Pengembangan Steganografi Menggunakan Deep Learning Multiple CNN
Penelitian ini mengembangkan metode steganogarafi berbasis deep learning dengan menggunakan arsitektur convolutinal neural network (CNN) dalam penyisipan beberapa gambar rahasia kedalam media cover berupa frame video. Penelitian ini membangun model encoder–decoder dengan tiga jaringan utama, yaitu preparation network, hiding network, dan reveal network. Dataset terdiri dari total 4000 gambar yang diproses menjadi gambar penampung dan gambar rahasia. Tahapan penelitian meliputi pra pemrosesan dataset, pelatihan model menggunakan framework PyTorch dengan akselerasi GPU di Google Colab dan terminal Linux mint, serta evaluasi terhadap hasil stego frame dan gambar hasil ekstraksi. Model dilatih secara independen untuk menyisipkan 1 hingga 5 gambar rahasia. Evaluasi dilakukan dengan menggunakan metrik Peak Signal-to-Noise Ratio (PSNR), Bit-per-Pixel (BPP), Bit-per-Frame (BPF) dan menghitung waktu komputasi model dalam penyisipan dan ekstraksi. Hasil pengujian menunjukkan bahwa arsitektur model yang dirancang dapat mencapai hasil yang baik. Sebagai contoh, model spesialiasi untuk penyisipan 4 gambar dengan pelatihan selama 250 epoch mencapai kapasitas tinggi sebesar 1.96 BPP sambil mempertahankan kualitas visual yang sangat baik dengan nilai PSNR Stego vs Cover rata-rata 29.31 dB dan PSNR Revealed vs Secret rata-rata 27.05 dB. Waktu komputasi dengan rata-rata inferensi sekitar 108 ms per frame saat menggunakan GPU Penelitian ini membuktikan bahwa pendekatan multiple CNN memiliki potensi dalam steganografi, akan tetapi keterbatasan ketahanan terhadap kompresi dapat menjadi landasan untuk pengembangan lanjut.
URI
https://repo.itera.ac.id/depan/submission/SB2509170024
Keyword
Multi-image Steganography Convolutional Neural Network Encoder Decoder