PERBAIKAN DAN EVALUASI KINERJA ALGORITMA PIXEL- VALUE DIFFERENCING ( PVD) ROJALI

PERBAIKAN DAN EVALUASI KINERJA ALGORITMA PIXEL- VALUE DIFFERENCING ( PVD)

ROJALI

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Perbaikan dan Evaluasi Kinerja Algoritma Pixel Value Differencing (PVD) adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka dibagian akhir tesis ini.

Bogor, Agustus 2009

Rojali NIM G651030074

ABSTRACT

ROJALI. Revision and evaluation of performance Pixel Value Differencing (PVD) algorithm. Under direction of SUGI GURITMAN, and HERU TRIYONO NATALISA. Pixel Value Differencing (PVD) represents one of the algorithms in steganography. This algorithm was found in the year 2003 where some were developed and others were repaired. Based on algorithm of PVD, the main purpose was to obtain the difference between two nearby pixels which were used to count message capacities. This research tried looking for the difference of two nearby pixels, which used PVD algorithm for the bigger area while LSB algorithm was used for the difference of smaller area. This research also developed some tables taken from the existing tables of PVD and LSB. Originally there were only two tables for both small area and big area which was PVD but for now, four tables were created for PVD and four tables were also created for LSB. The study improved PVD algorithm which is called PVDM and evaluated. Results of research show that carrier media characteristic order is very influential to capacity order and picture is distorted when message was inserted. Through PVDM algorithm the quality of good picture between before and after has no significant difference even small distortion occurred. Keyword : Pixel Value Differencing Modified, Performance of Algorithm, Steganograpy, Picture Distortion.

RINGKASAN

ROJALI. Perbaikan dan Evaluasi Kinerja Algoritma Pixel Value Differencing (PVD). Dibimbing oleh SUGI GURITMAN dan HERU TRIYONO NATALISA. Perkembangan teknologi informasi sekarang ini membuat komunikasi menjadi semakin mudah dan luas. Penyampaian pesan melalui internet merupakan sarana komunikasi yang sangat mudah dan efisien. Sejalan dengan hal itu kemunculan dari file-file multimedia yang beraneka ragam memberi pengaruh yang cukup besar dalam kemajuan teknologi informasi ini sehingga memungkinkan seseorang untuk dapat menyampaikan pesan menggunakan filefile multimedia tersebut. Faktor keamanan menjadi penting dalam proses pengiriman data melalui saluran internet. Apabila hal ini diabaikan , maka orang yang tidak berhak akan dengan mudah memanfaatkan data tersebut untuk tujuan tertentu. Jika hal ini terjadi ada dua pihak yang dirugikan yaitu pengirim data dan penerima data. Bertolak dari hal tersebut maka penelitian ini dilakukan dengan menggunakan metode steganografi, yang mengkaji dari kapasitas pesan dan distorsi yang terjadi. Penelitian ini bertujuan untuk melakukan perbaikan algoritma steganografi pixel value differencing (PVD) untuk meningkatkan kapasitas pesan dan meminimumkan distorsi. Steganografi merupakan suatu mekanisme untuk melindungi data. Data yang akan dikirimkan dapat disisipkan melalui media pembawa berupa image , audio files, video files, atau text. Pada penelitian ini media pembawa yang digunakan berupa image bmp 24 bit, sedangkan pesan yang disisipkan adalah file bertipe text. Media pembawa yang digunakan sebanyak delapan buah image bmp yang masing-masing mempunyai karakteristik berbeda. Metode perbaikan algoritma PVD adalah algoritma Pixel Value Differencing Modified (PVDM). Algoritma PVDM membagi daerah data menjadi dua kelompok, yaitu (1) kelompok dengan selisih piksel kecil (2) kelompok dengan selisih piksel besar. Selisih piksel kecil berada pada interval [0..7] sedangkan selisih piksel besar berada pada interval [8..255]. Pengelompokan terjadi karena umumnya dalam sebuah image nilai piksel yang tidak jauh berbeda akan saling berdekatan. Tabel jangkauan yang digunakan untuk interval [0..7] dan [8..255] sebanyak empat buah. Tabel jangkauan pertama membagi interval [0..7] sebanyak satu buah dan interval [8..255] sebanyak lima buah. Tabel jangkauan kedua membagi interval [0..7] sebanyak tiga buah dan interval [8..255] sebanyak sepuluh buah. Tabel jangkauan ketiga membagi interval [0..7] sebanyak dua buah dan interval [8..255] sebanyak sembilan buah. Tabel jangkauan keempat membagi interval [0..7] sebanyak tiga buah dan interval [8.255] sebanyak delapan buah.

Proses penyisipan pesan algoritma PVDM untuk kelompok dengan selisih piksel kecil menggunakan algoritma least significant bit (LSB) yang dimodifikasi, sedangkan pada kelompok dengan selisih piksel besar menggunakan algoritma PVD. Proses ekstraksi pesan algoritma PVDM untuk kelompok dengan selisih piksel kecil menggunakan algoritma LSB sedangkan pada kelompok dengan selisih piksel besar menggunakan algoritma PVD. Evaluasi kinerja algoritma PVDM dilakukan secara objektif dan subyektif. Evaluasi objektif dengan menggunakan teknik peak signal to noise rasio (PSNR), sedangkan evaluasi subyektif dengan menggunakan kuisioner. Hasil evaluasi nilai PSNR tabel jangkauan I,II,III dan IV berada diatas 40 hal ini menunjukkan bahwa distorsi yang terjadi sangat kecil antara gambar sebelum dan sesudah sisipkan pesan. Evaluasi kuisoner lebih dari 70% responden menilai bahwa gambar sebelum dan sesudah disisipkan pesan mirip sisanya 30% menilai sangat mirip, hal ini terjadi untuk responden yang bekerja dalam bidang komputer maupun yang tidak bekerja dalam bidang komputer.

Kata kunci : Pixel Value Differencing, kinerja algoritma, steganografi, distorsi

@ Hak Cipta milik IPB, tahun 2009 Hak Cipta dilindungi Undang-Undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah b. Pengutipan tersebut tidak merugikan kepentingan yang wajar IPB 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apapun tanpa izin IPB

PERBAIKAN DAN EVALUASI KINERJA ALGORITMA PIXEL- VALUE DIFFERENCING ( PVD)

ROJALI

Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009

Penguji Luar Komisi pada Ujian Tesis : Shelvie Nidya Neyman, S.Kom., M.Si

Judul

: Perbaikan dan Evaluasi Kinerja Algoritma

Pixel- Value Differencing (PVD) Nama

: Rojali

NIM

: G651030074

Disetujui, Komisi Pembimbing

Dr. Sugi Guritman Ketua

Ir. Heru T. Natalisa, M.Sc Anggota

Diketahui,

Ketua Program Studi Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr. Sugi Guritman

Prof. Dr. Ir. Khairil A. Notodiputro, M.S

Tanggal Ujian : 19 Agustus 2009

Tanggal Lulus :

DAFTAR ISI Halaman DAFTAR TABEL …………………………………………………………….. xiv DAFTAR GAMBAR …………………………………………………………. xv DAFTAR LAMPIRAN ……………………………………………………….. xvi I

PENDAHULUAN 1.1 Latar Belakang ……………………………………………………… 1.2 Tujuan Penelitian ……………………………………………………. 1.3 Ruang Lingkup ………………………………………………………

1 2 3

TINJAUAN PUSTAKA 2.1 Citra …………………………………………………………………. 2.2 Dokumen Bitmap …………………………………………………… 2.3 Steganografi ………………………………………………………… 2.4 Algoritma Penyisian dan Ekstrasi …………………………………... 2.5 Algoritma LSB …………………………………………………….. 2.6 Algoritma PVD ……………………………………………………... 2.7 PSNR ( Peak Singnal to Noise Rasio) ………………………………. 2.8 Metode Evaluasi Kinerja …………………………………………….

4 5 7 8 9 11 13 14

METODE PENELITIAN 3.1 Bahan ………………………………………………………………... 3.2 Metode ………………………………………………………………. 3.3 Percobaan ……………………………………………………………

17 17 17

HASIL DAN PEMBAHASAN 4.1 Algoritma PVD... …………………………………………………… 4.2 Algoritma PVDM …………………………………………………… 4.3 Karakteristik Media Pembawa Pesan ……………………………….. 4.4 Evaluasi Kinerja Objektif Algoritma PVDM ……………………….. 4.5 Evaluasi Kinerja Subjekif Algoritma PVDM ………………………

20 20 28 28 40

SIMPULAN DAN SARAN 5.1 Simpulan …………………………………………………………….. 5.2 Saran …………………………………………………………………

42 42

DAFTAR PUSTAKA …………………………………………………………. LAMPIRAN …………………………………………………………………...

43 45

2

3

4

5

DAFTAR TABEL Halaman 1. Jenis kompresi pada dokumen bitmap ………………………………..

6

2. Level distorsi pengukuran mean opinion survey ……………………..

14

3. Berbagai macam tabel jangkauan …………………………………….

18

4. Ringkasan hasil penelitian subyektif………………………………….

41

DAFTAR GAMBAR Halaman 1.

Model warna RGB dalam bentuk koordinat Cartesius ……………………………

4

2.

Struktur dokumen bitmap .bmp …………………………………………………

5

3.

Ilustrasi perbedaan antara Kriptografi dengan Steganografi ………………………

8

4.

Proses Penyisipan Pesan (Zolner, 1998) …………………………………………..

8

5.

Proses penyisipan file cover secara zigzag dalam satu blok yang tidak saling beririsan ………………………………………………………………………

9

6.

Proses mendapatkan pesan ………………………………………………………...

9

7.

Proses penyisipan pesan algoritma PVDM ……………………………………….

21

8.

Proses ekstraksi pesan algoritma PVDM ………………………………………….

22

9.

Posisi piksel tepat habis dibagi empat …………………………………………….

26

10.

Berbagai posisi piksel yang tidak tepat habis dibagi empat ……………………….

26

11.

Daya tampung algoritma PVD untuk tabel jangkauan I,II,III dan IV ……………

29

12.

Daya tampung PVDM untuk tabel jangkauan I,II,III dan IV ……………………

31

13.

Persentase kenaikan daya tampung pesan dari algoritma PVD ke algoritma PVDM …………………………………………………………………………….

32

14.

Nilai PSNR pada Tabel jangkauan I data berbeda ………………………………..

33

15.

Nilai PSNR pada Tabel jangkauan II data berbeda ……………………………...

34

16.

Nilai PSNR pada Tabel jangkauan III data berbeda……………………………….

35

17.

Nilai PSNR pada Tabel jangkauan IV data berbeda……………………………….

35

18.

Nilai PSNR pada Tabel jangkauan I data sama ……………………………………

36

19.

Nilai PSNR pada Tabel jangkauan II data sama …………………………………..

37

20.

Nilai PSNR pada Tabel jangkauan III data sama ………………………………….

38

21.

Nilai PSNR pada Tabel jangkauan IV data sama ………………………………….

39

22.

Waktu Proses Algoritma PVD vs PVDM pada tabel jangkauan II ……………….

40

DAFTAR LAMPIRAN Halaman 1.

Informasi media pembawa pesan ……………………………………………….

45

2.

Prosentase penyebaran selisih pixel red ………………………………………....

46

3.

Prosentase penyebaran selisih pixel green ………………………………………

47

4.

Prosentase penyebaran selisih pixel blue ………………………………………..

48

5.

Waktu proses algoritma PVD dan PVDM ………………………………………

49

6.

Waktu proses algoritma PVD dan PVDM Tabel jangkauan I …………………..

50

7.

Waktu proses algoritma PVD dan PVDM Tabel jangkauan II ………………….

50

8.

Waktu proses algoritma PVD dan PVDM Tabel jangkauan III …………………

51

9.

Waktu proses algoritma PVD dan PVDM Tabel jangkauan IV …………………

51

10.

Hasil kuisioner algoritma PVD untuk responden yang bekerja tidak di bidang komputer ………………………………………………………………………..

11.

Hasil kuisioner algoritma PVD untuk responden yang bekerja di bidang komputer …………………………………………………………………………

12.

53

Hasil kuisioner algoritma PVDM untuk responden yang bekerja tidak di bidang komputer …………………………………………………………………

13.

52

54

Hasil kuisioner algoritma PVDM untuk responden yang bekerja di bidang komputer …………………………………………………………………………

55

14

Pertanyaan kuisioner ……………………………………………………………..

56

15

Gambar hasil penyisipan algoritma PVD ...............................................................

59

16

Gambar hasil penyisipan algoritma PVDM ...........................................................

60

17

Histogram komponen green (a) gambar sebelum disisipkan pesan (b) gambar sesudah disisipkan pesan ........................................................................................

61

PENDAHULUAN

1.1

Latar Belakang Perkembangan teknologi informasi sekarang ini membuat komunikasi

menjadi semakin mudah dan luas. Penyampaian pesan melalui internet merupakan sarana komunikasi yang sangat mudah dan efisien. Sejalan dengan hal itu kemunculan dari file-file multimedia yang beraneka ragam memberi pengaruh yang cukup

besar

dalam kemajuan

teknologi

informasi

ini

sehingga

memungkinkan seseorang untuk dapat menyampaikan pesan menggunakan filefile multimedia tersebut. Faktor keamanan menjadi penting dalam proses pengiriman data melalui saluran internet. Apabila hal ini diabaikan, maka orang yang tidak berhak akan dengan mudah memanfaatkan data tersebut untuk tujuan tertentu. Jika hal ini terjadi ada dua pihak yang dirugikan yaitu pengirim data dan penerima data. Steganografi merupakan suatu mekanisme untuk melindungi data (Kesler, 2001). Data yang akan dikirimkan dapat disisipkan melalui media pembawa berupa image , audio files, video files, atau text (Davidson et al, 2002). Metode penyisipan Least Significant Bits (LSB) umum dilakukan, pendekatan yang sederhana untuk menempelkan informasi di dalam suatu file cover dengan mengganti nilai-nilai LSB dengan data yang ingin disisipkan. Penelitian (Gerson et al, 2005) melakukan penyisipan file gambar atau file dokumen ke dalam gambar bertipe bmp menggunakan teknik LSB. Penelitian awal algoritma PVD (Pixel Value Differencing) dilakukan oleh (Wu dan Tsai, 2003) dengan mencari selisih nilai dua piksel terdekat. Selisih digunakan untuk menentukan jumlah data yang dapat disisipkan berdasarkan jangkauan tabel yang dipilih. Penelitian ini menggunakan dua jangkauan tabel dengan gambar yang pilih gray scale. Pada tahun 2006 Yang dan Weng mengembangkan algoritma PVD dengan mencari selisih piksel yang terdekat menjadi empat titik. Tabel jangkauan yang dipilih satu serta format gambar gray scale.

2

Algoritma PVD dikembangkan juga oleh (Al-Asmari dan Al-Ghamdi, 2006) menjadi semi hexagonal PVD pada penelitian ini setiap daerah dibagi menjadi 16 piksel. Pada setiap proses iterasi nilai terbaik dari iterasi digunakan untuk proses berikutnya dan seterusnya media yang digunakan format gambar gray scale. Pada daerah cover yang halus (selisih nilai piksel terdekat kecil) jumlah data yang dapat disisipkan sedikit, sebaliknya pada daerah yang kontras (selisih nilai piksel terdekat besar) data yang disisipkan akan besar merupakan hasil penelitian dilakukan (Wang, et al 2006) dengan mengambungkan algoritma PVD dan fungsi modulus. Untuk daerah cover yang kontras algoritma PVD tepat digunakan sedangkan untuk daerah yang halus kurang begitu tepat, karena kapasitas data yang disisipkan sedikit. Studi pendahuluan yang telah dilakukan menunjukkan bahwa penyebaran piksel dalam sebuah image secara berkelompok. Pengelompokan terjadi karena umumnya dalam sebuah image nilai piksel yang tidak jauh berbeda akan saling berdekatan. Fenomena ini yang akan dimanfaatkan untuk meningkatkan kapasitas penyimpanan file berdasarkan algoritma PVD yang dimodifikasi.

1.2

Tujuan

1.

Perbaikan algoritma Pixel Value Differencing (PVD)

2.

Mengimplementasikan algoritma PVDM

1.3

Ruang Lingkup

Untuk membatasi ruang lingkup pengkajian, penulis melakukan pembatasan sebagai berikut : 1.

Media pembawa (cover image) yang digunakan untuk menyembunyian data file bertipe BMP 24 bit.

2.

Data (Message) yang akan disembunyikan berupa file text.

3

Pembatasan dilakukan untuk keperluan memudahkan penelitian. Aplikasi dari hasil penelitian ini sendiri berlaku untuk jenis file lainnya dan data yang akan disembunyikan dapat berupa file lainnya, misalnya image, audio files dan video files.

TINJAUAN PUSTAKA

2.1

Citra Menurut Gonzalez (2002), citra diartikan sebagai bentuk representasi dua

dimensi (2-D) dari intensitas cahaya yang ditulis sebagai fungsi f(x,y), dimana x dan y menunjukkan letak koordinat dan titik (x,y) tersebut ditunjuk oleh fungsi nilai f. Citra digital adalah sebuah image f(x,y) yang telah dibuat pada koordinat dengan tingkat intensitas cahaya tertentu. Citra digital dapat ditampilkan sebagai matriks dua dimensi dengan baris dan kolomnya berisi posisi (x,y) citra, sedangkan elemennya menyatakan nilai warna pada posisi tersebut. Elemen pada citra digital disebut sebagai piksel. Setiap piksel terdiri dari 3 komponen warna yaitu R(Red), G(Green), dan B(Blue). Pada model warna RGB setiap warna yang dihasilkan merupakan hasil perpaduan antara ketiga warna dasar, yaitu merah, hijau dan biru. Model ini disusun berbasiskan koordinat cartesius, dimana warna hitam berfungsi sebagai titik pusat koordinat(R=0, G=0, B=0), dan warna putih berada pada titik terjauh (R=255, G=255, B=255), sedangkan warna abu-abu berada pada suatu titik dimana ketiga warna merah, hijau dan biru memiliki nilai yang sama ( contoh : R=50, G =50 , B=50). Untuk lebih jelasnya dapat dilihat pada gambar berikut.

Gambar 1. Model warna RGB dalam bentuk koordinat Cartesius Sumber : http://www.siggraph.org/education/materials/HyperGraph/color/colorgb.htm

5

Jadi dengan representasi 256 x 256 x 256 warna sistem RGB dapat menghasilkan 16,8 juta jenis warna. Tentu sangat banyak kombinasi dibandingkan dengan representasi warna yang diwakilkan kurang dari 24 bit atau true color . Dengan perkembangan teknologi hardware, sekarang graphic card sudah dapat memberikan efek warna 32 bit, di mana 8 bit selebihnya diperuntukkan besarnya intensitas terang dari warna, dilambangkan dengan α. Dengan besar intensitas warna 8 bit atau 256 maka model warna juga dapat direpresentasikan dalam heksa-desimal 2 digit, mulai dari level terkecil 00 sampai dengan yang tertinggi FF (255).

2.2 Dokumen Bitmap (.bmp)

Dokumen bitmap .bmp merupakan salah satu format gambar/citra. Pada suatu dokumen .bmp dapat tersimpan mulai dari 1 bit warna (hitam/putih) hingga 24 bit warna (true color). 2.2.1 Struktur Dokumen Bitmap

Gambar 2. Struktur dokumen bitmap .bmp

6

Struktur format dokumen ini seperti terlihat pada Gambar 2 memiliki 4 bagian : header, info header, optional pallete dan image data. Bagian header bitmap berisikan 14 byte data yang berisikan informasi yang menyatakan identifikasi sebagai suatu dokumen bitmap, besar atau ukuran data pada dokumen ini, beserta informasi awal pembacaan dokumen bitmap. Bagian info header sepanjang 40 bytes berisikan informasi tinggi dan lebar citra,jumlah bit/pixel, resolusi, besarnya dokumen, jenis kompresi (bila ada) serta definisi yang berhubungan dengan warna yang dipakai. Metode kompresi citra dapat dikategorikan menjadi dua macam, lossless dan lossy. Pada metode lossless, tidak ada nilai piksel yang berubah namun pada metode lossy ada piksel yang nilainya berubah, hanya saja perubahannya sedemikian kecil sehingga tidak tampak oleh mata. Kompresi yang digunakan pada dokumen bitmap masih sangat sederhana, untuk bitmap berukuran kecil masih dapat memperlihatkan kompresi yang berarti, namun semakin besar ukuran dokumen, semakin lemah juga hasil kompresi yang didapatkan. Tabel 1. memperlihatkan tipe kompresi bitmap.

Tabel.1 Jenis kompresi pada dokumen bitmap Nilai kompresi

Jenis kompresi

0

Tidak ada kompresi

1

Kompresi 8 bit

2

Kompresi 4 bit

3

RGB dengan masking

Bagian optional palette mencatat warna-warna yang dipaksakan/penting untuk dipakai dalam bitmap yang kurang dari 24 bit (true color bitmap). Jadi bagian ini bisa ada ataupun tidak . Pada true color bitmap tidak ada optional palette. Bagian image data, berisikan data-data yang akan dikonversi sebagai warna tampilan gambar/citra yang akan terlihat dimonitor.

7

2.2.2 Keunggulan dan Kekurangan Dokumen Bitmap Keunggulan dokumen bitmap adalah sangat mudah untuk dibuat, dapat mengambil data tiap piksel data dengan sistem koordinat, manipulasi tiap piksel dapat dengan mudah dilakukan sesuai dengan kapasitas warna dapat disimpan. Kekurangan dokumen bitmap adalah besarnya ukuran dokumen bahkan dengan adanya teknik kompresi, untuk dokumen berukuran sangat besar kompresi tidak mampu untuk memperkecil lebih dari ukuran dokumen. Selain itu dokumen bitmap sulit untuk diubah skala resolusinya, kadang-kadang akan mengakibatkan perubahaan kepadatan warna.

2.3

Steganografi Menurut Johnson (1998) kata Steganografi mempunyai arti yang sama

dengan “tulisan yg dilindungi” dimana dulunya ini merupakan metode untuk penyampaian pesan rahasia yang berfungsi untuk mempertahankan kerahasiaan dari pesan tersebut. Steganografi adalah seni dalam mempertahankan kerahasiaan informasi tanpa mengubah maksud dari informasi tersebut. Steganografi dapat dikatakan sebagai bentuk lain dari kriptografi. Baik Steganografi maupun kriptografi telah digunakan sejak dahulu sebagai media untuk perlindungan pesan. Steganografi mengkamuflasekan sebuah informasi sehingga tersembunyi dan tidak dapat dilihat pada informasi pembawanya sedangkan kriptografi mengubah pesan menjadi bentuk lain (disebut siferteks) sehingga pesan semula tidak dapat dicerna. Tujuan utama dari penyembunyian informasi pada steganografi yaitu agar pihak yang mengetahui lokasi keberadaan informasi dapat mengekstraknya. (Busch, 1999). Steganografi sangat mirip dengan kriptografi karena memiliki fungsi yang sama yaitu menyampaikan pesan yang tidak dapat dibaca oleh orang lain selain si penerima. Untuk faktor keamanan seringkali Steganografi digabungkan dengan kriptografi sehingga pesan yang disampaikan dienkripsi terlebih dahulu dan kemudian disisipkan ke dalam piksel-piksel sebuah image (Kesler,2001).

8

Gambar 3. Ilustrasi perbedaan antara Kriptografi dengan Steganografi

2.4

Algoritma Penyisipan dan Ekstrasi

Proses Penyisipan Pesan Steganografi berarti “tulisan yang tersembunyi”, hal ini mengacu pada teknik secara umum tentang bagaimana mengolah informasi rahasia sedemikian rupa sehingga keberadaan informasi tidak terlihat oleh orang lain. Pada gambar dibawah ini, Cover (C) menunjukkan media pembawa dari pesan yang dijadikan sebagai penyembunyi keberadaan pesan. Message (M) menunjukkan pesan yang ingin dirahasiakan keberadaannya. Stego-Key (K) memastikan hanya orang yang mengetahui kunci rahasialah yang bisa membaca pesan tersembunyi tersebut (Zollner, 1998).

Gambar 4. Proses Penyisipan Pesan (Zollner, 1998)

9

Proses penyisipan pesan dilakukan secara zigzag, dimulai dari kiri ke kanan kemudian turun ke bawah lalu ke kanan dan turun ke bawah kembali lagi dari kiri ke kanan dan seterusnya ( Wu dan Tsai, 2003) sebagaimana ilustrasi Gambar 5.

Gambar 5. Proses penyisipan file cover secara zigzag dalam satu blok yang tidak saling beririsan.

Proses Ekstraksi Pesan Untuk mengambil pesan dalam file stego image dilakukan proses ekstraksi pesan. Proses ekstraksi dilakukan dengan membaca (stego object) dengan menggunakan implementasi algoritma ekstraksi pesan sehingga pesan yang terdapat pada stego object akan diketahui.

Gambar 6. Proses mendapat pesan 2.5. Algoritma LSB Salah satu teknik steganografi adalah LSB (Least Significant Bit). Sesuai dengan namanya ia merupakan teknik yang menyisipkan/menggantikan bit-bit terkecil masing-masing RGB dalam suatu warna piksel pada sebuah image.

10

Algoritma LSB bekerja dengan cara sebagai berikut : 1) Memecah warna-warna dari piksel menjadi nilai-nilai Red,Green,Blue 2) Mengganti nilai-nilai RGB tersebut menjadi biner 3) Mengubah nilai masing-masing pesan yang akan dimasukkan ke bentuk biner 4) Mengantikan bit-bit yang paling tidak berpengaruh (pertama) dari biner R,G,B pada image dengan bit-bit dari pesan tadi. 5) Setelah disisipkan mengubah kembali hasil dari nilai-nilai bit R,G,B ke dalam nilai desimal. 6) Mengabungkan kembali nilai-nilai R,G,B menjadi nilai warna. Pada suatu piksel yang terdiri dari nilai RGB, terdapat susunan bit-bit yang membentuk nilai masing-masing RGB, dimana susunan bit tersebut dipisahkan menjadi dua bagian, yaitu : 1. Least Significant Bits (LSB) Least Significant Bits disini berarti bit-bit yang memiliki nilai lebih kecil dibandingkan bit-bit lainnya dimulai dari bit yang pertama sampai bit keempat, dimana perubahaan pada nilai Lsb ini tidak begitu mempegaruhi perubahan warna suatu piksel.

2. Most Significant Bits (MSB) Most Significant Bits disini berarti bit-bit yang memiliki nilai lebih besar dari pada bit lainnya dimulai dari bit yang terakhir sampai bit kelima, dimana nilai Msb ini merupakan nilai yang memiliki pengaruh besar pada warna piksel jika dilakukan perubahan pada bit tersebut.

Proses Penyisipan Pesan Dalam menyisipkan k-LSB ke cover dibentuk dari persamaan

(

)

I s (x, y ) = I o (x, y ) − Mod I o ( x, y ),2 k + B ( x, y )

(1)

11

dimana I s ( x, y ) adalah intensitas piksel (x,y) dari stego-image, I o ( x, y ) adalah intensitas piksel (x,y) dari cover image, B(x, y ) adalah nilai desimal dari suatu blok yang ditempelkan pada piksel (x,y) dan mod (.) merupakan operasi modular. Sebagai contoh, didalam penyisipan 4-LSB (yaitu k = 4) , anggap blok pertama data rahasia berisi empat bit “1001” , yaitu

B(0,0) = 10012 = 9 dan I o (0,0 ) =

100010102= 138, sehingga didapatkan hasil yang akan ditempelkan adalah I s (0,0 ) = 138 – mod (138, 24) + 9 = 137 = 100010012.

Proses Ekstraksi Pesan 1. Konversi nilai desimal kedalam biner dengan panjang 8 bit. 2. Ambil nilai biner, pengambilan nilai biner tergantung pada proses penyisipan, dalam hal ini pesan yang disisipkan sebanyak k bit, maka bit yang diambil adalah k bit Lsb.

2.6 Algoritma Pixel Value Differencing (PVD) Algoritma PVD ini ditemukan oleh Da-Chun Wu dan Wen-Hsiang Tsai pada tahun 2003. Sistem arah pencarian selisih dua piksel terdekat seperti pada Gambar 5, menghitung selisih dua piksel menggunakan persamaan (2) di bawah ini. Selisih ini akan menentukan besarnya kapasitas pesan yang dapat disisipkan. Pada daerah kontras, dimana selisih antara dua piksel besar, daya tampung menjadi besar. Sebaliknya pada daerah halus, dimana selisih antara dua piksel kecil akan menyebabkan daya tampung menjadi sedikit. di = |P(i,x)-P(i,y)|

(2)

Selisih yang diperoleh digunakan untuk mencari batas bawah (lj) dan batas atas (uj) berdasarkan tabel jangkauan (Tabel 3) yang dipilih. Nilai lj dan uj digunakan untuk menghitung wj = uj - lj + 1 sehingga diperolah nilai ti menggunakan persamaan (3). ti = log(wj)

(3)

12

Nilai ti yang diperoleh digunakan untuk mencari di’ = ti’ + lj , dimana ti’ adalah nilai desimal dari ti. Langkah selanjutnya adalah menghitung nilai P(i,x) dan P(i,y) setelah disisipkan pesan menggunakan persamaan (4). Algoritma PVD secara lengkap bekerja sebagai berikut :

Proses Penyisipan 1. Untuk setiap titik yang berurutan ( P(i,x) dan P(i,y) ) pada cover image hitung perbedaan antara nilai P(i,x) dan P(i,y) sebagai di. Berdasarkan nilai di carilah nilai batas bawah (lj) dan batas atas (uj) dari tabel jangkauan Rj. 2. Hitung nilai wj = uj-lj +1 3. Hitung nilai ti=log(wj) dengan basis logaritma 2. 4. Nilai ti adalah menentukan jumlah bit pesan yang dapat disisipkan 5. Ambil pesan sepanjang ti ,

adalah nilai desimal dari ti

6. Hitung nilai 7. Hitung nilai 8. Carilah nilai

(

'

P( ) , P i,x

dan

dengan menggunakan persamaan (4)

⎧( P(i , x ) + ⎡m / 2⎤, P(i , y ) − ⎣m / 2⎦), ⎪ jika P ≥ P dan d ' > d ; (i , x ) (i , y ) i i ⎪ ⎪( P(i , x ) − ⎣m / 2⎦, P(i , y ) + ⎡m / 2⎤), ⎪ ' ' ⎪ jika P(i , x ) < P(i , y ) dan d i > d i ; )=⎨ (i , y ) ⎪( P(i , x ) − ⎡m / 2⎤, P(i , y ) + ⎣m / 2⎦), ⎪ jika P(i , x ) ≥ P(i , y ) dan d i' ≤ d i ; ⎪ ⎪( P(i , x ) + ⎡m / 2⎤, P(i , y ) − ⎣m / 2⎦), ⎪ jika P < P dan d ' ≤ d ; (i , x ) (i , y ) i i ⎩

(4)

Proses Ekstraksi Pesan Pada proses ekstraksi pesan, pencarian selisih piksel terdekat sesuai dengan Gambar 6. Selengkapnya proses ekstrasi pada algoritma PVD sebagai berikut : 1.

Untuk setiap titik yang berurutan ( image hitung perbedaan antara nilai

dan dan

) pada stego sebagai

13

yang dimutlakkan. Berdasarkan nilai

carilah nilai batas bawah

(lj) dan batas atas (uj) dari tabel jangkauan Rj. 2. Hitung nilai wj = uj-lj +1 3.

Hitung nilai ti=log(wj) dengan basis logaritma 2.

4.

Nilai ti adalah menentukan jumlah bit pesan yang telah disisipkan

5. Hitung

, konversi nilai

kedalam biner dengan

panjang ti 6.

Hasil konversi nilai

kedalam biner dengan panjang ti

merupakan pesan yang disembunyikan

2.7

PSNR (Peak Signal to Noise Ratio) PSNR adalah nilai yang menyatakan tingkat noise atas image yang telah

disisipi pesan dengan satuan desibel (db). Semakin besar nilai PSNR perbedaan antara stego image dan cover image semakin kecil, sebaliknya semakin kecil nilai PSNR menunjukkan bahwa perbedaan antara stego image dan cover image semakin besar (Chen, 2006). Menurut Cole (2003) nilai PSNR dikatakan baik jika berada diatas nilai 20; artinya di bawah nilai 20 distorsi yang terjadi sangat besar antara stego image dan cover image. Sedangkan untuk nilai MSE yang besar menyatakan penyimpangan atau selisih antara cover image dan stego image cukup besar. Untuk gambar warna dengan komponen Red, Green dan Blue nilai MSE secara keseluruhan merupakan jumlah dari MSE untuk setiap komponen Red, Green dan Blue dibagi tiga. Persamaan untuk mencari PSNR sebagai berikut : PSNR = 10 Log10 (2552 / MSE )

(5)

Sedangkan formula untuk menghitung nilai MSE adalah sebagai berikut : MSE =

1 mxn

m

n

i =1

i =1

∑∑

I(i) = cover image K(i) = stego image M = lebar image N = tinggi image

2

I (i , i ) − K (i , j )

( 6)

14

2.8

Metode Evaluasi Kinerja Untuk mengukur tingkat keberhasilan algoritma digunakan kriteria obyektif

dan subyektif. Kriteria obyektif didasarkan pada perhitungan matematis menggunakan nilai MSE dan PSNR sedangkan kriteria subyektif berdasarkan hasil pengamatan manusia. Penilaian ini didasarkan atas karateristik pengamatan manusia (Human Visual System). Pengujian subyektif umumnya dilakukan dengan mengukur MOS (mean opinion survey) sebagai berikut : Tabel 2. Level distrosi pengukuran mean opinion survey

Nilai 1 2

Level Distorsi

Kualitas Gambar

Sangat Tidak

Perbedaan antara cover image dan stego image

Mirip

sangat jelas

Tidak Mirip

Antara cover image dan stego image ada perbedaan sedikit

3

Mirip

Antara cover image dan stego image mirip

4

Sangat Mirip

Antara cover image dan stego image sangat mirip/ tidak dapat dibedakan

Untuk mengukur MOS dilakukan dengan menyebarkan kuesioner terhadap 60 responden yang terdiri dari 30 responden bergerak dibidang komputer dan 30 responden tidak bergerak dibidang komputer.

Teknik sampling Menurut Hair (2006) ada dua tipe sampling yang dapat digunakan pada penelitian yaitu : 1. Non Random/non probability sampling Pemilihan sample dilakukan atas pertimbangan peneliti secara personal dan opini-opini lain yang mendukung pemilihan sample tersebut.

15

Adapun tipe-tipe Non Probability Sampling yaitu : a. Convenience Sampling Metode sampling dimana sample yang diambil berdasarkan keinginan pribadi dari peneliti. b. Judgment Sampling Metode sampling dimana responden dipilih berdasarkan pengalaman yang dimilikinya, dimana pengalaman tersebut dipercaya dapat memenuhi kebutuhan penelitian. c. Quota Sampling Metode sampling dimana responden dipilih berdasarkan kuota tertentu yang telah ditetapkan, misal: demografis, tingkah laku atau kriteria lainnya. d. Snowball Sampling Metode sampling dimana sekumpulan responden dipilih lalu para responden

tersebut

membantu

peneliti

untuk

menentukan

orang

selanjutnya yang dianggap memenuhi kriteria untuk diikutsertakan dalam penelitian. 2. Random/ probability sampling Setiap bagian dari populasi memiliki kesempatan yang sama untuk dapat terpilih mewakili sample penelitian. Adapun tipe-tipe Probability Sampling yaitu : a. Simple Random Sampling Metode sampling dimana setiap sample yang ada di dalam populasi memiliki kesempatan yang sama besar untuk dipilih. b. Systematic Random Sampling Metode sampling dimana sample yang ada disusun berdasarkan urutan tertentu. c. Stratified Random Sampling Metode sampling dimana populasi yang ada dibagi ke dalam grup yang disebut strata dan sampel akan diambil dari tiap strata yang ada.

16

Pada penelitian ini menggunakan teknik stratified random sampling dimana sampel dari populasi dibagi kedalam dua kelompok yaitu (1) kelompok responden yang bergerak dalam bidang komputer (2) kelompok responden yang tidak bergerak dalam bidang komputer yang masing-masing berjumlah 30 responden. d. Cluster Sampling Metode sampling dimana tiap unit sample dibagi ke dalam sub populasi yang lebih kecil yang disebut cluster. Tiap cluster diasumsikan sebagai perwakilan dari populasi yang ada.

Teknik Pengumpulan Data Kuisioner adalah serangkaian pertanyaan dimana responden mengisi jawabanjawaban , biasanya dengan alternatif-alternatif yang mendekati jawaban-jawaban mereka (Sekaran, 2003). Kuisioner adalah mekanisme pengumpulan data yang efisien dimana peneliti mengetahui dengan tepat apa yang diminta dan bagaimana mengukur variabel-variabel. Dalam penelitian ini, instrumen yang akan dipakai dalam mengumpulkan data adalah kuisioner.

METODE PENELITIAN 3.1

Bahan Bahan dalam penelitian ini adalah citra gambar format bmp 24 bit dan

berkas text. Citra bmp digunakan sebagai media pembawa pesan, sedangkan berkas text sebagai pesan yang akan disisipkan. Jumlah citra bmp sebanyak delapan buah, pemilihan citra berdasarkan keragaman citra tersebut, terutama dilihat dari penyebaran warna pada gambar (Lampiran 1). Sedangkan berkas text disesuaikan dengan daya tampung masing-masing citra bmpnya.

3.2

Metode Penelitian diawali dengan beberapa percobaan pendahuluan untuk

mempelajari karakteristik penyebaran piksel dalam sebuah image. Tahap selanjutnya mempelajari cara kerja algoritma PVD dan melakukan beberapa perubahan dan penambahan sehingga diperoleh algoritma PVDM. Terakhir dibuat program untuk membandingkan kinerja kedua algoritma.

3.3

Percobaan Masing-masing algoritma dibuat programnya dengan spesifikasi perangkat

lunak dan perangkat keras yang sama yaitu : Perangkat lunak : •

Microsoft Windows XP

•

Microsoft Excel 2007

•

Delphi versi 6 release

Perangkat keras : •

Processor Intel Celeron 430

•

512 MB DDR2

•

Harddisk 80 GB HDD

•

Keyboard dan Monitor

18

Percobaan sebelumnya yang dilakukan (Wu dan Tsai) hanya menggunakan dua tabel jangkauan (tabel jangkauan I dan tabel jangkuan II), pada penelitian ini dikembangkan menjadi 4 tabel jangkuan ,dengan penambahan 2 tabel jangkuan baru dari tabel sebelumnya seperti terlihat pada Tabel 3 berikut.

Tabel 3 Berbagai macam tabel jangkauan Tabel

Tabel

Tabel

Tabel

Jangkuan I

Jangkuan II

Jangkuan III

Jangkuan IV

R1=[0,7]

R1=[0,1]

R1=[0,3]

R1=[0,1]

R2=[8,15]

R2=[2,3]

R2=[4,7]

R2=[2,5]

R3=[16,31]

R3=[4,7]

R3=[8,15]

R3=[6,7]

R4=[32,63]

R4=[8,11]

R4=[16,23]

R4=[8,15]

R5=[64,127]

R5=[12,15]

R5=[24,31]

R5=[16,31]

R6=[128,255]

R6=[16,23]

R6=[32,47]

R6=[32,47]

R7=[24,31]

R7=[48,63]

R7=[48,63]

R8=[32,47]

R8=[64,95]

R8=[64,95]

R9=[48,63]

R9=[96,127]

R9=[96,127]

R10=[64,95]

R10=[128,191] R10=[128,191]

R11=[96,127]

R11=[192,255] R11=[192,255]

R12=[128,191] R13=[192,255]

Pada Tabel Jangkauan I, untuk setiap interval hanya dibagi dalam satu interval, sedangkan untuk Tabel Jangkuan II,III dan IV bisa lebih dari satu. Perbedaan penelitian ini dengan penelitian sebelumnya terletak pada interval yang digunakan. Penelitian sebelumnya menggunakan algoritma yang sama untuk semua interval dan tabel yang digunakan hanya dua, sedangkan pada penelitian ini, khusus untuk interval [0,7] dilakukan metode penyisipan dengan algoritma LSB dan tabel jangkauan yang digunakan empat buah. Untuk setiap Ri sampai Rn mencerminkan daya tampung yang akan diperoleh jika selisih pixel berada pada

19

interval tersebut. Pada tabel jangkauan II,III dan IV kombinasi daya tampung untuk setiap interval cukup beragam.

HASIL DAN PEMBAHASAN

4.1 Algoritma PVD Inti dari algoritma PVD adalah perhitungan selisih antara piksel P(i,x) dan P(i,y). Hasil selisih kedua piksel akan menentukan besarnya kapasitas pesan yang dapat disisipkan; semakin besar selisih antara piksel P(i,x) dan P(i,y), semakin besar juga kapasitas pesan yang ditampung. Karakteristik sebuah citra pada umumnya antara piksel yang berdekatan mempunyai nilai piksel yang tidak jauh berbeda (selisih piksel antara interval [0..7]) yang dapat dikatakan kecil, walaupun bisa saja terjadi antara piksel yang berdekatan mempunyai nilai piksel yang jauh berbeda (selisih piksel antara interval [8.255]) yang dapat dikatakan besar. Perbedaan yang cukup besar antara dua piksel berdekatan terjadi karena adanya perubahaan warna yang kontras antara kedua piksel tersebut. Algoritma PVD menerapkan cara yang sama untuk semua selisih piksel, baik selisih besar ataupun selisih kecil. Kelemahan terjadi pada daerah dengan selisih piksel kecil, yaitu kurang optimalnya jumlah pesan yang dapat ditampung. Sebagai gambaran, untuk interval kecil daya tampung pesan hanya tiga bit untuk kedua piksel tersebut. Dengan algoritma LSB dua bit pada selisih piksel kecil dapat menampung empat bit pesan. Hal ini menunjukkan daya tampung yang lebih besar daripada menggunakan algoritma PVD.

4.2 Algoritma Yang Diusulkan (PVDM) Penelitian ini akan mengelompokkan sebuah image dalam 2 kelompok, yaitu (1) kelompok dengan selisih piksel kecil (2) kelompok dengan selisih piksel besar. Kombinasi dari 2 kelompok ini untuk mengoptimalkan metode LSB dan PVD dalam satu gugus data yang sama. Metode penyisipan ini kita sebut algoritma PVDM ( Pixel Value Differencing Modified ). Kelebihan dari algoritma PVDM adalah mampu meningkatkan kapasitas penyisipan data dan juga distorsi citra sebelum dan sesudah disisipkan tetap kecil.

21

Perbedaan algoritma PVDM dengan algoritma PVD terletak pada pemilihan interval selisih pixel. Pada algoritma PVD semua interval mulai [0,255] diberlakukan sama, sedangkan algoritma PVDM pada interval [0,7] proses penyisipan pesan menggunakan algoritma LSB. Misalnya P(i,x) dan P(i,y) adalah dua buah pixel yang akan disisipkan pesan, selisih pixel P(i,x) dan P(i,y) berada pada interval [0,7] dilakukan proses penyisipan algoritma PVDM. Hasil proses penyisipan algoritma PVDM P(i,x) menjadi P(i,x)’ sedangkan P(i,y) menjadi P(i,y)’. Algoritma LSB yang digunakan mengharuskan selisih antara pixel P(i,x)’ dengan P(i,y)’ berada pada interval [0,7], karena jika tidak berada pada interval tersebut akan terjadi kesalahaan, kesalahaan ini disebabkan pada proses penyisipan menggunakan algoritma LSB sedangkan proses ekstrasi tidak menggunakan LSB. Sehingga tentunya pesan yang diambil akan berbeda. Proses penyisipan algoritma PVDM sampai ekstraksi algoritma PVDM, selengkapnya dapat dilihat dalam Gambar 7 dan Gambar 8.

Gambar 7 Proses penyisipan pesan algoritma PVDM

22

Pada proses penyisipan akan dicari selisih mutlak ( di ) antara P(i,x) dan P (i,y). Selisih mutlak digunakan untuk menentukan metode penyisipan: jika di <=7, gunakan algoritma PVDM , tetapi jika di > 7 gunakan algoritma PVD. Setelah proses penyisipan algoritma PVDM P(i,x) → , selisih mutlak (

) antara

dan

dan P

(i,y)

→

harus berada pada interval

[0..7], apabila berada diluar interval tersebut harus dilakukan proses optimasi penyisipan.

Gambar 8 Proses ekstraksi pesan algoritma PVDM

Pada proses ekstrasi pesan akan dicari selisih mutlak ( .

) antara

Selisih mutlak digunakan untuk menentukan metode ekstrasi jika

dan

23

<=7 gunakan algoritma PVDM , tetapi jika

> 7 gunakan algoritma PVD.

Proses ekstrasi akan berjalan sampai semua pesan sudah diekstrak.

Proses Penyisipan 1. Untuk setiap titik yang berurutan ( P(i,x) dan P (i,y) ) pada cover image hitung perbedaan antara nilai P(i,x) dan P (i,y) sebagai di , berdasarkan nilai di carilah nilai batas bawah (lj) dan batas atas (uj) dari tabel jangkauan Rj. 2. Jika nilai di berada pada interval [0..7] lakukan penyisipan LSB, sedangkan Jika nilai di berada pada interval [8..255] lakukan proses penyisipan PVD. 3. Pada penyisipan LSB dilakukan proses minimum distorsi untuk empat kemungkinan nilai P(i,x) dan P(i,y) : a. P(i,x) mod 4 = 0 dan P (i,y) mod 4 = 0 Untuk

7

∑

dan

{P

(i , x )

maka lakukan proses

j =1

i =1

1.

7

∑

+ ( −4) + i, P( i , y ) + ( −4) + j} P( i , x ) + ( −4) + i > 255

2. Jika

atau

P( i , y ) + ( −4) + j > 255

maka

P( i , x ) + ( −4) + i = 255 atau P( i , y ) + ( −4) + j = 255 P( i , x ) + ( −4) + i < 0 atau

Jika

P( i , y ) + ( −4) + j < 0

maka

P( i , x ) + ( −4) + i = 0 atau P( i , y ) + ( −4) + j = 0

3. Konversi nilai P( i , x ) + (−4) + i atau P( i , y ) + (−4) + j kedalam format biner, kemudian ambil masing-masing enam dijit pertama dari nilai biner tersebut untuk ditambahkan dengan pesan. 4. Konversi masing-masing nilai biner

kedalam desimal , carilah

selisih mutlak dari dua nilai desimal tersebut. 5. Carilah nilai minimum antara selisih citra sebelum dan sesudah disisipkan pesan b. P(i,x) mod 4 =0 dan P (i,y) mod 4 <> 0 Untuk

7

∑ i =1

dan

11

∑ j =1

24

1.

{P

(i , x )

+ ( −4) + i, P(i , y ) + (−4 − mod( P(i , y ) ,4) + j}

2. Jika P( i , x ) + (−4) + i > 255 atau P( i , y ) + ( −4 − mod( P( i , y ) ,4) + j > 255 maka P( i , x ) + ( −4) + i = 255 atau P( i , y ) + ( −4 − mod( P( i , y ) ,4) + j = 255 Jika P( i , x ) + ( −4) + i < 0 atau P( i , y ) + (−4 − mod( P( i , y ) ,4) + j < 0 maka P( i , x ) + ( −4) + i = 0 atau P( i , y ) + ( −4 − mod( P( i , y ) ,4) + j = 0

3. Konversi nilai

P( i , x ) + ( −4) + i

atau

P( i , y ) + ( −4 − mod( P( i , y ) ,4) + j

kedalam format biner , kemudian ambil masing-masing enam dijit pertama dari nilai biner tersebut untuk ditambahkan dengan pesan. 4. Konversi masing-masing nilai biner


selisih mutlak dari dua nilai desimal tersebut. 5. Carilah nilai minimum antara selisih citra sebelum dan sesudah disisipkan pesan c. P(i,x) mod 4 <>0 dan P (i,y) mod 4 = 0 Untuk

11

∑ i =1

1.

{P

(i , x )

dan

7

∑ j =1

+ ( −4 − mod( P( i , x ) ,4)) + i, P( i , y ) + ( −4) + j}

2. Jika P( i ,x ) + (−4 − mod( P( i , x ) ,4) + i > 255 atau P( i , y ) + (−4) + j > 255 maka P( i ,x ) + ( −4 − mod( P( i , x ) ,4) + i = 255 atau P( i , y ) + ( −4) + j = 255 Jika P( i ,x ) + (−4 − mod( P( i , x ) ,4) + i < 0 atau P( i , y ) + (−4) + j < 0 maka P( i ,x ) + ( −4 − mod( P( i , x ) ,4) + i = 0 atau P( i , y ) + ( −4) + i = 0

3. Konversi nilai

P( i , x ) + ( −4 − mod( P( i , x ) ) + i

atau

P( i , y ) + ( −4) + j

kedalam format biner , kemudian ambil masing-masing enam dijit pertama dari nilai biner tersebut untuk ditambahkan dengan pesan. 4. Konversi masing-masing nilai biner


selisih mutlak dari dua nilai desimal tersebut. 5. Carilah nilai minimum antara selisih citra sebelum dan sesudah disisipkan pesan

25

d. P(i,x) mod 4 <>0 dan P (i,y) mod 4 <> 0 Untuk

11

∑

dan

i =1

1.

{P

(i , x )

11

∑ j =1

+ ( −4 − mod( P( i , x ) ,4)) + i, P( i , y ) + ( −4 − mod( P( i , y ) + j}

2. Jika P( i ,x ) + (−4 − mod( P( i , x ) ,4) + i > 255 atau P( i , y ) + (−4) + j > 255 maka P( i ,x ) + (−4 − mod( P( i , x ) ,4) + i = 255 atau P( i , y ) + (−4) + j = 255 Jika P( i ,x ) + (−4 − mod( P( i , x ) ,4) + i < 0 atau P( i , y ) + (−4) + j < 0 maka P( i ,x ) + ( −4 − mod( P( i , x ) ,4) + i = 0 atau P( i , y ) + ( −4) + i = 0

3. Konversi

P( i , x ) + ( −4 − mod( P( i , x ) ) + i

nilai

atau

P( i , y ) + ( −4 − mod( P( i , x ) ) + j ke dalam format biner , kemudian ambil

masing-masing enam dijit pertama dari nilai biner tersebut untuk ditambahkan dengan pesan. 4. Konversi masing-masing nilai biner


selisih mutlak dari dua nilai desimal tersebut. 5. Carilah nilai minimum antara selisih citra sebelum dan sesudah disisipkan pesan

Mod 4 digunakan karena pesan yang mungkin disisipkan untuk kasus dua bit adalah sebanyak empat buah yaitu 00 , 01, 10 atau 11. Pengulangan sebanyak 7 kali untuk P(i,x) mod 4 = 0 atau P

(i,y)

mod 4 = 0 karena jika piksel tepat habis

dibagi 4 atau mod sama dengan 0, maka nilai bawah pertama dari titik P(i,x) yang habis dibagi empat adalah P(i,x) - 3 dan nilai atas pertama dari titik P(i,x) yang habis dibagi empat adalah P(i,x) + 3, sehingga jarak dari titik terbawah sampai titik teratas adalah 7 sesuai Gambar 9 .

26

Gambar 9 Posisi piksel tepat habis dibagi empat

Gambar 10 Berbagi posisi piksel yang tidak tepat habis dibagi empat.

P(i,x) mod 4 <> 0 atau P(i,y) mod 4 <> 0 melakukan pengulangan 11 kali berdasarkan Gambar 10 terlihat bahwa

P(i,x) atau P(i,y) memiliki tiga

kemungkinan posisi yang semuannya memiliki jarak 11. 4. Pada penyisipan PVD Jika nilai P('i , x ) dan P('i , y ) berada diluar range [0,255], maka dilakukan normalisasi menggunakan persamaan (7) agar interval nilai

P('i , x ) dan P('i , y ) masih tetap berada pada interval [0,255].

27

⎧ (P' = 0, P('i, y) = di − P('i,x) ), ⎪ (i, x) ⎪ jika P('i, x) < 0 ; ⎪ ⎪ ' ' ' ⎪ (P(i, x) = di − P(i, y) 0, P(i, y) = 0), ⎪ ⎪⎪ jika P('i, y) < 0; (P('i,x), P('i, y) ) = ⎨ ⎪(P' = 255, P('i, y) = P('i, x) − di ), ⎪ (i, x) jika P(i, x) > 255; ⎪ ⎪ ⎪(P' = P('i, y) − di , P('i, y) = 255), ⎪ (i, x) ⎪ jika P('i, y) > 255; ⎪⎩

(7)

Proses Ekstraksi dan

1. Untuk setiap titik yang berurutan ( hitung perbedaan antara nilai 2. Nilai

dan

) pada stego image sebagai

dimutlakkan untuk menentukan proses ekstraksi

3. a. Jika nilai

<=7 maka kerjakan proses ektraksi algoritma LSB.

• Konversi nilai

dan

kedalam bentuk biner

• Ambil masing-masing 2 bit terakhir dari hasil konversi

dan

• Gabungkan masing-masing 2 bit terakhir tersebut b. Jika nilai

>= 8 maka kerjakan proses ekstraksi algoritma PVD

• Untuk setiap titik yang berurutan ( image hitung perbedaan antara nilai yang dimutlakkan, berdasarkan nilai

dan dan

) pada stego sebagai

carilah nilai batas bawah

(lj) dan batas atas (uj) dari tabel jangkauan Rj. • Hitung nilai wj = uj-lj +1 • Hitung nilai ti=log(wj) dengan basis logaritma 2. • Nilai ti adalah menentukan jumlah bit pesan yang telah disisipkan • Hitung panjang ti

, konversi nilai

kedalam biner dengan

28

• Hasil konversi nilai

kedalam biner dengan panjang ti

merupakan pesan yang disembunyikan

4.3 Karakteristik media pembawa pesan Media pembawa pesan dapat berupa image, audio files,video files, atau text (Davidson et al, 2002). Penelitian ini memilih file image berupa citra bmp 24 bit, mengapa citra bmp dipilih. Citra bmp mudah untuk dibuat , dapat mengambil tiap pixel data dengan sistem koordinat. Pada penelitian ini informasi media pembawa pesan yaitu citra bmp 24 bit seperti terlihat pada lampiran 1. Inti dari algoritma PVD adalah perbedaan selisih nilai pixel antara dua pixel terdekat. Perbedaan penyebaran selisih antara dua pixel terdekat untuk komponen red pada lampiran 2 pada interval [0,7] rata-rata diatas 60% , kecuali pada gambar babbon hanya sebesar 40 persen.Sedangkan untuk penyebaran pixel green seperti pada lampiran 3 persentase yang hampir sama terjadi yaitu pada interval [0,7] mempunyai nilai rata-rata diatas 69% kecuali untuk gambar babbon yang hanya 37%. Begitu juga komponen blue pada lampiran 4 untuk interval [0,7] selisih antara dua pixel terdekat diatas 63 %, kecuali pada gambar babbon hanya sebesar 37%. Dari karakteristik komponen red,green dan blue terlihat bahwa penyebaran piksel terbanyak berada pada interval [0,7]. Apabila digunakan algoritma PVD akan diperoleh nilai perbedaan(di) sebesar 7, dari sini diperoleh nilai wj=8, untuk mendapatkan jumlah bit (ti) yang dapat disisipkan dengan cara log(wj) dengan basis dua akan diperoleh nilai ti=3.

4.4 Evaluasi Kinerja Objektif Algoritma PVDM Algoritma PVD yang dikemukan oleh Wu dan Tsai (2003), menjelaskan bahwa PVD melakukan hal yang sama pada semua daerah citra yang akan disisipkan pesan. Hal ini menyebabkan citra dengan perbedaan antara P(i,x) dan P(i,y) yang besar akan mampu menampung jumlah pesan yang besar dan sebaliknya perbedaan antara P(i,x) dan P(i,y) yang kecil mengakibatkan daya tampung kecil . Dengan mengambil tabel jangkauan I R1= [0,7] , R2= [8,15] , R3=

29

[16,31] , R4= [32,63] , R5= [64,127] dan R6= [128,255] daya tampung pesan yang dapat disisipkan pada citra berturut-turut adalah 8,8,16,32,64,128 jika dikonversi kedalam bit akan menjadi 3,3,4,5,6,7. Sedangkan jika diambil tabel jangkauan II R1= [0,1] , R2= [2,3] , R3= [4,7] , R4= [8,11] , R5= [12,15], R6= [16,23], R7= [24,31], R8= [32,47], R9= [48,63], R10= [64,95], R11= [96,127] R12= [128,191] dan R13= [192,255], daya tampung pesan yang dapat disisipkan pada citra berturut-turut adalah 2,2,4,4,4,8,8,16,16,32,32,64,64 jika dikonversi kedalam bit akan menjadi 1,1,2,2,2,3,3,4,4,5,5,6,6. Pemilihan tabel jangkauan III R1= [0,3] , R2= [4,7] , R3= [8,15] , R4= [16,23] , R5= [24,31], R6= [32,47], R7= [48,63], R8= [64,95], R9= [96,127], R10= [128,191], dan R11=[192,255] jumlah pesan yang dapat disisipkan dalam bit berturut-turut 4,4,8,8,8,16,16,32,32,64,64. Tabel Jangkauan IV adalah R1= [0,1] , R2= [2,5] , R3= [6,7] , R4= [8,15] , R5= [16,31], R6= [32,47], R7= [48,63], R8= [64,95], R9= [96,127], R10= [128,191], dan R11=[192,255] sehingga daya tampung dalam bit 2,4,2,8,16,16,32,32,64,64. Delapan citra pembawa “Apple”, ”Banana”, ”Babbon”, ”Borobudur”, ”Lena”, ”Penguin”, ”Pepper”, ”Sunflower” seperti pada Lampiran 1 menghasilkan daya tampung seperti pada Gambar 8 berikut.

Gambar 11. Daya tampung algoritma PVD untuk tabel jangkauan I,II,III dan IV

30

Dari Gambar 11 diatas terlihat untuk semua gambar yang dipilih daya tampung terbesar terjadi pada pemilihan PVD Tabel Jangkauan I, sedangkan untuk pemilihan Tabel Jangkauan II daya tampung yang dihasilkan bervariasi, gambar apple, babbon, banana,borobudur,lena,penguin dan pepper menghasilkan daya tampung terkecil diantara Tabel Jangkauan III dan Tabel Jangkauan IV sedangkan untuk gambar sunflower daya tampung terkecil pada pemilihan Tabel Jangkauan IV. Sama halnya pemilihan Tabel Jangkauan III menghasilkan daya tampung

yang

cukup

bervariasi,

untuk

gambar

apple,

banana,

borobudur,lena,penguin,pepper dan sunflower menghasilkan daya tampung terbesar kedua, hal yang lain terjadi pada gambar babbon yang menghasilkan daya tampung terbesar ketiga. Untuk Tabel Jangkauan IV daya tampung terbesar ketiga terjadi pada gambar apple, banana, borobudur, lena, penguin, pepper sedangkan gambar babbon menghasilkan daya tampung terbesar kedua dan pada gambar sunflower pemilihan tabel jangkauan IV akan menghasilkan daya tampung yang minimum (terkecil). Daya tampung terbesar terjadi pada Tabel Jangkauan I hal ini dikarenakan pada tabel jangkauan ini nilai R1=[0,7], sedangkan pada tabel jangkauan yang lain Tabel Jangkauan II R1=[0,1] , Tabel jangkauan III R1=[0,3] dan Tabel jangkauan IV R1=[0,1] , berdasarkan lampiran 2,3,4 terlihat bahwa penyebaran pixel terbesar terjadi untuk seluruh komponen baik red,green maupun blue pada interval [0,7] sehingga jika menggunakan Tabel jangkauan I pada interval tersebut jumlah pesan yang dapat disisipkan menjadi besar. Urutan terbesar kedua setelah tabel jangkauan I adalah tabel jangkauan III, hal ini terjadi karena pada interval [0,7] pada Tabel III hanya dibagi 2 interval yaitu R1=[0,3] dan R2=[4,7]. Pada gambar baboon daya tampung menjadi lebih kecil dibandingkan Tabel jangkauan IV , hal ini karena pada gambar ini penyebaran antara interval [0,7] tidak terlalu dominan(masih dibawah 50%). Pemilihan beberapa tabel jangkauan pada algoritma PVDM terlihat pada gambar 12, daya tampung pada Tabel Jangkauan I menghasilkan nilai yang terbesar untuk semua gambar hal yang sama terjadi pada algoritma PVD . Sedangkan pada pemilihan tabel jangkauan II menghasilkan daya tampung terbesar keempat untuk semua gambar, pemilihan tabel jangkauan III

31

menghasilkan daya tampung terbesar ketiga untuk semua gambar dan pada tabel jangkauan IV menghasilkan daya tampung terbesar kedua untuk semua gambar. Keseragaman hasil ini terjadi karena algoritma PVDM hanya merubah perlakuan pada interval [0,7] sedangkan pada interval [8,255] perlakuan yang dilakukan pada algoritma PVDM sama dengan yang diberlakukan pada algoritma PVD.

Gambar 12. Daya tampung PVDM untuk tabel jangkauan I,II,III dan IV

Kenaikan daya tampung dari algoritma PVD menjadi algoritma PVDM seperti terlihat pada Gambar 13. Hampir semua gambar kenaikan daya tampung terbesar terjadi pada Tabel Jangkauan II, kecuali pada gambar sunflower kenaikan terbesar terjadi pada Tabel IV.Kenaikan terbesar kedua terjadi pada pemilihan Tabel jangkauan IV , hal ini terjadi hampir untuk semua gambar kecuali pada gambar sunflower, daya tampung pemilihan Tabel jangkauan IV lebih besar dari pada Tabel Jangkauan II. Pemilihan Tabel Jangkauan III dan Tabel Jangkauan I berturut-turut menghasilkan kenaikan terbesar ketiga dan keempat untuk semua gambar. Daya tampung pada Tabel Jangkauan II naik tinggi, hal ini dikarenakan pada tabel tersebut untuk interval [0,7] dibagi menjadi 3 interval yaitu R1=[0,1], R2=[2,3] dan R3=[4,7]. Hal yang sama terjadi pada Tabel jangkauan IV yang

32

membagi interval menjadi 3 yaitu R1=[0,1], R2=[2,5] dan R3=[6,7] , sedangkan pada Tabel jangkauan III hanya membagi 2 interval yaitu R1=[0,3] dan R2=[4,7]. Kenaikan terkecil terjadi pada Tabel Jangkauan I, hal ini dikarenakan pada tabel jangkauan tersebut hanya terdapat satu interval yaitu dirinya sendiri R1=[0,7].

Gambar 13. Persentase kenaikan daya tampung pesan dari algoritma PVD ke algoritma PVDM

Sesuai Gambar 13 terlihat bahwa algoritma PVDM lebih banyak menampung pesan untuk semua pemilihan tabel jangkauan, baik Tabel jangkuan I,II,III, dan IV dengan kenaikan daya tampung pesan terbesar terjadi pada gambar apple dengan pemilihan Tabel Jangkauan II sekitar 397%, sedangkan kenaikan terkecil pada gambar babbon dengan pemilihan Tabel jangkauan I sekitar 11%. Pada proses penyisipan pesan, data yang disisipkan terbagi kedalam 2 kelompok yaitu (1) Jumlah pesan yang disisipkan berbeda (2) jumlah pesan yang disisipkan sama. Hal ini dilakukan karena untuk masing-masing algoritma baik PVD maupun PVDM menghasilkan daya tampung yang berbeda-beda pada pemilihan tabel jangkauan yang sama. Untuk jumlah pesan yang disisipkan berbeda, artinya data yang diambil berdasarkan kapasitas maksimum dari masing-masing algoritma baik PVD maupun PVDM. Tentunya berdasarkan analisa sebelumnya algoritma PVDM lebih banyak menampung pesan dibandingkan algoritma PVD.

33

Sedangkan untuk jumlah pesan yang disisipkan sama, hal ini menunjukkan bahwa data yang disisipkan untuk algoritma PVD dan PVDM sama pada pemilihan tabel jangkauan yang sama. Dari analisa sebelumnya berarti data yang diambil untuk disisipkan menggunakan daya tampung pada algoritma PVD, hal ini dikarenakan daya tampung pada algoritma PVD lebih kecil dari pada algoritma PVDM.

4.4.1 Jumlah Pesan yang disisipkan berbeda

Gambar 14 . Nilai PSNR pada Tabel Jangkauan I data berbeda

Berdasarkan Gambar 14 terlihat algoritma PVDM lebih unggul untuk gambar apple,babbon,banana,borobudur, dan sunflower. Sedangkan pada gambar lena,penguin dan pepper nilai PSNR algoritma PVDM lebih kecil jika dibandingkan algoritma PVD . Nilai PSNR algoritma PVDM yang lebih kecil untuk tiga gambar disebabkan karena daya tampung pada algoritma PVDM lebih besar dari pada algoritma PVDM seperti terlihat pada Gambar 11 dan Gambar 12. Tetapi walaupun lebih kecil nilai PSNR yang dihasilkan masih atas 30 menurut Cole(2003) distorsi yang terjadi kecil.

34

Gambar 15 . Nilai PSNR pada Tabel Jangkauan II data berbeda

Pada Gambar 15 terlihat secara umum algoritma PVDM mempunyai nilai PSNR yang lebih kecil dari PVD, kecuali pada gambar penguin nilai PSNR PVDM lebih besar. Nilai PSNR algoritma PVDM yang lebih kecil dari algoritma PVD disebabkan karena daya tampung pada algoritma PVDM lebih besar melihat Gambar 11 dan Gambar 12 kenaikan daya tampung yang terjadi lebih dari 100% kecuali pada gambar baboon dan pepper. Meskipun nilai PSNR algoritma PVDM lebih kecil, tetapi ternyata masih diatas 20 hal ini menurut Cole (2003) distorsi yang terjadi kecil, sebaliknya pada Gambar 15 nilai PSNR algoritma PVD untuk gambar penguin lebih kecil dari 10, ini menunjukkan distorsi yang terjadi pada gambar tersebut sangat besar.

35

Gambar 16. Nilai PSNR pada Tabel Jangkauan III

Berdasarkan Gambar 16 terlihat nilai PSNR algoritma PVDM secara rata-rata lebih kecil dari pada algoritma PVD,jika dikuantitatifkan rata-rata selisihnya hanya 0.1. Walaupun demikian nilai PNSR algoritma PVDM diatas 40, hal ini dua kali dari apa yang disyaratkan Cole(2003) bahwa minimum nilai PSNR yang baik adalah 20. Sehingga dengan begitu algoritma PVDM menghasilkan distorsi yang kecil pada semua gambar percobaan.

Gambar 17. Nilai PSNR pada Tabel Jangkauan IV

36

Berdasarkan Gambar 17 nilai PSNR algoritma PVD lebih besar dari pada algoritma PVDM untuk semua gambar percobaan. Tetapi meskipun begitu algoritma PVDM masih dikatakan baik , karena nilai PSNRnya masih diatas 20 bahkan sampai diatas 40. Jika melihat Gambar I dan Gambar II kenaikan daya tampung rata-rata dari algoritma PVD ke Algoritma PVDM sebesar 198% .

4.4.2 Jumlah Pesan yang disisipkan sama Pada kasus jumlah pesan yang disisipkan sama, bahwa pada masing-masing algoritma baik PVD maupun PVDM menggunakan pesan yang sama untuk tiaptiap tabel jangkauan. Tentunya dalam hal ini jumlah pesan yang disisipkan diperoleh dari algoritma PVD , karena pada algoritma ini jumlah pesan/daya tampung pesan pada tiap-tiap tabel jangkauan baik I,II,III dan IV menghasilkan nilai yang lebih kecil jika dibandingkan algoritma PVDM sehingga secara otomatis daya tampung yang dihasilkan pada algoritma PVD dapat digunakan pada algoritma PVDM untuk tabel yang sama.

Gambar 18 . Nilai PSNR pada Tabel jangkauan I data sama

Pada Gambar 18 diatas menunjukkan bahwa untuk semua gambar algoritma PVDM lebih baik, selisih nilai yang sangat berbeda terjadi pada gambar babbon. Pada gambar penguin selisih nilai relatif sedang dan gambar yang lain nilai PSNR relatif hampir sama dalam hal ini hanya berbeda sedikit. Perbedaan yang besar

37

pada gambar baboon menunjukkan bahwa pada interval [0,7] penggunaan algoritma PVDM lebih baik yang menyebabkan distorsinya menjadi kecil. Begitu juga pada gambar penguin pemilihan algoritma PVDM pada interval [0,7] lebih baik dari pada algoritma PVD, sehingga dapat mengurangi distorsi yang terjadi.

Gambar 19 . Nilai PSNR pada Tabel jangkauan II data sama

Berdasarkan Gambar 19, Nilai PSNR algoritma PVDM lebih kecil dari pada algoritma PVD hanya pada gambar apple dan banana.Hal ini terjadi karena pada Tabel jangkauan II interval [0,7] dibagi kedalam tiga interval R1=[0,1], R2=[2,3] , R3=[4,7], sedangkan pada interval tersebut gambar apple dan banana mempunyai prosesntase yang tinggi. Algoritma PVD akan menghasilkan distorsi yang besar apabila diterapkan ke gambar penguin terlihat pada Gambar 15 nilai PSNRya dibawah 10. Tetapi secara umum pada

Gambar 19 dengan memilih Tabel

Jangkauan II algoritma PVDM sudah tepat, karena memiliki nilai PSNR diatas 40 semua.

38

Gambar 20 . Nilai PSNR pada Tabel jangkauan III data sama

Pada Gambar 20 terlihat secara rata-rata nilai PSNR PVDM masih lebih besar dari pada PVD. PVDM unggul pada gambar babbon,borobudur,penguin dan sunflower, sedangkan PVD unggul pada gambar apple,banana,lena dan pepper. Selisih yang besar terjadi pada gambar borobudur, hal ini disebabkan gambar borobudur pada interval [0,7] dominan daripada interval yang lain yaitu [0,255] lihat lampiran 2,3 dan 4.

Sedangkan untuk gambar pepper sebaiknya

menggunkan algoritma PVD , karena algoritma ini mempunyai PSNR yang lebih tinggi daripada algoritma PVDM. Meskipun begitu penggunaan algoritma PVDM masih tepat , karena algoritma ini mempunyai nilai PSNR yang lebih tinggi dari 20 bahkan >= 40.

39

Gambar 21 . Nilai PSNR pada Tabel jangkauan IV data sama

Pada Gambar 21 menujukkan baik algoritma PVD maupun PVDM keduaduanya cocok jika terapkan pada tabel jangkauan IV. Hal ini terlihat dari nilai PSNR untuk semua gambar diatas 40, yang berarti distorsi antara stego image dan cover image rendah. Perbandingan algoritma PVD dan PVDM dilihat dari segi daya tampung, untuk semua tabel yang dipilih mulai Tabel jangkauan I,II,III,IV algoritma PVDM mempunyai daya tampung yang besar bahkan

persentase kenaikan dapat

mencapai 300 % lebih, terlihat pada Gambar 13 untuk pemilihan Tabel Jangkauan II dan IV. Dari segi PSNR algoritma PVDM relatif lebih tinggi nilai PSNRnya, terutama pada kasus jumlah data yang sama, tetapi pada kasus data yang berbeda, nilai PSNR algoritma PVDM ada beberapa yang lebih kecil dari algoritma PVD. Hal ini disebabkan karena daya tampung algoritma PVDM lebih banyak , sehingga tentunya area yang mengalami perubahaan akan lebih banyak dari pada algoritma PVD dan mengakibatkan distorsi yang relatif besar , walaupun masih dalam batas yang wajar. 4.4.3 Waktu Proses Algoritma PVD dan PVDM Waktu proses algoritma PVD dan PVDM pada proses simulasi sesuai Gambar 22.

40

Gambar 22. Waktu Proses Algoritma PVD vs PVDM pada tabel jangkauan II Berdasarkan Gambar 22 terlihat bahwa algoritma PVDM relatif lebih cepat dari pada algoritma PVD. Hanya pada gambar Babbon dan pepper waktu proses algoritma PVDM lebih lama dari PVD. Sedangkan untuk tabel jangkauan I,III dan IV dapat dilihat pada lampiran 6 dan 7. Pada tabel jangkauan I algoritma PVD lebih cepat untuk semua data sedangkan pada tabel jangkauan yang lain kecepatan algotitma PVDM dengan PVD relatif berimbang. 4.5 Evaluasi Kinerja Subjektif Algoritma PVDM Evaluasi kinerja subjektif dilakukan dengan cara kuisioner. Responden yang dipilih terbagi dalam dua kelompok. Kelompok pertama responden yang bergerak dalam bidang komputer dalam hal ini berlatar belakang pendidikan komputer dan kedua responden yang tidak bergerak dalam bidang komputer. Jumlah responden yang diambil masing-masing sebanyak 30 dari bidang komputer dan bukan bidang komputer.

41

Tabel 4. Ringkasan hasil penilaian subyektif Sangat Mirip Algoritma

PVD

PVDM

Bidang Kerja Komputer Tidak Komputer Komputer Tidak Komputer

Mirip

Tabel Jangk. I 27%

Tabel Jangk. II 25%

Tabel Jangk. III 25%

Tabel Jangk. IV 26%

Tabel Jangk. I 73%

Tabel Jangk. II 75%

Tabel Jangk. III 75%

Tabel Jangk. IV 74%

25% 26%

26% 25%

25% 23%

29% 26%

75% 74%

74% 75%

75% 77%

71% 74%

27%

26%

23%

26%

73%

74%

77%

74%

Berdasarkan Tabel 4 terlihat dengan algoritma PVD bahwa secara rata-rata responden yang tidak bekerja di bidang komputer lebih dari 70% menilai bahwa gambar sebelum dengan sesudah disisipkan pesan mirip dan sisanya kurang dari 30% mengatakan sangat mirip. Hal yang hampir sama terjadi pada responden yang bekerja dibidang komputer. Tabel 4 terlihat dengan algoritma PVDM responden yang tidak bekerja dalam bidang komputer menilai lebih dari 70% mengatakan gambar sebelum dan sesudah disisipkan pesan mirip sisanya sekitar 30% menilai sangat mirip. Hal yang hampir sama terjadi pada responden yang bekerja dibidang komputer.

SIMPULAN DAN SARAN

5.1. Simpulan

Melalui penelitian perbaikan dan kinerja algoritma PVD dapat disimpulkan : 1. Algoritma PVDM mampu meningkatkan kapasitas penyimpanan dan tetap mempertahankan kualitas dari citra. Distorsi antara media sebelum dan sesudah disisipkan pesan cukup kecil dimana nilai PSNR diatas 36. 2. Karakteristik data sangat berpengaruh pada kinerja algoritma PVD dan PVDM dalam memperoleh daya tampung dan nilai PSNR. 3. Algoritma PVDM berjalan baik untuk semua tabel jangkauan yang pilih. Hal ini ditunjukkan dengan nilai PSNR yang berada diatas 36. 4. Pemilihan tabel mempegaruhi distorsi pada masing-masing algoritma, baik PVD maupun PVDM. Tetapi pada pemilihan Tabel jangkauan I kinerja algoritma PVDM selalu lebih baik dari pada algoritma PVD baik untuk data besar maupun data kecil. 5. Penilaian secara subjektif dan objektif untuk semua tabel jangkuan dan daya tampung pesan menghasilkan nilai yang hampir sama.

5.2 Saran 1.

Algoritma PVDM hanya mengubah daerah dengan selisih pixel kecil interval [0, 7], penelitian selanjutnya dapat diterapkan pada interval yang lebih besar.

2.

Untuk penelitian selanjutnya dapat dicari tabel yang lebih tepat lagi, sehingga untuk data yang besar distorsi tidak banyak mengalami perubahan.

DAFTAR PUSTAKA Aczel, Amir D (2002). Complete Business Statistics, 5th edition , McGraw-Hill, New York. Awad kh. Al-Asmari and Owayed A. Al-Ghamdi. 2006. High Capacity Data Hiding Using Semi-Hexagonal Pixel Value Differencing [tempat tidak diketahui] Avcidas, Ismail. 2001. Image Quality Statistics and Their Use In Steganalysis and Compression. http://www.busim.ee.boun.edu.tr/~image/thesis/avcibas.pdf [2 Agustus 2008] Busch, C, Wolfgang Funk, Stephen Wolthusen. (1999). Digital Watermarking : Form Concept to Real-Time Video Applications. IEEE Computer Graphic and Applications. http://debut.cis.nctu.edu.tw/~babycat/present/watermarking0523.pdf [10 Maret 2008] Cole Eric. 2003. Hiding in Plain Sight : steganography and the Art of Covert Communication. Wiley Publishing, Inc , Indiana, USA D.C. Wu and W.H. Tsai, 2003. A steganographic method for images by pixelvalue differencing, Pattern Recognition Letters 24 : 1613–1626. Gerson F, Sutanto D, Darmawan A, 2005. Analisis dan Perancangan Algoritma Steganography untuk penyampaian informasi rahasia melalui image, Skripsi S1 Jurusan Teknik Informatika , Fasilkom UBINUS Gonzales, R.C., Richard E. Woods. 2002. Digital Image Processing. Addison Wesley. Publishing Company, New York, USA Hair, Joseph. Robert P. Bush, David J. Ortinau. (2006). Marketing Research. McGraw-Hill, New York Johnson N.F. 1998. Steganography. http://www.jjtc.com/stegdoc/ [10 Mar 2008] Kessler, Gary.C. 2001. An overview of Steganography for the Computer Forencics Examiner. http://www.garykessler.net/library/fsc_stego.html [11 Apr 2008] Kolkata 2005. Different Approaches of Steganalysis. http://www.tifr.res.in/~sanyal/papers/Soumyendu_Steganography_Steganalysi s_different_approaches.pdf [10 Mar 2008]

44

Ranggo, Michael T. 2000. Steganography, Steganalysis & Criptanalysis. http://www.spy-hunter.com/Steganography_V7.0_DefCon_V3_S.pdf [11 Apr 2008] Sekaran, Umar (2003). Research Methods for Business, John Wiley & Sons, Inc, United of States. T. Molker, J.H.P Elloff , M.S. Oliver 2005. An Overview of Image Steganography, http://martinolivier.com/open/stegoverview.pdf [11 [10 Mar 2008] Zollner, J., H.Federrath, H.Klimant, A.Pfitzmann, R.Piotraschke,A.Westfeld, G.Wicke, G.Wolf (1998). Modeling the security of steganographic systems.

45 Lampiran 1 Informasi media pembawa Nama File

Format Cover

Ukuran Cover

Dimensi Cover

Apple.bmp

BMP

714 KB

450 x 540

Banana.bmp

BMP

622 KB

530 x 400

Babbon.bmp

BMP

769 KB

512 x 512

Borobudur.bmp

BMP

178 KB

200 x 202

Lena.bmp

BMP

769 KB

512 x 512

Penguin.bmp

BMP

87 KB

135 x 218

Pepper.bmp

BMP

769 KB

512 x 512

Sunflower.bmp

BMP

156 KB

187 x 283

Borobudur.bmp

Sunflower.bmp

Pepper.bmp

Banana.bmp

Apple.bmp

Lena.bmp

Babbon.bmp

Penguin.bmp

46

Lampiran 2 Prosentase penyebaran selisih pixel red Selisih Pixel

Apple

%

0

31081

4472

71505

14266

12970

1930

5984

7628

1

38157

8494

8267

6304

23138

2355

11776

3285

2

21087

8023

6072

2552

19344

1694

11731

2016

3

10930

7377

4563

1230

15195

1147

11246

4

6119

6746

3307

881

11361

963

10659

1275

5

4158

6253

2526

599

8636

794

9826

1120

6

2609

5640

1917

521

6518

693

9021

1022

7

1991

5363

1479

459

5019

565

8060

790

8

1414

4798

1132

359

4120

521

7190

732

9

1007

4617

907

314

3188

426

6398

692

10

731

4270

672

275

2582

349

5335

552

11

484

4151

515

234

2133

331

4831

12

424

3933

453

194

1840

266

4129

426

13

343

3625

308

182

1497

238

3465

411

14

233

3452

246

160

1331

225

2947

349

15

179

3201

229

137

1166

159

2579

312

16

128

3010

184

125

1090

151

2235

270

17

120

2836

167

105

929

148

1844

266

18

77

2605

138

85

804

139

1543

245

19

49

2438

120

95

734

108

1264

20

40

2261

95

89

645

123

1140

178

21

28

2056

95

77

596

93

950

178

22

23

2006

79

73

510

90

844

149

23

15

1877

57

64

517

71

700

164

>24

16

95

3.9

1

0.1

Baboon

1715

%

40

24

15

21

Banana

63

%

94

4

1

1

Borobudur

51

%

88

6

3

3

Lena

464

%

78

14

4

4

Penguin

80

%

69

17

6

8

Pepper

542

%

60

28

8

4

Sunflower

1632

489

193

161

%

71

15

6

8

47

Lampiran 3 Prosentase penyebaran selisih pixel green Selisih Pixel

Apple % Baboon % banana % Borobudur % Lena % Penguin % Pepper % Green %

0

37058

3755

71470

13279

8898

1962

13067

7766

1

37498

7414

8140

6809

16348

2500

14223

3369

2

17715

7332

5957

2501

14886

1660

13255

2176

3

9303

6806

4340

1296

13399

1196

12296

4

5449

6479

3033

985

11799

969

11002

1303

5

3570

6079

2230

670

9864

814

9636

1124

6

2438

5716

1679

528

8355

679

8346

943

7

1785

5345

1310

479

6839

607

7171

804

8

1423

4862

1027

382

5762

479

5896

724

9

1050

4411

877

347

4685

395

4924

626

10

772

4132

711

274

3729

324

4044

525

11

612

12

452

3632

458

223

2612

235

2961

457

13

389

3425

438

183

2125

219

2417

396

14

357

3262

318

166

1853

184

2070

353

15

339

2938

325

139

1545

169

1680

303

16

264

2714

248

138

1314

161

1422

256

17

218

2638

189

115

1141

154

1253

253

18

178

2461

194

106

1002

126

1091

220

19

147

20

124

2321

161

91

775

107

821

200

21

84

2076

133

81

706

91

679

173

22

65

1910

137

64

630

80

641

162

23

48

1831

124

56

583

67

568

138

> 24

35

94

4

1

1

3996

2372

1770

37

22

1

25

582

203

99

93

4

1

2

271

103

67

89

6

1

4

3111

894

576

69

19

6

6

313

107

84

70

16

6

8

3467

939

483

68

21

6

5

1571

428

222

116

73

14

6

7

48

Lampiran 4 Prosentase penyebaran selisih pixel blue Selisih Pixel Apple % Baboon % Banana % Borobudur % Lena

% Penguin % Pepper % Sunflower %

0

35729

4093

69985

14934

7417

1584

12255

8841

1

36765

7924

5602

5291

13238

2188

13614

3287

2

18190

7341

4686

2648

12837

1671

12894

1990

3

9759

6821

3666

1260

12328

1210

12053

1408

4

6053

6249

2866

917

11076

979

10658

1129

5

4057

5655

2295

610

10155

789

9688

964

6

2743

5221

1800

498

8859

730

8597

833

7

1847

4816

1447

486

7822

652

7461

734

8

1322

4438

1243

370

6623

558

6480

622

9

918

4161

1039

339

5645

459

5255

528

10

801

4027

903

260

4838

384

4501

492

11

624

12

445

3459

764

227

3416

293

3387

395

13

375

3305

618

174

2802

265

2730

342

14

301

3134

573

146

2472

232

2317

314

15

293

2967

529

159

1992

217

1915

278

16

271

2777

507

130

1709

174

1601

235

17

240

2578

438

110

1470

156

1383

223

18

200

2473

400

108

1251

128

1194

235

19

173

20

112

2146

350

91

958

118

849

179

21 22 23 > 24

79 42 39 40

2111 2015 1809 1749

319 271 285 244

57 75 60 69

805 685 576 529

114 108 91 81

745 599 543 495

150 147 152 145

94

4

1

1

3732

2216

37

22

14

27

822

362

87

6

3

4

252

102

88

6

3

3

4119

1098

64

24

7

5

333

153

67

19

7

7

3841

950

67

23

6

4

409

185

73

12

6

9

49 Lampiran 5. Waktu proses algoritma PVD dan PVDM PVD PVDM Tabel Jangkauan I Waktu Waktu (detik) (detik) Gambar Apple Babbon Banana Borobudur lena penguin pepper sunflower

25 27 21 6 27 3 27 5

28 43 22 6 45 4 48 7

PVD PVDM Tabel Jangkauan II Waktu Waktu (detik) (detik) 16 27 15 4 18 2 27 5

7 34 6 1 16 1 30 3

PVD PVDM Tabel Jangkauan III Waktu Waktu (detik) (detik) 25 27 21 6 26 3 27 5

19 38 16 4 33 3 37 5

PVD PVDM Tabel Jangkauan IV Waktu Waktu (detik) (detik) 16 27 15 4 18 2 27 5

9 36 6 2 19 1 34 3

50

L Lampiran 6 Waktu prosees Algoritmaa PVD dan PVDM P Tabeel Jangkauann I 60 0

d e t i k

50 0 40 0 30 0 20 0 10 0 0

L Lampiran 7 Waktu prosees Algoritmaa PVD dan PVDM P Tabeel Jangkauann II

d e t i k

40 35 30 25 20 15 10 5 0

51

Lampiran 8 Waktu proses Algoritma PVD dan PVDM Tabel Jangkauan III 40 35

d e 30 t 25 i k 20 15 10 5 0 Apple

Babbon

Banana Borobudur

lena

penguin

pepper sunflower

Lampiran 9 Waktu proses Algoritma PVD dan PVDM Tabel Jangkauan IV

52

Lampiran 10 Hasil kuesioner algoritma PVD untuk responden yang bekerja tidak di bidang komputer

Gambar

Tabel Jangkauan I Jumlah % 9 Apple 30 8 Babbon 27 5 Banana 17 9 Borobudur 30 8 Lena 27 6 Penguin 20 7 Pepper 23 8 Sunflower 27

Sangat Mirip Mirip Tabel Tabel Tabel Tabel Tabel Tabel Jangkauan Jangkauan Jangkauan Tabel Jangkauan Jangkauan Jangkauan II III IV Jangkauan I II III IV Jumlah % Jumlah % Jumlah % Jumlah % Jumlah % Jumlah % Jumlah % 7 6 10 21 23 24 20 23 20 33 70 77 80 67 7 8 9 22 23 22 21 23 27 30 73 77 73 70 8 6 8 25 22 24 22 27 20 27 83 73 80 73 6 9 8 21 24 21 22 20 30 27 70 80 70 73 7 8 7 22 23 22 23 23 27 23 73 77 73 77 8 7 10 24 22 23 20 27 23 33 80 73 77 67 9 7 9 23 21 23 21 30 23 30 77 70 77 70 10 9 8 22 20 21 22 33 30 27 73 67 70 73

53

Lampiran 11 Hasil kuesioner algoritma PVD untuk responden yang bekerja di bidang komputer

Gambar

Apple Babbon Banana Borobudur Lena Penguin Pepper Sunflower

Tabel Jangkauan I Jumlah % 10 33 7 23 6 20 8 27 9 30 7 23 8 27 9 30

Sangat Mirip Tabel Tabel Jangkauan Jangkauan II III Jumlah % Jumlah % 9 30 7 23 8 27 9 30 7 23 7 23 8 27 8 27 5 17 7 23 7 23 6 20 8 27 8 27 9 30 7 23

Mirip Tabel Jangkauan IV Jumlah % 9 30 8 27 6 20 7 23 8 27 9 30 8 27 7 23


Tabel Jangkauan II Jumlah % 21 70 22 73 23 77 22 73 25 83 23 77 22 73 21 70

Tabel Jangkauan III Jumlah % 23 77 21 70 23 77 22 73 23 77 24 80 22 73 23 77

Tabel Jangkauan IV Jumlah % 21 70 22 73 24 80 23 77 22 73 21 70 22 73 23 77

54

Lampiran 12 Hasil kuesioner algoritma PVDM untuk responden yang tidak bekerja di bidang komputer

Gambar

Tabel Jangkauan I Jumlah % 8 Apple 27 8 Babbon 27 6 Banana 20 9 Borobudur 30 8 Lena 27 7 Penguin 23 9 Pepper 30 10 Sunflower 33

Sangat Mirip Mirip Tabel Tabel Tabel Tabel Tabel Tabel Jangkauan Jangkauan Jangkauan Tabel Jangkauan Jangkauan Jangkauan II III IV Jangkauan I II III IV Jumlah % Jumlah % Jumlah % Jumlah % Jumlah % Jumlah % Jumlah % 7 8 9 22 23 22 21 23 27 30 73 77 73 70 8 8 7 22 22 22 23 27 27 23 73 73 73 77 8 6 7 24 22 24 23 27 20 23 80 73 80 77 9 7 7 21 21 23 23 30 23 23 70 70 77 77 10 10 6 22 20 20 24 33 33 20 73 67 67 80 7 5 10 23 23 25 20 23 17 33 77 77 83 67 8 7 9 21 22 23 21 27 23 30 70 73 77 70 6 5 8 20 24 25 22 20 17 27 67 80 83 73

55

Lampiran 13 Hasil kuesioner algoritma PVDM untuk responden yang bekerja di bidang komputer

Gambar Apple Babbon Banana Borobudur Lena Penguin Pepper Sunflower


Sangat Mirip Tabel Tabel Jangkauan II Jangkauan III Jumlah % Jumlah % 8 27 7 23 7 23 9 30 8 27 7 23 9 30 8 27 6 20 6 20 7 23 5 17 8 27 6 20 6 20 7 23



Mirip Tabel Tabel Jangkauan II Jangkauan III Jumlah % Jumlah % 22 73 23 77 23 77 21 70 22 73 23 77 21 70 22 73 24 80 24 80 23 77 25 83 22 73 24 80 24 80 23 77


56 Lampiran 14 Pertanyaan Kuesioner KUESIONER Kuesioner ini dibuat sebagai tahapan akhir dari penyelesaian (Tesis), dengan tujuan membandingkan gambar asli dengan gambar yang sudah disisipkan pesan. Silahkan memberikan jawaban dengan memberi tanda checklist (√) pada kotak pilihan yang tersedia. Tanggal Pengisian: Nama: Umur: Pekerjaan:

Algoritma PVD No. 1 Stego : Apple.bmp No. 1 2 3 4

Pertanyaan Bagaimana perbandingan kedua gambar tersebut? Bagaimana perbandingan kedua gambar tersebut? Bagaimana perbandingan kedua gambar tersebut? Bagaimana perbandingan kedua gambar tersebut?

No. 2 Stego : Babbon.bmp No. Pertanyaan 1 2 3 4

Bagaimana perbandingan kedua gambar tersebut? Bagaimana perbandingan kedua gambar tersebut? Bagaimana perbandingan kedua gambar tersebut? Bagaimana perbandingan kedua gambar tersebut?

No. 3 Stego : Banana.bmp No. Pertanyaan 1 2 3 4


No. 4 Stego : Borobudur.bmp No. Pertanyaan 1 2 3 4


Tabel Jangka uan I II III IV

Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip

Tabel Jangk auan I II III IV

Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip

57 No. 5 Stego : Lena.bmp No. 1 2 3 4

Pertanyaan


No. 6 Stego : Penguin.bmp No. Pertanyaan 1 2 3 4


No. 7 Stego : Pepper.bmp No. Pertanyaan 1 2 3 4


No. 8 Stego : Sunflower.bmp No. Pertanyaan 1 2 3 4



Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip

Algoritma PVDM No. 9 Stego : Apple.bmp No. Pertanyaan 1 2 3 4


No. 10 Stego : Babbon.bmp No. Pertanyaan 1 2 3 4


58 No. 11 Stego : Banana.bmp No. Pertanyaan 1 2 3 4


No. 12 Stego : Borobudur.bmp No. Pertanyaan 1 2 3 4


No. 13 Stego : Lena.bmp No. Pertanyaan 1 2 3 4


No. 14 Stego : Penguin.bmp No. Pertanyaan 1 2 3 4


No. 15 Stego : Pepper.bmp No. Pertanyaan 1 2 3 4


No. 16 Stego : Sunflower.bmp No. Pertanyaan 1 2 3 4



Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip


Sangat tidak mirip

Tidak mirip

Mirip

Sangat mirip

59 Lampiran 15 Gambar hasil penyisipan algoritma PVD

60 Lampiran 16 Gambar hasil penyisipan algoritma PVDM

61 Lampiran 17 Histogram komponen green (a) gambar sebelum disisipkan pesan (b) gambar sesudah disisipkan pesan

3500

3500

3000

3000

2500

2500

2000

2000

1500

1500

1000

1000

500

500

0

0 0

50

100

(a)

150

200

250

0

50

100

150

(b)

200

250

PERBAIKAN DAN EVALUASI KINERJA ALGORITMA PIXEL- VALUE DIFFERENCING ( PVD) ROJALI

Recommend Documents