ELZA OKTAVIANA

1103080058

Pembimbing 1 : Dr. Adiwijaya Pembimbing 2 : Gia Septiana W. S.Si., M.Sc.

Skema Penyembunyian Teks Terkompresi Arithmetic Coding pada Citra Digital Manggunakan Kuantisasi

Berbasis Graf

TENTANG PENELITIAN

Menyembunyikan data rahasia berupa teks ke dalam citra digital, dengan menggunakan skema “kuantisasi berbasis graf”.

Skema Kuantisasi berbasis graf adalah skema yang menggunakan graf untuk merepresentasikan codebook yang merupakan centroid dari klusterisasi blok – blok citra digital, yaitu hasil kuantisasi dengan Vektor Quantization, sebagai vertex pada graf G.

TUJUAN

• Implementasi skema penyisipan teks terkompresi arithmetic coding pada citra digital menggunakan kuantisasi graf

• Mengetahui bagaimana hasil penyisipan teks terkompresi arithmetic coding menggunakan skema yang diajukan

• Mengetahui performansi dari implementasi skema ini dilihat dari kapasitas data yang bisa disisipkan, PSNR, dan waktu pemprosesan

Batasan Masalah

Citra yang digunakan adalah citra grayscale dengan ukuran 256 x 256 pixel.

MOTIVASI

• Dibutuhkannya sebuah skema yang dapat melindungi transmisi data digital ataupun multimedia dari serangan cyber.

• Dalam penelitiaannya Li, dkk berhasil mengatasi keterbatasan kapasitas data, namun tidak untuk performansi citra stego yang dihasilkan.

• Keberhasilan Yue, dkk dalam menjaga performansi citra stego dan kapasitas penyisipan yang besar dengan menyisipkan pada graf berwarna

• Sruti, dkk yang berhasil menggunakan arithmetic coding untuk mengurangi ruang penyimpanan atau memori yang digunakan untuk penyisipann dan kapasitas transmisi dari informasi

SKEMA UMUM PENYISIPAN

PEMBANGKITAN CODEBOOK

TEKS RAHASIA

CITRA-COVER

CODEBOOK (CB)

PEMBUATAN GRAF DAN KETETANGGAANNYA

GRAF (G)

PEWARNAAN GRAFDENGAN GA

GRAF BERWARNA G

REFINED GRAPH G

REFINE GRAF

KOMPRESI ARITHMETIC CODING

BIT BINARY

PENYISIPAN

CITRA TERSISIPI

START

STOP

KEYKode Kompresi

Refined Graph

Bit Sisa

Metode 1 : Genetic Algorithm

Metode 2 : Vector Quantization

Metode 1 : Arithmetic Coding

ARITHMETIC CODING

Teks Input: SAYA ELZAO

KARAKTER PROBABILITAS RANGE

^ (Spasi) 1/10 0,00 < R < 0,10

A 3/10 0,11 < R < 0,40

E 1/10 0,41 < R < 0,50

L 1/10 0,51 < R < 0,60

O 1/10 0,61 < R < 0,70

S 1/10 0,71 < R < 0,80

Y 1/10 0,81 < R < 0,90

Z 1/10 0,91 < R < 1,00

ARITHMETIC CODING

Teks Input: 1321

ARITHMETIC CODING

Teks Input: 1321

Kriteria Bts Bawah Bts Atas Kode

0 1

1 0 0,8

3 0,656 0,8 0

rescale 0,312 0,6 1

2 0,5424 0,54812 0

rescale 0,0848 0,09632 1

rescale 0,1696 0,19264 0

rescale 0,3392 0,38528 0

rescale 0,6784 0,77056 0

rescale 0,3568 0,54112 1

1 0,3568 0,50426 0

EOF 0

1

ARITHMETIC CODING

Pseudo Code

Low = 0.0; high = 1.0;

While not EOF do

range = high – low; read(c);

high = low + range x high_range(c);

low = low + range x low_range(c);

enddo

output(low)

VECTOR QUANTIZATION

CO

DEB

OO

K

BLO

K –

BLO

K C

ITR

A Iblok

1

2

3

4

5

.

.

.

4096

iCW

1

2

3

4

.

.

.

64

VQ

VECTOR QUANTIZATION

VQ

STARTTraining Vektor X

Bangkitkan Codebook awal Cbi, i=0 secara random, ukuran N

Current CodebookCB

Hitung ED Training Vektor X dengan CW pada Current CB

ED(X, CW)

Cluster-kan Xi ke CW yang terdekat. Dan hitung rataan setiap clusternya (centroid).

CW = Centroid

New CodebookCBi+1

i = i + 1

CBi+1 = CBi ?ENDTIDAKYA

TAHAPAN PEMBENTUKAN GRAF .......(1)

VQ Index Codebook

1 { 163 171 178 185 163 170 177 ... 184 184 }

2 { 170 142 109 95 175 151 115 ... 98 103 }

3 { 81 89 104 115 73 82 97 ... 114 103 }

4 { 90 95 110 123 88 100 115 ... 124 141 }

5 { 154 155 168 178 159 171 186 ... 195 205 }

6 { 137 143 150 154 142 150 156 ... 159 157 }

7 { 89 90 91 92 86 89 92 ... 92 93 }

8 { 172 172 173 172 172 173 172 ... 172 172 }

...

64 { 122 134 147 153 122 136 146 ... 153 151 }

1

2

6

46 55

11

20

49

358

10

37

36

18

22

55

33 51

50

64

CODEBOOK GRAF

BANGKITKAN VERTEX GRAF G

TAHAPAN PEMBENTUKAN GRAF ..........(2)

VQ

GRAF BERTETANGGA G

1

2

6

46 55

11

20

49

358

10

37

36

18

22

55

33 51

50

64

BANGUN KETETANGGAAN VERTEX GRAF G

ADJ_THRESH = 30

GENETIC ALGORITHM

VQ

GENETIC ALGORITHM

VQ

1

2

6

46 55

11

20

49

358

10

37

36

18

22

55

33 51

50

64

GRAF BERWARNA G

PEWARNAAN PADA GRAF G

COLOR_NUMBER = 30

Warna 0 Warna 1

Warna 2 Warna 3

Warna 4 Warna 5

Warna 6 Warna 7

REFINE GRAPH

VQ

REFINED GRAPH G

COLOR_NUMBER = 30

Warna 0 Warna 1

Warna 2 Warna 3

Warna 4 Warna 5

Warna 6 Warna 7

6

46 55

11

20

49

358

10

37

36

PENYISIPAN

VQ

STARTCITRACOVER

Bagi Citra menjadi blok – blok ukuran n x n

M Blok citra

M >= i?

Hitung ED Blok idengan CBD(Blokᵢ, CWⱼ)

Baca masing-masing blok secara zig-zag,

Blok i= {pixel di blok i}

YA

CWⱼ terdekat dengan Blokᵢ

Binary data text yang akan disisipkan

Baca next n bit Binary data text

Temukan vertex v , adj_v yg warnanya sama dg n bit data

Color_v = bit data

n Bit data

Vertex ditemukan?

Refine grafTemukan vertex v pada refine graf yang

berkorespondensi dengan CWⱼ

YA

V ditemukan?

YA

Outputkan index CWⱼ (vertex v)

TIDAK

Outputkan index v

YA

Kode Kompresi VQ

END TIDAK

TIDAK

HASIL PENGUJIAN PENYISIPAN

Citra Asli Citra Terkompresi VQ Codebook_size: 256 PSNR: 30,3511 db

Citra Tersisipi Data Codebook_size: 128

Adj_tresh: 50 Color_number: 8

Kapasitas:7788 bit PSNR: 27,3198 db

EKSTRAKSI

REFINED GRAPH

KEY

EKSTRAKSICITRA

TERSISIPI

DATA HIDING TERKOMPRESI

CITRA SETELAH EKSTRAKSI

DECODE DENGAN ARITHMETIC CODING

TEKS RAHASIA

TAHAPAN EKSTRAKSI

Kode Kompresi

Refined Graph

Bit Sisa

PENGUJIAN DAN ANALISIS (2) PARAMETER ADJ_THRESH

PENGUJIAN DAN ANALISIS (3) PARAMETER COLOR_NUMBER

PENGUJIAN DAN ANALISIS (4) PARAMETER TEKS TERKOMPRESI

PENGUJIAN DAN ANALISIS (4)

Teks Inputan Teks Sebelum Kompresi

(bit)

Teks Kompresi Arithmetic

Coding (bit) Ratio Kompresi (%)

Teks 1 12440 6725 45,94%

Teks 2 49042 15407 68,58%

Teks 3 33504 18189 45,71%

Teks 4 32848 17594 46,44%

Teks 5 72456 38910 46,30%

Ratio kompresi rata - rata 50,59%

Tabel 4.1 Ratio Kompresi Teks Aritmetic Coding

HASIL (1) WAKTU PEMPROSESAN

CB Size Adj Tresh Color

Waktu Pemrosesan (s)

Total Waktu

Proses (s)

Kapasitas

Penyisipan PNSR

Generate

Codebook

Generate Graph,

Coloring dan

Refine

Embed

Fitness = 0

64 30 8 102,0960 2,4020 10,5760 115,0740 4584

23,43

128 40 16 284,7450 2,0470 21,5570 308,3490 10268

17,03

256 50 32 533,7100 7,3330 39,9800 581,0230 13950

15,63

Fitness > 0

256 30 8 533,7100 426,2740 32,4530 992,4370 1158

29,82

256 40 8 533,7100 680,7710 32,6490 1247,1300 1560

28,58

256 50 8 533,7100 1157,5960 30,6330 1721,9390 0

30,33

KESIMPULAN

• Kapasitas yang dihasilkan dari pengujian relatif bagus dengan nilai parameter – parameter tertentu.

• Besarnya kapasitas penyisipan tidak menjamin nilai PNSR yang bagus untuk skema dengan parameter inputannya karna nilai PNSR berbanding terbalik dengan kapasitas penyisipan.

• Pemilihan skenario terbaik ditentukan berdasarkan orientasi hasil yang diinginkan. Pencapaian penelitian ini adalah codebook_size=256, adj_thresh=50, color_number=16, dengan nilai PNSR: 27,9697 dan Kapasitas bit yang bisa disisipkan adalah 2492 bit, dimana citra dapat disisipkan dengan kualitas yang dapat diterima atau nilai PSNR yang tidak terlalu kecil.

SARAN

• Mendapatkan hasil dimana akan didapatkan kapasitas maksimum dengan nilai PNSR yang cukup bagus.

• Dibutuhkan sebuah Metode Cluster yang tepat untuk menghasilkan centroid dari codebook.

• Diberikan batas jarak pencarian v’ (vertex yang bersesuaian dengan bit yang akan disisipkan), atau nilai bfs_thresh untuk tetap menjaga kualitas citra hasil penyisipan.

Terima Kasih