Pendekatan Pembelajaran Mesin Berbasis Model Campuran Gaussian untuk Deteksi Steganografi Pada Citra JPEG
Abstract
Perkembangan keamanan digital terus mengalami kemajuan pesat, khususnya di bidang steganografi. Steganografi adalah teknik menyembunyikan data agar tidak mudah terdeteksi. Salah satu teknik populer pada citra JPEG adalah Least Significant Bit (LSB). Namun, teknik ini sering disalahgunakan, sehingga meningkatkan risiko terhadap keamanan data dan menuntut adanya metode deteksi yang andal. Tujuan penelitian ini adalah mengembangkan metode deteksi steganografi yang efektif dengan menggunakan Gaussian Mixture Models (GMM). Metodologi yang digunakan melibatkan pengolahan dataset yang terdiri dari dua kelas: citra asli dan citra yang telah disisipkan pesan tersembunyi menggunakan teknik LSB. Dataset ini kemudian dianalisis menggunakan model GMM untuk mendeteksi pola-pola steganografi. Hasil evaluasi menunjukkan bahwa GMM mencapai akurasi 78,67%, presisi 89,15%, dan recall 69,70%. Selain itu, nilai AUC-ROC sebesar 86,59% menunjukkan kemampuan yang baik dalam membedakan citra asli dan steganografi. Kesimpulannya, GMM merupakan metode yang efektif dan efisien untuk deteksi steganografi adaptif, menawarkan tingkat akurasi tinggi dengan kebutuhan sumber daya yang lebih ringan dibandingkan metode lain.

Keywords
References
H. Zhang, J. Liu, and W. Zhang, Steganography detection in digital images: A comprehensive review, J. Inf. Secur. Appl., vol. 58, p. 102520, 2021, doi: 10.1016/j.jisa.2021.102520.
A. Purbaningrum, K. S. Amalia, and I. A. Saputro, Penerapan Metode Least Significant Bit ( LSB ) dalam Menyisipkan Pesan Rahasia pada Citra Digital : Sebuah Pendekatan Steganografi, in Prosiding SEMINAR NASIONAL AMIKOM SURAKARTA (SEMNASA) 2023, 2023, no. November, pp. 176183.
K. Wang and J. Wu, Analysis and Improvement of LSB Steganography Detection Techniques, Digit. Signal Process., vol. 116, p. 103055, 2021.
W. Wu, X. Yang, and G. Li, Robust image steganography detection using deep learning techniques, Neurocomputing, vol. 430, pp. 3244, 2021, doi: 10.1016/j.neucom.2021.02.052.
K. Karampidis, E. Kavallieratou, and G. Papadourakis, A review of image steganalysis techniques for digital forensics, J. Inf. Secur. Appl., vol. 40, pp. 217235, 2018, doi: https://doi.org/10.1016/j.jisa.2018.04.005.
Y. Xu, J. Zhang, and Y. Zhao, Image steganography detection using Gaussian mixture model and machine learning, J. Electr. Eng. & Technol., vol. 18, no. 2, pp. 623630, 2023, doi: 10.1007/s42835-023-01779-3.
I. McAteer, A. Ibrahim, G. Zheng, W. Yang, and C. Valli, Integration of Biometrics and Steganography: A Comprehensive Review, Technologies, vol. 7, no. 2, 2019, doi: 10.3390/technologies7020034.
A. P. Ratnasari and F. A. Dwiyanto, Metode Steganografi Citra Digital, Sains, Apl. Komputasi dan Teknol. Inf., vol. 2, no. 2, p. 52, 2020, doi: 10.30872/jsakti.v2i2.3300.
B. Li and J. Zhang, Detection of adaptive steganography using statistical features and machine learning algorithms, Comput. Mater. & Contin., vol. 70, no. 2, pp. 28552870, 2022, doi: 10.32604/cmc.2022.022702.
C. M. Azzura, M. Pratiwi, and D. Desyanti, Implementasi Watermarking Desain Citra Menggunakan Metode Modifikasi End of File (Meof), JUTEKINF (Jurnal Teknol. Komput. dan Informasi), vol. 11, no. 1, pp. 19, 2023, doi: 10.52072/jutekinf.v11i1.473.
C.Nagesh, N. K. Kumar, G. S. Gowd, and G. P. Reddy, Adaptive Artificial Intelligence Techniques for QoS and Congestion Management in 5G Wireless Networks: A Literature, INTERANTIONAL J. Sci. Res. Eng. Manag., vol. null, p. null, 2024, doi: 10.55041/ijsrem36077.
M. Ahmed and S. Ramani, Deep convolutional networks for steganography detection: A comparative analysis, Comput. & Secur., vol. 107, p. 102278, 2022, doi: 10.1016/j.cose.2021.102278.
X. Zhang, R. Liu, and Y. Zhao, Integrating Cipher Keys with GMM for Steganography Detection, J. Inf. Secur. Appl., vol. 74, p. 103491, 2024.
K. Patel and S. Das, A novel approach for steganography detection using Gaussian mixture model and ensemble classifiers, J. Appl. Comput. Sci. & Math., vol. 22, no. 1, pp. 1326, 2024, doi: 10.1007/s41451-024-00539-7.
A. Widyanto, K. Kusrini, and K. Kusnawi, Pengaruh Keseimbangan Data terhadap Akurasi Model Support Vector Machine pada Data Set Donor Darah, J. Teknol. Terpadu, vol. 9, no. 2, pp. 7988, 2023, doi: 10.54914/jtt.v9i2.771.
Y. Yohannes, M. E. Al Rivan, S. Devella, and M. Meiriyama, Klasifikasi Motif Songket Palembang menggunakan Support Vector Machine berdasarkan Histogram of Oriented Gradients, J. Teknol. Terpadu, vol. 9, no. 2, pp. 143149, 2023, doi: 10.54914/jtt.v9i2.1032.
P. Suresh and D. Kumar, A novel machine learning-based approach for detecting adaptive steganography in digital images, J. Digit. Forensics, Secur. Law, vol. 18, no. 1, pp. 5469, 2023, doi: 10.15394/jdfsl.2023.2116.
M. Rijal, A. M. Yani, and A. Rahman, Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN, J. Teknol. Terpadu, vol. 10, no. 1, pp. 5662, 2024, doi: 10.54914/jtt.v10i1.1224.
H. Haeruddin, H. Herman, and P. P. Hendri, Pengembangan Aplikasi Emoticon Recognition dan Facial Recognition menggunakan Algoritma Local Binary Pattern Histogram (LBPH) dan Convolutional Neural Network (CNN), J. Teknol. Terpadu, vol. 9, no. 1, pp. 4955, 2023, doi: 10.54914/jtt.v9i1.613.
DOI: http://dx.doi.org/10.31544/jtera.v9.i2.2024.63-68


Refbacks
- There are currently no refbacks.
Copyright (c) 2024 JTERA (Jurnal Teknologi Rekayasa)

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright @2016-2023 JTERA (Jurnal Teknologi Rekayasa) p-ISSN 2548-737X e-ISSN 2548-8678.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
JTERA Editorial Office:
Politeknik Sukabumi
Jl. Babakan Sirna 25, Sukabumi 43132, West Java, Indonesia
Phone/Fax: +62 266215417
Whatsapp: +62 81809214709
Website: https://jtera.polteksmi.ac.id
E-mail: [email protected]