Inverted Residual Convolutional Neural Network Sebagai Model Deep Learning Untuk Steganalisis Pada Citra

Jenynof, Arino (2026) Inverted Residual Convolutional Neural Network Sebagai Model Deep Learning Untuk Steganalisis Pada Citra. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221055-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Steganalisis citra adalah analisis terhadap citra untuk mencari data yang disembunyikan menggunakan steganografi. Steganalisis citra yang sudah ada menggunakan metode machine learning dengan pengekstraksi fitur untuk membedakan mana citra disisipi dan mana yang tidak disisipi. Dengan kemajuan dalam bidang deep learning, convolutional neural network memiliki performa bagus untuk data yang berbentuk citra. Penelitian ini mengusulkan sebuah model deep learning berbasis convolutional neural network, untuk mendeteksi adanya data tersembunyi dalam citra. Sebuah struktur yang diusulkan yaitu inverted residual digunakan pada model untuk meningkatkan akurasi dari model-model sebelumnya dengan mengekstrak sinyal steganografi secara compact dan representatif. Struktur Squeeze-and-Excite juga diusulkan untuk diletakkan pada lapisan model yang lebih dalam untuk memperkuat sinyal steganografi dan menghilangkan filter yang tidak berguna, meningkatkan akurasi model. Model dilatih menggunakan dataset BOSSBase dan BOWS2 yang disisipkan dengan metode steganografi WOW dan S-UNIWARD dengan embedding capacity 0,2 bit per pixel (bpp) dan 0,4 bpp. Akurasi dari model yang diusulkan meningkat dibandingkan dengan model-model yang sudah ada, dengan peningkatan mencapai 7,91% pada 0,4 bpp dan 4,17% pada 0,2 bpp. Peningkatan akurasi yang lebih signifikan terjadi pada citra yang di-downsampling menggunakan nearestneighbour downsampling, dengan peningkatan mencapai 29,45% pada 0,4 bpp dan 19,99% pada 0,2 bpp.
======================================================================================================================================
Image steganalysis is an analysis done on an image to discover data hidden by steganography. Existing image steganalysis techniques use machine learning approach with a feature extractor to differentiate between a tampered image and non-tampered image. In the advances of deep learning approach, convolutional neural network has been shown to be the better performing network for image data. This research proposes a deep learning model based on convolutional neural network, to detect a presence of hidden data in an image. A structure called inverted residual is proposed for the model to increase detection accuracy by extracting more compact and representative features of steganographic noise. A Squeeze-and-Excite structure is another proposed structure, placed on the deeper parts of the model to filter useless noise and enhance steganographic noise, increasing the accuracy. The model is trained on BOSSBase and BOWS2 datasets embedded using WOW and S-UNIWARD steganographic scheme with embedding capacity of 0.2 bit per pixel (bpp) and 0.4 bpp respectively. Compared with existing models, the proposed model achieves a higher accuracy with improvement up to 7,91% on 0,4 bpp and 4,17% on 0,2 bpp. More significant accuracy improvement happens on images downsampled with nearest-neighbour downsampling. Accuracy improved by up to 29,45% in 0,4 bpp and 19,99% in 0,2 bpp.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	steganalisis, keamanan data, machine learning, deep learning, steganografi citra, convolutional neural network, steganalysis, data security, machine learning, deep learning, image steganography, convolutional neural network
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Arino Jenynof
Date Deposited:	04 Aug 2026 08:32
Last Modified:	04 Aug 2026 08:32
URI:	http://repository.its.ac.id/id/eprint/143345

Actions (login required)

View Item