Perbaikan dan Evaluasi Kinerja Algoritma Pixel- Value Differencing (PVD)

(1)

PERBAIKAN DAN EVALUASI KINERJA ALGORITMA

PIXEL- VALUE DIFFERENCING ( PVD)

ROJALI

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2009

(2)

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

R o j a l i

(3)

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.

(4)

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 file-file 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.

(5)

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.

(6)

@ 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

(7)

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

(8)

(9)

Judul : Perbaikan dan Evaluasi Kinerja Algoritma

Pixel- Value Differencing

(PVD)

Nama : R o j a l i

NIM : G651030074

Disetujui, Komisi Pembimbing

Dr. Sugi Guritman Ir. Heru T. Natalisa, M.Sc

Ketua Anggota

Diketahui,

Ketua Program Studi Dekan Sekolah Pascasarjana

Ilmu Komputer

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

(10)

DAFTAR ISI

Halaman

DAFTAR TABEL ……….. xiv

DAFTAR GAMBAR ………. xv

DAFTAR LAMPIRAN ……….. xvi

I PENDAHULUAN 1.1 Latar Belakang ……… 1

1.2 Tujuan Penelitian ………. 2

1.3 Ruang Lingkup ……… 3

2 TINJAUAN PUSTAKA 2.1 Citra ………. 4

2.2 Dokumen Bitmap ……… 5

2.3 Steganografi ……… 7

2.4 Algoritma Penyisian dan Ekstrasi ………... 8

2.5 Algoritma LSB ……….. 9

2.6 Algoritma PVD ………... 11

2.7 PSNR ( Peak Singnal to Noise Rasio) ………. 13

2.8 Metode Evaluasi Kinerja ………. 14

3 METODE PENELITIAN 3.1 Bahan ………... 17

3.2 Metode ………. 17

3.3 Percobaan ……… 17

4 HASIL DAN PEMBAHASAN 4.1 Algoritma PVD... ……… 20

4.2 Algoritma PVDM ……… 20

4.3 Karakteristik Media Pembawa Pesan ……….. 28

4.4 Evaluasi Kinerja Objektif Algoritma PVDM ……….. 28

4.5 Evaluasi Kinerja Subjekif Algoritma PVDM ……… 40

5 SIMPULAN DAN SARAN 5.1 Simpulan ……….. 42

5.2 Saran ……… 42

DAFTAR PUSTAKA ………. 43

(11)

PERBAIKAN DAN EVALUASI KINERJA ALGORITMA

PIXEL- VALUE DIFFERENCING ( PVD)

ROJALI

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2009

(12)

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI

Bogor, Agustus 2009

R o j a l i

(13)

ABSTRACT

ROJALI. Revision and evaluation of performance Pixel Value Differencing (PVD) algorithm. Under direction of SUGI GURITMAN, and HERU TRIYONO NATALISA.

Keyword : Pixel Value Differencing Modified, Performance of Algorithm, Steganograpy, Picture Distortion.

(14)

RINGKASAN

ROJALI. Perbaikan dan Evaluasi Kinerja Algoritma Pixel Value Differencing (PVD). Dibimbing oleh SUGI GURITMAN dan HERU TRIYONO NATALISA.

(15)

(16)

@ 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

(17)

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

(18)

(19)

Judul : Perbaikan dan Evaluasi Kinerja Algoritma

Pixel- Value Differencing

(PVD)

Nama : R o j a l i

NIM : G651030074

Disetujui, Komisi Pembimbing

Dr. Sugi Guritman Ir. Heru T. Natalisa, M.Sc

Ketua Anggota

Diketahui,

Ketua Program Studi Dekan Sekolah Pascasarjana

Ilmu Komputer

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

(20)

DAFTAR ISI

Halaman

DAFTAR TABEL ……….. xiv

DAFTAR GAMBAR ………. xv

DAFTAR LAMPIRAN ……….. xvi

I PENDAHULUAN 1.1 Latar Belakang ……… 1

1.2 Tujuan Penelitian ………. 2

1.3 Ruang Lingkup ……… 3

2 TINJAUAN PUSTAKA 2.1 Citra ………. 4

2.2 Dokumen Bitmap ……… 5

2.3 Steganografi ……… 7

2.4 Algoritma Penyisian dan Ekstrasi ………... 8

2.5 Algoritma LSB ……….. 9

2.6 Algoritma PVD ………... 11

2.7 PSNR ( Peak Singnal to Noise Rasio) ………. 13

2.8 Metode Evaluasi Kinerja ………. 14

3 METODE PENELITIAN 3.1 Bahan ………... 17

3.2 Metode ………. 17

3.3 Percobaan ……… 17

4 HASIL DAN PEMBAHASAN 4.1 Algoritma PVD... ……… 20

4.2 Algoritma PVDM ……… 20

4.3 Karakteristik Media Pembawa Pesan ……….. 28

4.4 Evaluasi Kinerja Objektif Algoritma PVDM ……….. 28

4.5 Evaluasi Kinerja Subjekif Algoritma PVDM ……… 40

5 SIMPULAN DAN SARAN 5.1 Simpulan ……….. 42

5.2 Saran ……… 42

DAFTAR PUSTAKA ………. 43

(21)

DAFTAR TABEL

Halaman

1. Jenis kompresi pada dokumen bitmap ……….. 6

2. Level distorsi pengukuran mean opinion survey ……….. 14

3. Berbagai macam tabel jangkauan ………. 18

(22)

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

(23)

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 ……….. 52

11. Hasil kuisioner algoritma PVD untuk responden yang bekerja di bidang

komputer ……… 53

12. Hasil kuisioner algoritma PVDM untuk responden yang bekerja tidak di

bidang komputer ……… 54

13. 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

(24)

PENDAHULUAN

1.1 Latar Belakang

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.

(25)

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.

(26)

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.

(27)

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 :

(28)

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).

2.2Dokumen 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

(29)

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.

(30)

2.2.2Keunggulan 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).

(31)

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).

(32)

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.

(33)

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

( )

x

,

y

I

( )

x

,

y

Mod

(

I

( )

x

,

y

,

2

)

B

( )

x

,

y

(1)

I

=

−

_o k

+

(34)

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.

2.6Algoritma 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).

(35)

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 dan dengan menggunakan persamaan (4)

( ) ( )

⎡

⎤

⎣

⎦

⎣

⎦

⎡

⎤

⎡

⎤

⎣

⎦

⎡

⎤

⎣

⎦

⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎪ ⎪ ⎪ ⎪ ⎪ ⎨ ⎧ ≤ < − + ≤ ≥ + − > < + − > ≥ − + = ; d d dan jika ), 2 / , 2 / ( ; d d dan jika ) 4 ( ), 2 / , 2 / ( ; d d dan jika ), 2 / , 2 / ( ; d d dan jika ), 2 / , 2 / ( ) , ( i ' i ) , ( ) , ( ) , ( ) , ( i ' i ) , ( ) , ( ) , ( ) , ( i ' i ) , ( ) , ( ) , ( ) , ( i ' i ) , ( ) , ( ) , ( ) , ( ' , ' , y i x i y i x i y i x i y i x i y i x i y i x i y i x i y i x i y i x i P P m P m P P P m P m P P P m P m P P P m P m P

P

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 ( dan ) pada stego image hitung perbedaan antara nilai dan sebagai

(36)

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 :

) 6 ( ) , ( ) , ( 1 2 1 1

∑

= = − = n i m i j i K i i I mxn MSE

I(i) = cover image

K(i) = stego image

M = lebar image

(37)

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 Level Distorsi Kualitas Gambar

1 Sangat Tidak Mirip

Perbedaan antara cover image dan stegoimage

sangat jelas

2 Tidak Mirip Antara cover image dan stegoimage ada perbedaan sedikit

3 Mirip Antara cover image dan stegoimage mirip 4 Sangat Mirip Antara cover image dan stegoimage 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.

(38)

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.

(39)

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 jawaban-jawaban , biasanya dengan alternatif-alternatif yang mendekati jawaban-jawaban-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.

(40)

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

(41)

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

Jangkuan I

Tabel Jangkuan II

Tabel Jangkuan III

Tabel 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

(42)

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

(43)

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.

(44)

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.

(45)

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) → dan P (i,y) →

, selisih mutlak ( ) antara dan 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 dan

(46)

<=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

1 i

dan

∑

= 7

1 j

maka lakukan proses

{

P₍_i_,_x₎+(−4)+i,P₍_i_,_y₎+(−4)+ j

}

2. Jika P₍_i_,_x₎+(−4)+i>255 atau P₍_i_,_y₎ +(−4)+ j>255 maka 255 ) 4 ( ) ,

( + − +i=

P_i_x atau P₍_i_,_y₎ +(−4)+ j=255

Jika P₍_i_,_x₎+(−4)+i<0atau P₍_i_,_y₎ +(−4)+ j<0 maka 0 ) 4 ( ) ,

( + − +i=

P_i_x 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

1 i

dan

∑

= 11

1 j

(47)

{

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

0 ) 4 ( ) ,

( + − +i=

P_i_x 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 kedalam desimal , carilah

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

1 i

dan

∑

= 7

1 j

{

P(i,x)+(−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

0 ) 4 , mod( 4 ( ₍_, ₎ ) ,

( + − − P +i=

P_i_x _i_x 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 kedalam desimal , carilah

selisih mutlak dari dua nilai desimal tersebut.

5. Carilah nilai minimum antara selisih citra sebelum dan sesudah disisipkan pesan

(48)

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

Untuk

∑

= 11

1 i

dan

∑

= 11

1 j

{

P₍_i_,_x₎+(−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

0 ) 4 , mod( 4

( ₍_, ₎

) ,

( + − − P +i=

P_i_x _i_x atau P₍_i_,_y₎+(−4)+i=0

3. Konversi nilai P₍_i_,_x₎+(−4−mod(P₍_i_,_x₎)+i atau

j P

P₍_i_,_y₎+(−4−mod( ₍_i_,_x₎)+ 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 kedalam desimal , carilah 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) - 3dan nilai atas pertama dari titik P(i,x)

yang habis dibagi empat adalah P(i,x) + 3, sehingga jarak dari titik terbawah

(49)

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 '

) , (ix

P dan ' ) , (iy

P berada diluar range [0,255], maka dilakukan normalisasi menggunakan persamaan (7) agar interval nilai

' ) , (ix

(50)

⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎪⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎨ ⎧ > = − = > − = = < = − = < − = = = ; 255 ' ) , ( jika ), 255 ' ) , ( , i d ' ) , ( ' ) , ( ( ; 255 ) , ( jika ) 7 ( ), i d ' ) , ( ' ) , ( , 255 ' ) , ( ( 0; ' ) , ( jika ), 0 ' ) , ( , 0 ' ) , ( i d ' ) , ( ( ; 0 ' ) , ( jika ), ' ) , ( i d ' ) , ( , 0 ' ) , ( ( ) ' ) , ( , ' ) , ( ( y i P y i P y i P x i P x i P x i P y i P x i P y i P y i P y i P x i P x i P x i P y i P x i P y i P x i P Proses Ekstraksi

1. Untuk setiap titik yang berurutan ( dan ) pada stego image

hitung perbedaan antara nilai dan sebagai 2. Nilai 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 ( dan ) pada stego image hitung perbedaan antara nilai dan sebagai yang dimutlakkan, berdasarkan nilai 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 , konversi nilai kedalam biner dengan

(51)

•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=

(52)

[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

(53)

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

(54)

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],

(55)

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.

(56)

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.

(57)

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.

(58)

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.

(59)

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 tiap-tiap 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

(60)

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.

(61)

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.

(62)

Gambar 21 . Nilai PSNR pada Tabel jangkauan IV data sama

Pada Gambar 21 menujukkan baik algoritma PVD maupun PVDM kedua-duanya 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

(63)

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.

(64)

Tabel 4. Ringkasan hasil penilaian subyektif

Algoritma Bidang Kerja

Sangat Mirip Mirip

Tabel Jangk. I Tabel Jangk. II Tabel Jangk. III Tabel Jangk. IV Tabel Jangk. I Tabel Jangk. II Tabel Jangk. III Tabel Jangk. IV PVD

Komputer 27% 25% 25% 26% 73% 75% 75% 74%

Tidak

Komputer 25% 26% 25% 29% 75% 74% 75% 71%

PVDM

Komputer 26% 25% 23% 26% 74% 75% 77% 74%

Tidak

Komputer 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.

(1)

Lampiran 14 Pertanyaan Kuesioner

K U E S I O N E R

Algoritma PVD

No. 1 Stego : Apple.bmp

No. Pertanyaan Tabel

Jangka uan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 2 Stego : Babbon.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 3 Stego : Banana.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 4 Stego : Borobudur.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV

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:

(2)

No. 5 Stego : Lena.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 6 Stego : Penguin.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 7 Stego : Pepper.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 8 Stego : Sunflower.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV

Algoritma PVDM

No. 9 Stego : Apple.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 10 Stego : Babbon.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV

(3)

No. 11 Stego : Banana.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV

No. 12 Stego : Borobudur.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 13 Stego : Lena.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 14 Stego : Penguin.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 15 Stego : Pepper.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV No. 16 Stego : Sunflower.bmp

No. Pertanyaan Tabel

Jangk auan Sangat tidak mirip Tidak mirip Mirip Sangat mirip 1 Bagaimana perbandingan kedua gambar tersebut? I

2 Bagaimana perbandingan kedua gambar tersebut? II 3 Bagaimana perbandingan kedua gambar tersebut? III 4 Bagaimana perbandingan kedua gambar tersebut? IV

(4)

(5)

(6)

Lampiran 17 Histogram komponen

green

(a) gambar sebelum disisipkan pesan (b)

gambar sesudah disisipkan pesan

(a)

(b)

0 50 100 150 200 250 0

500 1000 1500 2000 2500 3000 3500

0 50 100 150 200 250 0

500 1000 1500 2000 2500 3000 3500