Pendahuluan
Di zaman era digital saat ini, internet telah menjadi sebuah kebutuhan sehari-hari (Allen, 2002),
fasilitas yang ditawarkan cukup beragam, salah satunya adalah featur unggah dan unduh file citra digital, dengan kegitan tersebut semua orang dapat dengan mudah
mentransmisikan dan memproleh
file dengan bantuan
internet saat ini.
Dampak dari kemajuan internet tidak terlepas dari sisi negatif
dan positifnya, tercatat dari sosial time bahwa 700 juta pengguna whatsApp, dengan jumlah upload 8,102 perdetik,
1,39 miliyar lebih pengguna facebook setiap hari melakukan upload foto dan terdapat 70 juta poto perhari
dengan total perdetiknya sebanyak 810 file poto. Dampak positifnya adalah proses transmisi dan unggah file poto sangat cepat dengan kemajuan
teknologi internet saat ini (Gani, 2014),
sedangkan dampak negatifnya adalah besar kemungkinan terjadi penyalahgunaan hak atas kekayaan
intelelektual (HKI) yang dilakukan
oleh pihak-pihak yang tidak
bertanggung jawab, dengan demikian perlu adanya sebuah
protection perlindungan
terhadap file-file poto tersebut.
Metode proteksi terhadap konten multimedia, seperti text, image, grafik, audio, dan video dapat dilakukan dengan menggunakan beberapa metode seperti Digital Right
Management (DRM), kryptography, steganography, fingerprint, biometric,
digital signatural, enskripsi dan digital watermarking (Ukkas et al., 2017).
Untuk perlindungan hak cipta banyak sekali
teknik yang bisa digunakan, salah satu teknik yang sering digunakan adalah Teknik Watermarking (Munir, 2010)
atau dapat disebut sebagai tanda air, yaitu teknik atau metode
menanamkan atau menyisipkan suatu pesan yang bersifat rahasia ke dalam
sebuah pesan lainnya yang jelas tetap terlihat dan dapat menyamarkan pesan tersebut dan keberadaan watermark
bisa dibuktikan dengan proses ekstraksi. Dalam metode watermarking teknik penyisipan
terbagi menjadi 2 (dua) bagian (Munir, 2010),
yaitu pertama teknik domain spasial dan selanjutnya teknik domain frekuensi. Teknik domain spasial penyisipan watermark
langsung pada objek, sedangkan domain frekuensi menyisipkan watermark
dengan mengubah nilai-nilai komponen frekuensi dengan transformasi.
Sebagai Bangsa Indonesia, tentu ada kebanggan tersendiri
akan batik sebagai aset/warisan budaya
bangsa (Trixie, 2020),
yang telah di kokohkan sebagai warisan budaya bangsa oleh UNESCO (Nurhaida et al., 2015).
Selanjutnya untuk melindungi Hak akan Kekayaan
Intelektual (HKI) (Naoe & Takefuji, 2008)
atas penyalahgunaan terhadap karya intelektual dalam hal ini citra
digital �motif batik� perlu adanya
Copyright perlindungan
dalam hak cipta, digital watermarking
digunakan sebagai sebuah cara yang efisien untuk mengatasi
masalah HKI pada data
multimedia, video, digital dan audio (Chang et al., 2009).
Watermarking merupakan sebuah
proses atau teknik penyembunyian Informasi (Huang et al., 2004)
yang mengarah pada kepemilikan
atau melacak penyalahgunaan hak cipta pada multimedia data seperti
video, audio, dan citra
digital (Isac & Santhi, 2011).
Beberapa penelitian telah di lakukan di bidang watermarking yaitu
oleh (Chang et al., 2009)
penelitian ini menerapkan metode watermarking untuk
melindungi gambar medis atas penyalahgunaan
yang tidak sah menggunakan algoritma singular value decomposition (SVD) dan particle swarm optimization (PSO)
sebagai optimisasi.
Masalah utama yang dihadapi pada semua skema teknik
watermarking domain transformasi adalah
adanya kriteria penting yang sering konflik, yaitu robustness dan imperceptibility. Dengan menggunakan hybrid
skema DWT-SVD,
dua kriteria ini dapat diatasi, untuk
menghasilkan skema
watermarking yang lebih efektif
(Azhar et al., 2015).
Beberapa kriteria harus terpenuhi di dalam digital Watermarking yaitu
robustness, imperceptibility, dan
security (Zhi-Ming et al., 2003). Ketangguhan dari sebuah watermark dapat bertahan dari berbagai serangan disebut Robustness untuk
menghilangkannya seperti cropping, scaling, filtering, dan compression. Imperceptibility berkenaan dengan ketidaktampakan watermark yang tidak
boleh tampak oleh penglihatan mata manusia, serta tidak menimbulkan degradasi pada citra. Sedangkan Security
berarti watermark
yang di sisipkan tersebut tidak terdeteksi dengan analisis statistik umum atau metode yang lain.
Beberapa peneletian dibidang watermarking
telah dilakukan oleh (Gangadhar et al., 2018)
dengan judul �An
evolutionary programming approach for securing medical images using
watermarking scheme in invariant discrete wavelet transformation�
penelitian ini menerapkan metode watermarking untuk melindungi
gambar medis atas penyalahgunaan yang tidak sah menggunakan metode singular value decomposition (SVD) dan Particle Swarm
Optimization (PSO), Dari penelitian ini menunjukkan Koefisien normalisasi
(NC) dan Peak Signal to Noise Ratio (PSNR) dipertimbangkan untuk
mengevaluasi kesamaan antara citra medis dan citra medis yang diberi watermark.
Algoritma yang diusulkan menunjukkan peningkatan kinerja dalam hal imperceptibility
dan ketahanan sedangkan dalam studi kasus yang di usulkan dalam
peneletian ini yaitu menerapkan teknik watermarking menggunakan
algoritma Singular Value Decomposition
di hybrid dengan Descrete Wavelete Transform (DWT) dari berbagai serangan, setelah dilakukan experimen penerapan Hybrid Image Watermarking DWT
dengan SVD nilai alpha dapat mempengaruhi tingkat imperceptibility
terhadap citra watermarked, karena
nilai alpha
menunjukkan tingkat ketampakan (visible)
watermark pada cover image. Semakin rendah nilai alpha maka tingkat ketampakan
watermark semakin
berkurang dan tingkat imperceptibility semakin
tinggi. Dari pengujian yang
dilakukan dengan object motif batik ditemukan
nilai alpha
terbaik yaitu nilai alpha 0.01,
karena mendapatkan nilai PSNR tertinggi dari yang lainnya.
Metode Penelitian
Jenis penelitian ini adalah jenis penelitian terapan. Yaitu hybrid domain spasial yaitu SVD dan domain frekuensi yaitu DWT, keduanya akan di gabungkan untuk menguji tingkat inperceptibility dan robutsness dari berbagai serangan umum, seperti Gaussian noise, Speckle noise, dan lain-lain. Namun pada penelitian ini di batasi dengan tiga serangan yaitu speckle noise, gaussian noise, dan salt and pepper noise. Dengan kebutuhan beberapa hardware dan software di antaranya :
a.
Processor Intel (R) Core (TM)
i3 CPU M350 @2.27GHz
b.
RAM 4,00 GB (3,74 GB usable);
c.
System Type 64-bit Operating System, Windows 10 Home
d.
SSD 240 GB
e.
Matlab R2017b
f.
Microsoft word 2016
g.
Microsoft excel 2016
Citra digital standar sebagai citra file host dalam peneletian ini di ambil dari http://sipi.usc.edu/database/database.php (Hidayat & Udayanti, 2011).
Berdasarkan rekomendasi dari
peneliti-peneliti sebelumnya
yang banyak menggunakan gambar dengan type.jpg yang mendukung kompresi baik secara lossy maupun lossles dan ukuran
512 x 512 piksel yang lazim
digunakan oleh peneliti-peneliti
dalam bidang Watermarking untuk
proteksi pada citra
digital. Pada penelitian ini
dilakukan tiga (3) tahap pengujian yaitu pengaruh alpha tingkat imperceptibility dan pengujian
tingkat robustness.
1. Teknik Analisis
Data
Adapun teknik analisis data dapat di tunjukkan pada gambar berikut ini;
Gambar
1
Diagram
Penyisipan Menggunakan Algoritma DWT-SVD
Gambar
2
Diagram
ekstraksi menggunakan algoritma DWT-SVD
1. Sebuah file citra (watermark image) dengan
format JPEG disisipkan ke dalam sebuah citra
induk dengan format JPEG. Penyisipan dilakukan dengan menggabungkan algoritma DWT dan
SVD (DWT-SVD). Kemudian
diterapkan inverse dari SVD (ISVD) dan inverse dari DWT (IDWT) untuk merekontruksi citra induk hingga
mendapatkan watermarked
images.
2. Dari watermarked images akan
diperoleh nilai PSNR yang menentukan
kualitas citra tersebut. Semakin tinggi nilai PSNR maka semakin
baik kualitas dari citra tersebut.
3. Proses ekstraksi juga dilakukan dengan menggabungkan algoritma DWT dan
SVD (DWT-SVD) sehingga diperoleh
extracted watermark images.
4. Dari extracted watermarked images akan diperoleh nilai CC yang menentukan kemiripan antara extracted
watermark images dengan watermark image. Rentang nilai dari CC adalah antara
-1 dan 1. Jika nilai CC mendekati nilai
1 maka dikatakan bahwa extracted watermark
images memiliki kemiripan
yang besar dengan watermark image.
2.
Model
Yang Di Usulkan
Berikut Adalah Model /Metode
Yang Diusulkan Dalam Penelitian Tugas Akhir Ini
Gambar 3
Usulan serangan untuk image Watermark
Berdasarkan diagram diatas,
usulan penelitian dapat dijelaskan dengan langkah-langkah sebagai berikut.
1. Citra digital sebagai host image
adalah citra digital batik
yang berupa Citra batik RGB color sebagai
objeck experiment.
2. Kemudian metode
yang diterapkan yaitu singular value decomposition, descrete wavelete transform, dan
Hybrid kedua metode tersebut. Untuk membuktikan tingkat inperceptibility
masing-masing metode.
3. Image watermark menggunakan logo kota surakarta yang akan di sisipi pada image cover sementara
pada cover image standar watermark menggunakan logo kampus dengan size masing-masing image 512 x 512 pixel.
4. Untuk menguji
robutsness
masing-masing gambar setelah
di watermark maka
diuji dengan PSNR (Peak
signal to noise ratio) dengan menghitung
nilai MSE (mean sequare Error)
terlebih dahulu, kemudian dilakukan perhitungan PSNR dengan rumus.
5. Untuk mengukur
nilai tingkat inperceptibility setelah dilakukan penyisipan gambar kemudian image di ekstrak untuk memproleh nilai Correlation Coeficient.
Serangan dilakukan
setelah image watermark di sisipkan
pada host image, yang terdiri dari
tiga noise yaitu gaussian noise, speckle noise, adiftif noise dan akan menghasilkan nilai Coeficient Corrolation.
3.
Langkah
Penyisipan Image Watermarking
Langkah penyisipan dengan DWT dapat dilihat pada bagan di bawah berikut:
Berdasarkan diagram diatas,
prosedur penyisipan menggunakan algoritma DWT dapat dijelaskan dengan langkah-langkah sebagai berikut.
a. Input cover image sebagai host image.
b. Terapkan algoritma
DWT pada host image, citra akan terbagi
menjadi 4 subbands yaitu LL, HL, LH dan HH.
c. Pilih subband
yang akan disisipi
watermark image, contoh subbands
LL level-2.
d. Input image watermark.
e. Terapkan algoritma
DWT pada watermark image, maka citra akan
terbagi menjadi empat subbands diantaranya LL, HL, LH, HH.
f. Pilih LL pada watermark
image.
g. Kemudian terapkan
algoritma SVD
pada subband yang telah dipilih pada host image (subband
LL level-2). Proses ini akan
menghasilkan matriks
orthogonal U (ULL level-2), matriks diagonal S (SLL level-2)
dan transpose dari matriks
orthogonal V ([VLL level-2]T).
h. Terapkan algoritma
DWT pada watermark image, citra akan
terbagi menjadi 4 subbands yaitu LLw, HLw, LHw
dan HHw.
i. Pilih subband
yang akan disisipkan pada
host image, contoh subband wLL level-2.
Kemudian terapkan
invers DWT dengan
memodifikasi subband LL dengan nilai untuk
mendapatkan watermarked image.
4. Correlation
Coeficient (CC)
Tingkat kemiripan antara
citra watermarked
hasil ekstraksi (extracted Watermark image) secara kuatitatis diukur menggunakan Correlation Coeffitient
(CC) didefinisikan sebagai
berikut.
1. Design Dari Aplikasi Hybrid SVD dan DWD
Pada penelitian tentang penggabungan algoritma Watermarking yaitu
DWT dengan SVD untuk proteksi terhadap citra digital batik dilakukan beberapa tahapan untuk meneliti tingkat keberhasilan dan keamanan dari algoritma
yang diterapkan khusus pada
citra digital RGB.
Tahapan penelitian dimulai dari pembuatan
aplikasi Watermarking
kemudian melakukan percobaan embedded
gambar dan pemberian serangan untuk mengetahui tingkat ketahanan algoritma, selanjutnya melakukan analisa terhadap hasil embedded dan ekstraksi
watermark setelah
diberikan serangan.
Gambar 4
GUI Program Watermark Untuk Protection
Citra Digital Pada Motif
Batik
2.
Peak Signal to Noise Ratio (PSNR)
Peak Signal to Noise Ratio (PSNR) merupakan perbandingan nilai maksimum dari sebuah
sinyal yang di ukur dengan besarnya derau yang berpengaruh pada sinyal tersebut. PSNR biasanya diukur dalam satuan
decibel (dB). PSNR lebih sering di gunakan untuk mengetahui
perbandingan antara kualitas host image sebelum dan setelah di sisipi pesan. Namun untuk
mengetahui PSNR
kita harus menghitung mean sequare Error (MSE). MSE sendiri merupakan nilai error kuadrat rata-rata antara image asli dan watermark
images (Rafigh & Moghaddam, 2010).
PSNR merupakan parameter untuk mengukur kualitas atau tingkat imperceptibility citra digtal proses watermarking,
penyisipan watermark
pada cover image dianggap
sebagai noise
dapat menurunkan kualitas citra digital watermarked. Nilai PSNR didapat dengan
membandingkan kualitas citra asli atau
cover image dengan
citra watermarked,
semakin tinggi nilai yang didapat menandakan deteksi noise semakin kecil dan kualitas watermarked
image dianggap baik.
3. Pengujian Pengaruh Alpha Terhadap Tingkat Imperceptibility
Parameter pengaruh
factor embedded (alpha) terhadap tingkat
imperceptibility dapat
dilihat dari perubahan nilai PSNR, dan CC dari citra hasil embedded atau citra watermarked menggunakan algoritma DWT dengan SVD. Pengujian pengaruh alpha dilakukan,
karena alpha
merupakan level atau derajat ketampakan (visible) watermark terhadap tingkat
imperceptibility citra
watermarked.
Pada pengujian
ini menggunakan nilai alpha yang bervariasi (0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08,
0.09, � 0.1) dengan sampel citra motif batik khusus kota surakarta diantaranya motif Kawung, Parang, Satriomanah, Sidomukti, Truntum, Semen Munthilan, dan Sawat, skema pengujian sesuai dengan tabel 1 dengan semua motif citra batik format
JPG yaitu kawung di dapatkan data nilai PSNR, CC dengan menggunakan
penyisipan Hybrid
SVD-DWT, berikut tabel PSNR dan CC dari semua
motif batik dengan alpha 0.01.
Tabel 1
Penyisipan Dengan Menggunakan Hybrid
DWT-SVD
|
Nilai Alpha |
Citra Motif Batik |
Citra Standar |
||||
|
|
Nama Batik |
PSNR |
CC |
Citra Watermark |
PSNR |
CC |
|
0.01 |
Kawung |
33.9472 |
0.936603 |
Baboon |
32.6933 |
0.92367 |
|
0.01 |
Parang |
34.939 |
0.947992 |
Elena |
35.6083 |
0.94618 |
|
0.01 |
Satriomanah |
29.2389 |
0.82317 |
Girl (Tifany) |
35.3063 |
0.930455 |
|
0.01 |
Sawat |
32.3394 |
0.942245 |
Miscellaneous |
33.7732 |
0.953208 |
|
0.01 |
Semen R.P |
31.6653 |
0.834138 |
Aerial |
33.8856 |
0.880323 |
|
0.01 |
Sidomukti |
31.0941 |
0.653201 |
Sequences |
36.644 |
0.942484 |
|
0.01 |
Truntum |
29.6941 |
0.852696 |
Miscellaneous |
35.4871 |
0.868782 |
|
|
|
|
|
|
|
|
Metode penyisipan
hybrid SVD-DWT menunjukkan
motif batik yang paling tinggi PSNR nya adalah
parang 34.939 sementara dari
citra standar yang paling tinggi adalah sequences 36.644, sedangkan
nilai cooficient correlation
setelah di ekstraksi yang
paling tinggi dari motif
batik adalah parang dengan nilai 0.947992 artinya tingkat Robutsness nya lebih
kuat dari motif yang lain.
Tabel 2
Penyerangan Terhadap Citra Watermark Penyisipan SVD-DWT
|
Nilai
Alpha |
Serangan |
|
CC |
PSNR |
|
|
|
Parang |
|
Sebelum |
Setelah |
|
|
0.01 |
Gausian |
1 |
0.947992 |
0.947213 |
34.939 |
|
0.02 |
Salt and Papper |
1 |
|
0.903871 |
|
|
0.03 |
Speckle |
1 |
|
0.84205 |
|
|
Nilai
Alpha |
Miscelleneous |
|
Sebelum |
Setelah |
|
|
0.01 |
Gausian |
1 |
0.942484 |
0.934917 |
36.644 |
|
|
Speckle |
0.01 |
|
0.912783 |
|
|
0.03 |
Salt and Papper |
0.01 |
|
0.867644 |
|
Penyisipan SVD-DWT setelah diberikan
serangan Noise dengan nilai alpha 0.01, penyisipan akan diambil dengan
mengambil nilai PSNR tertinggi
dari penyisipan sebelumnya kemudian akan diberikan serangan terhadap masing-masing citra, tabel penyerangan
dapat dilihat dari tabel di atas.
4. Hasil Pengujian Citra Nilai Alpha Yang Beragam
Nilai PSRN dan CC dengan nilai alpha yang paling rendah hingga paling tinggi menggunakan motif parang, untuk membandingkan citra terbaik dari
masing-masing metode dan nilai
alpha yang berbeda-beda.
Tabel 3
Hasil Experiment Dari Batik
Parang Nilai PSNR Dan CC
|
Nilai |
Penyisipan
/PSNR |
Nilai |
Ekstraksi Nilai CC |
||||
|
|
SVD- |
DWT |
SVD |
|
SVD- |
DWT |
SVD |
|
|
|
||||||
|
|
DWT |
|
|
|
DWT |
|
|
|
0.01 |
34.939 |
34.8878 |
34.9293 |
0.01 |
0.808839 |
0.0140807 |
0.831241 |
|
0.02 |
33.7221 |
33.7499 |
33.671 |
0.02 |
0.95952 |
0.0438747 |
0.963532 |
|
0.03 |
32.2784 |
32.1947 |
32.2186 |
0.03 |
0.986907 |
0.0776841 |
0.988031 |
|
0.04 |
30.8623 |
30.9436 |
30.7868 |
0.04 |
0.988395 |
0.0865276 |
0.990103 |
|
0.05 |
29.5529 |
29.5377 |
29.4658 |
0.05 |
0.989308 |
0.0940927 |
0.991179 |
|
0.06 |
28.3681 |
28.3758 |
28.2818 |
0.06 |
0.989311 |
0.0886047 |
0.991447 |
|
0.07 |
27.3212 |
27.2312 |
27.2429 |
0.07 |
0.989111 |
0.0918112 |
0.991399 |
|
0.08 |
26.3846 |
26.3146 |
26.3156 |
0.08 |
0.989201 |
0.0898735 |
0.991642 |
|
0.09 |
25.5486 |
25.3851 |
25.4851 |
0.09 |
0.958435 |
0.154705 |
0.986048 |
|
0.1 |
24.8049 |
24.6545 |
24.7519 |
0.1 |
0.988121 |
0.0906756 |
0.991036 |
Terlihat hasil pengujian dari algoritma SVD-DWT
menunjukkan hasil PSNR tertinggi
namun hasil ektraksi nilai coeficient correlation ditunjukkan
oleh algoritma SVD
yang lebih mendekati nilai 1. Dengan nilai alpha yang paling tinggi hingga paling rendah.
Dari penelitian dengan judul �Pengamanan Hak Cipta Citra Digital Dengan Teknik
Watermarking Menggunakan Metode
Hybrid SVD Dengan DWT� disimpulkan sebagai
berikut: 1) Pada penerapan Hybrid
Image Watermarking DWT dengan SVD nilai alpha dapat mempengaruhi tingkat imperceptibility
terhadap citra watermarked, karena
nilai alpha
menunjukkan tingkat ketampakan (visible)
watermark pada cover image. Semakin rendah nilai alpha maka tingkat ketampakan
watermark semakin
berkurang dan tingkat imperceptibility semakin
tinggi. Dari pengujian yang
dilakukan dengan object motif batik ditemukan
nilai alpha
terbaik yaitu nilai alpha 0.01,
karena mendapatkan nilai PSNR, tertinggi dari yang lainnya. 2) Berdasarkan pengujian
tingkat robustness
metode Hybrid
Image Watermarking DWT-SVD pada subband LL memiliki tingkat ketahanan yang cukup tinggi terhadap
upaya menghilangkan watermark yang menjadi
identitas kepemilikan sah terhadap suatu
citra digital selama citra watermarked
tidak direkayasa dengan serangan noise. 3) Motif parang berdasarkan kecerahan
gambar dengan nilai alpha 0.01 keluaran JPG dengan nilai PSNR 34.9931 tingkat kemiripan
dari host image cukup baik dan setelah di ekstraksi tanpa di lakukan serangan menghasilkan nilai corr 0.916089, artinya
motif ini yang paling baik dari motif lain setelah di lakukan attact. 4) Motif parang setelah
diberikan serangan Gaussian noise nilai
corr tidak berubah yaitu
0.916089 dengan di berikan nilai alpha 0.01, ini menunjukkan motif ini dikategorikan tahan dari serangan, tetapi ketika di berikan serangan Salt and peppers noise nilai corr setelah di ektraksi menjadi 0.204693,
0.110056 setelah di berikan serangan
specle noise, artinya
bahwa beberapa image kuat dari beberapa
attact namun lemah dengan
attact yang
lain. 5) Motif parang ketika
di berikan nilai alpha 0.09
mendekati satu nilai PSNR nya 26.2458 sangat rendah dan dipastikan tidak tahan dari attact, jauh dari nilai alpha 0.01, namun ketika di ekstrak nilai corr menjadi 0.974379 pada alpha 0.09.
Allen, J. W. (2002). Chatting Online. The Internet
for Surgeons, II (4),
52�57. Google Scholar
Azhar, R., Tuwohingide, D., Kamudi, D.,
Sarimuddin, & Suciati, N. (2015). Batik Image
Classification Using SIFT Feature Extraction, Bag of Features and Support
Vector Machine. Procedia Computer Science, 72, 24�30.
Google Scholar
Chang, Y.-J., Wang, R.-Z., & Lin, J.-C.
(2009). A sharing-based fragile
watermarking method for authentication and self-recovery of image tampering.
Eurasip Journal on Advances in
Signal Processing, 2008, 1�17. Google Scholar
Gangadhar, Y., Giridhar Akula, V. S., &
Reddy, P. C. (2018). An evolutionary
programming approach for securing medical images using watermarking scheme in
invariant discrete wavelet transformation. Biomedical Signal
Processing and Control, 43, 31�40. Google Scholar
Gani, A. G. (2014). Pengenalan Teknologi
Internet Serta Dampaknya. Jurnal
Sistem Informasi Universitas Suryadarma, 2 (2). Google Scholar
Hidayat, E. Y. H. Y., & Udayanti, E. D.
(2011). Hybrid Watermarking Citra
Digital Menggunakan Teknik Dwt-Dct
Dan Svd. Semantik, 1 (1).
Google Scholar
Huang, H. C., Wang, S., & Pan, J. S.
(2004). Genetic watermarking based on
transform domain technique. Pattern Recognition, 37, 555�565. Google Scholar
Isac, B., & Santhi, V. (2011). A Study on Digital Image and Video
Watermarking Schemes using Neural Networks. International Journal of
Computer Applications, 12(9), 1�6. Google Scholar
Munir, R. (2010). Image Watermarking untuk
Citra Berwarna dengan Metode Berbasis Korelasi dalam Ranah DCT. Jurnal Petir, 3 (1). Google Scholar
Naoe, K., & Takefuji, Y. (2008). Damageless information hiding using neural
network on YCbCr domain. International Journal of Computer Sciences and
Network Security, 8 (9),
81�86. Google Scholar
Nurhaida, I., Noviyanto, A., Manurung, R.,
& Arymurthy, A. M. (2015). Automatic
Indonesian�s Batik Pattern Recognition Using SIFT Approach. Procedia Computer Science, 59 (December), 567�576. Google Scholar
Rafigh, M., & Moghaddam, E. M. (2010). A robust evolutionary based digital image
watermarking technique in DCT domain. Proceedings
- 2010 7th International Conference on Computer Graphics, Imaging and
Visualization, CGIV 2010, August 2010, 105�109.. Google Scholar
Trixie, A. A. (2020). Filosofi Motif Batik
Sebagai Identitas Bangsa Indonesia. Folio, Vol 1 No 1, 1�9. https://journal.uc.ac.id/index.php/FOLIO/article/view/1380.
Google Scholar
Ukkas, M. I., Andrea, R., & Anggen, A.
B. P. (2017). Teknik Pengamanan Data Dengan Steganografi
Metode End of File (Eof) Dan Kriptografi
Vernam Cipher. Sebatik, 17 (1), 20�26. Google Scholar
Zhi-Ming, Z., Rong-Yan, L., & Lei, W.
(2003). Adaptive watermark scheme with
RBF neural networks. International Conference on Neural Networks and
Signal Processing, 2003. Proceedings of the 2003, 2, 1517�1520. Google Scholar
|
Copyright holder: Ondi Asroni, Dedy
Ricardo Serumena (2021) |
|
First publication right: |
|
This article is licensed under:
|
