Publisher

UMPPUMPP

Journal Jurnal Surya InformatikaJurnal Surya Informatika Abstract

Steganografi citra merupakan teknik penyembunyian informasi rahasia di dalam gambar digital, berperan penting dalam komunikasi rahasia. Metode Least Significant Bit (LSB) dikenal luas karena kesederhanaan dan kemudahan implementasinya, namun memiliki kelemahan signifikan dalam hal keamanan, khususnya rentan terhadap deteksi melalui analisis statistik. Penelitian ini bertujuan untuk meningkatkan keamanan steganografi LSB melalui integrasi dengan algoritma deep learning Convolutional Neural Network (CNN). Dataset CIFAR-10 digunakan sebagai media eksperimen dengan proses penyisipan data pada bit paling tidak signifikan dari kanal warna citra digital. Evaluasi dilakukan melalui metrik imperseptibilitas seperti Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), serta akurasi deteksi oleh model steganalisis. Hasil eksperimen menunjukkan bahwa integrasi LSB dengan CNN menghasilkan peningkatan nilai PSNR dan SSIM, serta menurunkan tingkat keberhasilan deteksi pesan tersembunyi oleh pihak ketiga. Pendekatan ini berhasil membuat proses penyisipan data lebih adaptif dan sulit dikenali secara visual maupun statistik, sehingga meningkatkan tingkat keamanan dan kerahasiaan dalam komunikasi digital berbasis steganografi.

Conclusion

Integrasi metode Least Significant Bit (LSB) dengan model Convolutional Neural Network (CNN) secara signifikan meningkatkan kualitas dan keamanan teknik steganografi citra digital.Dengan menggunakan dataset CIFAR-10 yang mencakup lima kelas citra (pesawat, mobil, burung, rusa, dan kucing), pengujian terhadap performa model dalam membedakan citra asli dan citra stego menjadi lebih representatif.Hasil evaluasi menunjukkan peningkatan kualitas visual citra stego, dengan PSNR naik dari 48.14 dB (LSB CNN), serta SSIM dari 0.999, yang menunjukkan struktur citra lebih terjaga.Selain itu, model CNN juga menurunkan efektivitas alat steganalisis dalam mendeteksi citra stego, menunjukkan kemampuan penyamaran yang lebih baik.Pendekatan ini dinilai lebih unggul dibandingkan metode LSB tradisional, baik dari segi kualitas maupun ketahanan terhadap deteksi, serta berpotensi untuk pengembangan sistem steganografi yang lebih aman di masa depan.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengembangkan metode steganografi yang lebih canggih, seperti adaptive LSB, teknik domain transformasi seperti DCT atau DWT, serta generative steganography yang berbasis GAN untuk meningkatkan daya tahan terhadap upaya steganalisis. Penggunaan dataset yang besar dan beragam, seperti ImageNet, juga disarankan guna mendukung hasil yang lebih representatif. Selain itu, integrasi arsitektur CNN modern seperti ResNet atau EfficientNet dapat meningkatkan akurasi dalam proses deteksi. Penerapan konsep Explainable AI (XAI) bisa membantu dalam menciptakan sistem yang lebih transparan. Evaluasi terhadap jenis serangan steganalisis terbaru, seperti SPAM dan SRM, penting dilakukan untuk menguji ketangguhan model. Disarankan pula penggabungan teknik enkripsi seperti AES atau RSA guna memberikan lapisan keamanan tambahan.

References

1. Steganalisis Blind dengan Metode Convolutional Neural Network (CNN) Yedroudj- Net terhadap Tools Steganografi... doi.org/10.25126/jtiik.2020703326Steganalisis Blind dengan Metode Convolutional Neural Network CNN Yedroudj Net terhadap Tools Steganografi doi 10 25126 jtiik 2020703326
2. Retracted: Comparative Analysis of Deepfake Image Detection Method Using Convolutional Neural Network... doi.org/10.1155/2023/9767530Retracted Comparative Analysis of Deepfake Image Detection Method Using Convolutional Neural Network doi 10 1155 2023 9767530

Metadata

File size	346.67 KB
Pages	5
DMCA	Report