TELKOM NIKA , Vol.11, No .4, Dece mbe r  2013, pp. 74 9~7 5 8   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v11i4.1390    749      Re cei v ed O c t ober 8, 20 12;  Revi se d Oct ober 2 9 , 201 2; Acce pted  No vem ber 1 2 ,  2012   Palmprint Verification Using Time Series Method       Agus  An w a r * , Darma Putra, Agung  Cah y a w a n   Dep a rtment of Information T e chno log y , U d a y a na U n ivers i ty  Bukit Jimbar an , Badung, Ba li, Indon esi a ,  T e lp. 0361- 78 535 33   *Corres p o ndi n g  author, e-ma i l : leke1 2 1 2 @g mail.com 1 , ikgd armap u tra@g m ail.com 2 ,  agu ng.ca h y a w an@ gmai l.com 3      Abs t rak   Peng gu naa n  bio m etrik seb aga i siste m   pen ge nal an o t omatis berk e mb an g  pes at   dal a m   peny eles ai an  mas a l ah ke a m a n a n . Sala h  satu yan g  s e rin g  di gu nak an a dal ah  dat a tela pak ta n gan.  Pene litia n in i me ng gun aka n  meto de titik  momen d ua tah a p  untuk se gme n tasi reg i on  of interest (ROI) dan   me ner apka n   meto de  runt u n  w a ktu ya n g  d i ko mb inas i k an  den ga n  meto de  bl ock  w i ndow  se b aga i  repres entasi  fit u r. Nor m ali z e d  euc lid ea n  dist ance  di gu nak a n  u n tuk  meng ukur k e sa ma a n  d u a  vektor  fi tur  telap a k ta nga n .  Peng uji a n  si stem v e rifik a si  pa da  pe ne liti an  ini   me ngg u naka n   500  sa mp el  citra te la pak   tanga n, den ga n 6 sa mp el se bag ai citra u ji d an 4 sa mpel s eba gai citr a ac uan. Has il p e n guji an  me nu nju k a n   bahw a siste m  men g h a silk a n  unj uk kerj a tingg i den gan tin g kat keber hasi l a n  me nca pai 9 7 ,33 %   (F NMR= 1,67 %, F M R= 1,00 %, T = 0,036).     Ka ta  k unc i:  bi ometrik, verifik a si siste m , runt un w a ktu, meto de bl ock w i ndo w ,   telapak ta ng an        A b st r a ct   The use of biom etrics as an  autom atic rec o gnition system is growi ng rapidly in solv ing security  prob le ms; p a l m pr int is  on e o f  bio m etric sys tem w h ic h o fte n use d . T h is  p aper  use d  tw o steps in  cent er o f   mass  mo ment  meth od for regi on of inter e st (ROI)  segme n tatio n  an d  apply the ti me ser i es  me thod   combi ned  w i th  block w i ndow   meth od  as fe at ure re pres enta t ion.   Nor m ali z e d  Euc lid ea n D i s tance  is us ed  to  me asur e the s i milar i ty de gre e s of  tw o feature vectors  of pal m pr int.  S ystem testi ng i s  don e usi ng  50 0   sampl e s pal ms , w i th 4 sampl e s as the refer ence i m ag e a nd the 6 sa mp les as test ima ges. Experi m e n t  results sh ow  th is syste m  ca n  achi eve  a h i gh   perfor m a n ce w i th success  rat e  a bout  97.3 3 %  (FNMR=1.6 7 %,  F M R= 1.00 %, T = 0.036).     Ke y w ords : bio m etric, verific a tion syste m , time  series, bl ock w i ndow  meth o d , pal mpr i nt        1. Introduc tion   The nee d for personal  re cognition  syst em is  autom atically a reli able an d tru s two r thy  increa sing m a inly  for se curity  system s. Recognitio n  system  aim s  to solve  a p e rson’ s ide n tity.  There are two type s of  recogni tio n  system s, the verificatio n  and id enti f ication  syst ems.  Verificatio n  system aim s   to accept  or reje ct  the  claime d ide n t ity of a person,  while  the   identificatio n system aim s  to solve the id entity.  Palmprint ha s seve ral a d vantage s com pare d  to  othe r available fe ature s : low-re solutio n   image s ca n b e  use d , low cost ca pture d e vice s ca n b e  used, it is very difficult or impossible to   Che a t with p a lmpri n t be ca use th eir  ch a r acte ri stics a r e stabl e an d  uniqu e [1]. Many app roa c h e s  have bee n propo sed fo r extract the  pal m p rint features  [1-11]. The r e  are ma ny uni que featu r e s  in  a palmp rint image that ca n be u s ed fo r person a l re cognition, such us: ge omet ry, princi pal li nes,  wrin kle s , delt a  points a nd  minutiae poi n t s [2].  This pa per  apply time   seri es for p a lmpri n t feat ure  extration  and  representation.   Basically, a ti me  seri es i s   a colle ction  o f  obser vatio n s  m ade  sequ entially in tim e . Neve rthel e ss,   as l ong  a s  th e data  of inte rest  can  be  repre s e n ted seque ntially,  time seri es  technolo g ies ca n  b e   applie d [12]. We u s ed two  steps in  cent er of mass  m o ment metho d  for regi on o f  interest (RO I )  segm entation  and ap ply the time se rie s   method  com b ined  with blo c k wi ndo w met hod a s  featu r e  rep r e s entatio n an d n o rm a lized  eu clide an di stan ce  i s  a dopte d    a s  the  mat c hi ng  score  of t w o  templates .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  749  – 758   750 2. Res earc h   Method   The ve rificat i on p r o c e s s ha s fou r   main  stage s there  a r e  image  a c quisitio n ,  prep ro ce ssin g, feature  ex traction  an d  matchin g .  Ov erview of the  verificatio n   pro c e s s in th is  study  can  be  see n  in  Figu re 1. In g ene ral, a pal mp ri n t   verification  system co nsi s ts of  4  m odu les  is  as  follows :  1.  Stages of im age a c qui siti on, a step to  take  biom etric d a ta su ch  as the imag e of the  palmp rint fro m  the hand.   2.  Preprocessin g  is the  stag e s   to t r an sform the  origi nal  image  into  g r eyscale  ima ge, bin a ry   and ROI seg m entation (re g ion of intere st) t hat use for feature extraction p r o c e s s.  3.  Stages fe atures  extractio n  is th e sta g e s  to  determin e  the  ch ara c t e risti c  featu r e s  of th e  segm entation  that come fro m  the value of tested ROI palmp rints.   Matchin g  sta ges, nam ely stage s to det ermin e  t he de gree of  simila rity between t e sted bi ometric  traits  with biometric  features  that referenc e  to the data base, to deci de wh ether th e use r  is  accepte d  or rejecte d  ba se d on matchi n g  of test sco re results.     2.1 Hand  Image  Acquisi tion   Palmprint im age s a r e  cap t ured  usi ng d i gital ca mera  on  sma r t ph one Sam s u n g  Galaxy   GT-S5 830  with re solution  o f  640x480 pix e ls. Each pe rson  wa s re qu ested to p u t his/her l e ft han d   palm d o wn o n  with  a  bla c k b a ckg r ou nd  (ten  sample   for ea ch  pe rson). T h e r e a r e some  peg s on  the board to control the ha n d  oriente d , transl a tion, an d stret c hing a s  sh own in Figure 2.       Gr a ysc a l in g B i nar i s at i o n Ot s u  M e t h o d RO I t w o  s t e p  i n  mo me n t   c e ntr a l  m e t hod In t e n s i t y   N o r m a liz a t io n S p i r al  A r c h i m ede s F e a t u r  N o r m a liz a t io n B l oc k  W i nd ow   M e t hod I m a g e ac qui s i t i o n P r e p r o ce ss i n g F eat ur e  E x tr ac t i o n Da t a b a s e Ve r i f i c a t i o n Ve r i f i c a t i o n N o r m a liz e d  E u c l i d ea n   D i st an ce Met h o d Re s u l t au tho r i z ed / unau tho r i z ed     2.2  Segmenta tio n  of Palmprint ROI   This  pap er  used ne w te ch n i que to  extract the ROI i s   called two  ste p s in  mom ent  cent ral  method. The  main prin cip l e of this me thod is to  fix the locatio n  of the moment cente r  which   improve s  the  palm ce nter point locatio n  [1]. T he first step i s  to determin e  the ce nter p o i nt  moment s  ( , )  in the binary image by usi ng equatio n (1). Otsu me thod has be en use d  to   binary ima ge  [12]. Where  ( , )  represents  cente r  of are a  is define d  a s  Equation 1.      1  ,   1    (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 9 30       Palm print Verification Usin g Tim e  Series Method  (Ag u s Anwar)  751 Whe r e  N rep r esent nu mb er of pixel s   obje c t. T he centroid  of the se gmente d  binary ima g e  is  comp uted  an d ba sed  on  th is  centroid th e ROI of g r ay scale p a lmp r i n t image  can  be  cro p pe d with   size 128x1 2 8  and 64x64 pi xels.    2.3 Palmprint  Normalization   The n o rm alization p r o c e s s i s  ne ede d  to re du ce t he p o ssible   imperfe ction s  in the  palmp rint im age d ue to  n on-u n iform  ill umination  [1 4]. The n o rm alizatio n met h od e m ploye d  in  this re sea r ch  using eq uati on (2 ). Whe r e  I  and  I’  represent origi n al grayscal e palmp rint ima g e   and the no rm alize d  image  respe c tively,  ϕ  and  ρ   rep r ese n ts me an  and varia n ce of the origi n al  image rep e cti v ely,  while  ϕ d  and  ρ d  a r e t he  d e si red  value s  for me an an d vari a n ce  re sp ectiv e ly.  This re sea r ch  use  ϕ d  = 1 75 an d  ρ d  =  175  fo r all  experim ents,  and the  re sults a r e  sho w n in   Figure (3 ).  ′ ,      ,           (2)    ,    (3)                 a                          b                        c    Figure 3. (a, b, c) Norm alization results with  ϕ d  = 175 a nd  ρ d  = 175       Figure 4. Use  Spiral as the  Feature Sequ ence  Extrac tion Track      2.4  Palmprint Fe ature Ex tra c tion  For time se ri es re pre s e n tation purpo se, ROI squa res is de com p osed into seque ntial  data. In this rese arch  we a dopt a spi r al  as t he tra c k for de com p o s i t ion. The pol a r eq uation o f  a   spiral equ atio n 4 [12].       (4)   Whe r e a i s  set to 0.7. Features  are extract ed al ong t he spi r al (Fig ure 4 ) . Many kind s of   local textural  feature s  ca n be use d  here ,  such a s  intensity, varian ce, and cro s s co rrelation.  In   this pap er, we use g r ay le vel intensity.    ′      (5)   For  ea ch p o i n t on the  spi r al, the l o cal  textural featu r e extracte d to form th e d a ta seque n ce  S  whi c h  usually ha s a  quite  h i gh dim e n s io n a s   sho w on   i n  Figu re  5  (a). This l e ad s t o  computatio nal   heavy enou g h , we ad opt  block wi ndo w metho d  to solve this  probl em (Eq u ation 5 ) . Data  seq uen ce   repres entation into   usin g  block  wind ow metho d . Figure 5 (b) sh ow the  norm a lized fe ature s  usi ng  block wi ndo w method.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  749  – 758   752   (a)       (b)     Figure 5. (a)  Data Sequ en ce of Featu r e  Extrac tion, (b) Data Se qu ence of Featu r e No rmli zati on  with Block Wi ndo w Method       2.5 Matchin g     Matchin g  bet wee n  the te st  image  with t he refere nce  image  usin g  Normali z ed E u clid ean  Dis t ance [14]:    ̅ ,  ̅   (6)   ‖ ‖   ‖ ‖   (7)   with  u  and  v  is a vecto r  of traits characteri stic  of  test imag es a nd the refe re nce im age. T h e   smaller  ̅ ,  sco re, the more  simila r two fe ature ve ctors are mat c he d ,  otherwi se t he high er  the sco r e, th e mo re  different the  two  chara c te rist i c   vectors. To  d e termin e  whe t her th e te st i s   a   valid image  (genui ne)  or i n valid (Imp oster) u s e d  a  th reshold val u e .  When  the di stan ce  (sco re ) i s   smalle r than  the thresh ol d value then  the user  i s  said to be a u thori z ed, if large r  then said  unauth o ri zed use r s.       3. Resul t s  and  Analy s is   Verificatio n  system whi c h  made a bout  500 ima g e s  were teste d  usin g the pal m of the   hand bel ong s to 50 people ,  each pe rso n  rep r e s ente d  10 sam p le image s palm s . Six of  the 10  sampl e s  we re use d  a s  test image s, while 4 imag e use d  for the  referen c e im age. Te sting  the  su ccess rate  of  syste m   verification  i s  do ne  by  han d  f o r  valu e  F M R (Fal se Mat c h Rate ),  F N MR   (Fal se Non Match Rate),  and EER (Equal Error Ra te). FMR is the matchin g  error when  the   system i s  co nsid ere d  a d i fferent imag e with the re feren c e ima g e  is a sampl e  image of t he  partici pant s b e long to the  same  han d. FNM R  is  the  matchin g  error when the  system a s su mes  the same  refe ren c e  imag e  with the  sam p le ima ge i s  the ima g e  of t he h and  bel o ngs to a  different  partici pant. EER is the erro r rate when F N MR  = FM R.  The same m a tchin g  sco r e  (gen uine  score )  obtain e d  from matchi ng the sa mpl e  image   with all the f eature s  of th e refe ren c e i m age t hat h a ve the sam e  identity. Di fferent match i ng  score s  (im p o s ter  score )  o b tained by m a tchin g  the sample ima g e  with all the referen c e im a g e   that has a different ide n tity.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Palm print Verification Usin g Tim e  Series Method  (Ag u s Anwar)  753 3.1  Number o f  Refer e nce T e s t   This te st is u s ed to an alyze accuracy o f   the system again s t the n u mbe r  of ref e ren c e s   that use  in th is sy stem. Databa se  size  that us e d  in t h is te st is  50  parti cipant s  with ROI 64x 64  pixels an d 12 8x128 pixel s . Table 1 an d 2  sho w s the  re sult of this test.      Table 1. Nu m ber of refe ren c e test with  ROI 64x64 pixels  Number of  Reference   Treshold   FNMR (%)   F M R  (% )  Accur a cy   (%)   1 0.037   11.00   2.33  86.67   2 0.037   8.00  2.88  89.12   3 0.033   7.33  1.37  91.29   4 0.033   6.33  1.59  92.07       Table 2. Nu m ber of refe ren c e test with  ROI 128x128 p i xels  Number of  Reference   Treshold   FNMR (%)   F M R  (% )  Accur a cy   (%)   1  0.040   4.00  2.28  93.72   2  0.036   3.67  0.82  95.51   3  0.036   2.33  0.92  96.75   4  0.036   1.67  1.00  97.33           Figure 6. System accuracy  again s t num ber of refe ren c e       Table 1  and   2 ca n be  pre s ente d  with  a  cha r t a s  sho w n in  Figu r 6.  Line  with dot  mark in   Figure  6 sho w s syste m   a c curacy with ROI  64x64 pi xels a nd lin e  with tria ngle  system  accu racy  with ROI 128 x128 pixels.  Figure 6 sho w s th at  the system accu ra cy increa se s  along  with th e  numbe r of ref e ren c e s  in da tabase.    3.2  Databa se Size Tes t ing   This te st i s   usin g vari ou s datab ase  si ze, they a r e  15, 25  an d  50 p a rti c ipa n ts. The   system  wa s  tested  with 4  referen c e s . Re sult of thi s  test i s  sho w n in fig u re  7 - 12  with t he  followin g  note :  FNMR is  sh own by a blu e  line and FM R is sho w n b y  a red line.    3.2.1  Sy stem accu rac y  against 15 particip a n ts   There are 3 d a taba se with  15 parti cipa nts.  Figure 7 an d Figure 8 sh ows simul a tio n   system  with 1 5  partici pant s.    70 75 80 85 90 95 100 1234 A ccurac y  (% ) Number of Reference(s) Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  749  – 758   754   Figure 7. Gra ph FNM R /FM R  agai nst 15  partici pant s ROI 64 x 64 (a) databa se 1, (b)  databa se 2, (c) data b a s e 3         Figure 8. Gra ph FNM R /FM R  agai nst 15  partici pant s ROI 128 x 128 (a) d a taba se  1,  (b) d a taba se  2, (c) d a taba se 3      1.  Testing  the  system on  dat aba se 1. T h is test  obtai ned  that syste m   accuracy  with  ROI 6 4 x64   pixels i s  9 6 .5 1% at thre sh old value  0.0 35 wi th  F N M R  i s  1.11%  a nd FM R i s  1. 59% (Fi gure  7(a )). while the cu rrent te st is u s ing  ROI 128x128  pixels, the sy stem a c cura cy is 100%   at  tresh o ld valu e 0.003    with  FNM R  0% an d FMR 0% (F igure 8 ( a )).   2.  Testing  the  system on  dat aba se 2. T h is test  obtai ned  that syste m   accuracy  with  ROI 6 4 x64   pixels i s  9 1 .8 2% at thre sh old value  0.0 31 wi th  F N M R  i s  7.78%  a nd FM R i s  0. 32% (Fi gure  7(b )).  while t he current te st is u s in g RO I 128x12 8  pixels, the  system a c curacy is 95.56%   at   tresh o ld valu e 0.036    with  FNM R  4.44%  and FMR 0%  (Figure 8(b)).  3.  Testing  the  system on  dat aba se 3. T h is test  obtai ned  that syste m   accuracy  with  ROI 6 4 x64   pixels i s  9 1 .2 6% at thre sh old value  0.0 33 wi th  F N M R  i s  7.78%  a nd FM R i s  0. 87% (Fi gure  7(c)).  whil e the current te st is  usi ng  ROI  128x12 8  pixels, the  sy stem a c cu racy is 99.2 1 %   at   tresh o ld valu e 0.038    with  FNM R  0% an d FMR 0.79%  (Figure 8(c)).     3.2.2  Sy stem accu rac y  against 25 particip a n ts   There a r e  2  databa se  wit h  15  pa rticip ants.  Fig u re  9 an d Fig u re  10  sh ows  si mulation   system  with 2 5  partici pant s.  1.  Testing  the  system on  dat aba se 1. T h is test  obtai ned  that syste m   accuracy  with  ROI 6 4 x64   pixels is  82.5 8 % at thresh old value 0.0 35 with F N M R  is 5.3 3  % and FM R is  2.08 % (Figu r e  9(a )).  while t he current te st is u s in g RO I 128x12 8  pixels, the  system a c curacy is 97.17%   at   tresh o ld valu e 0.033    with  FNM R  2.67%  and FMR 0.1 7 % (Figu r e 1 0 (a )).   2.  Testing  the  system on  dat aba se 2. T h is test  obtai ned  that syste m   accuracy  with  ROI 6 4 x64   pixels i s  9 2 .8 7% at thre sh old value  0.0 31 wi th  F N M R  i s  6.71%  a nd FM R i s  0. 42% (Fi gure  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Palm print Verification Usin g Tim e  Series Method  (Ag u s Anwar)  755 9(b )).  while  the  curre n t te st is u s ing  ROI 128x 1 28 p i xels,  the syst em  a c curacy is  9 8 .17%  at   tresh o ld valu e 0.036   with  FNM R  0.67%  and FMR 1.1 7 % (Figu r e 1 0 (b )).           Figure 9. Gra ph FNM R /FM R  with 25 p a rticipant s ROI  64 x 64 (a) d a taba se 1, (b ) databa se 2           Figure 10. Graph FNMR/F MR agai nst 2 5  partici pant s ROI 128 x 128 (a ) datab a s e 1, (b )  databa se 2       3.2.3  Sy stem accu rac y  against 50 particip a n ts   There is 1 dat aba se with 5 0  partici pant s. Figure 11 a nd Figu re 12  sho w s simul a tion  system  with 5 0  partici pant s.  Testing the  system on dat aba se with 5 0  parti ci pant s. This test obtained that  system  accuracy  with ROI 6 4 x64  pixels is  92. 07% at  thre shold value  0.033  with FNMR is  6.33  % and   FMR is 1.5 9  % (Figure 1 1 ). while the  current  test  is usi ng ROI 128x128 pix e ls, the syst em   accuracy is 9 7 .33%   at tre s hold value 0. 036 with F N MR 1.67 % a nd FMR 1.0 0  % (Figure 12).    3.2.4  Comparis on of the a ccur a c y  s y stem  Comp ari s o n  of the accura cy system wit h  va riation da tabase si ze can be se en in  Table 3   for ROI 64x6 4  pixels an d  Table 4 for ROI 128x12 8 pixels, whil e its gra phics are sh own  in     Figure 13.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  749  – 758   756     Table 3. System perfo rma n ce  with RO I  64x64 pixel s  on variou s da tabase zi se   Database  size   (in user)   DB  Treshold   FNMR   FMR   Accur a cy   Ti me  (second)   15  1  0.035  1.11  2.3  96.59  6.36  15  2  0.031  7.87  0.32 91.82  6.40  15  3  0.033  7.87  0.87 91.26  6.45  25  1  0.035  5.33  2.08 92.58   16.66   25  2  0.029  6.71  0.36 92.93   17.41   50  1  0.033  6.33  1.59 92.07   61.51       Table 3  sho w s the  re sult  an avera ge  accuracy  of  92.87% with  a maximum  matchin g  time on  testing  50  p a rticip ants i s  61.51   se co nds. V e rifi c a t i on  sy st em   can  be   said  t o  b e  v e ry   f a st  matchin g  of time less than  1 se con d  on  each parti cip ant .      Table 4. System perfo rma n ce  with ROI  128x12 8 pixe ls on vaiou s  d a taba se zi se   Database  size   (in user)   DB  Treshold   FNMR   FMR   Accur a cy   Ti me  (second)   15  1  0.03  0  0  100  6.38  15  2  0.036   4.44  0  95.56   6.40  15  3  0.038   0  0.79  99.21   6.45  25  1  0.033   2.67  0.17  97.17   17.11   25  2  0.036   0.67  1.17  98.17   16.82   50  1  0.036   1.67  1  97.33   65.40       Table 4  sho w s the  re sult  an avera ge  accuracy  of  97.90% with  a maximum  matchin g  time on  testing  50  p a rticip ants i s  65.40   se co nds. V e rifi c a t i on  sy st em   can  be   said  t o  b e  v e ry   f a st  matchin g  of time less than  1 se con d  on  each parti cip ant.  Figure 13  sh own  both  ROI 64x64  an d 128x1 28,  t he pe rforma nce  (a ccuracy) of the  system is  rel a tively stable  although si ze of dat aba se increa sed,  its m ean that  system is n o t  affected by si ze or d a taba se or num ber  of particip ant s.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Palm print Verification Usin g Tim e  Series Method  (Ag u s Anwar)  757     Figure 13. Co mpari s o n  of system accu ra cy      4.    Con c lusi on   Based  on  the  experi m ental  re sults, th e p a lmpr i n ts bio m etrics  ve rification system has  the   best p e rfo r m ance on  the  ROI of 1 28x1 28 pixel s , proved value  F N MR/F MR  sy stem i s  small  or  has  a high  degree of  accuracy,  with an a ccu ra cy of rat e  app roxima tely 97.33% or    FNM R =1.67 %  and FM R=1%. Hig h  p e rform a n c e  obtaine d in this  study is  also  due to  the  prep aration p r ocess of the  sepa ratio n  o f  the pr o c e ssi ng of palmp ri nt with two  steps in m o me nt  central m e th od a nd im ag e inten s ity n o rmali z atio n palms. The  verification   system  is  hig h ly  feasibl e  to d e v elop in th e d i rectio n of a n   onli ne  syste m  and  applie d t o  sp ecifi c  a p p licatio n field s ,  su ch a s  att enda nce sy stems ap plica t ions, m edi cal  re co rd s appli c ation, se curity  sy st e m   appli c ation s , foren s i c  appli c ations, an d other ap plicatio ns.       Referen ces   [1]    I Ketut Gede  Darma P u tra,  Erdia w a n . H i g h  Perf orma nce  Palmpr int Ide n tificatio n  S y st em Base d O n   T w o D i mens io nal Gab o r.  T E LKOMNIKA Journal of Electric al Eng i ne eri ng.   2010; 8(3): 3 0 9 -31 8 .  [2]    Shu W ,  Z hang  D. Automated  Person al Ide n t ification  b y  Pa lmprint.  Optica l  Engi neer in g.  199 8; 37( 8):   235 9 -23 63.   [3]    W u  X Q, Z hang D, W ang K Q. F i sherpalms  Based Pa lmpri n t Recog n itio n.   Pattern Recog n itio n Letters .  200 3; 24:  282 9-28 38   [4]    Kong  W  K, Z h ang  D, L i  W .  P a lmpri n t  F eatur e E x tractio n  us ing  2-D G abor   F ilters.  Pattern  Reco gn ition.   200 3; 36:  233 9-23 47.   [5]    W u  X Q,  W ang K Q, Z h a n g  D. W a ve let  Based  Palm pri n t Rec ogn itio n . Procee din g s  of the F i rst   Internatio na l C onfere n ce o n  Machi ne Le arn i ng a nd Cy bern e tics.  2002; 3:  125 3- 12 57.   [6]    Li W ,  Z hang D ,  Xu Z .  Palmpr in t Identific atio n b y  F ouri e r T r ansform.  Internatio nal J ourn a l of Patte r n   Reco gniti on Ar tifici al Intelligence . 2002; 1 6  (4 ): 417-43 2.  [7]    Z hang D, Shu  W .   T w o Nov e l  Char acteritics i n  Palm pri n t Ve rificatio n : Datu m Po int Invaria n ce an d Lin e   F eature Matchi ng.  Pattern Re cogn ition.  1 998 ; 32: 691-7 02.   [8]    Liu G M,  Z han g D, W a n g  K Q. Palmprint Rec o g n iti on Usi ng E i g enp alms F eat ures.  Pattern  Reco gniti on L e tters . 200. 24: 146 3 – 14 67.   [9]    Duta N, Jain A  K, Mardia  K.V. Matching of Palmprint.  Pattern Recognation Letters.  2002; 2 3 :  477-48 5.   [10]    W u   X, W and K, Z hang D.  F u zz y  Dir ectio nal  El ement E nerg y  F eatur e  (F DEEF ) Based Palm print   Identificati on.  p r ocee din g s 1 6 th  Internation a l  Confer ences  o n  pattern r e cog n itio n,   Queb ec.  200 2; 1: 95- 98.   [11]    I Ketut Darma  Putra, W i ra Bhua na, Erdi a w a n . Pem bent ukan K ode T e lap a k T angan  (Palm Co de)   Berbas is Meto de Gabor 2 D .  MAKARA Jour nal of Technology Serie.  201 1; 15(2): 16 1-1 67.   [12]    Jian S hen g C hen, Yi u Sh an g Moo n , Hoi  W o  Yeun g. Palmpri n t Authe n ticatio n  Usi n g  T i me Series .   Dep a rte m ent o f  Science an d  Engi neer in g T he Chi nese U n iv ersity of Hongk ong . 20 05: 37 6 - 385.   [13]   Darma Putra.  Bineris asi C i tra   T angan d e n g a n  Metode Otsu .   T e knolog i Ele k tro. 2004; 3(2) .  [14]    Darma P u tra. Sistem Verifik a si Men ggu nak an Ga ris- garis  T e lapak T anga n. T e knologi  el ektro. 200 7;   6(2): 46-5 1 .  80 85 90 95 100 105 DB   15.1 D B   15.2 D B   15.3 D B   25.1 D B   25.2 D B   50 64x64   pixels 128x128   pixels Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  749  – 758   758 [15]    Don ggi ng Z ,  Y ubi ng  H, Ve u y u T .  Nonli near /N on-Gauss i an  T i me Series  Predicti on B a s ed  on  RBF - HMM-GMM Model.  T E LKOMNIKA Indo nesi an Jo urn a l  of Electrical   Eng i neer ing.  201 2;10(6): 1 2 1 4 - 122 6.  [16]   Darma Putra.  Sistem Biometr i ka . Yogy ak arta: Andi Offset.  2009: 161- 163.       Evaluation Warning : The document was created with Spire.PDF for Python.