T1 672010147 Full text
Perancangan dan Implementasi Aplikasi Deteksi
Kemiripan Citra Digital Menggunakan Algoritma
Shingling dan Redundant Pixel Removal
Artikel Ilmiah
Peneliti:
Andry Vegard Sariwating (672010147)
Magdalena A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
2016
Perancangan dan Implementasi Aplikasi Deteksi
Kemiripan Citra Digital Menggunakan Algoritma
Shingling dan Redundant Pixel Removal
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh gelar Sarjana Komputer
Peneliti:
Andry Vegard Sariwating (672010147)
Magdalena A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
2016
Perancangan dan Implementasi Aplikasi Deteksi Kemiripan Citra
Digital Menggunakan Algoritma Shingling dan Redundant Pixel
Removal
1)
Andry Vegard Sariwating, 2) M. A. Ineke Pakereng
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
1)
Email: 672010147@student.uksw.edu, 2) inekep200472@yahoo.com
Abstract
Detection of digital image similarity is required to avoid the accumulation of
information in a database or file system, to detect plagiarism, for grouping pictures, and
a variety of other purposes. Shingling algorithm is used for the process of finding nearduplicate document. Redundant pixel removal is a technique to ignore / delete pixels that
have the same value, which adjacent, in a digital image, so that the detection process can
be minimized. In this study, shingling algorithm is implemented to detect similarities
digital image. The test results indicate that the application can detect the similarity image
that has been through various manipulations such as scaling (enlarge / reduce), rotation,
cropping (cut part), and pixel manipulation.
Keywords: Shingling, Near Duplicate Detection, Redundant Pixel Removal
Abstrak
Deteksi kemiripan citra digital diperlukan untuk menghindari penumpukan
informasi pada suatu database atau file sistem, untuk mendeteksi plagiasi, untuk
pengelompokan gambar, dan berbagai keperluan yang lain. Algoritma Shingling
merupakan algoritma yang digunakan untuk proses pencarian near-duplicate document.
Redundant pixel removal adalah teknik untuk mengabaikan/menghapus piksel-piksel
yang memiliki nilai sama, yang terletak bersebelahan, pada suatu citra digital, sehingga
proses deteksi dapat diminimalisasi. Pada penelitian ini, algoritma shingling
diimplementasikan untuk mendeteksi kemiripan citra digital. Hasil pengujian
menunjukkan bahwa aplikasi yang dibuat, dapat mendeteksi kemiripan gambar yang telah
melalui berbagai manipulasi yaitu scaling (perbesar/perkecil), rotasi, cropping (potong
sebagian), dan manipulasi piksel.
Kata Kunci: Shingling, Deteksi Kemiripan, Redundant Pixel Removal
1)
Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya
Wacana
2)
Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.
1.
Pendahuluan
Kemudahan dalam menyalin informasi dari satu informasi ke tempat yang
lain merupakan salah satu efek dari kemajuan teknologi informasi. Citra digital,
sebagai salah satu bentuk informasi digital, dapat disalin, diubah, diambil
sebagian, menjadi satu file yang baru. Deteksi kemiripan citra digital diperlukan
untuk menghindari penumpukan informasi pada suatu database atau file sistem,
untuk mendeteksi plagiasi, untuk pengelompokan gambar, dan berbagai keperluan
yang lain.
Algoritma Shingling merupakan algoritma yang ditemukan oleh Andrei
Broder [1]. yang digunakan untuk proses pencarian near-duplicate document.
Algoritma shingling bekerja dengan cara memotong-motong teks menjadi
kumpulan kata, dan membangkitkan suatu nilai unik (fingerprint) untuk tiap
kumpulan kata. Algoritma hash dapat digunakan untuk membangkitkan
fingerprint [2].
Redundant pixel removal adalah teknik untuk mengabaikan/menghapus
piksel-piksel yang memiliki nilai sama, yang terletak bersebelahan, pada suatu
citra digital. Cara ini diperlukan ketika membandingkan dua citra digital yang
berasal dari satu sumber, namun memiliki ukuran dimensi berbeda, dengan kata
lain citra digital yang kedua merupakan hasil scaling (diperbesar/diperkecil) dari
citra digital yang pertama.
Pada penelitian ini, algoritma shingling diimplementasikan untuk
mendeteksi kemiripan citra digital. Shingle yang diproses merupakan potongan
dari piksel-piksel pada citra digital. Piksel-piksel yang redundant dihilangkan
terlebih dahulu, sehingga dapat mempercepat proses pembandingan.
2.
Tinjauan Pustaka
Penelitian tentang deteksi kemiripFFan yang pernah dilakukan adalah "A
Digest and Pattern Matching-Based Intrusion Detection Engine" [3]. Pada
penelitian
tersebut
dipaparkan
suatu
masalah
yaitu
intrusion
detection/preventation system (IDS/IPS) pada jaringan komputer. IDS/IPS bekerja
dengan bergantung pada signature database dan pattern matching (PM). Untuk
melakukan pencocokan pola (PM) dengan data yang lewat pada jaringan
komputer digunakan algoritma Boyer-Moore. Hasil ekperimen menghasilkan
kesimpulan bahwa dengan membangkitkan nilai Fingerprint, proses pencarian
menjadi lebih cepat. Pada penelitian tersebut nilai Fingerprint dibangkitkan
dengan menggunakan teknik Rabin-Fingerprint Perbedaan antara penelitian
tersebut dengan penelitian yang dilakukan ini adalah pada penelitian ini bertujuan
untuk mencari kemiripan antara dua dokumen, bukan paket data jaringan
komputer, dan algoritma MD5 digunakan untuk membangkitkan nilai Fingerprint.
Pada penelitian yang berjudul "Identifying and Filtering Near-Duplicate
Documents", dibahas tentang masalah mendeteksi kemiripan halaman web satu
dengan web yang lain, pada proses web indexing skala besar yang dilakukan oleh
AltaVista search engine [4]. Andrei Broder mengajukan algoritma untuk
menyaring near-duplicate documents, dan sudah diimplementasikan selama
1
kurang lebih tiga tahun pada AltaVista. Document yang dibandingkan
disederhanakan dalam bentuk set, melalui proses shingling. Pada penelitian
tersebut, satu Shingle terdiri dari 4 kata, sehingga disebut 4-shingling. Setiap
Shingle dibangkitkan sebuah Fingerprint untuk kemudian dibandingkan dengan
nilai Fingerprint dari Shingle pada dokumen kedua.Algoritma yang digunakan
untuk membangkitkan nilai Fingerprint adalah Rabin's Fingerprint. Rabin's
membangkitkan nilai Fingerprint sebesar 64 bit (8 byte). Berbeda dengan
penelitian yang dilakukan ini, nilai Fingerprint diperoleh dengan cara
membangkitkan nilai hash dari tiap Shingle. Algoritma yang digunakan adalah
MD5. MD5 membangkitkan nilai hash sebesar 128 bit, bukan 64 bit. Nilai yang
lebih panjang ini dimaksudkan untuk menghindari nilai hash yang sama dari dua
Shingle yang berbeda.
Pada penelitian yang berjudul “Implementasi Teknik Steganografi dengan
Metode LSB pada Citra Digital”, disebutkan tentang perlunya pengamanan
pengiriman pesan melalui jaringan Internet. Pada penelitian tersebut digunakan
media gambar sebagai cover. Hasil penelitian tersebut adalah sebuah aplikasi
steganografi dengan algoritma LSB Embedding, yang dapat menyembunyikan
pesan, sehingga orang lain tidak menyadari keberadaan pesan di dalam media [5].
Berbeda dengan penelitian ini adalah, pada penelitian ini, proses dipilih pada
lokasi yang memberikan perubahan paling minimal. Sehingga kerusakan
(perubahan) pada cover menjadi tidak semakin mencurigakan, untuk mencapai
salah satu tujuan steganografi.
Berdasarkan penelitian-penelitian yang telah dilakukan tentang deteksi
kemiripan dokumen teks, plagiasi, algoritma pencarian string dan teknik
fingerprint, maka dilakukan penelitian yang bertujuan untuk merancang aplikasi
deteksi kemiripan citra digital dengan mengimplementasikan algoritma Shingling
dan redundant pixel removal. Batasan masalah dalam penelitian ini adalah sebagai
berikut: (1) Citra digital yang dibandingkan memiliki format true color image; (2)
Algoritma shingling digunakan untuk membandingkan dua citra digital
berdasarkan kumpulan piksel (shingle) yang terbentuk dari kedua citra digital; (3)
Algoritma redundant pixel removal digunakan untuk menghapus piksel
bersebelahan yang mirip pada satu citra digital.
Penelitian yang dilakukan membahas tentang near-duplicate dan
plagiarism. Plagiarism secara sederhana adalah merepresentasikan ide orang lain,
sebagai ide milik sendiri, baik terjadi secara sengaja maupun secara kebetulan [6].
Near-duplicate adalah kondisi ketika dua dokumen memiliki isi yang sama,
berbeda pada berberapa kata atau susunan kata [7].
Algoritma Shingling merupakan algoritma yang ditemukan oleh Andrei
Broder[4]. Algoritma ini bekerja dengan cara membuat sebuah shingle yang berisi
beberapa kata dengan jumlah yang tetap. Angka yang menentukan jumlah kata
dalam satu shingle ini disebut gram. Pada tiap shingle dibangkitkan nilai
fingerprint. Proses shingling ini akan menghasilkan himpunan yang berisi
sejumlah fingerprint. Himpunan ini kemudian dibandingkan dengan himpunan
yang dihasilkan dari dokumen kedua. Nilai kemiripan diperoleh dengan cara
membagi jumlah fingerprint yang sama (intersection) dari dua dokumen dengan
2
jumlah fingerprint gabungan (union). Proses perhitungan tersebut didefinisikan
sebagai berikut[4]:
|S
S |
(1)
r A, B =
|S
S |
Persamaan 1 Rumus Nilai Kemiripan [4]
Algoritma Shingling dilakukan melalui beberapa langkah berikut [4]:
1.
Hilangkan tanda baca pada dokumen.
2.
Dimulai dengan kata pertama, buat satu shingle berisi kata pertama
tersebut sampai 3 kata berikutnya.
3.
Pindah ke kata kedua, buat shingle berisi kata kedua dan 3 kata
berikutnya.
4.
Lakukan pembentukan shingle sampai dengan 4 kata terakhir dari
dokumen tersebut.
5.
Untuk tiap shingle, bangkitkan nilai fingerprint.
6.
Lakukan langkah 1 sampai dengan 5 untuk dokumen kedua.
7.
Gunakan rumus nilai kemiripan dokumen (Persamaan 1) untuk
menghitung nilai kemiripan dokumen.
Nilai fingerprint pada penelitian ini dihitung dengan menggunakan
algoritma MD5. MD5 (Message-Digest Algorithm 5) ialah fungsi hash kriptografi
yang digunakan secara luas dengan hashvalue 128-bit [2]. MD5 telah
dimanfaatkan secara bermacam-macam pada aplikasi keamanan, dan MD5 juga
umum digunakan untuk melakukan pengujian integritas (fingerprint) sebuah
file.MD5 didesain oleh Ronald Rivest pada tahun 1991 untuk menggantikan
hashfunction sebelumnya, yaitu MD4. Hashvalue yang dihasilkan oleh MD5
memiliki panjang 128-bit (16 byte), sekalipun input (pesan) yang digunakan
memiliki panjang yang bervariasi. Hashvalue berubah signifikan sekalipun
perubahan yang terjadi pada input hanya 1 byte.
Algoritma Shingling yang ditemukan oleh Broder, menggunakan fingerprint
dengan panjang 64 bit. Panjang fingerprint 64 bit untuk tiap shingle memiliki
resiko yaitu dihasilkannya fingerprint yang sama untuk shingle yang berbeda. Hal
ini disebut dengan collision vulnerabilities [8]. Untuk menghindari kemungkinan
collision, maka digunakan fingerprint dengan panjang yang lebih dari 64 bit.
Berdasarkan tujuan tersebut maka algoritma MD5 digunakan untuk menghasilkan
fingerprint dengan panjang 128 bit.
Pada penelitian ini, format file citra digital yang digunakan adalah PNG.
PNG merupakan True Color image. Suatu true colour image memiliki komponen
red, green dan blue yang terpisah untuk tiap pikselnya. Pada sebagian besar true
colour image, tiap komponen diwakilkan dengan satu byte yang terdiri dari 8 bit,
sehingga setiap piksel memiliki 24 bit informasi warna. Oleh karena itu, mode ini
sering disebut sebagai “24-bit warna”. Pada Gambar 1 ditunjukkan contoh
potongan dari file gambar. Potongan ini memiliki dimensi 6 x 6 piksel.Pada tiap
piksel terdapat tiga bagian warna yaitu red, green dan blue. Pada lokasi piksel 1,1
terdapat warna red bernilai 96, green bernilai 143, dan blue bernilai 179. Pada
lokasi piksel 1,2 terdapat warna red 61, green 125, dan green 198[9].
3
Gambar 1 Komponen RGB pada File Gambar 24 Bit Warna[9]
Microsoft .NET Framework merupakan sebuah perangkat lunak kerangka
kerja yang berjalan pada sistem operasi Microsoft Windows. Saat ini .NET
Framework umumnya telah terintegrasi dalam distribusi standar Windows (mulai
dari Windows Server 2003 dan versi-versi Windows yang lebih baru). Kerangka
kerja ini menyediakan sejumlah besar pustaka pemrograman komputer dan
mendukung beberapa bahasa pemrograman serta interoperabilitas yang baik
sehingga memungkinkan bahasa-bahasa tersebut berfungsi satu dengan lain dalam
pengembangan sistem. Berbeda halnya dengan tipikal aplikasi konvensional
umumnya, program yang ditulis dengan memanfaatkan .NET Framework berjalan
pada lingkungan perangkat lunak melalui Common Language Runtime, dan bukan
perangkat keras secara langsung. Hal ini memungkinkan aplikasi yang dibuat di
atas .NET secara teoritis dapat berjalan pada perangkat keras apapun yang
didukung oleh .NET Framework. Perangkat lunak ini adalah kunci penawaran
utama dari Microsoft, dan dimaksudkan untuk digunakan oleh sebagian besar
aplikasi-aplikasi baru yang dibuat untuk platform Windows [10]. Pada penelitian
ini, .NET Framework digunakan untuk membangun aplikasi deteksi kemiripan.
Beberapa pustaka pemrograman yang digunakan adalah pustaka untuk membuat
Graphical User Interface (GUI), dan pustaka pemrosesan gambar (Bitmap).
3.
Metode dan Perancangan Sistem
Penelitian yang dilakukan, diselesaikan melalui tahapan penelitian yang
terbagi dalam empat tahapan, yaitu: (1) Identifikasi masalah dan literatur, (2)
Perancangan sistem, (3) Implementasi sistem yaitu Membangun aplikasi/program,
dan (4) Pengujian sistem dan analisis hasil pengujian.
4
Identifikasi Masalah dan Studi Literatur
Perancangan Sistem
Implementasi Sistem
Pengujian Sistem dan Analisis Hasil Pengujian
Gambar 2 Tahapan Penelitian
Tahapan penelitian pada Gambar 2, dapat dijelaskan sebagai berikut.
Tahap pertama: identifikasi masalah dan literatur, yaitu keamanan citra digital.
Tahap kedua: perancangan sistem yang meliputi perancangan sistem deteksi
kemiripan citra digital; Tahap ketiga: implementasi sistem, yaitu membuat
aplikasi sesuai perancangan sistem pada tahap kedua; dan Tahap keempat:
pengujian sistem dan analisis hasil pengujian, yaitu dilakukan pengujian terhadap
proses yang telah dirancang, dan melihat kesesuaian solusi terhadap masalah yang
telah teridentifikasi sebelumnya.
Gambar A
Hapus Piksel
Redundant
Buat Shingle
berisi N
Piksel
Hitung Union
dan
Intersection
Gambar B
Hapus Piksel
Redundant
Hitung
Prosentase
Kemiripan
Buat Shingle
berisi N
Piksel
Gambar 3 Desain Sistem
Sistem yang dikembangkan, memiliki desain yang ditunjukkan pada
Gambar 3. Sistem terdiri dari dua input yaitu file gambar A dan file gambar B.
Hasil deteksi kedua file gambar tersebut adalah berupa angka prosentase
kemiripan.
5
Mulai
Mulai
Himpunan
piksel (K)
Gambar A
Gambar B
Nilai gram (q)
Hapus Redundant Piksel
Hapus Redundant Piksel
Proses membentuk
Shingle
Proses membentuk
Shingle
Perulangan
sebanyak
K
Hitung nilai intersection
True
Hitung nilai union
Buat shingle
False
Hitung Kemiripan
= intersection/union x 100%
Hitung fingerprint
Selesai
Selesai
Gambar 4 Perhitungan Prosentase Kemiripan File
Gambar
Gambar 5 Shingle dan Fingerprint
Proses perhitungan prosentase kemiripan file gambar secara garis besar
ditunjukkan pada Gambar 4. Proses pembandingan memerlukan dua input file
citra digital. Pada tiap file citra digital, dilakukan proses penghapusan pikselpiksel yang berlebihan (redundant). Piksel redundant adalah piksel yang memiliki
nilai yang sama dengan nilai sebelumnya. Tujuan dari proses ini adalah untuk
mengurangi shingle yang terbentuk, dan mempercepat proses pembandingan.
Jumlah shingle yang terbentuk bergantung pada jumlah piksel yang ada pada
suatu citra digital. Semakin sedikit piksel, maka semakin sedikit pula shingle yang
dihasilkan. Semakin sedikit shingle yang dihasilkan, maka semakin cepat proses
pembandingan. Penghapusan piksel redundant juga bertujuan untuk
membandingkan dua file citra digital yang sama, namun berbeda ukuran dimensi
karena hasil scaling (citra digital diperbesar/diperkecil).
Proses pembentukan shingle dilakukan setelah proses penghapusan piksel
redundant. Langkah detail dari pembentukan shingle ditunjukkan pada Gambar 5.
Jumlah piksel dalam satu shingle ditentukan oleh nilai gram. Nilai gram
ditentukan oleh input user. Pada tiap shingle yang terbentuk, dihitung nilai
fingerprint.
Pembentukan nilai fingerprint bertujuan untuk memperkecil ukuran byte
shingle yang akan dibandingkan. Sebagai contoh jika dalam satu shingle terdapat
20 piksel (variabel gram diberi nilai 20), maka dalam satu shingle terdapat 20 x 3
byte (1 piksel terdapat warna R, G, B) = 60 byte. 60 byte tersebut jika dihitung
nilai fingerprint dengan MD5, menghasilkan nilai hash 16 byte (128 bit).
6
Membandingkan dua shingle yang berukuran 16 byte, tentu lebih cepat dari pada
membandingkan dua shingle berukuran 60 byte.
Proses setelah terbentuk shingle untuk kedua gambar dan nilai fingerprint
untuk tiap-tiap shingle, yaitu menghitung jumlah shingle yang sama pada kedua
gambar (intersection), dan jumlah gabungan shingle kedua gambar (union). Nilai
kemiripan diperoleh dari nilai intersection dibagi dengan nilai union, dikalikan
100 persen.
Langkah-langkah pada flowchart di Gambar 4 dan Gambar 5, dapat
dijelaskan dengan contoh proses deteksi kemiripan dua citra digital. Terdapat dua
citra digital dengan nilai piksel ditunjukkan pada Gambar 6 dan Gambar 7.
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
Gambar 6 Susunan Piksel Citra Digital A
RGB (200,100,100)
RGB (200,100,100)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (100,200,120)
RGB (50,50,50)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
Gambar 7 Susunan Piksel Citra Digital B
Piksel pada citra digital A disusun secara berurutan maka terbentuk
deretan piksel yang ditunjukkan pada Gambar 8. Piksel pada citra digital B,
menghasilkan deretan piksel ditunjukkan pada Gambar 9.
Citra Digital A
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
Citra Digital B
RGB (200,100,100)
RGB (200,100,100)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (100,200,120)
RGB (50,50,50)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
Gambar 8 Susunan Piksel Citra Digital A
Disusun Berurutan
Gambar 9 Susunan Piksel Citra Digital B
Disusun Berurutan
7
Proses redundant pixel removing kemudian dilakukan pada susunan piksel
tiap citra digital tersebut. Hasil dari proses tersebut menghasilkan nilai-nilai piksel
ini:
Citra Digital A
(semula)
RGB (200,100,100)
Citra Digital A
(sesudah)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
Gambar 10 Susunan Piksel Citra Digital A
sebelum proses redundant pixel removing
Gambar 11 Susunan Piksel Citra Digital A
Setelah Proses redundant pixel removing
Citra Digital B
(semula)
RGB (200,100,100)
RGB (200,100,100)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (100,200,120)
RGB (50,50,50)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
Citra Digital B
(sesudah)
RGB (200,100,100)
RGB (40,40,40)
RGB (100,200,120)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
Gambar 12 Susunan Piksel Citra Digital B
sebelum proses redundant pixel removing
Gambar 13 Susunan Piksel Citra Digital
B Setelah Proses redundant pixel
removing
Shingle-shingle kemudian dibentuk berdasarkan hasil removal pada
Gambar 11 dan Gambar 13. Pada contoh ini nilai gram yang digunakan adalah 2,
dengan tujuan untuk menyederhanakan contoh. Pada tiap shingle, kemudian
dihitung nilai fingerprint dengan menggunakan algoritma MD5.
8
Tabel 1 Hasil Shingle dan Fingerprint pada Contoh Citra Digital A
Shingle
1
2
3
4
5
6
7
8
Isi Shingle
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (200,100,100)
Fingerprint (MD5)
1E371AC53749600F9DCD6519031A62DE
135F34EE36C547F5BB93E1BB5F4BF2A7
78D4EE3D58CCEA81770A469E02E6F2BB
1E371AC53749600F9DCD6519031A62DE
135F34EE36C547F5BB93E1BB5F4BF2A7
78D4EE3D58CCEA81770A469E02E6F2BB
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
Tabel 2 Hasil Shingle dan Fingerprint pada Contoh Citra Digital B
Shingle
1
2
3
4
5
6
7
8
9
10
11
Isi Shingle
RGB (200,100,100)
RGB (40,40,40)
RGB (100,200,120)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
Fingerprint (MD5)
RGB (40,40,40)
RGB (100,200,120)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (200,100,100)
599428928438677F7BABC8A6574AF047
73D2E7A4A52C1C0C74916C22F0FDBD4B
714F15BFCFC1ADCD79525FD7B9FF9947
39EDF78E5049C842DA8B6592D6910B54
5166A20435CCC3DAECDFC7DE1A2E2C6C
1E371AC53749600F9DCD6519031A62DE
135F34EE36C547F5BB93E1BB5F4BF2A7
73D2E7A4A52C1C0C74916C22F0FDBD4B
5166A20435CCC3DAECDFC7DE1A2E2C6C
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
Perpotongan (intersection), adalah nilai fingerprint yang berada di citra
digital A (Tabel 1) dan juga berada di citra digital B dari Tabel 1 dan Tabel 2
(Tabel 2).
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
135F34EE36C547F5BB93E1BB5F4BF2A7
Gabungan (union) diperoleh dengan cara menggabungkan nilai fingerprint
citra digital A dan citra digital B, namun hanya nilai unik saja, sehingga tidak ada
nilai fingerprint yang muncul lebih dari satu kali.
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
135F34EE36C547F5BB93E1BB5F4BF2A7
78D4EE3D58CCEA81770A469E02E6F2BB
599428928438677F7BABC8A6574AF047
73D2E7A4A52C1C0C74916C22F0FDBD4B
714F15BFCFC1ADCD79525FD7B9FF9947
39EDF78E5049C842DA8B6592D6910B54
Nilai kemiripan yaitu jumlah perpotongan dibagi jumlah gabungan
dikalikan 100 %.
(3 / 8) x 100% = 37.5%.
Jadi citra digital A dan citra digital B memiliki nilai kemiripan sebesar
37.5%.
9
4.
Hasil dan Pembahasan
Pengembangan aplikasi dilakukan dengan menggunakan Visual Studio
2012 Express for Desktop. Visual Studio 2012 Express for Desktop merupakan
satu dari serangkaian produk Microsoft yang dapat digunakan tanpa harus
membayar lisensi. Di dalam Visual Studio sudah termasuk kerangka kerja
pemrograman .Net Framework 4.5. Pustaka ini menyediakan pustaka-pustaka
yang dapat digunakan untuk mengolah gambar, melakukan enkripsi/dekripsi, dan
lain sebagainya.
Gambar 14 Hasil Deteksi Gambar 100% Mirip
Gambar 15 Hasil Deteksi Gambar 88.67% Mirip Hasil Proses Flip
Kode Program 1 Perintah untuk membentuk suatu shingle
1.
2.
3.
4.
5.
6.
7.
8.
9.
for (int i = 0; i < jumlahShingle; i++)
{
byte[] shingle = new byte[gram];
Array.Copy(words, i,
shingle, 0, shingle.Length);
String hash = GetMd5Hash(md5,
string.Join(" ", shingle));
s.Add(hash);
}
Kode Program 1 merupakan perintah yang digunakan untuk membentuk
suatu shingle. Panjang shingle ditentukan oleh variabel gram. Variabel ini
bergantung dari masukan user.
Kode Program 2 Perintah untuk Menghitung Fingerprint
1.
2.
3.
4.
5.
public static string GetMd5Hash(
MD5 md5Hash, byte[] pixels)
{
byte[] data = md5Hash.ComputeHash(pixels);
StringBuilder sBuilder = new StringBuilder();
10
6.
7.
8.
9.
10.
11.
12. }
for (int i = 0; i < data.Length; i++)
{
sBuilder.Append(
data[i].ToString("x2"));
}
return sBuilder.ToString();
Pada Kode Program 2, untuk membangkitkan nilai fingerprint dari suatu
shingle, digunakan algoritma MD5 (baris 13). Pada .Net Framework, tersedia
class MD5, yang berfungsi untuk membangkitkan nilai hash/fingerprint dari
inputstring. Class MD5 yang tersedia mengakibatkan proses pengembangan
aplikasi menjadi lebih cepat karena tidak perlu menulis kode program sendiri.
Selain itu, implementasi MD5 pada .Net Framework memberikan jaminan bahwa
library tersebut berjalan optimal dalam sistem operasi Microsoft Windows.
Kode Program 3 Perintah untuk Menghitung Nilai Prosentase Kemiripan
1
2
3
4
5
6
var fA = Fingerprints(docA);
var fB = Fingerprints(docB);
var intersect = fA.Intersect(fB);
var union = fA.Union(fB);
return
(float)intersect.Count()/(float)union.Count();
Untuk menghitung nilai kemiripan dua citra digital sesuai dengan
Persamaan 1, digunakan fungsi Intersect (baris 3) dan Union (baris 4). Kedua
fungsi tersebut dapat digunakan pada sebuah variabel bertipe array (himpunan).
Intersect merupakan fungsi untuk mencari elemen-elemen yang merupakan
anggota dua himpunan. Union merupakan fungsi untuk menggabungkan dua
himpunan. Menggunakan dua fungsi tersebut, maka dapat diperoleh angka
kemiripan, yaitu dengan membagi angka jumlah himpunan hasil dari Intersect,
dengan angka jumlah himpunan hasil Union.
Beberapa pengujian dilakukan pada aplikasi untuk mengetahui hasil
deteksi kemiripan gambar. Pengujian 1 yaitu pengujian gambar yang diskalakan
(diperbesar/diperkecil). Hasil pengujian 1 ditunjukkan pada Tabel 3.
No
Gambar A
Tabel 3 Hasil Pengujian 1
Gambar B
Keterangan
1.
Skala 120%
11
Hasil Deteksi
Kemiripan
72%
2.
Skala 150%
3.
70%
Skala 200% 68%
4.
Skala 80%
72%
Skala 50%
70%
Skala 25%
68%
5.
6.
Berdasarkan hasil pengujian 1, aplikasi dapat mendeteksi kemiripan
gambar yang diperbesar/diperkecil, sampai dengan 72%.
Pengujian 2 yaitu pengujian gambar yang diputar. Pengujian dilakukan
terhadap beberapa gambar, yang dilakukan rotasi beberapa kali. Hasil pengujian 2
ditunjukkan pada Tabel 4.
Tabel 4 Hasil Pengujian 2
No
Gambar A
Gambar B
1.
Keterangan
Rotasi Kanan
90 derajat
12
Hasil Deteksi
Kemiripan
56%
2.
Rotasi Kiri
90 derajat
57%
3.
Rotasi
180 derajat
78%
4.
Flip
Horisontal
79%
5.
Flip
Vertikal
88%
Berdasarkan hasil pengujian 2, aplikasi dapat mendeteksi kemiripan
gambar hasil rotasi sampai dengan 88%.
Pengujian 3 yaitu pengujian gambar yang dipotong sebagian. Pengujian
dilakukan terhadap beberapa gambar, yang dipotong secara bervariasi. Hasil
pengujian 3 ditunjukkan pada Tabel 5.
Tabel 5 Hasil Pengujian 3
No
Gambar A
Gambar B
Keterangan
Hasil
Deteksi
Kemiripan
96%
1.
Crop 50x50
piksel
2.
Crop 75x75
piksel
91%
3.
Crop
100x100
piksel
85%
4.
Crop
150x150
piksel
66%
13
Crop
200x200
piksel
5.
39%
Berdasarkan hasil pengujian 3, aplikasi dapat mendeteksi kemiripan
gambar yang dipotong, sampai dengan 96%. Nilai kemiripan bergantung pada
berapa besar bagian gambar yang hilang karena dipotong.
Pengujian 4 yaitu pengujian gambar yang diubah (manipulasi) sebagian.
Pengujian dilakukan terhadap beberapa gambar yang dimanipulasi pada posisi
yang berbeda-beda. Hasil pengujian 4 ditunjukkan pada Tabel 6.
Tabel 6 Hasil Pengujian 4
No
Gambar A
Gambar B
Keterangan
1.
Diberi tulisan
Hasil Deteksi
Kemiripan
96%
2.
Dimanipulasi
92%
3.
Dimanipulasi
86%
4.
Overlay
92%
5.
Grayscale
25%
Berdasarkan hasil pengujian 4, aplikasi dapat mendeteksi kemiripan
gambar yang diubah nilai pikselnya, sampai dengan 96%. Nilai kemiripan
bergantung pada besarnya piksel yang dimanipulasi.
5.
Simpulan
14
Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka dapat
diambil kesimpulan sebagai berikut: (1) Deteksi kemiripan gambar dapat
dilakukan dengan membandingkan nilai-nilai piksel gambar tersebut, dengan
membentuk shingle-shingle; (2) Untuk memperkecil jumlah piksel dan shingle
yang dibandingkan, maka dilakukan penghapusan piksel-piksel yang redundan.
Piksel redundan adalah piksel yang bernilai sama dengan piksel sebelumnya; (3)
Aplikasi dapat mendeteksi kemiripan gambar yang telah melalui berbagai
manipulasi yaitu scaling (perbesar/perkecil), rotasi, cropping (potong sebagian),
dan manipulasi piksel.
Saran yang dapat diberikan untuk penelitian dan pengembangan lebih lanjut
adalah proses pembentukan fingerprint dapat menggunakan algoritma hash yang
lain. Tiap algoritma hash seperti CRC, MD5, SHA dan lain-lain memiliki
keunggulan masing-masing. Aplikasi yang dihasilkan pada penelitian ini dapat
dimanfaatkan untuk deteksi kemiripan foto, sebagai contoh pada bagian imigrasi,
pencarian orang hilang, dan lain sebagainya. Proses pembandingan juga dapat
mengabaikan bitplane yang rendah, semisal 4 bit paling kiri. Jadi proses
pembandingan hanya dilakukan pada 4 bit terdepan, sehingga dapat mengurangi
banyaknya data yang dibentuk menjadi shingle, dan juga mempercepat proses
deteksi kemiripan.
6.
Daftar Pustaka
Montanari, D. & Puglisi, P. L. 2012. Near duplicate document detection for
large information flows. In Multidisciplinary Research and Practice for
Information Systems, pp. 203–217. Springer.
[2]. Walia, A. G. N. K. 2014. Cryptography Algorithms: A Review.
International Journal of Engineering Development and Research
[3]. Chen, Z., Zhang, Y. & Delis, a. 2009. A Digest and Pattern MatchingBased Intrusion Detection Engine. The Computer Journal 52, 699–723.
(doi:10.1093/comjnl/bxp026)
[4]. Broder, A. 2000. Identifying and filtering near-duplicate documents.
Combinatorial pattern matching , 1–10.
[5]. Alatas, P. 2009. Implementasi Teknik Steganografi dengan Metode LSB
pada Citra Digital. Universitas Gunadarma
[6]. Fowler, H. R., Aaron, J. E. & others 2007. The little, brown handbook.
Pearson Longman.
[7]. Stein, B., Koppel, M. & Stamatatos, E. 2007. Plagiarism analysis,
authorship identification, and near-duplicate detection PAN’07. In ACM
SIGIR Forum, pp. 68–71.
[8]. Wang, G. 2011. Collision attack for the hash function extended MD4. In
Information and Communications Security, pp. 228–241. Springer.
[9]. Parvez, M. T. & Gutub, A. A.-A. 2008. RGB Intensity Based Variable-Bits
Image Steganography. IEEE Asia-Pacific Services Computing Conference ,
1322–1327.
[10]. Microsoft
2015.
Overview
of
the
.NET
Framework.
https://msdn.microsoft.com/id-id/library/zw4w595w(v=vs.110).aspx.
[1].
15
Diakses pada 4 November 2015.
16
Kemiripan Citra Digital Menggunakan Algoritma
Shingling dan Redundant Pixel Removal
Artikel Ilmiah
Peneliti:
Andry Vegard Sariwating (672010147)
Magdalena A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
2016
Perancangan dan Implementasi Aplikasi Deteksi
Kemiripan Citra Digital Menggunakan Algoritma
Shingling dan Redundant Pixel Removal
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh gelar Sarjana Komputer
Peneliti:
Andry Vegard Sariwating (672010147)
Magdalena A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
2016
Perancangan dan Implementasi Aplikasi Deteksi Kemiripan Citra
Digital Menggunakan Algoritma Shingling dan Redundant Pixel
Removal
1)
Andry Vegard Sariwating, 2) M. A. Ineke Pakereng
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
1)
Email: 672010147@student.uksw.edu, 2) inekep200472@yahoo.com
Abstract
Detection of digital image similarity is required to avoid the accumulation of
information in a database or file system, to detect plagiarism, for grouping pictures, and
a variety of other purposes. Shingling algorithm is used for the process of finding nearduplicate document. Redundant pixel removal is a technique to ignore / delete pixels that
have the same value, which adjacent, in a digital image, so that the detection process can
be minimized. In this study, shingling algorithm is implemented to detect similarities
digital image. The test results indicate that the application can detect the similarity image
that has been through various manipulations such as scaling (enlarge / reduce), rotation,
cropping (cut part), and pixel manipulation.
Keywords: Shingling, Near Duplicate Detection, Redundant Pixel Removal
Abstrak
Deteksi kemiripan citra digital diperlukan untuk menghindari penumpukan
informasi pada suatu database atau file sistem, untuk mendeteksi plagiasi, untuk
pengelompokan gambar, dan berbagai keperluan yang lain. Algoritma Shingling
merupakan algoritma yang digunakan untuk proses pencarian near-duplicate document.
Redundant pixel removal adalah teknik untuk mengabaikan/menghapus piksel-piksel
yang memiliki nilai sama, yang terletak bersebelahan, pada suatu citra digital, sehingga
proses deteksi dapat diminimalisasi. Pada penelitian ini, algoritma shingling
diimplementasikan untuk mendeteksi kemiripan citra digital. Hasil pengujian
menunjukkan bahwa aplikasi yang dibuat, dapat mendeteksi kemiripan gambar yang telah
melalui berbagai manipulasi yaitu scaling (perbesar/perkecil), rotasi, cropping (potong
sebagian), dan manipulasi piksel.
Kata Kunci: Shingling, Deteksi Kemiripan, Redundant Pixel Removal
1)
Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya
Wacana
2)
Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.
1.
Pendahuluan
Kemudahan dalam menyalin informasi dari satu informasi ke tempat yang
lain merupakan salah satu efek dari kemajuan teknologi informasi. Citra digital,
sebagai salah satu bentuk informasi digital, dapat disalin, diubah, diambil
sebagian, menjadi satu file yang baru. Deteksi kemiripan citra digital diperlukan
untuk menghindari penumpukan informasi pada suatu database atau file sistem,
untuk mendeteksi plagiasi, untuk pengelompokan gambar, dan berbagai keperluan
yang lain.
Algoritma Shingling merupakan algoritma yang ditemukan oleh Andrei
Broder [1]. yang digunakan untuk proses pencarian near-duplicate document.
Algoritma shingling bekerja dengan cara memotong-motong teks menjadi
kumpulan kata, dan membangkitkan suatu nilai unik (fingerprint) untuk tiap
kumpulan kata. Algoritma hash dapat digunakan untuk membangkitkan
fingerprint [2].
Redundant pixel removal adalah teknik untuk mengabaikan/menghapus
piksel-piksel yang memiliki nilai sama, yang terletak bersebelahan, pada suatu
citra digital. Cara ini diperlukan ketika membandingkan dua citra digital yang
berasal dari satu sumber, namun memiliki ukuran dimensi berbeda, dengan kata
lain citra digital yang kedua merupakan hasil scaling (diperbesar/diperkecil) dari
citra digital yang pertama.
Pada penelitian ini, algoritma shingling diimplementasikan untuk
mendeteksi kemiripan citra digital. Shingle yang diproses merupakan potongan
dari piksel-piksel pada citra digital. Piksel-piksel yang redundant dihilangkan
terlebih dahulu, sehingga dapat mempercepat proses pembandingan.
2.
Tinjauan Pustaka
Penelitian tentang deteksi kemiripFFan yang pernah dilakukan adalah "A
Digest and Pattern Matching-Based Intrusion Detection Engine" [3]. Pada
penelitian
tersebut
dipaparkan
suatu
masalah
yaitu
intrusion
detection/preventation system (IDS/IPS) pada jaringan komputer. IDS/IPS bekerja
dengan bergantung pada signature database dan pattern matching (PM). Untuk
melakukan pencocokan pola (PM) dengan data yang lewat pada jaringan
komputer digunakan algoritma Boyer-Moore. Hasil ekperimen menghasilkan
kesimpulan bahwa dengan membangkitkan nilai Fingerprint, proses pencarian
menjadi lebih cepat. Pada penelitian tersebut nilai Fingerprint dibangkitkan
dengan menggunakan teknik Rabin-Fingerprint Perbedaan antara penelitian
tersebut dengan penelitian yang dilakukan ini adalah pada penelitian ini bertujuan
untuk mencari kemiripan antara dua dokumen, bukan paket data jaringan
komputer, dan algoritma MD5 digunakan untuk membangkitkan nilai Fingerprint.
Pada penelitian yang berjudul "Identifying and Filtering Near-Duplicate
Documents", dibahas tentang masalah mendeteksi kemiripan halaman web satu
dengan web yang lain, pada proses web indexing skala besar yang dilakukan oleh
AltaVista search engine [4]. Andrei Broder mengajukan algoritma untuk
menyaring near-duplicate documents, dan sudah diimplementasikan selama
1
kurang lebih tiga tahun pada AltaVista. Document yang dibandingkan
disederhanakan dalam bentuk set, melalui proses shingling. Pada penelitian
tersebut, satu Shingle terdiri dari 4 kata, sehingga disebut 4-shingling. Setiap
Shingle dibangkitkan sebuah Fingerprint untuk kemudian dibandingkan dengan
nilai Fingerprint dari Shingle pada dokumen kedua.Algoritma yang digunakan
untuk membangkitkan nilai Fingerprint adalah Rabin's Fingerprint. Rabin's
membangkitkan nilai Fingerprint sebesar 64 bit (8 byte). Berbeda dengan
penelitian yang dilakukan ini, nilai Fingerprint diperoleh dengan cara
membangkitkan nilai hash dari tiap Shingle. Algoritma yang digunakan adalah
MD5. MD5 membangkitkan nilai hash sebesar 128 bit, bukan 64 bit. Nilai yang
lebih panjang ini dimaksudkan untuk menghindari nilai hash yang sama dari dua
Shingle yang berbeda.
Pada penelitian yang berjudul “Implementasi Teknik Steganografi dengan
Metode LSB pada Citra Digital”, disebutkan tentang perlunya pengamanan
pengiriman pesan melalui jaringan Internet. Pada penelitian tersebut digunakan
media gambar sebagai cover. Hasil penelitian tersebut adalah sebuah aplikasi
steganografi dengan algoritma LSB Embedding, yang dapat menyembunyikan
pesan, sehingga orang lain tidak menyadari keberadaan pesan di dalam media [5].
Berbeda dengan penelitian ini adalah, pada penelitian ini, proses dipilih pada
lokasi yang memberikan perubahan paling minimal. Sehingga kerusakan
(perubahan) pada cover menjadi tidak semakin mencurigakan, untuk mencapai
salah satu tujuan steganografi.
Berdasarkan penelitian-penelitian yang telah dilakukan tentang deteksi
kemiripan dokumen teks, plagiasi, algoritma pencarian string dan teknik
fingerprint, maka dilakukan penelitian yang bertujuan untuk merancang aplikasi
deteksi kemiripan citra digital dengan mengimplementasikan algoritma Shingling
dan redundant pixel removal. Batasan masalah dalam penelitian ini adalah sebagai
berikut: (1) Citra digital yang dibandingkan memiliki format true color image; (2)
Algoritma shingling digunakan untuk membandingkan dua citra digital
berdasarkan kumpulan piksel (shingle) yang terbentuk dari kedua citra digital; (3)
Algoritma redundant pixel removal digunakan untuk menghapus piksel
bersebelahan yang mirip pada satu citra digital.
Penelitian yang dilakukan membahas tentang near-duplicate dan
plagiarism. Plagiarism secara sederhana adalah merepresentasikan ide orang lain,
sebagai ide milik sendiri, baik terjadi secara sengaja maupun secara kebetulan [6].
Near-duplicate adalah kondisi ketika dua dokumen memiliki isi yang sama,
berbeda pada berberapa kata atau susunan kata [7].
Algoritma Shingling merupakan algoritma yang ditemukan oleh Andrei
Broder[4]. Algoritma ini bekerja dengan cara membuat sebuah shingle yang berisi
beberapa kata dengan jumlah yang tetap. Angka yang menentukan jumlah kata
dalam satu shingle ini disebut gram. Pada tiap shingle dibangkitkan nilai
fingerprint. Proses shingling ini akan menghasilkan himpunan yang berisi
sejumlah fingerprint. Himpunan ini kemudian dibandingkan dengan himpunan
yang dihasilkan dari dokumen kedua. Nilai kemiripan diperoleh dengan cara
membagi jumlah fingerprint yang sama (intersection) dari dua dokumen dengan
2
jumlah fingerprint gabungan (union). Proses perhitungan tersebut didefinisikan
sebagai berikut[4]:
|S
S |
(1)
r A, B =
|S
S |
Persamaan 1 Rumus Nilai Kemiripan [4]
Algoritma Shingling dilakukan melalui beberapa langkah berikut [4]:
1.
Hilangkan tanda baca pada dokumen.
2.
Dimulai dengan kata pertama, buat satu shingle berisi kata pertama
tersebut sampai 3 kata berikutnya.
3.
Pindah ke kata kedua, buat shingle berisi kata kedua dan 3 kata
berikutnya.
4.
Lakukan pembentukan shingle sampai dengan 4 kata terakhir dari
dokumen tersebut.
5.
Untuk tiap shingle, bangkitkan nilai fingerprint.
6.
Lakukan langkah 1 sampai dengan 5 untuk dokumen kedua.
7.
Gunakan rumus nilai kemiripan dokumen (Persamaan 1) untuk
menghitung nilai kemiripan dokumen.
Nilai fingerprint pada penelitian ini dihitung dengan menggunakan
algoritma MD5. MD5 (Message-Digest Algorithm 5) ialah fungsi hash kriptografi
yang digunakan secara luas dengan hashvalue 128-bit [2]. MD5 telah
dimanfaatkan secara bermacam-macam pada aplikasi keamanan, dan MD5 juga
umum digunakan untuk melakukan pengujian integritas (fingerprint) sebuah
file.MD5 didesain oleh Ronald Rivest pada tahun 1991 untuk menggantikan
hashfunction sebelumnya, yaitu MD4. Hashvalue yang dihasilkan oleh MD5
memiliki panjang 128-bit (16 byte), sekalipun input (pesan) yang digunakan
memiliki panjang yang bervariasi. Hashvalue berubah signifikan sekalipun
perubahan yang terjadi pada input hanya 1 byte.
Algoritma Shingling yang ditemukan oleh Broder, menggunakan fingerprint
dengan panjang 64 bit. Panjang fingerprint 64 bit untuk tiap shingle memiliki
resiko yaitu dihasilkannya fingerprint yang sama untuk shingle yang berbeda. Hal
ini disebut dengan collision vulnerabilities [8]. Untuk menghindari kemungkinan
collision, maka digunakan fingerprint dengan panjang yang lebih dari 64 bit.
Berdasarkan tujuan tersebut maka algoritma MD5 digunakan untuk menghasilkan
fingerprint dengan panjang 128 bit.
Pada penelitian ini, format file citra digital yang digunakan adalah PNG.
PNG merupakan True Color image. Suatu true colour image memiliki komponen
red, green dan blue yang terpisah untuk tiap pikselnya. Pada sebagian besar true
colour image, tiap komponen diwakilkan dengan satu byte yang terdiri dari 8 bit,
sehingga setiap piksel memiliki 24 bit informasi warna. Oleh karena itu, mode ini
sering disebut sebagai “24-bit warna”. Pada Gambar 1 ditunjukkan contoh
potongan dari file gambar. Potongan ini memiliki dimensi 6 x 6 piksel.Pada tiap
piksel terdapat tiga bagian warna yaitu red, green dan blue. Pada lokasi piksel 1,1
terdapat warna red bernilai 96, green bernilai 143, dan blue bernilai 179. Pada
lokasi piksel 1,2 terdapat warna red 61, green 125, dan green 198[9].
3
Gambar 1 Komponen RGB pada File Gambar 24 Bit Warna[9]
Microsoft .NET Framework merupakan sebuah perangkat lunak kerangka
kerja yang berjalan pada sistem operasi Microsoft Windows. Saat ini .NET
Framework umumnya telah terintegrasi dalam distribusi standar Windows (mulai
dari Windows Server 2003 dan versi-versi Windows yang lebih baru). Kerangka
kerja ini menyediakan sejumlah besar pustaka pemrograman komputer dan
mendukung beberapa bahasa pemrograman serta interoperabilitas yang baik
sehingga memungkinkan bahasa-bahasa tersebut berfungsi satu dengan lain dalam
pengembangan sistem. Berbeda halnya dengan tipikal aplikasi konvensional
umumnya, program yang ditulis dengan memanfaatkan .NET Framework berjalan
pada lingkungan perangkat lunak melalui Common Language Runtime, dan bukan
perangkat keras secara langsung. Hal ini memungkinkan aplikasi yang dibuat di
atas .NET secara teoritis dapat berjalan pada perangkat keras apapun yang
didukung oleh .NET Framework. Perangkat lunak ini adalah kunci penawaran
utama dari Microsoft, dan dimaksudkan untuk digunakan oleh sebagian besar
aplikasi-aplikasi baru yang dibuat untuk platform Windows [10]. Pada penelitian
ini, .NET Framework digunakan untuk membangun aplikasi deteksi kemiripan.
Beberapa pustaka pemrograman yang digunakan adalah pustaka untuk membuat
Graphical User Interface (GUI), dan pustaka pemrosesan gambar (Bitmap).
3.
Metode dan Perancangan Sistem
Penelitian yang dilakukan, diselesaikan melalui tahapan penelitian yang
terbagi dalam empat tahapan, yaitu: (1) Identifikasi masalah dan literatur, (2)
Perancangan sistem, (3) Implementasi sistem yaitu Membangun aplikasi/program,
dan (4) Pengujian sistem dan analisis hasil pengujian.
4
Identifikasi Masalah dan Studi Literatur
Perancangan Sistem
Implementasi Sistem
Pengujian Sistem dan Analisis Hasil Pengujian
Gambar 2 Tahapan Penelitian
Tahapan penelitian pada Gambar 2, dapat dijelaskan sebagai berikut.
Tahap pertama: identifikasi masalah dan literatur, yaitu keamanan citra digital.
Tahap kedua: perancangan sistem yang meliputi perancangan sistem deteksi
kemiripan citra digital; Tahap ketiga: implementasi sistem, yaitu membuat
aplikasi sesuai perancangan sistem pada tahap kedua; dan Tahap keempat:
pengujian sistem dan analisis hasil pengujian, yaitu dilakukan pengujian terhadap
proses yang telah dirancang, dan melihat kesesuaian solusi terhadap masalah yang
telah teridentifikasi sebelumnya.
Gambar A
Hapus Piksel
Redundant
Buat Shingle
berisi N
Piksel
Hitung Union
dan
Intersection
Gambar B
Hapus Piksel
Redundant
Hitung
Prosentase
Kemiripan
Buat Shingle
berisi N
Piksel
Gambar 3 Desain Sistem
Sistem yang dikembangkan, memiliki desain yang ditunjukkan pada
Gambar 3. Sistem terdiri dari dua input yaitu file gambar A dan file gambar B.
Hasil deteksi kedua file gambar tersebut adalah berupa angka prosentase
kemiripan.
5
Mulai
Mulai
Himpunan
piksel (K)
Gambar A
Gambar B
Nilai gram (q)
Hapus Redundant Piksel
Hapus Redundant Piksel
Proses membentuk
Shingle
Proses membentuk
Shingle
Perulangan
sebanyak
K
Hitung nilai intersection
True
Hitung nilai union
Buat shingle
False
Hitung Kemiripan
= intersection/union x 100%
Hitung fingerprint
Selesai
Selesai
Gambar 4 Perhitungan Prosentase Kemiripan File
Gambar
Gambar 5 Shingle dan Fingerprint
Proses perhitungan prosentase kemiripan file gambar secara garis besar
ditunjukkan pada Gambar 4. Proses pembandingan memerlukan dua input file
citra digital. Pada tiap file citra digital, dilakukan proses penghapusan pikselpiksel yang berlebihan (redundant). Piksel redundant adalah piksel yang memiliki
nilai yang sama dengan nilai sebelumnya. Tujuan dari proses ini adalah untuk
mengurangi shingle yang terbentuk, dan mempercepat proses pembandingan.
Jumlah shingle yang terbentuk bergantung pada jumlah piksel yang ada pada
suatu citra digital. Semakin sedikit piksel, maka semakin sedikit pula shingle yang
dihasilkan. Semakin sedikit shingle yang dihasilkan, maka semakin cepat proses
pembandingan. Penghapusan piksel redundant juga bertujuan untuk
membandingkan dua file citra digital yang sama, namun berbeda ukuran dimensi
karena hasil scaling (citra digital diperbesar/diperkecil).
Proses pembentukan shingle dilakukan setelah proses penghapusan piksel
redundant. Langkah detail dari pembentukan shingle ditunjukkan pada Gambar 5.
Jumlah piksel dalam satu shingle ditentukan oleh nilai gram. Nilai gram
ditentukan oleh input user. Pada tiap shingle yang terbentuk, dihitung nilai
fingerprint.
Pembentukan nilai fingerprint bertujuan untuk memperkecil ukuran byte
shingle yang akan dibandingkan. Sebagai contoh jika dalam satu shingle terdapat
20 piksel (variabel gram diberi nilai 20), maka dalam satu shingle terdapat 20 x 3
byte (1 piksel terdapat warna R, G, B) = 60 byte. 60 byte tersebut jika dihitung
nilai fingerprint dengan MD5, menghasilkan nilai hash 16 byte (128 bit).
6
Membandingkan dua shingle yang berukuran 16 byte, tentu lebih cepat dari pada
membandingkan dua shingle berukuran 60 byte.
Proses setelah terbentuk shingle untuk kedua gambar dan nilai fingerprint
untuk tiap-tiap shingle, yaitu menghitung jumlah shingle yang sama pada kedua
gambar (intersection), dan jumlah gabungan shingle kedua gambar (union). Nilai
kemiripan diperoleh dari nilai intersection dibagi dengan nilai union, dikalikan
100 persen.
Langkah-langkah pada flowchart di Gambar 4 dan Gambar 5, dapat
dijelaskan dengan contoh proses deteksi kemiripan dua citra digital. Terdapat dua
citra digital dengan nilai piksel ditunjukkan pada Gambar 6 dan Gambar 7.
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
Gambar 6 Susunan Piksel Citra Digital A
RGB (200,100,100)
RGB (200,100,100)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (100,200,120)
RGB (50,50,50)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
Gambar 7 Susunan Piksel Citra Digital B
Piksel pada citra digital A disusun secara berurutan maka terbentuk
deretan piksel yang ditunjukkan pada Gambar 8. Piksel pada citra digital B,
menghasilkan deretan piksel ditunjukkan pada Gambar 9.
Citra Digital A
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (200,100,100)
RGB (100,200,120)
Citra Digital B
RGB (200,100,100)
RGB (200,100,100)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (100,200,120)
RGB (50,50,50)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
Gambar 8 Susunan Piksel Citra Digital A
Disusun Berurutan
Gambar 9 Susunan Piksel Citra Digital B
Disusun Berurutan
7
Proses redundant pixel removing kemudian dilakukan pada susunan piksel
tiap citra digital tersebut. Hasil dari proses tersebut menghasilkan nilai-nilai piksel
ini:
Citra Digital A
(semula)
RGB (200,100,100)
Citra Digital A
(sesudah)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
Gambar 10 Susunan Piksel Citra Digital A
sebelum proses redundant pixel removing
Gambar 11 Susunan Piksel Citra Digital A
Setelah Proses redundant pixel removing
Citra Digital B
(semula)
RGB (200,100,100)
RGB (200,100,100)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (100,200,120)
RGB (50,50,50)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
Citra Digital B
(sesudah)
RGB (200,100,100)
RGB (40,40,40)
RGB (100,200,120)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
Gambar 12 Susunan Piksel Citra Digital B
sebelum proses redundant pixel removing
Gambar 13 Susunan Piksel Citra Digital
B Setelah Proses redundant pixel
removing
Shingle-shingle kemudian dibentuk berdasarkan hasil removal pada
Gambar 11 dan Gambar 13. Pada contoh ini nilai gram yang digunakan adalah 2,
dengan tujuan untuk menyederhanakan contoh. Pada tiap shingle, kemudian
dihitung nilai fingerprint dengan menggunakan algoritma MD5.
8
Tabel 1 Hasil Shingle dan Fingerprint pada Contoh Citra Digital A
Shingle
1
2
3
4
5
6
7
8
Isi Shingle
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (40,40,40)
RGB (40,40,40)
RGB (200,100,100)
RGB (200,100,100)
RGB (100,200,120)
RGB (100,200,120)
RGB (200,100,100)
Fingerprint (MD5)
1E371AC53749600F9DCD6519031A62DE
135F34EE36C547F5BB93E1BB5F4BF2A7
78D4EE3D58CCEA81770A469E02E6F2BB
1E371AC53749600F9DCD6519031A62DE
135F34EE36C547F5BB93E1BB5F4BF2A7
78D4EE3D58CCEA81770A469E02E6F2BB
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
Tabel 2 Hasil Shingle dan Fingerprint pada Contoh Citra Digital B
Shingle
1
2
3
4
5
6
7
8
9
10
11
Isi Shingle
RGB (200,100,100)
RGB (40,40,40)
RGB (100,200,120)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
Fingerprint (MD5)
RGB (40,40,40)
RGB (100,200,120)
RGB (50,50,50)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (40,40,40)
RGB (100,200,120)
RGB (200,100,100)
RGB (100,200,120)
RGB (200,100,100)
599428928438677F7BABC8A6574AF047
73D2E7A4A52C1C0C74916C22F0FDBD4B
714F15BFCFC1ADCD79525FD7B9FF9947
39EDF78E5049C842DA8B6592D6910B54
5166A20435CCC3DAECDFC7DE1A2E2C6C
1E371AC53749600F9DCD6519031A62DE
135F34EE36C547F5BB93E1BB5F4BF2A7
73D2E7A4A52C1C0C74916C22F0FDBD4B
5166A20435CCC3DAECDFC7DE1A2E2C6C
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
Perpotongan (intersection), adalah nilai fingerprint yang berada di citra
digital A (Tabel 1) dan juga berada di citra digital B dari Tabel 1 dan Tabel 2
(Tabel 2).
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
135F34EE36C547F5BB93E1BB5F4BF2A7
Gabungan (union) diperoleh dengan cara menggabungkan nilai fingerprint
citra digital A dan citra digital B, namun hanya nilai unik saja, sehingga tidak ada
nilai fingerprint yang muncul lebih dari satu kali.
1E371AC53749600F9DCD6519031A62DE
5166A20435CCC3DAECDFC7DE1A2E2C6C
135F34EE36C547F5BB93E1BB5F4BF2A7
78D4EE3D58CCEA81770A469E02E6F2BB
599428928438677F7BABC8A6574AF047
73D2E7A4A52C1C0C74916C22F0FDBD4B
714F15BFCFC1ADCD79525FD7B9FF9947
39EDF78E5049C842DA8B6592D6910B54
Nilai kemiripan yaitu jumlah perpotongan dibagi jumlah gabungan
dikalikan 100 %.
(3 / 8) x 100% = 37.5%.
Jadi citra digital A dan citra digital B memiliki nilai kemiripan sebesar
37.5%.
9
4.
Hasil dan Pembahasan
Pengembangan aplikasi dilakukan dengan menggunakan Visual Studio
2012 Express for Desktop. Visual Studio 2012 Express for Desktop merupakan
satu dari serangkaian produk Microsoft yang dapat digunakan tanpa harus
membayar lisensi. Di dalam Visual Studio sudah termasuk kerangka kerja
pemrograman .Net Framework 4.5. Pustaka ini menyediakan pustaka-pustaka
yang dapat digunakan untuk mengolah gambar, melakukan enkripsi/dekripsi, dan
lain sebagainya.
Gambar 14 Hasil Deteksi Gambar 100% Mirip
Gambar 15 Hasil Deteksi Gambar 88.67% Mirip Hasil Proses Flip
Kode Program 1 Perintah untuk membentuk suatu shingle
1.
2.
3.
4.
5.
6.
7.
8.
9.
for (int i = 0; i < jumlahShingle; i++)
{
byte[] shingle = new byte[gram];
Array.Copy(words, i,
shingle, 0, shingle.Length);
String hash = GetMd5Hash(md5,
string.Join(" ", shingle));
s.Add(hash);
}
Kode Program 1 merupakan perintah yang digunakan untuk membentuk
suatu shingle. Panjang shingle ditentukan oleh variabel gram. Variabel ini
bergantung dari masukan user.
Kode Program 2 Perintah untuk Menghitung Fingerprint
1.
2.
3.
4.
5.
public static string GetMd5Hash(
MD5 md5Hash, byte[] pixels)
{
byte[] data = md5Hash.ComputeHash(pixels);
StringBuilder sBuilder = new StringBuilder();
10
6.
7.
8.
9.
10.
11.
12. }
for (int i = 0; i < data.Length; i++)
{
sBuilder.Append(
data[i].ToString("x2"));
}
return sBuilder.ToString();
Pada Kode Program 2, untuk membangkitkan nilai fingerprint dari suatu
shingle, digunakan algoritma MD5 (baris 13). Pada .Net Framework, tersedia
class MD5, yang berfungsi untuk membangkitkan nilai hash/fingerprint dari
inputstring. Class MD5 yang tersedia mengakibatkan proses pengembangan
aplikasi menjadi lebih cepat karena tidak perlu menulis kode program sendiri.
Selain itu, implementasi MD5 pada .Net Framework memberikan jaminan bahwa
library tersebut berjalan optimal dalam sistem operasi Microsoft Windows.
Kode Program 3 Perintah untuk Menghitung Nilai Prosentase Kemiripan
1
2
3
4
5
6
var fA = Fingerprints(docA);
var fB = Fingerprints(docB);
var intersect = fA.Intersect(fB);
var union = fA.Union(fB);
return
(float)intersect.Count()/(float)union.Count();
Untuk menghitung nilai kemiripan dua citra digital sesuai dengan
Persamaan 1, digunakan fungsi Intersect (baris 3) dan Union (baris 4). Kedua
fungsi tersebut dapat digunakan pada sebuah variabel bertipe array (himpunan).
Intersect merupakan fungsi untuk mencari elemen-elemen yang merupakan
anggota dua himpunan. Union merupakan fungsi untuk menggabungkan dua
himpunan. Menggunakan dua fungsi tersebut, maka dapat diperoleh angka
kemiripan, yaitu dengan membagi angka jumlah himpunan hasil dari Intersect,
dengan angka jumlah himpunan hasil Union.
Beberapa pengujian dilakukan pada aplikasi untuk mengetahui hasil
deteksi kemiripan gambar. Pengujian 1 yaitu pengujian gambar yang diskalakan
(diperbesar/diperkecil). Hasil pengujian 1 ditunjukkan pada Tabel 3.
No
Gambar A
Tabel 3 Hasil Pengujian 1
Gambar B
Keterangan
1.
Skala 120%
11
Hasil Deteksi
Kemiripan
72%
2.
Skala 150%
3.
70%
Skala 200% 68%
4.
Skala 80%
72%
Skala 50%
70%
Skala 25%
68%
5.
6.
Berdasarkan hasil pengujian 1, aplikasi dapat mendeteksi kemiripan
gambar yang diperbesar/diperkecil, sampai dengan 72%.
Pengujian 2 yaitu pengujian gambar yang diputar. Pengujian dilakukan
terhadap beberapa gambar, yang dilakukan rotasi beberapa kali. Hasil pengujian 2
ditunjukkan pada Tabel 4.
Tabel 4 Hasil Pengujian 2
No
Gambar A
Gambar B
1.
Keterangan
Rotasi Kanan
90 derajat
12
Hasil Deteksi
Kemiripan
56%
2.
Rotasi Kiri
90 derajat
57%
3.
Rotasi
180 derajat
78%
4.
Flip
Horisontal
79%
5.
Flip
Vertikal
88%
Berdasarkan hasil pengujian 2, aplikasi dapat mendeteksi kemiripan
gambar hasil rotasi sampai dengan 88%.
Pengujian 3 yaitu pengujian gambar yang dipotong sebagian. Pengujian
dilakukan terhadap beberapa gambar, yang dipotong secara bervariasi. Hasil
pengujian 3 ditunjukkan pada Tabel 5.
Tabel 5 Hasil Pengujian 3
No
Gambar A
Gambar B
Keterangan
Hasil
Deteksi
Kemiripan
96%
1.
Crop 50x50
piksel
2.
Crop 75x75
piksel
91%
3.
Crop
100x100
piksel
85%
4.
Crop
150x150
piksel
66%
13
Crop
200x200
piksel
5.
39%
Berdasarkan hasil pengujian 3, aplikasi dapat mendeteksi kemiripan
gambar yang dipotong, sampai dengan 96%. Nilai kemiripan bergantung pada
berapa besar bagian gambar yang hilang karena dipotong.
Pengujian 4 yaitu pengujian gambar yang diubah (manipulasi) sebagian.
Pengujian dilakukan terhadap beberapa gambar yang dimanipulasi pada posisi
yang berbeda-beda. Hasil pengujian 4 ditunjukkan pada Tabel 6.
Tabel 6 Hasil Pengujian 4
No
Gambar A
Gambar B
Keterangan
1.
Diberi tulisan
Hasil Deteksi
Kemiripan
96%
2.
Dimanipulasi
92%
3.
Dimanipulasi
86%
4.
Overlay
92%
5.
Grayscale
25%
Berdasarkan hasil pengujian 4, aplikasi dapat mendeteksi kemiripan
gambar yang diubah nilai pikselnya, sampai dengan 96%. Nilai kemiripan
bergantung pada besarnya piksel yang dimanipulasi.
5.
Simpulan
14
Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka dapat
diambil kesimpulan sebagai berikut: (1) Deteksi kemiripan gambar dapat
dilakukan dengan membandingkan nilai-nilai piksel gambar tersebut, dengan
membentuk shingle-shingle; (2) Untuk memperkecil jumlah piksel dan shingle
yang dibandingkan, maka dilakukan penghapusan piksel-piksel yang redundan.
Piksel redundan adalah piksel yang bernilai sama dengan piksel sebelumnya; (3)
Aplikasi dapat mendeteksi kemiripan gambar yang telah melalui berbagai
manipulasi yaitu scaling (perbesar/perkecil), rotasi, cropping (potong sebagian),
dan manipulasi piksel.
Saran yang dapat diberikan untuk penelitian dan pengembangan lebih lanjut
adalah proses pembentukan fingerprint dapat menggunakan algoritma hash yang
lain. Tiap algoritma hash seperti CRC, MD5, SHA dan lain-lain memiliki
keunggulan masing-masing. Aplikasi yang dihasilkan pada penelitian ini dapat
dimanfaatkan untuk deteksi kemiripan foto, sebagai contoh pada bagian imigrasi,
pencarian orang hilang, dan lain sebagainya. Proses pembandingan juga dapat
mengabaikan bitplane yang rendah, semisal 4 bit paling kiri. Jadi proses
pembandingan hanya dilakukan pada 4 bit terdepan, sehingga dapat mengurangi
banyaknya data yang dibentuk menjadi shingle, dan juga mempercepat proses
deteksi kemiripan.
6.
Daftar Pustaka
Montanari, D. & Puglisi, P. L. 2012. Near duplicate document detection for
large information flows. In Multidisciplinary Research and Practice for
Information Systems, pp. 203–217. Springer.
[2]. Walia, A. G. N. K. 2014. Cryptography Algorithms: A Review.
International Journal of Engineering Development and Research
[3]. Chen, Z., Zhang, Y. & Delis, a. 2009. A Digest and Pattern MatchingBased Intrusion Detection Engine. The Computer Journal 52, 699–723.
(doi:10.1093/comjnl/bxp026)
[4]. Broder, A. 2000. Identifying and filtering near-duplicate documents.
Combinatorial pattern matching , 1–10.
[5]. Alatas, P. 2009. Implementasi Teknik Steganografi dengan Metode LSB
pada Citra Digital. Universitas Gunadarma
[6]. Fowler, H. R., Aaron, J. E. & others 2007. The little, brown handbook.
Pearson Longman.
[7]. Stein, B., Koppel, M. & Stamatatos, E. 2007. Plagiarism analysis,
authorship identification, and near-duplicate detection PAN’07. In ACM
SIGIR Forum, pp. 68–71.
[8]. Wang, G. 2011. Collision attack for the hash function extended MD4. In
Information and Communications Security, pp. 228–241. Springer.
[9]. Parvez, M. T. & Gutub, A. A.-A. 2008. RGB Intensity Based Variable-Bits
Image Steganography. IEEE Asia-Pacific Services Computing Conference ,
1322–1327.
[10]. Microsoft
2015.
Overview
of
the
.NET
Framework.
https://msdn.microsoft.com/id-id/library/zw4w595w(v=vs.110).aspx.
[1].
15
Diakses pada 4 November 2015.
16