STEGANALISIS PADA MEDIA AUDIO MENGGUNAKAN METODE LINEAR REGRESSION CLASSIFIER Oleh : Andreas (G64104046) Pembimbing : Shelvie Nidya Neyman, S.Kom, M.Si Dr. Sugi Guritman

Pendahuluan

Latar Belakang Perkembangan teknologi yang cukup pesat mendorong pendistribusian informasi yang semakin bebas Terdapat teknik untuk menyembunyikan informasi ke dalam suatu media (steganografi) Dibutuhkan suatu sistem untuk mengamankan pendistribusian informasi yang dilakukan secara tersembunyi

Latar Belakang Steganalisis adalah salah satu solusi yang dapat digunakan untuk mengawasi pendistribusian informasi secara tersembunyi Steganalisis untuk media gambar sudah banyak dilakukan. Steganalisis untuk media audio baru dimulai tahun 2005.

Tujuan penelitian Mengukur tingkat keakuratan steganalisis menggunakan metode linear regression classifier pada berkas audio. Membangun suatu sistem yang mampu mendeteksi data tersembunyi di dalam berkas audio.

Ruang Lingkup Penelitian Metode yang digunakan adalah Linear Regression Classifier Berkas audio yang digunakan : Format wave (.wav) Durasi 5 detik Frekuensi 44,1 KHz, 16 bit

Ruang Lingkup Penelitian Format pesan yang disisipkan: Text (.txt) Jpeg (.jpg) Bitmap (.bmp) Portable Network Graphic (.png) Graphic Interchange Format (.gif) Tools steganografi : Hide4PGP Steghide

Manfaat Penelitian Mengetahui kinerja dari metode linear regression classifier jika diterapkan pada steganalisis media audio Sistem yang dibangun dapat digunakan untuk mengawasi pendistribusian informasi pada jaringan kerja, dan Mengetahui ketahanan stego yang dibuat dengan menggunakan tools Hide4PGP dan steghide dalam hal pendeteksian pesan tersembunyi

Tinjauan Pustaka

Linear Regression Classifier Bentuk analisis regresi dari data hasil observasi yang dimodelkan sebagai persamaan linear

Steganografi Ilmu menyembunyikan pesan rahasia pada suatu media Prinsip : keberadaan pesan tersembunyi tidak disadari secara kasat mata.

Wavelet Shrinkage Wavelet Shrinkage adalah salah satu metode De-Noising De-Noising adalah proses mengurangi noise pada sinyal dengan cara melemahkan sinyal yang diperkirakan mengandung noise. De-Noise

Audio Quality Measurement Metode untuk menilai kualitas sinyal audio. Biasanya digunakan untuk mengukur kualitas sinyal yang dimodifikasi, dengan cara membandingkannya dengan sinyal asli. Metode : Signal-to-Noise Ratio (SNR) : Membandingkan amplitudo sinyal asli dengan sinyal hasil modifikasi Itakura Saito Distance (ISD) : Membandingkan kekuatan spectrum sinyal asli dengan sinyal hasil modifikasi. Log Likelihood Distance (LLR) : Membandingkan koefisien LPC (Linear Predictive Coding) sinyal asli dengan sinyal hasil modifikasi

Metode Penelitian

Metode Penelitian Studi Pustaka Perumusan Masalah Pembuatan Sampel Training Data Implementasi Sistem Analisis Sistem Kesimpulan

Pembuatan Sampel Pembuatan Sample Menggunakan bantuan tool Audacity. Berkas Suara : Format wave(.wav) Durasi 5 detik Frekuensi 44,1 KHz, 16 bit Kualitas stereo

Training data Menganalisa data observasi, untuk mencari nilai koefisien β dan nilai threshold yang akan digunakan pada tahap implementasi sistem (bagian klasifikasi) .

Implementasi Sistem (1) Inti dari sistem yang dibuat ada pada metode Linear Regression Classifier yang dimodelkan : Gi Є β1f1i + β2 f2i + … + βq fqi if Gi < threshold , then hidden message exist else , hidden message doesn’t exist f adalah fitur-fitur yang didapat dari pengukuran kualitas audio

Implementasi Sistem (2) Fitur adalah nilai-nilai hasil pengukuran kualitas audio. Audio Quality Measurement menghitung nilai kualitas sinyal dengan cara membandingkan sinyal yang terdistorsi dengan sinyal cover De-Noising digunakan untuk mencari estimasi sinyal cover.

Tahapan Sistem Estimasi Sinyal Cover Ekstrasi Fitur Klasifikasi Kesimpulan

Pembahasan

Analisis Tools Hide4PGP : Steghide Mampu menyisipkan pesan dengan ukuran sebesar 24% ukuran media cover ± 200 KB untuk cover 860 KB Waktu untuk menyisipkan pesan 1 detik Steghide Mampu menyisipkan pesan dengan ukuran sebesar 2% ukuran media cover ± 24 KB untuk cover 860 KB Waktu untuk menyisipkan pesan 1-3 detik

Analisis Sistem Sampel : Hide4PGP : 40 sampel steghide : 40 sampel tidak disisipkan : 40 sampel Hasil : Metode Correct Detection False Detection Hide4PGP 20 Steghide 7 34 Tidak disisipkan 6

Analisis Ukuran Pesan Sampel yang digunakan sebanyak 13 sampel menggunakan tool Hide4PGP

Kesimpulan dan Saran

Kesimpulan Tingkat akurasi sistem mencapai 51% Dari segi kemampuan menyisipkan pesan, tool Hide4PGP lebih baik dibanding tool steghide Dari segi ketahanan terhadap pendeteksian pesan tersembunyi, tool steghide lebih baik dibandingkan dengan tool Hide4PGP Ukuran pesan yang disisipkan berpengaruh terhadap tingkat akurasi sistem

Saran Beberapa alternatif pengembangannya antara lain : Menambahkan teknik pengukuran kualitas audio yang digunakan Menggunakan teknik klasifikasi lain yang lebih baik Teknik penyisipan data dikembangkan tidak hanya dengan steganografi tetapi bisa juga ditambah dengan teknik watermarking

Daftar Pustaka Donoho, D.L. (1992a). Nonlinear solution of linear inverse problems via Wavelet-Vaguelette Decomposition. Technical Report. Departement of Statistic, Stanford University.  Donoho, D.L. & M. Johnstone (1992b). Minimax estimation by wavelet shrinkage. Technical Report. Departement of Statistic, Stanford University.  Donoho, D.L. & M. Johnstone. 1994. Adapting to Unknown Smoothness via Wavelet Shrinkage. Departement of Statistic, Stanford University.  Matthews, C. 2003. Behind The Music : Principles of Audio Steganography. [05 Desember 2007]. Ozer, H.,Sankur B. & Memon N. 2005. Detection of audio covert channels using statistical footprints of hidden messages. Digital Signal Processing 16 (2006) 389–401.  Ozer, H. , dkk. 2003. Steganalysis of audio based on audio quality metrics. SPIE Electronic Imaging Conf. Security and Watermarking of Multimedia Contents, vol. V, Santa Clara, January 20–24, 2003, pp. 55–66.  Rencher, A.C. 1995. Methods of Multivariate Data Analysis. Wiley : New York.   Westfeld, A. & Pfitzmann A. 1999. Attacks on steganographic systems, Information Hiding, LNCS, vol. 1768, Springer-Verlag, Heidelberg, pp. 61–66.  Yang, W.1999. Enhanced Modified Bark Spectral Distortion (EMBSD) : An Objective Speech Quality Measure Based on Audible Distortion And Cognition Model. Disertasi. Temple University Graduate Board.

Demo Time