Analisis Deteksi Stego pada Citra Digital

Abstract

Perkembangan teknologi informasi telah meningkatkan kemudahan pertukaran data digital, namun juga membuka peluang penyalahgunaan teknik steganografi untuk menyembunyikan informasi pada citra digital. Teknik ini berpotensi dimanfaatkan dalam berbagai kejahatan siber, seperti penyebaran malware, komunikasi tersembunyi, dan pencurian informasi. Penelitian ini bertujuan menganalisis kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam mendeteksi citra stego berbasis penyisipan Least Significant Bit (LSB). Proses penelitian diawali dengan pengumpulan dataset yang terdiri atas citra normal dan citra stego, kemudian dilakukan ekstraksi fitur menggunakan InceptionV3 sebagai image embedding untuk menghasilkan representasi fitur berdimensi tinggi. Selanjutnya, proses klasifikasi dilakukan pada platform Orange Data Mining menggunakan algoritma SVM dan Random Forest. Evaluasi model dilakukan berdasarkan metrik Area Under Curve (AUC), Classification Accuracy (CA), F1-Score, Precision, Recall, Matthews Correlation Coefficient (MCC), serta analisis Confusion Matrix. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan nilai AUC sebesar 0,917, akurasi 91,7%, F1-Score 0,916, Precision 0,929, Recall 0,917, dan MCC 0,845. Sebaliknya, SVM hanya memperoleh AUC 0,139 dan akurasi 58,3%, yang menunjukkan ketidakmampuan model dalam membedakan citra normal dan citra stego secara optimal. Analisis Confusion Matrix memperlihatkan bahwa Random Forest mampu meminimalkan kesalahan false alarm dengan tingkat presisi deteksi stego yang sangat tinggi, sedangkan SVM mengalami bias klasifikasi akibat keterbatasannya dalam memodelkan pola non-linear yang dihasilkan oleh manipulasi bit LSB. Dengan demikian, Random Forest terbukti lebih efektif dan andal untuk mendukung proses steganalisis pada citra digital serta berpotensi diterapkan dalam investigasi forensik digital dan peningkatan keamanan informasi.