Forensik Image Splicing Menggunakan Feature Extraction dan Label Propagation

AL Ghifari, Seiga (2024) Forensik Image Splicing Menggunakan Feature Extraction dan Label Propagation. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221042-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (4MB) | Request a copy

Abstract

Tidak sedikit oknum yang berusaha memanfaatkan teknik manipulasi citra untuk berbuat kriminal, seperti pemalsuan barang bukti gambar hingga pemalsuan dokumen. Image splicing merupakan salah satu teknik manipulasi citra yang terpopuler saat ini, dimana teknik ini memanipulasi citra dengan cara menempelkan potongan gambar pada gambar yang lain untuk mengubah informasi yang terkandung didalam gambar tersebut. Dibutuhkan sebuah algoritma untuk mendeteksi pada bagian mana dalam suatu gambar yang merupakan area hasil image splicing. Terdapat penelitian terdahulu yang membahas mengenai image splicing localization. Penelitian tersebut berhasil mendeteksi image splicing area dengan menggunakan noise level estimation dan clustering, namun metode ini kurang efektif untuk gambar yang memiliki perbedaan noise level yang rendah. Pada dasarnya terdapat banyak sekali fitur yang terkandung didalam suatu gambar yang bisa dimanfaatkan untuk mendeteksi image splicing area, bukan hanya noise level saja. Berdasarkan fakta diatas maka pada penelitian ini diajukan metode untuk mendeteksi image splicing area berdasarkan dengan image feature extraction. Dengan menggunakan feature extraction akan didapatkan semua fitur-fitur yang terkandung di dalam suatu gambar. Tidak semua fitur yang terdapat pada gambar dapat digunakan untuk mendeteksi image splicing area, oleh karena itu akan digunakan semi-supervised machine learning yaitu Label Propagation untuk menganalisanya. Metode yang diajukan menunjukkan peningkatan kinerja yang signifikan dibandingkan dengan penelitian sebelumnya. Meskipun beberapa penelitian sebelumnya memiliki keunggulan dalam kondisi gambar tertentu, secara keseluruhan, metode yang diusulkan menunjukkan kinerja yang lebih superior dalam mendeteksi area manipulasi gambar. Di berbagai situasi, pendekatan yang diajukan secara konsisten memberikan hasil yang lebih baik. Dibandingkan dengan Metode Mean Squared Error (MSE) yang mencapai rata-rata precision 49.87%, recall 68.85%, dan f1 score 55.16%, dan juga Metode Noise Level Estimation dengan rata-rata precision 51.28%, recall 66.17%, dan f1 score 54.88%, pendekatan yang diusulkan menghasilkan rata-rata precision 75.66%, recall 91.59%, dan f1 score 82.31%.
=================================================================================================================================
There are many individuals who attempt to exploit image manipulation techniques for criminal activities, such as forging evidence pictures and document forgery. Image splicing is one of the most popular image manipulation techniques currently, where this technique manipulates images by pasting image fragments onto other images to alter the information contained within those images. An algorithm is needed to detect which part of an image constitutes the result of image splicing. Previous research has addressed image splicing localization. This research successfully detected image splicing areas using noise level estimation and clustering, but this method is less effective for images with low noise level differences. Essentially, there are many features within an image that can be utilized to detect image splicing areas, not just noise levels. Based on the above facts, this research proposes a method to detect image splicing areas based on image feature extraction. By using feature extraction, all features contained in an image will be obtained. Not all features in an image can be used to detect image splicing areas, so semi-supervised machine learning, namely Label Propagation, will be used to analyze them. The proposed method shows a significant performance improvement compared to previous research. Although some previous studies have advantages in specific image conditions, overall, the proposed method demonstrates superior performance in detecting manipulated image areas. In various situations, the proposed approach consistently provides better results. Compared to the Mean Squared Error (MSE) method with an average precision of 49.87%, recall of 68.85%, and an F1 score of 55.16%, and also the Noise Level Estimation method with an average precision of 51.28%, recall of 66.17%, and an F1 score of 54.88%, the proposed approach yields an average precision of 75.66%, recall of 91.59%, and an F1 score of 82.31%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Image Splicing Forensic, Label Propagation, Feature Extraction.
Subjects:	T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Seiga AL Ghifari
Date Deposited:	31 Jan 2024 05:27
Last Modified:	31 Jan 2024 05:27
URI:	http://repository.its.ac.id/id/eprint/105815

Actions (login required)

View Item