16 transform yaitu DWT Domain Wavelet Transform, DCT Domain Cosine
Transform, DFT Domain Fractal Transform[4].
3. Teknik Domain
Feature
Teknik domain feature disebut juga generasi kedua metode watermark. Generasi pertama metode watermark fokus pada penggunaan watermark pada
citra dan video, namun tidak kompetibel dengan video maupun citra yang dikompresi seperti JPEG 2000, MPEG47 dan lain-lain. Generasi kedua
berkembang untuk meningkatkan kekuatan dan ketahanan watermark, mencari batas objek dan karakteristik untuk keuntungan deteksi, serta perbaikan terhadap
serangan. Tulisan pertama teknik domain feature di publish tahun 1999 oleh ICPP menggunakan feature point extraction berdasarkan dekomposisi citra
menggunakan Mexican-Hat Wavalet [4]. Dari ketiga teknik diatas, penulis memakai teknik yang pertama yaitu
teknik domain spasial. Yang dimana penulis akan menggunakan metode Singular Value Decomposition SVD sebagai metode watermark.
2.6. Singular Value Decomposition SVD
Metode Singular Value Decomposition SVD adalah salah satu teknik dalam analisis numerik yang digunakan untuk “mendiagonalkan” matriks. Dalam
sudut pandang pengolahan citra, singular value dari suatu citra memiliki stabilitas yang baik, dimana ketika ada sedikit gangguan diberikan pada citra tersebut,
singular value tidak berubah secara signifikan. Keuntungan lain adalah ukuran matriks dari transformasi metode SVD tidak tetap dan dapat berupa persegi.
17 Kemudian singular value mengandung informasi properti persamaan linear
citra. Dekomposisi nilai singular atau yang lebih dikenal sebagai Singular Value
Decomposition SVD adalah salah satu teknik dekomposisi yang cukup terkenal. SVD berkaitan erat dengan nilai singular dari sebuah matriks yang merupakan
salah satu karakteristik matriks [8]. Suatu matriks misalkan kita namai matriks A dengan nilai eigen dari
matriks
A A
T
yaitu
i
untuk setiap n
i
1
dengan n yaitu banyak nilai eigen, maka nilai singular matriks A yaitu
2 i
i
dan
i
v merupakan vektor eigen
matriks
A A
T
yang bersesuaian dengan nilai
i
. Secara umum algoritma Singular Value Decomposition SVD adalah
sebagai berikut: [8] input : matriks A
output : matriks ortogonal U, V dan matriks singular S sehingga A =
T
USV 1.
Dibentuk matriks
A A
T
dengan nilai eigen
i
untuk setiap n
i
1
maka nilai singular matriks
A A
T
yaitu
2 i
i
2.
Dibentuk matriks diagonal S =
n
... ...
1