s nak e  p ic tu res.       REFERE NCE S    [1]   W HO   blood  produc ts  and   relat ed   Biol ogi ca ls a ni m al   sera   Ant ivenom s  fra m es  page .   R et ri eve d   Oc tobe r  7 ,   2016 ,   fr om  htt p://apps. who. i nt/ bloodproducts/snake an ti venom s/dat ab ase /   [2]   Chew,   K.S. ,   Kh or,   H.W.,  Ahm ad,   R. ,   Rahman ,   N.A.H. N  (2011) .   A  Five - y e ar  r et rospec ti ve   rev i ew  of  snake b ite   pat i ent s a dm itte d  to a ter t ia r y   un ive rsit y   hospital  in  Mal a y s ia.  Int e rna ti on al   Journ al of  E m erg ency   Medic in e  4(1) ,   1 - 6    [3]   Kang,   S.H. ,   Song,  S.H.,  Lee,   S . H.  (2012).   Id entificat ion  of   butterfl y   spe ci es  wit h  a  single  neur a l  net work  s y s tem .   Journal  of  As i a - Paci fi c  En tomolog y   15(3), 431  –   435.   [4]   Zha o,   P.,  Dou,   G.,  Chen,  G.S .   (2014)W ood  Speci es  ide nt ifica t ion  using  f e at ure - le ve l  fusio n  sche m e.  Opti k  -   Inte rna ti ona l  Jou rna l  for   L ight   an d  Elec tron   Opti c s 125(3),   1144   –   1148.   [5]   Zha o,   P. ,   Dou,  G.,   Chen,   G.S.  (2014).   W ood  s pec i es  ide ntific a ti on  using  improved  ac t ive   sha pe  m odel .   Optik   -   Inte rna ti ona l  Jou rna l  for   L ight   an d  Elec tron   Opti c s 125(18),   5212   –   5217    [6]   Za m ri,   M . I. P. ,   C ordova ,   F. ,   Kha i ruddin,   A.S . M.,  Mokhtar,   N. ,   Yu sof,  R.   (2016)   T ree   spe cies  class ifi c at ion   base d  o n  image  anal y s is  using  improved - basic   gre y   le ve l  aur a  m at rix .   Co m pute rs  and  El e ct roni cs  in  Agri cul tur e  124,   227   –   233.   [7]   Faria ,   F.A . ,   Al m ei da,   J. ,   Alber ton,   B. ,   Morel lato,   L . P.C. ,   Roc ha,   A. ,   da  S.   T orre s,  R. (2015)  Ti m e  serie s - b ase d   cl assifi er  fusion   for  fine - g rai n ed pla nt   spec i es  re c ognit ion.  Pa tt er n  Recogni t ion  L et t ers   pp.     [8]   Christi anse n ,   P.,  Stee n,   K . A. ,   Jrgensen,   R . N.,  Karstoft ,   H.(2014)   Autom at ed  de t ec t ion  and  r ec o gnit ion  of  w il dlif e   using t her m al ca m era s.  Sensors   1 4(8),   13778   [9]     Yu,  X.,   W ang ,   J.,   Ka y s,   R. ,   Jan sen,   P.A. ,   W ang ,   T . ,   Huang,  T .   ( 2013).   Autom ated  id ent if icati on   of  an imal  spe cies   in  c amera   tra p   i m age s.  EUR ASI P  Journal   on  Im age  and  Vi d eo  P roce ss ing  2013 ( 1),   1 – 10     [10]   Am ir  A.,   Za hri  N.A.H. ,   Yaa kob   N.,   Ahm ad  R. B.   (2017)  Im age   Cla ss ifi c at ion  for  Snake  Species  Us ing  Mac hine   Le arn ing  Techni ques.   In:  Phon - Am nuai suk  S.,   Au  TW.,   Om ar  S.  (ed s)  Com put at ion al   Intelli g e nce   in  Inform at i on   S y stems .   CIIS 2 016.   Advan ce s i n  Intelli g ent S y s te m s a nd  Com puti ng,   vol  5 32.   Springer, Cha m   [11]   Jam es,   A.P.,   Ma the ws ,   B. ,   Suga t han,   S.,   R aveen dra n,   D.K.  (201 4)  Discriminat iv e  histogra m   ta xo nom y   f ea tu res  f or   snake   spec ie s  id ent ific a ti on.   Hu man - ce ntric Co mputing  and  In f orm ati on  Scienc es   4(1), 1 – 11    [12]   M   Im ambi,   S.,   &  Sudha  (2011).   Pre - Proce ss in g  of  m edi ca l  d ocuments  and  r educ ing  Dim ens iona lit y .   Ad vanced  Computing:  An   I nte rnational   Jou rnal ,   2 (5) ,   15 – 24   [13]   Za idi,  N.  A. ,   Pet it jean,   F. ,   &  W e bb ,   G.  I.   (2016).  Prec ondit ion ing   an  Artifi c ia l  Ne ura l  Network  Us ing  Naive   Ba y es .   Proce ed ings  of  t he  20th  Pac i fic - Asia  Confe ren ce  on  Adv an ce s  in   Knowle dge   Discov ery   and  Data   Mini ng ,   P AKDD   2016 ,   pp .   341 - 3 53    [14]   Cao  J,  Fang  Z,   Qu  G,  Sun  H,  Zha ng  D  (2017).   An  ac cu ra te   tr aff ic   c la ss ifica t i on  m odel   base d  on  support  vec tor   m ac hine s.   Int J Network  Mgmt .   2017;27: e1962 .     [15]   P.  Gu,  R.   Kh at o un,   Y.  B egr ic h e  and  A.  Serhrou c hni.   (2017) .   k - N ea rest   Neighbou rs  cl assificat ion  base d  S y b il   at t a ck   det e ct ion  in  Vehic u la r  Netwo rks.  2017  Thir d  Inte rnational   Confe renc e  o n  Mobil e  and   Sec ure  Serv ices  ( MobiSe cSe rv) ,   Miami  Beach, FL,   2017 ,   pp .   1 - 6 .     [16]   M.  Aashkaa r,   P.   Sharm a  and  N.  Garg.   (2017).   Perform anc e  an aly s is  using  J48   dec ision  tree  fo r  India n  cor pora te  world.   2016  In ter nati onal  Conf ere nce  on  R ese arc h  Adv an ce s  in   In te grated   Navi ga t ion  Syst ems  ( RA INS) ,   Banga lor e,  2016,   pp .   1 - 5.     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.   1 3 , N o.   3 ,  Ma rc h   201 9   :   999   –   1006   1006   BIOGR AP HI ES OF  A UTH ORS         Nur  Liy ana   Ru sli   gra duated  with  Bac h el or  of   Com pute r  Network  Engi nee ri ng  from  Univer sit y   Ma lay sia   Perli s  in  20 17.   She  is  now  working  in  E rics on  as  a  NO C  E ngine er .   Her  intere st   incl ude  m ac hin e lea rning  and   compu te r  n et works .       Am iz a  Am ir  is a seni or le ct ure r   i n  School  of   Com pute r and  Com m unic a ti on  Engi ne eri ng  at   Univ ersit i   Ma lay s ia Perl is.   Sh e  re ceive d   her   P h. D. in  Inform ati on  Technol og y ,   on  distri bute d   ar ti fi ci a l  in te l li gen ce,   from   Monash Unive rsit y ,   Aus tralia i n  2015 .   H er curr ent  rese arc h   in te rest s inc lud e  m ac h in e  l ea rn ing ,   d istributed  s y stem,   m et a   heur ist ic  opti m iz ation,   da t a  an aly t ic s  and  s oftwa re - def ine d   net work (SDN ).   She  teac h es  cour ses i n  dat a   an aly t ic s a n d  artificia l  in te l ligence.           NI K  AD ILA H  HANI N  Z AHR I  is a seni or le cturer  in   School   of   Com pute r and  Com m unic at ion Engi ne eri ng  at  Univer siti   Malays ia   Perl is.  She   re ce iv ed  h er  Ph.D.   in  Medic a l  Eng inee ring,   on   Com m unic a ti on  and  Inf orm at ion  S y s te m ,   from   Univer si t y   of  Yam ana shi,  Jap a n  in  2013 .   He r  c urre nt  r ese ar ch i nte rests  inc lud e nat ura l  l angua g e   proc essing,   m a c hin e le arn ing, data  m ini ng   and   da ta   ana l y t i cs.   She   te a che s progr amm ing,   software   engi ne e ring  and   da ta   an aly tics c ourse             R.   Prof.   Dr.  R . B adl ishah   Ahm ad is a   Profess or in  Malay s ia.  He   is  Deput y   Vic e  Ch anc e ll or  (Rese arc h   and   In novat ion) ,   Univ e rsiti   Sult an  Za in al   Abid in  (UniS ZA)  since 15  Ma rch   2017.   Gradua te d   PhD   (1999)  fro m   Univer sit y   of   Strat hcly d e  (Sco tl and ,   UK ).   H e  h as  supervise d  m ore   tha n   40  PhD   an d  MS c  student s.   Speci a li z ed and Expe rt ise  in   Co m pute r  and  T el e comm unic a ti on  Ne twor k  Modelling,   Embedde d  S y s te m   Design  and  Op e n  Source   Software .     Evaluation Warning : The document was created with Spire.PDF for Python.