STEGANALISIS CITRA DIGITAL MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM

DAN K-NEAREST NEIGHBOR

1
Ronny Handoko , Dr. Ir. Bambang Hidayat, DEA. 2, I Nyoman Apraz Ramatryana ST.3
1,2,3Fakultas Teknik Departemen Elektro dan Komunikasi Universitas Telkom
1ronnyhand@gmail.com , 2 bbhtelkom@gmail.com, 3ramatryana@gmail.com
Abstrak
Perkembangan teknologi internet yang sangat pesat membuat komunikasi dan pertukaran informasi antara pihak
pengirim dan penerima menjadi lebih cepat dan mudah. Namun pengiriman data jarak jauh melalui gelombang radio
maupun media lain, terutama media internet, yang digunakan masyarakat luas sangat memungkinkan pihak lain
melakukan penyisipan data rahasia yang seharusnya tidak dikirimkan. Perlu disadari bahwa banyak sekali ancaman
terhadap keamanan dan kerahasiaan data yang akan mengganggu kita. Jumlah penyusup (hacker) dan perusak
(cracker) yang menyalahgunaan teknik steganografi ini semakin besar dalam melakukan komunikasi rahasia antar
teroris atau kriminal. Untuk itu, telah dikembangkan ilmu untuk mendeteksi steganografi, yaitu steganalisis.
Steganalisis merupakan suatu teknik yang digunakan untuk mendeteksi keberadaan pesan tersembunyi yang
dihasilkan dari steganografi.
Dalam tugas akhir ini telah disimulasikan mengenai steganalisis dengan jenis blind steganlysis dengan
metode yang digunakan adalah Discrete Wavelet Transform dengan klasifikasi KNN (K-Nearest Neighboor) yang
dapat mendeteksi pesan atau objek tersembunyi pada suatu data yang telah dilakukan proses steganografi. Data yang
digunakan berupa citra digital dua dimensi dengan format *.bmp dan *.jpeg.
Dari hasil pengujian sistem steganalisis yang telah dibuat mampu mendeteksi keberadaan pesan rahasia
dengan hasil akurasi total sebesar 92.91 %. Sistem ini juga mampu membedakan antara citra yang merupakan stego
dan citra yang bukan stego.
Kata Kunci: Steganalisis, DWT, KNN.
Abstract
The development of Internet technology makes rapid communication and exchange of information between the
sender and the receiver becomes faster and easier. But long-distance data transmission via radio waves or other
media, especially the internet, which allows public use so others do the insertion of confidential data that should not
be sent. It should be realized that there are many threats to the security and confidentiality of data that would bother
us. The number of intruders (hackers) and destroyer (cracker) that abuse steganographic technique is getting bigger
in conducting secret communications between terrorists or criminals. To that end, it has developed the science of
detecting steganography, which steganalisis. Steganalisis is a technique used to detect the presence of hidden
message of steganography.
In this final project, have been simulated on the type of blind steganlysis that can detect objects hidden
messages with the method used is DWT (Discrete Wavelet Transform) and the classification used KNN (K-Nearest
neighboor). The data used in the form of two-dimensional digital image format *. Bmp and *. Jpeg.
From the test results that have been done, steganalisis system able to detect the existence of secret message
with the results overall accuracy is about 92.91%. The system is also able to distinguish between a stego image and
stego image instead.
Keyword: Steganalisis, DWT, KNN.
1.

Pendahuluan
Dengan semakin berkembangnya teknologi,
maka semakin pentingnya arti sebuah informasi.
Adanya internet sebagai media penyebaran maka
informasi semakin mudah untuk didapatkan.
Steganalisis adalah seni dan ilmu untuk mendeteksi
pesan rahasia yang tersembunyi dengan menggunakan
steganografi[1].

Sebelumnya telah dilakukan penelitian

tugas akhir tentang steganalisis antra lain :
Pada tahun 2013 oleh M. Akbar Tantu ST., dengan
judul Simulasi Dan Analisis Teknik Steganalisis
Domain DWT Meggunakan Metode UjiChi
Square. Pada tahun 2013 oleh Nailah Arifah ST.,
dengan judul Steganalisis Pada Citra Digital
1

Dengan Format Jpeg Menggunakan Uji Chi-Square.

Pada penelitian steganalisis sebelumnya hanya
dapat mendeteksi data stego dengan metode
steganografinya adalah LSB. Sedangkan pada tugas
akhir saya ini telah disimulasikan teknik steganalisis
pada media citra digital dua dimensi dengan
menggunakan metode DWT (Discrete Wavelet
Tranfrom) dan KNN (K-Nearest Neighbor) yang
mampu mendeteksi keberadaan stego yang dihasilkan
dari berbagai metode steganografi seperti LSB, DWT,
DCT dan software steganografi lainnya seperti silent
eye dan auth stego tool. Ciri statistik yang digunakan
adalah mean, standar deviasi, skewness, dan kurtosis.
KNN digunakan sebagai pengklasifikasi untuk
membedakan citra stego dan citra bukan stego.
2.
2.1

Dasar Teori
Pengenalan Steganografi
Steganografi merupakan seni penyembunyian
suatu pesan ke dalam pesan lainnya dengan syarat hasil
penyisipannya tidak terdeteksi secara kasat mata.

2.2

Steganalisis
Steganalisis merupakan suatu teknik yang
digunakan untuk mengungkapkan keberadaan pesan
tersembunyi atau tersamar dari steganografi.
2.3
Citra Digital
Citra digital adalah citra kontinyu yang diubah
ke dalam bentuk diskrit, baik koordinat maupun
intensitas cahayanya [5]. Dengan kata lain, citra digital
dibuat dengan cara mencuplik suatu citra kontinyu
dengan jarak seragam. Suatu titik terkecil pada suatu
citra digital sering disebut sebagai picture element atau
piksel.

Citra RGB
Citra RGB (Red Green Blue) merupakan citra
digital yang setiap pikselnya tersusun dari kombinasi
tiga warna dasar yaitu merah, hijau, dan biru. Setiap
warna dasar mempunyai rentang nilai dari 0 sampai
255 [7]. Pemilihan skala 256 ini didasarkan pada
penggunaan 8 digit bilangan biner dalam mesin
komputer,sehingga akan diperolah warna total
sebanyak 16.777.216 warna[7].

2.4

Citra Grayscale
Citra grayscale merupakan citra digital
yang hanya memiliki satu nilai kanal pada setiap
pixelnya [7], dengan kata lain nilai bagian merah =
hijau = biru. Nilai tersebut digunakan untuk
menunjukkan tingkat intensitas. Warna yang
dimiliki adalah warna dari hitam, keabuan, dan
putih. Tingkatan keabuan di sini merupakan warna
abu dengan berbagai tingkatan dari hitam hingga
mendekati putih.

Gambar 2.2 Grayscale[7]

2.5

Discrete Wavelet Transform (DWT)

adalah dekomposisi suatu citra pada
frekuensi subband citra tersebut. Prinsip dasar dari
DWT adalah bagaimana mendapatkan representasi
waktu dan skala dari sebuah sinyal menggunakan
teknik
pemfilteran
digital
dan
operasi
[2]
subsampling . Implementasi DWT dapat dilakukan
dengan cara melewatkan sinyal frekuensi rendah
(LPF) dan frekuensi tinggi (HPF) dan melakukan
down sampling pada keluaran masing-masing filter.
Proses ini disebut sebagai proses dekomposisi satu
tingkat.
Proses dekomposisi pada sebuah citra akan
menghasilkan empat subbidang citra dari citra asli,
dimana keempat subbidang citra tersebut berada
dalam kawasan wavelet. Keempat subbidang citra
tersebut adalah Low-Low (LL), Low-High (LH),
High-Low (HL) dan High-High (HH).
2.6

Statistik Deskriptif
Statistik deskriptif adalah usaha penjelasan
arti secara fisis (bentuk) atau gambaran tentang
karakteristik data agar dapat dengan mudah
dipahami oleh pihak lain [4]
2.6.1
Mean
( )

2.6.2

Deviasi Standar
( )

2.6.3

( ))

(2.4)

Skewness
( )

Gambar 2.1 RGB

(2.3)

( )

( ))

(2.5)

[7]

Skewness merupakan derajat ketidaksimetrisan suatu

distribusi.
Skewness
menunjukkan
tingkat
kemencengan relatif kurva waveform suatu sinyal.
2.6.4 Kurtosis
kurtosis merupakan keruncingan dari sebuah
distribusi.
( )

( )

( ))

(2.6)

2.7

K-Nearest Neighbor (KNN)

Klasifikasi KNN merupakan proses untuk
menemukan model atau fungsi yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas dari suatu objek yang
labelnya tidak diketahui [1].
2.7.1
Algoritma KNN
Prinsip kerja K-Nearest Neighbor (KNN)
adalah mencari jarak terdekat antara data yang akan
dievaluasi dengan K tetangga (neighbor) terdekatnya
dalam data pelatihan.
Start KNN

Input data testing

Data
Sampel

Tetapkan nilai K

Hitung Jarak Euclidian

di

x
i 1

x1i

2i

Mengurutkan data berdasarkan

jarak euclid terkecil
Pilih alternatif terbanyak

Menentukan kelompok
data uji berdasarkan label
mayoritas pada K

End

Gambar 2.4 Diagram Alir KNN[6]

3.
3.1

data citra stego hasil suatu sistem steganografi yang

menggunakan metode atau algoritma tertentu dalam
proses penyisipan informasi ke dalam objek citra
tersebut sehingga dihasilkanlah data citra stego.
Pengumpulan data citra digital steganografi ini
berformat *.bmp
dan *.jpeg. Diambil dari
Laboratorium PSD (Pengolahan Sonyal Digital) dan
ada yang dihasilkan dari keluaran program
steganografi, program yang dimaksud yaitu Auth
Stego Tool dan Silent Eye.
2. Preprocessing
Merupakan proses data citra stego tersebut
ditransformasikan dari citra RGB ke citra Gray /
keabuan.
3. Ekstraksi Ciri
Untuk menghasilkan ciri dari suatu data citra stego,
ditransformasikanlah dari domain waktu ke domain
frekuensi dengan metode Transformasi wavelet
diskrit dan statistika deskriptif yaitu mean, standar
deviation, kurtosis, dan skewness.
4. Klasifikasi
Proses klasifikasi menggunakan metode KNN
dengan nilai k yang ditetapkan dalam sistem
steganalisis.
Hasil
klasifikasi
ini
adalah
pengelompokan citra uji ke kategori stego atau non
stego.
5. Verifikasi
Setelah itu akan dilakukan verifikasi terhadap hasil
klasifikasi dari KNN dan didapat keluaran sistem
untuk menguji akurasi dari sistem steganalisis yang
telah dibuat
3.2
Perancangan Data Latih dan Data Uji
Gambaran desain perancangan steganalisis
yang akan digunakan sebagai berikut :

Perancangan dan Implementasi

Konfigurasi Umum Sistem
Data Citra
Steganografi

Mulai

Mulai

Citra
Latih

Citra Uji

Preprocessing

Preprocessi
ng

Preprocessing

DWT
Ciri Latih

DWT

Ektraksi Ciri

Ciri Uji
Pembanguna
n Model KNN

Ciri

Model
KNN
Hasil
Latih

Uji KNN

Klasifikasi KNN

Selesai

Verifikasi

Verifikasi

Hasil
Hasil

Selesai

Gambar 3.1 Blok diagram secara umum

Sistem steganalisis secara

dijelaskan sebagai berikut :
1. Data Citra Steganografi

umum

dapat

Gambar 3.2 Flow chart data latih dan data uji

Pre processing
Preprocessing dilakukan dengan mengubah
citra digital RGB menjadi citra keabuan (gray).
Tujuannya adalah memudahkan dalam mengeolah
nilai matriks citra yang hanya terdiri satu layer saja
3.3

Gambar 3.3 Citra RGB

masing masing terhadap data latih dan data uji.

Dengan langkah langkah sesuai diagram alir pada
Gambar (2.4)
Dengan algoritma KNN sebagai berikut [6] :
1. Mentukan parameter k
2. Menghitung jarak antara data yang akan
diujikan dengan data latih yang sudah
disimpan sebelumnya
3. Mengurutkan nilai jarak yang terbentuk
(urut naik)
4. Menentukan jarak terdekat sampai urutan k
5. Mengelompokkan berdasarkan kelas yang
bersesuaian
6. Mencari jumlah kelas dari tetangga yang
terdekat dan tetapkan kelas tersebut
sebagai kelas data yang akan diverifikasi
3.6

Gambar 3.4 Citra Gray

3.4
Ekstraksi Ciri
Tahapan ini merupakn proses untuk mendapatkan ciri
sebelum melakukan proses klasifikasi. Pada tahapan ini
dilakukan proses DWT sebelum dilakukan ekstraksi
ciri menggunakan ciri statistik yaitu mean, deviasi
standar, skewness dan, kurtosis.

Graphical User Interfaces (GUI)

Graphical User Interfaces (GUI) dibuat
menggunakan software MATLAB 8.0.0.783.
(R2012b) dan bertujuan untuk melakukan simulasi
steganalisis citra berbasis Discrete Wavelet
Transform dan melihat parameter dan akurasi
sistem.

3.4.1

Domain DWT
Pada citra asli dan citra stego dilakukan
ekstraksi ciri menggunakan metode Discrete Wavelet
Transform (DWT). Tujuan dari proses ini adalah
mentransformasikan sinyal tersebut dari domain waktu
ke domain frekuensi dengan diikuti skala waktu juga.

Gambar 3.6 GUI steganalisis citra digital metode DWT dan

KNN

3.7

Gambar 3.5 Output DWT

3.4.2

Proses Ciri Statistik

Setelah dilakukan proses DWT, maka
dilakukan ekstraksi ciri statistik. Ekstraksi ciri statistik
yang digunakan, antara lain mean, standar deviasi,
skewness dan kurtosis. Ciri statistik tersebut digunakan
untuk menghitung banyak ciri pada domain DWT.
3.5
Klasifikas KNN
Untuk satu kali proses running sistem
steganalisis, klasifikasi dilakukan sebanyak dua kali,

Performansi Sistem
Pengujian dilakukan untuk mengetahui
performansi dari sistem sehingga dapat diketahui
kelebihan dan kekurangan sistem.
3.7.1
Akurasi Sistem[2]
Akurasi merupakan ukuran ketepatan
sistem dalam mengenali masukan yang diberikan
sehingga menghasilkan keluaran yang benar.
Secara matematis rumus akurasi dituliskan sebagai
berikut :
(3.1)

4.
4.1

Pengujian dan Analisis Sistem

Perangkat Pendukung
Dalam implementasi sistem steganalysis ini,
dibutuhkan beberapa perangkat keras dan perangkat
lunak yang digunakan untuk simulasi dan analisis
sistem, yaitu:
4.1.1
Spesifikasi Perangkat Keras (Hardware)
Perangkat keras yang akan digunakan pada
penelitian tugas akhir ini adalah sebuah notebook
dengan spesifikasi sebagai berikut :
o Merk dan seri : HP Pavilion g4;
o Prosesor : Intel Core i7-3610 QM CPU
@ 2.1 GHz;
o Memori RAM : 4 GB.
4.1.2
Perangkat Lunak (Software)
Perangkat lunak yang digunakan antara lain:
1.Sistem Operasi Windows 7 Ultimate 32 bit;
2.MATLAB 8.0 (R2012b) sebagai perangkat
simulasi;
3.Microsoft Excel sebagai program pengolah data
hasil analisis sistem.
4.2

Parameter Pengujian Sistem

Pada tahap pengujian terdapat beberapa

parameter yang digunakan yaitu :
4.2.1
Jenis Metode Data Citra Stego
Jenis metode data citra stego maksudnya
adalah data citra stego hasil suatu sistem steganografi
yang menggunakan metode atau algoritma tertentu
dalam proses penyisipan informasi ke dalam objek citra
tersebut sehingga dihasilkanlah data citra stego. Jadi
data citra stego yang didapat ini terdiri berbagai macam
hasil keluaran sistem steganografi, dan penulis tidak
membuat sistem steganografi ini.
Metode steganografi yang akan diujikan
antara lain auth stego tool, silent eye, F5, LSB, domain
DCT dan DWT.
Auth Stego Tool
merupakan program untuk steganografi, dengan
algoritma yang digunakan adalah
LSB dengan
ditambahkan enkripsi RSA dan adanya kompresi data.
Silent Eye
merupakan program untuk steganografi, dengan
algoritma yang digunakan adalah
LSB dengan
ditambahkan enkripsi AES.
F5
merupakan program untuk steganografi, dengan
algoritma yang digunakan adalah F5, Algoritma F5
menanamkan bit pesan secara acak yang dipilih dari
koefisien DCT dan menggunakan matriks yang

meminimalkan jumlah yang diperlukan perubahan

untuk menanamkan pesan panjang tertentu.
LSB
Least Signifikan Bit, merupakan algoritma
peniyisipan data ke dalam objek steganografi
dengan bagian dari barisan data biner (basis dua)
yang mempunyai nilai paling tidak berarti/paling
kecil. Letaknya adalah paling kanan dari barisan bit.
DCT
Discrete Cosine Transform, merupakan domain
waktu yang digunakan dalam penyisipan data ke
dalam objek steganografi sehingga merupakan
salah satu metode dalam steganografi.
DWT
Domain Wavelet Transform, tidak hanya dalam
sistem steganalisis yang dibuat penulis tapi
metode ini juga digunakan dalam proses
steganografi.
4.2.2
Perincian Data dalam Pengujian
Data keseluruhan dalam setiap pengujian
berjumlah sebanyak 80 buah. Maksudnya adalah
proses pengujian dengan setiap skenario
menggunakan data total keseluruhan saat itu adalah
80 buah dengan rincian sebagai berikut:
Data Latih = 40 buah
yang terdiri atas : data asli = 20 buah
data stego = 20 buah
Data Uji = 40 buah
yang terdiri atas : data asli = 20 buah
data stego = 20 buah
4.2.3

Perhitungan Persentase Akurasi

Persentase akurasi dihitung dari data uji
stego yang dideteksi benar merupakan stego dengan
semua data uji stego yang diujikan.
Dari 20 buah data stego dengan metode
steganografi tertentu, setelah dilakukan pengujian
didapatkan akurasi sebesar 90%, artinya data stego
yang benar dideteksi stego sebanyak 90% x 20 = 18
buah data.
4.2.4
Analisis Data Hasil Pengujian Sistem
Berdasarkan 3 parameter pengujian pada
sistem steganalisis di atas, dibuatlah 4 skenario
pengujian terhadap sistem steganalisis sebagai
berikut.
4.2.5
Pengujian dengan perbedaan level DWT
Pengujian dilakukan dengan mengubah level
dari DWT pada metode steganalisis. Variasi level
DWT yang diujikan ada 3, level-1, level-2 dan
level-3. Pengujian yang dilakukan terhadap masingmasing metode algoritma steganografi. Informasi
5

yang disisipkan di dalam data steganografi berupa

karakter teks dan memiliki panjang yang sama untuk
semua yang diujikan yaitu 31 karakter, karakter
tersebut
antara
lain
sayasedangmengerjakantugasakhir. Dengan tujuan
agar tidak ada pengaruh perbedaan panjang pesan
terhadap hasil sistem steganalisis.
Tabel 4.1 Nilai akurasi terhadap level DWT
Data
Stego
dengan
Metode

Panjang
Pesan
(karakter)

DWT
Level-1
(%)

Level-2
(%)

Level-3
(%)

Img
Auth
Tool

31

55

55

50

F5

31

75

75

75

LSB

31

95

95

90

Silent
Eye

31

95

95

90

DWT

31

95

100

100

DCT

31

95

95

90

Hasil
Akurasi
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0

level 1
level 3

level 2

sulit dibedakan antara data non stego dengan data

stego. Sementara hasil akurasi tertinggi didapat
pada data stego dengan metode steganografi DWT,
yaitu 100 % dengan DWT level-2 dan level-3.
Dengan penggunaan level-1 dan level-2 DWT hasil
akurasi yang didapat lebih tinggi daripada
penggunaan level-3 DWT. Hal ini dikarenakan
semakin tinggi level DWT yang digunakan, citra
output DWT akan semakin buruk dan tidak jelas,
namun untuk steganografi DWT tingkat akurasi
justru makin meningkat. Hal ini disebabkan karena
ada batas tertentu untuk level DWT yang
memberikan ciri dari detil dan aproksimasi terbaik
terhadap masing-masing metode dari data stego
yang diujikan. Dan dari ketiga level yang diujikan,
performansi optimal terdapat pada saat DWT level2, karena saat diujikan terhadap data stego
bermetode DWT hasil akurasi mencapai maksimum
yaitu 100 %
4.3.6
Pengujian dengan variasi nilai k pada
klasifikasi KNN
Pengujian dilakukan dengan mengubah nilai k dari
klasifikasi KNN yang digunakan terhadap masingmasing metode algoritma dari data steganografi.
Nilai k yang diujikan adalah bilangan ganjil dari 1
s/d 9. Pemilihan nilai k harus merupakan bilangan
ganjil dari 1 s/d ~. Informasi yang disisipkan di
dalam data steganografi berupa karakter teks dan
memiliki panjang yang sama untuk semua yang
diujikan yaitu 31 karakter dengan karakter berupa
sama dengan pengujian (4.3.1).
Tabel 4.2 Tingkat Akurasi dari variasi nilai k
Data
Stego
dengan
Metode

Img Auth
Tool

F5

LSB

Silent
Eye

DWT

Gambar 4.1 Pengaruh Level DWT Pada Hasil Akurasi

Dari hasil pengujian yang ditunjukkan dalam

tabel dan grafik, level DWT yang berbeda akan
mempengaruhi performansi dari sistem pendeteksian.
Dari data uji stego dengan metode steganografi, hasil
akurasi paling rendah terdapat pada data stego dengan
metode auth stego tool, yaitu 55% dengan DWT level1. Hal ini disebabkan metode ini menggunakan
algoritma yang sangat handal dalam proses penyisipan
info nya. Dengan adanya enkripsi dan kompresi maka

Nilai k
1

karak
ter

(%)

(%)

(%)

(%)

(%)

Img Auth
Tool

31

50

50

55

55

60

F5

31

70

75

75

75

75

LSB

31

90

95

95

95

95

Silent Eye

31

90

95

95

95

95

DWT

31

95

100

100

100

100

DCT

31

95

95

95

95

95

DCT

Jenis Metode Data Uji

Pan
jang

Hasil
Akurasi
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0

nilai k = 1

nilai k = 3

nilai k = 5

nilai k = 7

Tabel 4.3 Variasi karakter

Panjang
Karakter yang disisipkan
Karakter
1
f
10

fotografer

50

fotograferfotograferfotograferfotograferfotografer

100

fotograferfotograferfotograferfotograferfotografer
fotograferfotograferfotograferfotograferfotografer

Img Auth
Tool

F5

LSB

Silent Eye

DWT

DCT

Jenis Metode Data Uji

Gambar 4.2 pengaruh nilai k terhadap akurasi sistem

Dari hasil pengujian yang ditunjukkan dalam

tabel dan grafik, penggunaan nilai k yang berbeda
mempengaruhi performansi dari sistem pendeteksian.
Dari data uji stego dengan metode steganografi, hasil
akurasi paling rendah terdapat pada data stego dengan
metode auth stego tool, yaitu 50% dengan nilai k = 1.
Hal ini disebabkan metode ini menggunakan algoritma
yang sangat handal dalam proses penyisipan info nya.
Dengan adanya enkripsi dan kompresi maka sulit
dibedakan antara data non stego dengan data stego.
Sementara hasil akurasi tertinggi didapat pada data
stego dengan metode steganografi DWT, yaitu 100 %
dengan nilai k = 9. Hal ini dapat terjadi dikarenakan
semakin tinggi nilai k yang digunakan, jarak tetangga
antara data yang diujikan akan semakin dekat ke
klasifikasi stego, maka hasilnya akurasi pun semakin
tinggi. Namun hasil performansi yang optimal adalah
pada saat k = 3, karena terjadi perubahan hasil akurasi.
4.3.7
Pengujian dengan variasi panjang karakter
yang disisipkan
Pengujian dilakukan dengan mengubah
panjang karakter yang disisipkan terhadap masingmasing metode algoritma dari data steganografi.
Variasi panjang karakter dimulai dari 1, 10, 50, dan
100 buah karakter. Pengujian dilakukan dengan level
DWT yaitu level-1 dan nilai k pada klasifikasi KNN
nya adalah 5 untuk semua data yang diujikan.

Tabel 4.4 Tingkat Akurasi dari variasi panjang karakter

Data Stego
Panjang karakter
dengan
1
10
50
100
Metode
(%)
(%)
(%)
(%)
Img Auth
0
25
50
55
Tool
F5

35

75

75

LSB

45

95

95

Silent Eye

45

95

95

DWT

50

100

100

DCT

40

95

95

Hasil
100 Akurasi
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0 Img Auth
Tool

panjang karakter

F5

LSB

Silent
Eye

DWT

10

DCT

Jenis Metode Data Uji

Gambar 4.3 Pengaruh panjang karakter terhadap akurasi

Dari hasil pengujian yang ditunjukkan

dalam tabel dan grafik, variasi panjang karakter
mempengaruhi
performansi
dari
sistem
pendeteksian, hasil akurasi bernilai 0 untuk semua
data stego karena penyisipan dengan satu karakter
saja tidak terlalu mengubah nilai statistik dari suatu
data, jadi antara data latih dengan data uji hampir
sama nilai ciri statistiknya. Sehingga tidak
terdeteksi oleh sistem steganalisis. Kemudian
akurasi paling rendah terdapat pada data stego
dengan metode auth stego tool, yaitu 25% dengan
panjang karakter sebanyak 10 buah. Hal ini
disebabkan karena panjang karakter yang disisipkan
tidak memenuhi ukuran minimal penyisipan dari
7

sistem steganografi terhadap suatu file. Dengan ukuran

atau size dari file data latih adalah 200 kB maka nilai
minimal yang telah ditetapkan sistem steganografi
adalah sebesar 20 B atau sekitar 0.01 % dari file
tersebut. Jadi panjang karakter minimal yang harus
disisipkan adalah sekitar 20 karakter (1 karakter ASCII
= 1 Bytes). Dari hasil pengujian dengan panjang
karakter 50 dan 100 buah menunjukkan hasil akurasi
yang bernilai sama, karena sudah melewati batas
minimal dalam penyisipan sehinggan dapat dideteksi
oleh sistem steganalisis.
4.3.8
Pengujian dengan noise pada data uji citra
digital
Pengujian dilakukan dengan menambahkan
noise terhadap setiap data uji asli, yaitu data non stego.
Dengan tujuan untuk membuktikan kehandalan sistem
steganalisis Jenis noise yang diberikan adalah poisson,
salt & pepper, dan gaussian.
Informasi yang
disisipkan di dalam data steganografi juga berupa
karakter teks dan memiliki panjang yang sama yaitu 31
karakter dengan karakter berupa sama dengan
pengujian (4.3.1).
Tabel 4.5 Pengaruh noise terhadap akurasi deteksi
Dideteksi sebagai
Jenis
Noise
Citra asli (%)
70
Poisson
Salt & Pepper
100
Gaussian
100

100
90
80
70
60
50
40
30
20
10
0

Hasil
Akurasi

4.3.9

Total Akurasi Sistem

Total Akurasi dari sistem keseluruhan
dihitung berdasarkan jumlah data asli yang tidak
terdeteksi ada stego ditambahkan dengan jumlah
data stego yang terdeteksi adanya stego. Dengan
perincian sebagai berikut :
Data Uji = 40 buah
yang terdiri atas : data asli = 20 buah
Data stego = 20 buah
Rumus akurasi yang digunakan terdapat pada
persamaan (3.1).
Tabel 4.4 Total Akurasi Sistem dari semua metode
yang diujikan
Akurasi
Total

Tidak
terdeteksi stego

Data Uji Stego

Yang
terdeteksi
stego

Img
Auth
Tool

20

11

77.5

F5

20

15

87.5

LSB

20

19

97.5

Silent
Eye

20

19

97.5

DWT

20

20

100

Metode
Stego

Data Uji Asli

(%)

DCT

20

19

97.5

Jumlah

120

103

92.91666667

citra

poisson
salt & pepper gaussian
Jenis Noise pada Data Uji Non Stego

Gambar 4.6 Pengaruh noise terhadap akurasi deteksi

Dapat dilihat dari tabel dan grafik bahwa
penambahan noise pada data citra uji asli tidak
berpengaruh terhadap performansi dari sistem
pendeteksian. Dari Hasil pengujian yang dilakukan data
uji asli dengan noise poisson diperoleh hasil akurasi 70
%, artinya ada beberapa data yang dideteksi stego atau
mengandung sisipan. Sedangkan untuk jenis noise salt
& pepper dan gaussian diperoleh hasil akurasi 100 %.
Hal ini dikarenakan penambahan jenis noise tesebut
tidak berpengaruh terhadap data uji, sehingga sistem
steganalisis tetap dapat mendeteksi bahwa data uji
tersebut adalah data uji asli dan tidak terdapat
penyisipan di dalamnya.

100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0

Hasil
akurasi

Total Hasil Akurasi

Jenis Metode Data Uji

Gambar 4.6 Total Hasil Akurasi

Dari total 120 buah data asli dan stego dengan 6
macam metode steganografi tersebut dan data, telah
dilakukan pengujian didapatkan akurasi sebesar
92.91%.
8

DAFTAR PUSTAKA
5.
5.1

Kesimpulan dan Saran

Kesimpulan
Dari hasil pengujian yang dilakukan pada
tugas akhir ini, dapat disimpulkan sebagai berikut.
1. Sistem yang dibuat mampu mendeteksi keberadaan
pesan rahasia dengan akurasi 92.91 %. Dibuktikan
dengan pengujian terhadap seluruh data uji stego
bermetode steganografi antara lain auth stego tool,
silent eye, F5, LSB, domain DCT dan DWT.
2. Variasi level dalam domain DWT mempengaruhi
akurasi dan performansi sistem dalam proses
pendeteksian keberadaan pesan rahasia. Dan dari
ketiga level yang diujikan, performansi terbaik
terdapat pada saat DWT level-2. Ditunjukkan
ketika data stego bermetode DWT hasil akurasi
sebesar 100 %.
3. Besarnya nilai k yang digunakan mempengaruhi
performansi sistem dalam pendeteksian keberadaan
pesan rahasia. Hal ini ditunjukkan pada saat nilai k
= 3, memberikan hasil akurasi yang terbaik dari
data stego dengan berbagai metode steganografi
yang diujikan.
4. Sistem mampu membedakan antara citra yang
merupakan stego dan citra yang bukan stego.
Penambahan jenis noise noise poisson diperoleh
hasil akurasi 70 %. Sedangkan jenis salt & pepper
dan gaussian tidak berpengaruh terhadap data uji,
dibuktikan dengan diperoleh hasil akurasi sebesar
100 %. Sehingga sistem steganalisis tetap dapat
mendeteksi bahwa data uji tersebut adalah data uji
asli dan tidak terdapat penyisipan di dalamnya.
5.2
Saran
Adapun saran untuk pengembangan tugas
akhir selanjutnya adalah
1. Menggunakan metode statistika lain dalam proses
pendeteksian, misalnya uji korelasi.
2. Menggunakan media lain yang jarang digunakan
sebagai bahan uji, misalnya citra 3 dimensi atau
citra yang digabungkan dengan citra (video).
3. Teknik steganalisis yang digunakan jangan hanya
bersifat pasif, tapi harus bersifat aktif yang dapat
memperkirakan jumlah pesan sisipan, letak pesan
sisipan, serta isi dari pesan yang disisipkan pada
citra.

[1]
Altman, N. S. (1992). "An introduction to
kernel and nearest-neighbor nonparametric
regression". The American Statistician [PDF]
[2]
Bateman,
Philip.
(2008).
Image
steganograpy and steganalysis, Thesis Program
Master, University Of Surrey. [PDF]
[3]
Changxin Liu, Chunjuan Ouyang, Ming
Guo, Huijuan Chen (2010). Image Steganalysis
Based on Spatial Domain and DWT Domain
Features. Second International Conference on
Networks Security, China. [PDF]
[4]
Dajan, A. (1986). Pengantar Metode
Statistik Jilid I. Jakarta: LP3ES.
[5]
Gonzales, Rafael C., (1992). Digital Image
Processing Second Edition, PrenticeHall, New
Jersey. [PDF]
[6]
Junita, Arriawati Asri. (2006). Klasifikasi
Citra
Tekstur
Menggunakan
K-NEAREST
NEIGHBOUR Berdasarkan Ekstraksi Ciri Metode
Matriks Kookurensi [PDF]
[7]
Kadir, Abdul (2012). Teori Pengolahan
Citra. Yogyakarta : Andi.
[8]
Kurniawan, Yosep. (2007) Studi metode
steganalisis
pada stegoimage, Tugas Akhir
Program S1, ITB [PDF]
[9]
Li, Bin dkk. (2010). A Survey on Image
Steganography and Steganalysis. [PDF]
[10]
Li Zhuo, Lu Kuijun, Zeng Xianting, dan
Pan Xuezeng. 2010. A Blind Steganalytic Scheme
Based on DWT and Spatial Domain for JPEG
Images. Journal of Multimedia. [PDF]
[11]
Data file citra digital diperoleh dari :
DSP Laboratory of Telkom University, image
database
http://all-free-download.com/wallpapers/nature/