STEGANOGRAFI VIDEO ADAPTIF BERBASIS FUZZY PADA SISTEM PENGLIHATAN MANUSIA MENGGUNAKAN TRANSFORMASI DCT
ARIEF HIDAYATULLOH
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
STEGANOGRAFI VIDEO ADAPTIF BERBASIS FUZZY PADA SISTEM PENGLIHATAN MANUSIA MENGGUNAKAN TRANSFORMASI DCT
ARIEF HIDAYATULLOH
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
ABSTRACT ARIEF HIDAYATULLOH. Adaptive Video Steganography Based Fuzzy at Human Visual System Using DCT Transformation. Supervised by ENDANG PURNAMA GIRI. Message delivery on a common channel in the internet are vulnerable to be read by unauthorized party. One of the ways to secure the message is by hiding its existence. This research utilized a video as a media to hide the message. The message is inserted at the DC coefficient of each frame of image that form the video. The insertion of message should consider the human visual system so that other party does not aware of the existence of message. The human eyes are not able to distinguish an image with low luminance and rough texture. Therefore, the message can be inserted more on these parts. In this research, the number of insertion for each DC coefficient is calculated by using fuzzy algorithm with sensitivity of light and sensitivity of texture as the input. It is found that the stego video has PSNR value above 30dB, SSIM value below 0.7, and MOS value 4 (the best value). Keywords: Discrete Cosine Transform, Human Visual System, Luminance, Steganography, Texture.
Judul Skripsi Nama NRP
: Steganografi Video Adaptif berbasis Fuzzy pada Sistem Penglihatan Manusia menggunakan Transformasi DCT : Arief Hidayatulloh : G64080075
Menyetujui: Pembimbing
Endang Purnama Giri, S.Kom., M.Kom. NIP. 19821010 200604 1 027
Mengetahui: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si., M.Kom. NIP. 19660702 199302 1 001
Tanggal Lulus:
PRAKATA Segala puji dan syukur penulis panjatkan ke hadirat Allah Subhanahu wa Ta’ala, karena berkat rahmat dan karunia-Nya penulis dapat menyelesaikan tugas akhir yang berjudul Steganografi Video Adaptif berbasis Fuzzy pada Sistem Penglihatan Manusia menggunakan Transformasi DCT. Penyelesaian tugas akhir ini tidak lepas dari bantuan dan dukungan berbagai pihak. Oleh karena itu, penulis ingin menyampaikan terima kasih kepada: 1
2 3 4 5 6
Ibunda Dedeh Karyanti dan Ayahanda Abdul Mutolib, SE. atas doa restu, dukungan, serta motivasi yang telah diberikan, serta kepada dua adik penulis yaitu Rizki Darmawan dan Ajeng Trihesti. Bapak Endang Purnama Giri, S.Kom., M.Kom. selaku dosen pembimbing yang mencurahkan banyak waktu dan tenaganya untuk membantu penulis menyelesaikan tugas akhir. Bapak Dr. Wisnu Ananta Kusuma, ST., MT. dan Ibu Karlisa Priandana, ST., M.Eng. selaku dosen penguji I dan II . Vininta Ayudiana Fitriani, atas perhatian dan motivasi yang diberikan. Firman, Abrar, Abdul Qifli, Rifky, Hutomo, serta semua rekan-rekan seperjuangan Ilmu Komputer Angkatan 45. Seluruh dosen dan staf Departemen Ilmu Komputer, Institut Pertanian Bogor.
Kepada semua pihak yang telah membantu selama pengerjaan penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu, penulis ucapkan terima kasih. Semoga tugas akhir ini dapat memberikan manfaat.
Bogor, Desember 2012
Arief Hidayatulloh
RIWAYAT HIDUP Penulis lahir di Bogor pada tanggal 25 Januari 1990, dan merupakan anak pertama dari tiga bersaudara dengan ayah Abdul Mutolib dan ibu Dedeh Karyanti. Penulis tinggal di desa Barengkok, Kecamatan Leuwiliang, Kabupatan Bogor. Pada tahun 2008, penulis lulus dari SMAN 1 Leuwiliang dan diterima di Departemen Ilmu Komputer FMIPA IPB melalui jalur USMI. Selama menjadi mahasiswa, penulis aktif sebagai pengurus di UKM Catur IPB dan Himpunan Mahasiswa Ilmu Komputer IPB. Selain itu, penulis juga telah menjadi panitia dari berbagai kegiatan seperti Turnamen Catur IPB 2009 dan 2010, Pesta Sains 2010, Ilkomerz Googling Competition 2010, IPB Searching Competition 2010, dan IT Today 2010. Penulis juga menjadi asisten praktikum dari Mata Kuliah Algoritme dan Pemrograman, Sistem Operasi, dan Rekayasa Perangkat Lunak.
DAFTAR ISI Halaman DAFTAR TABEL........................................................................................................................... vi DAFTAR GAMBAR ...................................................................................................................... vi PENDAHULUAN Latar Belakang .............................................................................................................................. 1 Tujuan Penelitian ........................................................................................................................... 1 Ruang Lingkup Penelitian .............................................................................................................. 1 TINJAUAN PUSTAKA Steganografi .................................................................................................................................. 1 Discrete Cosine Transform (DCT).................................................................................................. 2 Sistem Penglihatan Manusia........................................................................................................... 2 Peak Signal to Noise Ratio (PSNR) ................................................................................................ 3 Structural Similarity (SSIM) .......................................................................................................... 3 METODE PENELITIAN Perancangan Skema Penyisipan dan Ekstraksi ................................................................................ 4 Implementasi ................................................................................................................................. 4 Eksperimen dan Analisis ................................................................................................................ 4 HASIL DAN PEMBAHASAN Skema Penyisipan .......................................................................................................................... 4 Skema Ekstraksi Pesan................................................................................................................... 7 Eksperimen dan Analisis ................................................................................................................ 7 KESIMPULAN DAN SARAN Kesimpulan ................................................................................................................................... 9 Saran ............................................................................................................................................. 9 DAFTAR PUSTAKA ...................................................................................................................... 9
v
DAFTAR TABEL Halaman 1 2 3 4 5
Waktu eksekusi penyisipan dan ekstraksi pesan .............................................................................. 8 ANOVA ........................................................................................................................................ 8 Nilai MPSNR ................................................................................................................................ 8 Nilai MSSIM ................................................................................................................................. 8 Kapasitas ....................................................................................................................................... 9
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8
Skema penyisipan .......................................................................................................................... 5 Grafik fungsi keanggotaan texture.................................................................................................. 5 Grafik keanggotaan luminance ....................................................................................................... 6 Grafik keanggotaan penyisipan ...................................................................................................... 6 Contoh gambar asli ........................................................................................................................ 7 Contoh gambar steganografi .......................................................................................................... 7 Skema ekstraksi ............................................................................................................................. 7 Grafik waktu penyisipan dan ekstraksi ........................................................................................... 8
vi
1
PENDAHULUAN Latar Belakang Pengiriman data melalui jalur umum di Internet sangat rentan dengan pencurian informasi. Keamanan data menjadi salah satu isu yang masih digali saat ini. Pengamanan data di jalur umum dapat menggunakan kriptografi maupun steganografi. Kriptografi memerlukan protokol yang harus tahan dari pencurian. Kriptografi dengan jelas memperlihatkan bahwa dalam satu data terdapat informasi sehingga kriptanalis dapat dengan mudah mengetahuinya. Kriptografi mencakup integritas, otentifikasi, dan non-repudiasi (Schneier 1996). Berbeda dari kriptografi, tujuan utama steganografi ialah mengamankan informasi dengan cara menyembunyikan informasi tersebut. Steganografi berusaha menyembunyikan fakta bahwa ada informasi rahasia di suatu data sehingga kriptanalis hanya menganggap data tersebut sebagai data biasa. Kata steganografi berasal dari bahasa Yunani yaitu steganos yang artinya “tersembunyi” dan graphein yang artinya “menulis” (Cox et al. 2008). Salah satu media penyimpanan steganografi ialah gambar. Penyisipan data pada gambar harus menjaga agar gambar tersebut tidak banyak berubah dari gambar aslinya terutama jika ditangkap oleh mata manusia. Kaewkamnerd dan Rao (2000) mengusulkan metode penyisipan data watermarking pada DWT (Discrete Wavelet Transform) gambar dengan memerhatikan sistem penglihatan manusia. Cara penyisipan data disesuaikan dengan kelemahan sistem penglihatan manusia pada frekuensi, pencahayaan, dan tekstur. Sakr et al. (2006) menyempurnakan teknik watermarking pada DWT gambar dengan menambahkan metode fuzzy inference yang menghasilkan sembilan rule penyisipan data berdasarkan sistem penglihatan manusia. Oueslati et al. (2010) melanjutkan penelitian tersebut untuk memberi watermarking pada gambar berbasis DCT (Discrete Cosine Transform). Penelitian ini menggunakan video yang merupakan kumpulan gambar sebagai media penyimpanan data. Penyisipan data memerhatikan aspek sistem penglihatan
manusia sehingga diharapkan perubahan gambar tidak terlalu terlihat oleh mata manusia. Tujuan Penelitian Penelitian ini menggunakan DCT pada gambar dalam penyisipan data. Tujuan penelitian ini yaitu: 1 Mengimplementasikan steganografi pada video menggunakan aturan fuzzy terhadap Human Visual System untuk perhitungan jumlah bit yang dapat disisipi. 2 Menganalisis perbandingan citra asli dengan citra yang telah disisipi informasi. Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini sebagai berikut: 1
2 3
Data media yang digunakan dalam penelitian ini adalah video berformat AVI dengan encoder PNG. Data sisipan yang digunakan dalam penelitian ini adalah data teks. Penyisipan pesan rahasia hanya dilakukan pada tampilan visual video.
TINJAUAN PUSTAKA Steganografi Steganografi merupakan seni dan ilmu menyembunyikan komunikasi dengan cara menyisipkan konten tersembunyi pada cover media sehingga tidak menimbulkan kecurigaan eavesdropper (penyadap). Selain untuk menjaga kerahasiaan informasi hingga sampai pada tujuan, steganografi juga mengusahakan keamanan dan kapasitas yang tinggi. Seringkali informasi tersembunyi tersebut sangat rapuh. Sedikit modifikasi yang dilakukan pada stego media dapat menghancurkan informasi tersebut. Agar steganografi tetap tidak terdeteksi, cover media yang belum dimodifikasi harus dirahasiakan. Jika cover media terekspos, dengan membandingkan perubahan yang terjadi antara cover media dan stego media, pesan rahasia dapat dengan mudah terungkap (Provos & Honeyman 2003). Dalam steganografi, terdapat beberapa istilah umum sebagai berikut (Johnson & Jajodia 1998):
2
1 Embedding data Embedding data merupakan pesan rahasia yang akan disembunyikan atau disisipkan di dalam suatu cover media. Pesan dapat berupa plaintext, ciphertext, gambar, atau apapun yang dapat disisipkan di dalam bit stream. Pesan yang disisipkan ke dalam cover media harus tidak dapat dipersepsi oleh mata manusia (imperceptible). 2 Cover media Cover media merupakan media yang akan menampung informasi yang akan disembunyikan. Cover media dapat berupa teks, gambar, video, maupun audio yang dapat dimodifikasi tanpa merusak integritas dari media itu sendiri. 3 Stego media Stego media merupakan gabungan dari cover media dan embedding data. Stego media harus memenuhi kriteria fidelity, yaitu tidak boleh berbeda jauh dengan cover media aslinya. Perubahan kualitas dari cover media ke stego media juga tidak boleh terlihat secara visual. Dengan demikian, pesan rahasia yang disisipkan di dalam cover media tidak terungkap. 4 Stego key Stego key merupakan kunci rahasia untuk menyembunyikan suatu informasi tertentu. Informasi rahasia yang disembunyikan tersebut harus dapat diperoleh kembali oleh penerima (recovery). Stego key juga dapat digunakan untuk mendapatkan kembali informasi rahasia tersebut (decode). Menurut Cox et al. (2008), steganografi dikatakan sukses jika pesan rahasia tidak terdeteksi. Tujuan utama dari steganografi ialah menyembunyikan fakta bahwa komunikasi rahasia hadir dalam sebuah komunikasi yang tidak mencurigakan . Discrete Cosine Transform (DCT) Metode DCT termasuk transform domain, karena cover media dan payload-nya akan ditransformasikan menjadi domain frekuensi. DCT menggunakan fungsi kosinus, sehingga matriks yang dihasilkan bergantung dari frekuensi horizontal, diagonal, maupun vertikal. Perhitungan DCT dapat dilihat pada Persamaan 1.
Persamaan 1 (i ) √
( ) ( )∑∑ (
) o [
dengan C(u)={√
(
)
i
u
i
u
][
(
)
]
Keterangan: D(i,j) = koefisien DCT pada piksel ke-i, j dalam makroblok tertentu. Pada persamaan 1 di atas, p(x,y) merupakan elemen dari suatu matriks p. N adalah ukuran suatu blok yang diterapkan perhitungan DCT. Sebagai contoh misalkan masing-masing blok terdiri atas 8x8 piksel, maka N bernilai 8 (Wallace 1991). Perhitungan DCT untuk setiap makroblok dapat pula dilakukan dengan menggunakan matriks DCT. Pada tahap pertama, dicari matriks T dengan menggunakan Persamaan 2. Matriks T merupakan matriks yang digunakan untuk menghitung koefisien DCT. Persamaan 2 √
Ti,j = {
√
o [
(
]
Setelah matriks T didapat, koefisien DCT berupa matriks D dapat dihitung dengan perkalian matriks pada Persamaan 3. Untuk menghitung invers DCT (IDCT) atau M, dapat digunakan Persamaan 4. Persamaan 3 T M T’ Persamaan 4 M
T’
T
T’ berup transpose dari matriks T yang didapat dari Persamaan 2, sedangkan M merupakan matriks makroblok yang akan diubah menjadi koefisien DCT (Sayood 2006). Sistem Penglihatan Manusia Mata manusia memiliki lensa yang dapat memfokuskan objek ke dalam retina di belakang mata. Retina memiliki dua reseptor yaitu sel batang dan sel kerucut. Sel batang lebih sensitif terhadap cahaya daripada sel
3
kerucut. Di tempat rendah penerangan, penglihatan manusia sangat bergantung pada sel batang ini (Cox et al. 2008). Beberapa celah kelemahan mata manusia yang dapat dimanfaatkan yaitu (Oueslati et al. 2010): 1 Sensitivitas Pencahayaan (Lk) Mata manusia sensitif terhadap gambar jika keadaan cahayanya cerah, sedangkan kurang sensitif ketika pencahayaannya gelap. Pengukuran sensitivitas pencahayaan dapat menggunakan Persamaan 5. Persamaan 5 ( ̅̅̅̅̅ )
T
xy
( (
Peak Signal to Noise Ratio (PSNR) adalah perbandingan antara nilai maksimum dari sinyal yang diukur dengan besarnya error yang berpengaruh pada sinyal tersebut. Untuk menentukan PSNR, terlebih dahulu harus ditentukan nilai rata-rata kuadrat dari error (MSE - Mean Square Error). Perhitungan MSE dapat dilakukan dengan Persamaan 7. Persamaan 7 n
S
n
‖
∑ ∑‖ ( ) (
Keterangan:
adalah koefisien DC dari blok ke-k. ̅̅̅̅̅ adalah nilai absolut dari rata-rata nilai semua koefisien DC. Nilai berguna untuk mengatur derajat sensitivitas pencahayaan. Nilai ditetapkan sebesar 0.649 (Oueslati et al. 2010). 2 Sensitivitas Tekstur (Tk) Mata manusia dapat melihat perubahan jika suatu blok gambar memiliki tekstur yang homogen. Sebaliknya, mata manusia tidak bisa melihat perubahan jika suatu blok gambar memiliki tekstur yang heterogen. Sensitivitas tekstur dapat diperkirakan dengan kuantisasi koefisien DCT dari suatu gambar dengan menggunakan tabel kuantisasi JPEG. Tk dapat dihitung menggunakan Persamaan 6. Persamaan 6 ∑ on ([
Peak Signal to Noise Ratio (PSNR)
MSE m n I(i,j) K(i,j)
= Nilai Mean Square Error dari gambar tersebut = panjang gambar tersebut (dalam piksel) = lebar gambar tersebut (dalam piksel) = nilai bit gambar asli pada koordinat i,j = nilai bit gambar modifikasi pada koordinat i,j
Nilai PSNR untuk gambar loosy compression yang diterima berkisar antara 3050 dB. Nilai PSNR besar menunjukkan tingkat kesalahan yang kecil, sehingga nilai PSNR semakin besar semakin baik. Nilai PSNR dapat dihitung dengan menggunakan Persamaan 8. Persamaan 8
) ]) )
. log {
S
}
Keterangan: (
)
[
]
( ) merepresentasikan lokasi di blok ke-k dan cond(R) didapatkan dari pembulatan R yang mengembalikan nilai ‘ ’ i nil iny ti m eng n nol dan bernilai ‘ ’ i eb li ny . 3 Sensitivitas Frekuensi (Fk) Penyisipan data di frekuensi rendah akan mudah terdeteksi mata. Semakin tinggi frekuensi, semakin banyak bit yang dapat disisipi.
MAXI
= nilai piksel maksimum pada gambar I.
MSE
= Mean Square Error, yang menunjukkan rata-rata noise yang terjadi antara gambar I dan gambar K.
Structural Similarity (SSIM) PSNR menggunakan MSE yang perhitungan kesalahannya hanya diambil dari selisih dua gambar tanpa memperhitungkan persepsi manusia terhadap perubahan gambar. SSIM dirancang untuk memperbaiki metode PSNR yang tidak konsisten dengan persepsi mata manusia (Wang et al. 2004). Nilai SSIM dapat dihitung dengan Persamaan 9.
4
Persamaan 9 M(
)
( (
ekstraksi pesan. Ekstraksi pesan dilakukan pada nilai DCT dengan menggunakan kunci.
)(
Implementasi
)(
Keterangan: SSIM(x,y) x y µx µy
C2 L k1 k2
= = = = = = = = = = = = =
SSIM dari gambar x dan y gambar asli gambar modifikasi nilai rataaan dari x nilai rataan dari y nilai varian dari x nilai varian dari y nilai kovarian dari x dan y (k1L)2 (k2L)2 2 #bit per piksel – 1 0.01 0.03 (default)
Untuk video, perbandingan dilakukan terhadap hasil mean SSIM (MSSIM) dari setiap frame. Hasil MSSIM yang baik adalah dengan nilai di atas 0.7.
METODE PENELITIAN
1 Perancangan Skema Penyisipan Ekstraksi. 2 Implementasi. 3 Eksperimen dan Analisis.
dan
Perancangan Ekstraksi
dan
Penyisipan
Perangkat lunak: Windows 7 Professional 64bit sebagai sistem operasi. XAMPP 1.7.4 yang berisi PHP 5 dan Apache 2. FFMPEG 64bit sebagai aplikasi pemecah dan penggabungan frame gambar dari dan ke video. NetBeans IDE 7.1 sebagai editor. Perangkat keras: Processor Intel Core i3. RAM 8 GB. Harddisk 500 GB. Eksperimen dan Analisis
Penelitian ini mengembangkan aplikasi penyisipan data teks dalam DCT dengan menggunakan logika fuzzy. Aplikasi terdiri atas penyisipan dan ekstraksi pesan rahasia. Penelitian ini akan melalui tahapan sebagai berikut:
Skema
Tahapan implementasi yaitu penerapan hasil perancangan skema penyisipan dan ekstraksi pada aplikasi. Aplikasi yang dibuat menggunakan bahasa pemrograman PHP dengan bantuan aplikasi ffmpeg untuk pemecahan dan penggabungan frame gambar. Pada penelitian ini digunakan perangkat keras dan perangkat lunak sebagai berikut:
Pada tahapan ini dilakukan perancangan skema penyisipan dan ekstraksi pesan. Penyisipan dan ekstraksi pesan dari video dilakukan dengan terlebih dahulu memecah video menjadi kumpulan frame gambar. Penyisipan pesan dilakukan pada nilai koefisien DC dengan terlebih dahulu menghitung jumlah penyisipannya. Jumlah penyisipan dihitung dengan menggunakan perhitungan fuzzy dengan input luminance dan texture serta output jumlah penyisipan. Hasil perhitungan disimpan dalam berkas teks. Berkas tersebut adalah kunci untuk proses
Pada tahapan ini dilakukan eksperimen dan analisis pada:
Waktu proses penyisipan dan ekstraksi. Peak Signal to Noise Ratio (PSNR). Structural Similarity (SSIM). Mean Opinion Score (MOS). Kapasitas pesan sisipan.
Eksperimen dan analisis diharapkan dapat menjadi patokan tentang efisiensi dan efektivitas penelitian ini.
HASIL DAN PEMBAHASAN Pada penelitian ini, steganografi dilakukan dengan menerapkan teknik penyisipan pada nilai koefisien DC dari transformasi DCT. Jumlah penyisipan bit akan berbeda untuk setiap koefisien DC karena dihitung secara fuzzy berdasarkan sistem penglihatan manusia. Skema Penyisipan Skema penyisipan dilakukan setelah ekstraksi video menjadi kumpulan citra. Skema penyisipan dapat dilihat pada Gambar 1.
5
2
Jika pencahayaan cerah dan tekstur sedang maka penyisipan 1. Jika pencahayaan sedang dan tekstur halus maka penyisipan 1. Jika pencahayaan sedang dan teksur sedang maka penyisipan 2. Jika pencahayaan gelap dan tekstur halus maka penyisipan 2. Jika pencahayaan cerah dan tekstur kasar maka penyisipan 2. Jika pencahayaan gelap dan tekstur sedang maka penyisipan 3. Jika pencahayaan sedang dan teksur kasar maka penyisipan 3. Jika pencahayaan gelap dan tekstur kasar maka penyisipan 4.
3 4 5 6 7 8 9
µ (Tk)
Sensitivitas Texture
1
1
Penyisipan data dilakukan pada citra hasil ekstraksi video. Video diekstrak menjadi beberapa berkas citra. Berkas citra dibagi menjadi 3 layer, yaitu red, green, dan blue (RGB). Setiap layer dibagi menjadi beberapa blok yang setiap blok terdiri atas 8x8 piksel. Perhitungan transformasi DCT hanya bisa dilakukan pada nilai antara -128 sampai 127 sehingga setiap nilai piksel harus dikurangi dengan 128. Setelah itu dilakukan perhitungan DCT.
0
0
Setelah dilakukan perhitungan DCT, tahap selanjutnya ialah perhitungan sensitivitas pencahayaan (Lk) dan sensitivitas tekstur (Tk) dari setiap blok, kemudian dilakukan perhitungan FIS (Fuzzy Inference System) untuk menentukan jumlah bit yang akan disisipi pada blok matriks tersebut. Pencahayaan (luminance) Lk terdiri atas 3 kelas, yaitu gelap, sedang, dan cerah. Seperti halnya pencahayaan, tekstur (Tk) terdiri atas 3 kelas, yaitu halus, sedang dan kasar. Output dari FIS ialah kelas penyisipan yang dibagi menjadi 5 kelas, yaitu kelas 0, 1, 2, 3, dan 4 yang melambangkan jumlah bit yang dapat disisipi berturut-turut sejumlah 0, 1, 2, 3, dan 4 bit. Perhitungan FIS dilakukan pada setiap makroblok. Model yang digunakan ialah Fuzzy Mamdani dengan bentuk keanggotaan segitiga. Rule yang digunakan dalam FIS sebagai berikut: 1
Jika pencahayaan cerah dan tekstur halus maka penyisipan 0.
Sedang
Halus
Gambar 1 Skema penyisipan.
Kasar
2 4 6 8 Tk 2 2 2 Gambar 2 Grafik fungsi keanggotaan texture. Untuk menghitung texture, digunakan Persamaan 6. Nilai texture memiliki nilai e nggot n “h lu ” “ e ng” dan “ r”. Grafik fungsi keanggotaan texture (µ(Tk)) dapat dilihat pada Gambar 2, sedangkan persamaan fungsi keanggotaannya dapat dilihat pada Persamaan 10. Persamaan 10 T halu
(T )
T
{
T T
T an
(T )
T T
{
T b
t uT
T aa
(T )
T {
T T
6
Nilai luminance (Lk) memiliki nilai e nggot n “gelap” “ e ng” dan “terang”. Fungsi keanggotaan luminance (µ(Lk)) digambarkan dengan grafik pada Gambar 3 dan perhitungannya menggunakan Persamaan 11.
mengembalikan ke nilai piksel awal maka setiap piksel ditambahkan dengan 128.
Penyisipan
µ(Ok)
Sensitivitas Luminance
µ(Lk)
1
2
4
3
1
1
Sedang
Gelap
0
Cerah
1 1
0
0 0
0 0 -1
-2
0
1
2
Lk
Gambar 3 Grafik keanggotaan luminance.
Persamaan 11
la
( )
{
( )
ah
( )
3
4
Ok
Gambar 4 Grafik keanggotaan penyisipan. Persamaan 12 (
) {
(
)
a {
2
a
( an
1
t u
(
Setelah dilakukan perhitungan fuzzy, dilakukan penyisipan data terhadap nilai DCT yang didapatkan dari Persamaan 3. Jumlah penyisipan untuk setiap makroblok yang berupa data linear disimpan dalam format serial. Data ini berfungsi sebagai kunci. Setelah dilakukan penyisipan, dilakukan proses IDCT untuk setiap makroblok. Karena pada proses perhitungan koefisien DCT sebelumnya setiap piksel dikurangi 128, maka setelah perhitungan IDCT, untuk
(
(
t u
{
t u
{
t u
)
{
Output dari rule ialah jumlah penyisipan. Suatu kelas output ke-i merupakan kelas yang pada koefisien DC-nya disisipi i bit dengan i = {0, 1, 2, 3, 4}. Fungsi keanggotaan penyisipan dapat dilihat pada Persamaan 12 dan grafiknya dapat dilihat pada Gambar 4. Untuk menghitung output, digunakan perhitungan fuzzy inference system dengan rule yang telah disebutkan sebelumnya.
{
)
) {
Setelah dilakukan IDCT dan penambahan 128, nilai setiap layer RGB dapat berada di luar range 0-255. Sebelum disimpan dalam berkas PNG, nilai piksel setiap frame harus disesuaikan. Nilai piksel di bawah 0 akan dijadikan 0 dan nilai piksel di atas 255 akan dijadikan 255. Dengan adanya perubahan nilai itu, maka jika dilakukan perhitungan DCT ulang, nilai koefisien DC tidak sama dengan nilai koefisien DC sisipan. Untuk mengatasi perbedaan nilai koefisien DC tersebut, dilakukan perhitungan selisih antara koefisien
7
DC yang telah disisipi dan disimpan dalam berkas dengan nilai koefisien DC yang benar. Nilai selisih tersebut disimpan dalam berkas delta untuk setiap frame.
dikumpulkan dan dikonversi menjadi teks yang berisi pesan rahasia.
Gambar 5 Contoh gambar asli.
Gambar 7 Skema ekstraksi. Eksperimen dan Analisis
Gambar 6 Contoh gambar steganografi. Penyisipan dilakukan satu-persatu pada setiap frame video. Contoh gambar asli dapat dilihat pada Gambar 5 dan contoh gambar yang telah disisipi dapat dilihat pada Gambar 6. Skema Ekstraksi Pesan Ekstraksi pesan rahasia memerlukan stego video, kunci, dan delta. Skema ekstraksi pesan dapat dilihat pada Gambar 7. Proses pertama ekstraksi ialah pemecahan stego video menjadi frame-frame citra PNG. Setelah didapatkan frame, setiap frame dibaca dan dibagi menjadi tiga layer, yaitu red, green, dan blue. Setelah itu, setiap layer dibagi menjadi makroblok 8x8 dan setiap piksel dikurangi 128 lalu dilakukan perhitungan DCT. Setelah itu, nilai koefisien ditambahkan dengan delta. Setelah ditambahkan delta, diambil n bit terakhir dengan n diambil dari kunci. Hasil ekstraksi
Dalam eksperimen dan analisis pada penelitian ini, digunakan cover video dengan jumlah frame yang berbeda. Pesan yang akan disisipkan ialah berkas “pesan.txt” dengan ukuran 325KB yang berisi teks alfanumerik. Cover video menggun n ‘rhino . vi’ dengan berbagai ukuran sesuai dengan jumlah frame. Jumlah frame yang digunakan sebagai berikut:
10 frame berukuran 1103 KB, 30 frame berukuran 3502 KB, 50 frame berukuran 6398 KB, 70 frame berukuran 8879 KB, 90 frame berukuran 10843 KB, dan 110 frame berukuran 12980 KB.
Ekseperimen pertama ialah perhitungan waktu eksekusi penyisipan dan ekstraksi. Pehitungan waktu eksekusi menggunakan nilai rata-rata dari tiga kali hasil percobaan. Waktu eksekusi penyisipan dan ekstraksi data yang dapat dilihat pada Tabel 1 dan grafiknya dapat dilihat pada Gambar 8. Dengan menggunakan regresi linear, didapatkan bahwa perhitungan waktu penyisipan dapat dilakukan dengan Persamaan 13 dan perhitungan waktu ekstraksi dapat dilakukan dengan Persamaan 14.
8
Tabel 1 Waktu eksekusi penyisipan dan ekstraksi pesan Jumlah frame
Waktu penyisipan (detik) 218.0304729 647.048398 1067.481911 1467.292995 1893.296728 2359.795811
10 30 50 70 90 110
Fhitung > Ftabel sehingga dapat disimpulkan ada perbedaan signifikan antara waktu sisip dan waktu ekstraksi pesan. Waktu ekstraksi pesan lebih cepat daripada penyisipan karena dalam ekstraksi tidak dilakukan perhitungan jumlah penyisipan dengan fuzzy. Ekstraksi pesan hanya menggunakan kunci yang berisi jumlah bit yang disisipi untuk setiap makroblok.
Waktu ekstraksi (detik) 26.8848 81.324 137.5935 189.8072 246.0755 303.1012
Eksperimen selanjutnya dilakukan untuk menghitung nilai PSNR. Pada penelitian ini, nilai PSNR dihitung pada setiap frame gambar dengan membandingkan video asli dengan stego video. Setelah didapatkan nilai PSNR untuk setiap frame, dihitung nilai mean PSNR (MPSNR). Setelah dilakukan perhitungan kualitas video menggunakan PSNR didapatkan hasil yang dapat dilihat pada Tabel 3. Pada Tabel 3, terlihat nilai rata-rata PSNR berada di atas 30 dB. Dengan demikian dapat disimpulkan kualitas gambar dalam PSNR sangat baik.
Waktu (detik)
Waktu Penyisipan dan Ekstraksi 2500 2000 1500 1000 500
Tabel 3 Nilai MPSNR
0 10
30
50
70
90
110
Jumlah frame 10 30 50 70 90 110
Jumlah frame Waktu Penyisipan
Waktu Ekstraksi
Gambar 8 Grafik waktu penyisipan dan ekstraksi
MPSNR 52.63384 48.47949 46.44294 45.06572 44.03776 43.21126
Persamaan 13 .
Sebagai perbandingan nilai PSNR, dilakukan perhitungan SSIM. Seperti halnya pada perhitungan PSNR, perhitungan SSIM dilakukan pada setiap frame lalu dihitung nilai rata-ratanya. Hasil perhitungan mean SSIM (MSSIM) dapat dilihat pada Tabel 4.
.
Persamaan 14 n a b lan
.
.
Tabel 4 Nilai MSSIM
Keterangan: y = waktu eksekusi (detik) x = jumlah frame
Jumlah frame 10 30 50 70 90 110
Hubungan antara waktu sisip dan waktu ekstraksi dihitung dengan menggunakan Analisys of Variance (ANOVA). Hasil perhitungan ANOVA dapat dilihat pada Tabel 2. Perhitungan ANOVA menunjukkan
MSSIM 0.738484 0.697143 0.652102 0.630163 0.625701 0.640915
Tabel 2 ANOVA Source of Variation
SS
df
MS
Fhitung
P-value
Ftabel
2723382.9 214046.94
12.723297
0.0005876
3.6823203
Between Groups Within Groups
5446765.8 3210704.1
2 15
Total
8657469.9
17
9
Pada Tabel 4, terlihat MSSIM di video dengan jumlah frame 10 bernilai di atas 0.7 sedangkan di video dengan frame lebih dari 10 nilainya lebih kecil dari 0.7. Dengan demikian dapat disimpulkan ada perubahan kualitas gambar pada video ‘rhino . vi’ dengan jumlah frame lebih dari 10.
dan kurang cocok untuk data yang berukuran besar.
Analisis MOS dilakukan dengan meminta pendapat 10 orang partisipan yang terdiri atas 7 orang wanita dan 3 orang pria. Partisipan diminta membandingkan video asli dan video hasil steganografi yang memiliki jumlah frame 110 dengan frame rate 15 fps dan durasi sekitar 7.3 detik. Partisipan diminta memberi nilai antara 1-4 dengan ketentuan sebagai berikut:
Berdasarkan hasil penelitian, dapat ditarik kesimpulan sebagai berikut:
nilai 4 jika tidak ada perbedaan, nilai 3 jika ada sedikit perbedaan namun tidak terlalu terlihat dan tidak mengganggu, nilai 2 jika ada perbedaan dan cukup terlihat dan cukup mengganggu, dan nilai 1 jika perbedaan sangat jelas dan sangat mengganggu. Seluruh partisipan memberikan nilai 4. Dengan demikian, secara subjektif keberadaan pesan tidak disadari dan tidak mengganggu tampilan video asli. Setiap frame dari video memiliki kapasitas sisip masing-masing. Kapasitas setiap frame dihitung dan didapatkanl hasil kapasitas video. Selain perhitungan kapasitas, dihitung pula rasio kapasitas dengan ukuran. Hasil perhitungan kapasitas dapat dilihat di Tabel 5. Tabel 5 Kapasitas Jumlah frame 10 30 50 70 90 110
Kapasitas (KB) 2.08 4.66 5.07 6.84 10.78 17.28
Ukuran berkas (KB) 1103 3502 6398 8879 10843 12980
Pada Tabel 5 terlihat kapasitas maksimal untuk video rhinos dengan 110 frame sebesar 17.28 KB. Rasio terkecil sebesar 0.00077 dan rasio terbesar 0.0019. Rasio tersebut sangat kecil, dengan kata lain ukuran data yang dapat dimasukkan jauh lebih kecil dibandingkan dengan ukuran medianya. Dengan demikian, penggunaan aplikasi steganografi ini cocok untuk pesan teks yang berukuran relatif kecil
KESIMPULAN DAN SARAN Kesimpulan
1 Aplikasi steganografi pada video berdasarkan sistem penglihatan manusia telah berhasil dibangun. 2 Waktu proses penyisipan lebih lama dibandingkan dengan ekstraksi data karena dalam proses penyisipan dilakukan perhitungan fuzzy, sedangkan pada ekstraksi data hanya menggunakan kunci dan delta untuk menentukan jumlah bit data sisipan. 3 Pada perbandingan video, nilai MPSNR menunjukkan kualitas video sangat baik, sedangkan nilai MSSIM menunjukkan ada penurunan kualitas video pada video yang telah disisipi. Perhitungan kualitas secara subjektif dengan menggunakan MOS menunjukkan kualitas video sangat baik, tidak berbeda dengan video sebelumnya. Saran Aplikasi yang dibangun dalam penelitian ini masih memiliki banyak kekurangan seperti waktu eksekusi yang lama dan ukuran cover video yang besar. Saran untuk memperbaiki kekurangan aplikasi ini yaitu: 1 Menggunakan cover file video yang terkompresi agar ukuran video lebih kecil. Video yang digunakan dapat berupa AVI dengan encoder JPEG. Jika menggunakan encoder JPEG, penyisipan langsung pada nilai koefisien DC pada struktur berkas sehingga tidak perlu perhitungan DCT lagi. 2 Menggunakan algoritme yang lebih efisien pada proses perhitungan fuzzy inference system dan pada perhitungan perkalian matriks.
DAFTAR PUSTAKA Cox IJ, Miller ML, Bloom JA, Fridrich J, Kalker T. 2008. Digital Watermarking and Steganography. Ed ke-2. San Francisco: Morgan Kaufmann Publishers.
10
Johnson NF, Jajodia S. 1998. Exploring steganography: seeing the unseen. IEEE Computer Society 31(2):26-34. Kaewkammnerd N, Rao KR. 2000. Wavelet transform based image adaptive watermarking scheme. IEEE Electronics Letters 36:312-313. Oueslati S, Cherif A, Solaiman B. 2010. A fuzzy watermarking approach based on the human visual system. International Journal of Image Processing 4(3):219223. Provos N, Honeyman P. 2003. Hide and seek: an introduction to steganography. IEEE Computer Society 1(3):32-44. Sakr N, Georganas N, Jiying Z. 2006. Copyright protection of image learning objects using wavelet-based watermarking
and fuzzy logic. Proc. 3rd Annual Elearning Conference on Intelligent Interactive Learning Object Repositories, I2LOR 2006; Montreal, 9-11 Nov 2006. Montreal: Lornet Research Network. Sayood K. 2006. Introduction to Data Compression. Ed ke-3. San Francisco: Morgan Kaufmann Publishers. Schneier B. 1996. Applied Cryptography. Ed ke-2. New York: John Wiley & Sons. Wallace GK. 1991. The JPEG still picture compression standard. IEEE Transactions on Consumer Electronics 34(4):30-44. Wang Z, Bovik AC, Sheikh HR, Simocelli EP. 2004. Image quality assessment: from error measurement to structural similarity. IEEE Transaction on Image Processing 13(4):600-612.
