Implementasi Algoritma Blind Watermarking Menggunakan Metode Fractional Fourier Transform dan Visual Cryptography

Abstrak—Digital image watermarking memiliki peran yang penting dalam perlindungan citra digital. Algoritma watermarking yang dapat mengekstraksi citra watermark tanpa menggunakan informasi citra host disebut blind watermarking. Skema ini dinilai lebih efektif dan efisien, karena dapat menjaga keberadaan citra host asli. Pada artikel ini penulis mengusulkan implementasi algoritma blind watermarking menggunakan metode fractional Fourier transform dan visual cryptography untuk memperbaiki kelemahan algoritma blind watermarking konvensional. Tidak seperti watermarking konvensional, algoritma yang diusulkan dapat melakukan watermarking tanpa harus memodifikasi citra host, sehingga kualitas citra host tetap tinggi. Visual cryptography diimplementasikan dengan konsep visual secret sharing untuk membangun dua bagian dari citra watermark, yaitu master share dan ownership share. Master share dibangun dari fitur citra host yang didapatkan dengan mengimplementasikan fractional Fourier transform dan singular value decomposition. Sedangkan ownership share dibangun dari master share dan citra watermark menggunakan konsep visual secret sharing. Selanjutnya ownership share harus didaftarkan kepemilikannnya untuk keamanan lebih lanjut. Proses esktraksi citra watermark pada skema ini dapat dilakukan dengan cara menumpuk master share dari citra yang diklaim dan ownership share yang sudah disimpan. Hasil uji coba menunjukkan bahwa ownership share yang dihasilkan hanya dapat digunakan untuk mengektraksi citra yang bersangkutan. Citra watermark yang disisipkan juga memiliki ketahanan yang baik terhadap berbagai operasi pengolahan citra, seperti bluring, sharpening, kompresi JPEG, resizing, penambahan derau, rotasi dan cropping.

Kata Kunci—Blind watermarking, fractional Fourier transform, singular value decomposition, visual secret sharing

I. PENDAHULUAN

ATERMARKING citra merupakan sebuah teknik yang digunakan untuk menyembunyikan informasi pada citra. Informasi yang disisipkan (watermark) dapat berbentuk tulisan maupun citra. Penggunaan watermarking citra salah satunya bertujuan untuk melakukan perlindungan hak cipta citra tersebut. Karena tujuan inilah proses ekstraksi informasi yang disisipkan menjadi suatu hal yang penting untuk diperhatikan. Berdasarkan proses ekstraksinya, watermarking dapat dibedakan menjadi non blind watermarking dan blind watermarking [1]. Algoritma watermarking yang

mengikutsertakan citra host asli pada saat ekstraksi disebut non blind watermarking. Sebaliknya, algoritma watermarking yang tidak membutuhkan citra host asli pada saat ekstraksi disebut blind watermarking.

Sebuah algoritma watermarking dikatakan memiliki kinerja yang baik jika memenuhi beberapa faktor berikut:

1. Imperceptibility: Keberadaan pesan rahasia dalam media penampung tidak dapat dideteksi oleh inderawi.

2. Fidelity: Mutu media penampung tidak berubah banyak akibat penyisipan. Perubahan itu tidak dapat dipersepsi oleh inderawi.

3. Recovery: Pesan yang disembunyikan harus dapat diungkapkan kembali (reveal). Dikarenakan tujuan watermarking adalah data hiding, maka sewaktu-waktu pesan rahasia di dalam citra ter-watermarked harus dapat diambil kembali untuk digunakan lebih lanjut.

4.

Security: Tidak seorang pun dapat mengesktraksi atau menghapus watermark yang disisipkan kecuali pemilik sah dari media digital tersebut.

5. Blindness: Citra host asli tidak dibutuhkan di dalam proses ekstraksi watermark.

6. Robustness: Pesan yang disembunyikan harus tahan (robust) terhadap berbagai operasi manipulasi atau editing pada citra ber-watermark. Ini berarti manipulasi yang dilakukan terhadap citra ber-watermark tidak merusak watermark (watermark masih dapat dideteksi). Manipulasi citra meliputi kompresi JPEG, penambahan derau, sharpening, bluring, resizing, rotation maupun cropping. Untuk memenuhi semua kriteria diatas, banyak teknik watermarking yang diusulkan selama beberapa dekade terakhir. Berdasarkan metode pemrosesnya, watermarking dapat diimplementasikan pada domain spasial dan domain transformasi. Secara umum watermark yang tertanam pada domain transformasi memiliki ketahanan yang lebih baik [2]. Fractional Fourier transform (FRFT) sebagai bentuk generalisasi dari Fourier transform dapat melakukan transformasi dengan sudut rotasi yang tidak tetap dan memiliki sifat-sifat seperti yang dimiliki oleh Fourier transform. Kelebihan ini menyebabkan FRFT dapat digunakan secara efektif pada berbagai situasi salah satunya pada proses watermarking citra. FRFT yang diterapkan pada citra digital

Implementasi Algoritma Blind Watermarking

Menggunakan Metode Fractional Fourier

Transform dan Visual Cryptography

Mir’atul Mahmudah, Nanik Suciati, dan Arya Yudhi Wijaya

Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)

Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia

e-mail: nanik@if.its.ac.id

Beberapa penelitian telah membuktikan bahwa penerapan konsep visual secret sharing (VSS) pada watermarking citra dapat memecahkan permasalahan yang sering muncul pada algoritma watermarking konvensional. Jika dibandingkan dengan teknik watermarking yang lain, metode ini memiliki tiga manfaat utama, yaitu efisiensi waktu, memberikan tingkat keamanan yang tinggi dan mengurangi tradeoff diantara imperceptibility, capacity dan robustness. Pendekatan algoritma watermarking ini juga dapat digunakan untuk melakukan perlindungan citra sensitif seperti citra medis, citra militer dan citra satelit [5].

Pada artikel ini, penulis mengusulkan penerapan algoritma blind watermarking pada citra digital menggunakan gabungan metode fractional Fourier transform (FRFT) dan visual cryptography (VC). Implementasi fractional Fourier transform (FRFT) dimaksudkan untuk meningkatkan ketahanan watermark dari berbagai serangan dan meningkatkan keamanan algoritma. Implementasi visual cryptography dengan konsep visual secret sharing bertujuan untuk menghasilkan dua bagian dari citra watermark, yaitu master share dan ownership share seperti Gambar 1 [6].

Master share dibentuk dari fitur citra host. Proses ekstraksi fitur dimulai dengan membagi citra host ke dalam blok-blok sejumlah ukuran piksel citra watermark. Masing-masing blok selanjutnya ditransformasi menggunakan 2D-DFRFT. Kemudian dilakukan dekomposisi citra dengan SVD untuk mendapatkan fitur citra host. Dengan bantuan fitur citra host itulah teknik visual cryptography diterapkan untuk membentuk master share. Selanjutnya master share dan citra watermark digunakan pada proses penyisipan watermark dengan konsep visual secret sharing yang mengahasilkan ownership share. Ownership share harus diautentikasi kepemilikannya untuk keamanan lebih lanjut.

Dengan penggabungan metode FRFT dan VC, diharapkan dapat menghasilkan algoritma blind watermarking yang tahan terhadap berbagai manipulasi citra dan juga memiliki tingkat keamanan yang kuat terhadap pendeteksian keberadaan watermark yang disisipkan.

II. DESAINDANIMPLEMENTASI A. Deskripsi Umum

Secara umum proses algoritma blind watermarking pada artikel ini terbagi menjadi dua bagian utama, yaitu proses penyisipan dan proses ekstraksi. Masing-masing proses tersebut terdiri atas beberapa tahapan yang digambarkan ke dalam diagram alir pada Gambar 2 dan Gambar 3.

B. Proses Penyisipan Citra Watermark

Proses penyisipan citra watermark terdiri atas delapan tahap. Kedelapan tahap tersebut adalah sebagai berikut:

1) Inisialisasi data

Terdapat lima data yang digunakan sebagai masukan, yaitu citra host H, citra watermark w, parameter cat map (A, B), parameter FRFT (α, β) dan jenis posisi VSS.

2) Membagi citra host H ke dalam blok-blok non-overlapping sejumlah ukuran citra watermark.

3) Mengacak posisi blok-blok piksel menggunakan zigzag scanning dan cat map. Cat map merupakan algoritma yang biasa digunakan untuk mengacak letak koordinat pada citra. Persamaan yang digunakan untuk melakukan pengacakan cat map ditunjukkan oleh persamaan (1).

[𝑥_𝑦𝑖+1 𝑖+1] = [ 1 𝑎 𝑏 𝑎𝑏 + 1] [ 𝑥𝑖 𝑦𝑖] 𝑚𝑜𝑑 𝑁 (1)

Dengan (𝑥𝑖, 𝑦𝑖) merupakan koordinat awal, (𝑥𝑖+1, (𝑦𝑖+1)

merupakan koordinat baru hasil cat map, dan N merupakan ukuran matriks yang diacak. Sedangkan parameter a dan b adalah integer positif sembarang yang dapat dianggap sebagai kunci.

4) Masing-masing blok piksel yang sudah teracak selanjutnya ditransformasi menggunakan 2D-DFRFT dengan orde (𝛼, 𝛽).

5) Melakukan dekomposisi nilai singular untuk setiap blok hasil transformasi menggunakan SVD dan membentuk matriks X yang berisi nilai singular pertama untuk masing-masing blok.

6) Melakukan binerisasi terhadap matriks X dengan aturan sesuai dengan persamaan (2).

𝐵𝑖,𝑗 = {

0 𝑖𝑓 𝑋𝑖,𝑗 < 𝑋𝑎𝑣

1 𝑖𝑓 𝑋𝑖,𝑗 ≥ 𝑋𝑎𝑣 (2)

Dengan Xav merupakan nilai rata-rata semua elemen matriks

X, 𝑋𝑖,𝑗 merupakan elemen ke (i, j) pada matriks X dan 𝐵𝑖,𝑗

merupakan elemen ke (i, j) pada matriks B.

7) Membentuk master share M yang berukuran 2m×2n dengan konsep VSS (2, 2), yaitu dengan mengganti setiap elemen matriks B dengan blok piksel berukuran 2×2. Pembentukan master share dilakukan dengan mengikuti aturan (3). Jika posisi VSS = 1 dan 𝐵𝑖= 0 maka 𝑚𝑖= [0₁ 1₀]

Jika posisi VSS = 1 dan 𝐵𝑖= 1 maka 𝑚𝑖= [1₀ 0₁]

Gambar 2. Diagram alir proses penyisipan citra watermark Jika posisi VSS = 2 dan 𝐵𝑖= 0 maka 𝑚𝑖= [1₀ 1₀]

Jika posisi VSS = 2 dan 𝐵𝑖= 1 maka 𝑚𝑖= [0₁ 0₁]

Jika posisi VSS = 3 dan 𝐵𝑖= 0 maka 𝑚𝑖= [1₁ 0₀]

Jika posisi VSS = 3 dan 𝐵𝑖= 1 maka 𝑚𝑖= [0₀ 1₁] (3)

Dengan 𝑚𝑖 merupakan blok piksel yang bersesuaian dengan

piksel 𝐵𝑖. Posisi VSS 1 untuk diagonal, 2 untuk horisontal

dan 3 untuk vertikal.

8) Membentuk ownership share O yang berukuran 2m×2n menggunakan konsep VSS (2, 2) dengan mengikuti persamaan (4).

𝑜𝑖,𝑗= {

~𝑚𝑖,𝑗 𝑖𝑓 𝑤𝑖,𝑗 = 0

𝑚𝑖,𝑗 𝑖𝑓 𝑤𝑖,𝑗= 1 (4)

Dengan 𝑤𝑖,𝑗 merupakan elemen ke (i, j) pada matriks w, 0

menotasikan piksel hitam dan 1 menotasikan piksel putih. 𝑚𝑖,𝑗 Merupakan blok piksel ke (i, j) pada matriks M dan 𝑜𝑖,𝑗

merupakan blok piksel ke (i, j) pada matriks O. C. Proses Ekstraksi Citra Watermark

Proses ekstraksi citra watermark terdiri atas sembilan tahap. Kesembilan tahap tersebut adalah sebagai berikut:

1) Inisialisasi data

Terdapat lima data yang digunakan sebagai masukan, yaitu citra host H’, citra ownership share O, parameter cat map (A, B), parameter FRFT (α, β) dan jenis posisi VSS. 2) Membagi citra host H ke dalam blok-blok non-overlapping

sejumlah setengah dari ukuran citra ownership share.

Gambar 3. Diagram alir proses ekstraksi citra watermark

3) Mengacak posisi blok-blok piksel menggunakan zigzag scanning dan cat map.

4) Masing-masing blok piksel yang sudah teracak selanjutnya ditransformasi menggunakan 2D-DFRFT dengan orde (𝛼, 𝛽).

5) Melakukan dekomposisi nilai singular untuk setiap blok hasil transformasi dan membentuk matriks X’ yang berisi nilai singular pertama untuk masing-masing blok.

6) Melakukan binerisasi terhadap matriks X’ dengan aturan sesuai dengan persamaan (5).

𝐵′𝑖,𝑗= {

0 𝑖𝑓 𝑋′𝑖,𝑗< 𝑋′𝑎𝑣

1 𝑖𝑓 𝑋′𝑖,𝑗≥ 𝑋′𝑎𝑣 (5)

Dengan X’av merupakan nilai rata-rata semua elemen

matriks X’, 𝑋𝑖′,𝑗 merupakan elemen ke (i, j) pada matriks X’

dan 𝐵′𝑖,𝑗 merupakan elemen ke (i, j) pada matriks B’.

7) Membentuk master share M’ yang berukuran 2m×2n dengan konsep VSS (2, 2) sesuai aturan (3).

8) Mengekstraksi citra watermark dengan mengikuti persamaan (6). Keluaran tahap ini berupa matriks S yang berukuran 2m×2n.

𝑠𝑖,𝑗= {

𝑜𝑖,𝑗 𝑖𝑓 𝑚′𝑖,𝑗 ≠ 𝑜𝑖,𝑗

~(𝑚𝑖,𝑗⊕ 𝑜𝑖,𝑗) 𝑖𝑓 𝑚′𝑖,𝑗≠ 𝑜𝑖,𝑗 (6)

Dengan 𝑠𝑖,𝑗 merupakan elemen ke (i, j) pada matriks S.

9) Mereduksi ukuran matriks S menjadi m×n. Sebelum dilakukan komputasi matriks S dibagi menjadi blok-blok berukuran 2×2 non-overlapping. Proses reduksi diimplementasikan dengan mengikuti persamaan (7).

dari database USC-SIPI, yiatu berupa citra grayscale dengan ukuran 512×512. Sedangkan citra watermark yang digunakan berupa citra biner berukuran 64×64. Penilaian hasil uji coba didasarkan pada nilai PSNR dan nilai NC.

A. PSNR

PSNR (Peak Signal to Noise Ratio) merupakan nilai perbandingan antara harga maksimum warna pada citra hasil proses dengan kuantitas gangguan, yang dinyatakan dalam satuan desibel (dB). Pada artikel ini, PSNR digunakan untuk mengetahui kualitas citra yang diganggu dibandingkan dengan citra yang asli. Semakin tinggi nilai PSNR yang dihasilkan semakin baik. Secara matematis, PSNR dapat dirumuskan dalam persamaan 8. 𝑃𝑆𝑁𝑅 = 10 log10( 2552 𝑀𝑆𝐸) (8) 𝑀𝑆𝐸 = 1 𝑀𝑁∑ ∑ (𝐻𝑖,𝑗−𝐻̂𝑖,𝑗) 2 𝑁−1 𝑗=0 𝑀−1 𝑖=0 (9)

Di mana MSE (Mean Square Error) adalah rata-rata kuadrat nilai kesalahan antara citra asli (citra host) dengan citra hasil pengolahan yang secara matematis dapat dirumuskan dalam persamaan 9. M dan N merupakan lebar dan tinggi citra, 𝐻𝑖,𝑗 dan 𝐻̂𝑖,𝑗 merupakan nilai dari piksel

pada koordinat (i,j) pada citra host dan citra yang sudah diganggu.

B. NC

NC (Normalized correlation) merupakan nilai yang menunjukkan akurasi kemiripan antara dua buah citra yang dinyatakan dalam rentang 0-1. Pada artikel ini NC digunakan untuk menghitung tingkat kemiripan antara watermark hasil ekstraksi dengan citra watermark asli. Secara matematis, NC dapat dirumuskan dalam persamaan (10).

𝑁𝐶 =∑ ∑ 𝑤𝑖,𝑗⊕𝑤 ′ 𝑖,𝑗 ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ 𝑛 𝑗=1 𝑚 𝑖=1 𝑚×𝑛 (10)

𝑤𝑖,𝑗 merupakan citra watermark asli sedangkan 𝑤′𝑖,𝑗 adalah

citra watermark hasil ekstraksi, ⊕ dinotasikan sebagai operasi exclusive-or (XOR) dan m×n merupakan ukuran citra.

C. Uji Kebenaran

Uji kebenaran bertujuan untuk menunjukkan bahwa program dapat berjalan sebagaimana seharusnya. Dari Gambar 4 dan Gambar 5 dapat dilihat bahwa citra watermark yang disisipkan dengan menggunakan kunci tertentu dan diekstraksi menggunakan kunci yang bernilai sama akan menghasilkan citra watermark yang sama. Sementara itu pada Gambar 6 sampai Gambar 9, jika proses ekstraksi dilakukan dengan menggunakan kunci yang salah maka akan menghasilkan citra watermark yang rusak. Dari Tabel 1 juga dapat diketahui bahwa

Gambar 4. Hasil proses penyisipan (a) citra host (b) citra watermark (c) master

share (d) ownership share

Gambar 5. Hasil proses ekstraksi menggunakan kunci yang benar (a) citra hasil ekstraksi (b) citra hasil reduksi NC = 1

Gambar 6. Hasil ekstraksi menggunakan citra ownership yang salah (a) citra hasil ekstraksi (b) citra hasil reduksi

Gambar 7. Hasil ekstraksi menggunakan parameter 2D-DFRFT yang salah (a) citra hasil ekstraksi (b) citra hasil reduksi

Gambar 8. Hasil ekstraksi menggunakan parameter cat map yang salah (a) citra hasil ekstraksi (b) citra hasil reduksi

Gambar 9. Hasil ekstraksi menggunakan posisi VSS yang salah (a) citra hasil ekstraksi (b) citra hasil reduksi

Tabel 1.

Waktu komputasi program penyisipan dan program ekstraksi

Nama Citra Waktu Penyisipan (s) Waktu Ekstraksi (s)

Lena 17.238 17.283 Pepper 17.396 17.999 Boat 16.980 17.764 Bridge 17.501 17.080 Plane 16.984 17.238 Lake 17.217 17.535 House 17.636 17.613 Baboon 16.461 17.237 Tank 16.836 16.710 Truck 16.664 16.740 Rata-Rata 17.031 17.287

rata-rata waktu yang dibutuhkan untuk melakukan sekali proses penyisipan dan proses ekstraksi masing-masing hanya membutuhkan waktu ±17 detik.

D. Uji Kinerja

Uji kinerja dimaksudkan untuk menguji ketahanan citra watermark terhadap berbagai kemungkinan gangguan yang terjadi pada citra host. Gangguan tersebut antara lain seperti bluring, sharpening, kompresi JPEG, resizing, penambahan derau, rotasi dan cropping. Citra watermark dikatakan memiliki ketahanan yang baik jika nilai NC ≥ 0.65.

Bluring: Pengaburan citra host dilakukan dengan menggunakan fungsi average filter pada ukuran mask yang berbeda-beda. Terdapat 5 macam mask yang digunakan, mulai ukuran 3×3 sampai 15×15. Dari Gambar 11 dapat diketahui bahwa citra dengan ganguan bluring 15×15 mengalami penurunan PSNR hingga 22,6451 dB dan watermark yang dihasilkan memiliki NC 0,9343. Artinya citra watermark memiliki ketahanan yang baik terhadap gangguan bluring.

Sharpening: Penajaman citra host dilakukan dengan menggunakan fungsi imsharpen dengan parameter strength yang berbeda-beda. Masing-masing citra host diberi pengaruh sharpening sampai 5 tingkat. Dari Gambar 12 dapat diketahui, PSNR citra untuk gangguan sharpening dengan strength 5 adalah 20,6882 dB dan nilai NC untuk hasil ekstraksinya adalah 0,9141.

Kompresi JPEG: Kompresi dilakukan dengan menyimpan kembali file citra uji dalam format .jpg dengan quality factor berbeda-beda, yaitu mulai 50% sampai 10%. Dari Gambar 13 dapat diketahui, PSNR citra untuk gangguan kompresi dengan quality factor 10% adalah 30,4112 dB dan nilai NC untuk hasil ekstraksinya adalah 0,9661.

Resizing: Resizing dilakukan dengan menggunakan fungsi imresize. Masing-masing citra host diubah ukurannya mulai 256×256 sampai 32×32, kemudian citra host hasil resizing dikembalikan lagi pada ukuran 512×512. Dari Gambar 14 dapat diketahui, PSNR citra yang telah mengalami resizing 32×32 adalah 21,9907 dB dan nilai NC untuk hasil ekstraksinya adalah 0,9343.

Penambahan derau: Masing-masing citra host diberi derau jenis gaussian dan salt&pepper. Derau jenis gaussian diimplementasikan dengan mean=0 dan variance=0,03. Sedangkan derau jenis salt&pepper diimplementasikan dengan density 0,03. Dari Gambar 15 diketahui PSNR citra untuk gangguan salt & pepper noise adalah 15,5545 dB dan NC untuk hasil ekstraksinya adalah 0,9575. Sedangkan PSNR citra untuk gangguan salt & pepper noise adalah 18,4683 dB dan NC untuk hasil ekstraksinya adalah 0,9653.

Rotasi: Fungsi rotasi dilakukan mulai sudut 3o _{searah jarum}

jam sampai didapatkan nilai NC ≤ 0,65. Dari Gambar 16 dapat diketahui, PSNR citra untuk gangguan rotasi 13o _adalah

11,6830 dB dan nilai NC untuk hasil ekstraksinya adalah 0,6475.

Cropping: Fungsi cropping dilakukan pada bagian tepi citra host dengan luas mulai 5% dari luas citra host sampai didapatkan nilai NC ≤0.65. Hasil uji kinerja terhadap gangguan cropping ditunjukkan pada Gambar 17. Dari Gambar 17 dapat diketahui, PSNR citra untuk gangguan cropping 25% adalah

Gambar 10. (a) Blured image 3×3 (PSNR=31.9362 dB), (b) Hasil Ekstraksi (NC=0.9929), (c) Blured image 15×15 (PSNR=22.6451 dB), (d) Hasil Ekstraksi (NC=0.9343)

Gambar 11. (a) Sharpened image 1 (PSNR=33.3686 dB), (b) Hasil Ekstraksi (NC=0.9934), (c) Sharpened image 5 (PSNR=20.6882 dB), (d) Hasil Ekstraksi (NC=0.9141)

Gambar 12. (a) Citra hasil kompresi JPEG QF 50% (PSNR=35.8082 dB), (b) Hasil Ekstraksi (NC=0.9941), (c) Citra hasil kompresi JPEG QF 10% (PSNR=30.4112 dB), (d) Hasil Ekstraksi (NC=0.9661)

Gambar 13. (a) Citra hasil resizing 256×256 (PSNR=34.1092 dB), (b) Hasil Ekstraksi (NC=0.9976), (c) Citra hasil Citra hasil resizing 32×32 (PSNR=21.9907 dB), (d) Hasil Ekstraksi (NC=0.9343)

Gambar 14. (a) Citra dengan Gaussian noise (PSNR=15.5545 dB), (b) Hasil Ekstraksi (NC=0.9575), (c) Citra dengan salt&pepper noise (PSNR=18.4683 dB), (d) Hasil Ekstraksi (NC=0.9653)

11,7853 dB dan nilai NC untuk hasil ekstraksinya adalah 0,7390.

Detil hasil uji coba dapat dilihat pada Tabel 2 dan Tabel 3. Dari tabel tersebut dapat dilihat bahwa nilai rata-rata untuk gangguan bluring, sharpening, kompresi JPEG, resizing, dan

melakukan penyisipan citra watermark tanpa harus mengubah citra host, sehingga kualitas citra host tetap tinggi. Proses ekstraksi citra watermark dapat dilakukan secara blind dengan cara yang sederhana, sehingga waktu komputasinya cepat (±17 detik).

Pada keadaan normal (tanpa perlakukan khusus) hasil ekstraksi citra watermark adalah sama persis dengan citra watermark asli sebelum disisipkan. Proses ekstraksi citra watermark hanya dapat dilakukan dengan baik jika menggunakan citra ownership yang sah dan kunci yang benar.

Citra watermark yang disisipkan memiliki ketahanan yang sangat baik terhadap gangguan seperti bluring, sharpening, kompresi JPEG, resizing dan penambahan derau, yaitu dengan nilai rata-rata NC untuk masing-masing gangguan yang berada di kisaran 0,9. Citra watermark juga memiliki ketahanan yang baik terhadap gangguan rotasi sampai 13o_{. Sedangkan untuk}

gangguan cropping, citra watermark yang disisipkan memiliki ketahanan yang baik dengan persentase cropping sampai 25% dari luas citra asli.

Tabel 2.

Hasil uji coba ekstraksi terhadap berbagai gangguan

Nama Citra _{PSNR (dB)} Bluring 15x15 _{NC PSNR (dB)} Sharpening (5) _{NC PSNR (dB)} Kompresi 10% _{NC PSNR (dB)} Resizing 32x32 _NC

Lena 22.6451 0.9343 20.6882 0.9441 30.4112 0.9661 21.9907 0.9343 Pepper 22.2446 0.9578 20.5623 0.9751 30.1396 0.9895 21.2168 0.9395 Boat 21.0624 0.9050 18.1351 0.9263 28.1346 0.9741 20.8140 0.9097 Baboon 19.2116 0.9063 13.5970 0.8745 23.4246 0.9661 19.1353 0.8928 Bridge 19.5634 0.9297 14.9563 0.9280 25.1270 0.9885 18.9784 0.9138 Plane 20.4360 0.9124 19.9917 0.9736 29.7646 0.9875 20.2693 0.9221 Lake 20.0867 0.9553 17.4845 0.9656 27.8220 0.9924 19.0955 0.9380 House 20.3272 0.9141 17.7866 0.9600 28.0275 0.9944 19.8821 0.9202 Tank 24.3662 0.8918 19.3727 0.9534 29.3826 0.9922 25.9946 0.9299 Truck 24.5115 0.9248 20.0181 0.9509 29.5001 0.9526 24.6450 0.9094 Rata-Rata 21.4455 0.9232 18.2593 0.9452 28.1734 0.9803 21.2022 0.9210 Tabel 3.

Hasil uji coba ekstraksi terhadap berbagai gangguan

Nama Citra _{PSNR (dB)} Gaussian noise _{NC PSNR (dB)} Salt & Pepper _{NC PSNR (dB)} Rotasi 13o _{NC PSNR (dB)} Cropping 25% _NC

Lena 15.5545 0.9575 18.4683 0.9653 11.6830 0.6475 11.7853 0.7390 Pepper 15.6410 0.9802 18.3518 0.9844 10.5473 0.6326 11.2200 0.6990 Boat 15.5740 0.9509 18.4865 0.9690 12.0220 0.7209 11.2865 0.7285 Baboon 15.4786 0.9434 18.5578 0.9561 12.4968 0.6592 11.5082 0.6492 Bridge 15.6961 0.9666 18.3014 0.9746 11.5059 0.6987 12.2915 0.7410 Plane 15.9910 0.9805 17.8591 0.9895 10.0807 0.6616 8.3526 0.7056 Lake 15.9117 0.9863 17.9652 0.9905 10.5919 0.7112 11.6827 0.8274 House 15.7661 0.9675 18.3162 0.9775 10.4076 0.5906 9.1108 0.5833 Tank 15.9910 0.9805 18.8175 0.9507 14.0597 0.7322 10.8278 0.5977 Truck 15.9117 0.9863 18.7898 0.9531 15.3404 0.6677 13.1574 0.6858 Rata-Rata 15.7516 0.9700 18.3914 0.9711 11.8735 0.6722 11.1223 0.6957

Gambar 15. (a) Citra hasil rotasi 3 (PSNR=16.1425 dB), (b) Hasil Ekstraksi (NC=0.8682), (c) Citra hasil rotasi 13o _{(PSNR=11.6830 dB), (d) Hasil Ekstraksi} (NC=0.6475)

Gambar 16. (a) Citra hasil cropping 5% (PSNR=19.3423 dB), (b) Hasil Ekstraksi (NC=0.9373), (c) Citra hasil cropping 25% (PSNR=11.7853 dB), (d) Hasil Ekstraksi (NC=0.7390)

UCAPANTERIMAKASIH

Penulis M.M. mengucapkan terima kasih kepada Allah SWT, kedua orang tua dan keluarga penulis, dosen pembimbing, serta pihak-pihak yang telah membantu menyelesaikan artikel ini.

DAFTARPUSTAKA

[1] A. Bovik, Handbook of Image and Video Processing 2nd Edition, United States of America: Elsevier Academic Press, 2005.

[2] R. Munir, "Sekilas Image Watermarking untuk Memproteksi Citra Digital pada Citra Medis," Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung, Bandung.

[3] V. A. Narayanan and K. Prabhu, "The fractional Fourier transform: theory, implementation and error analysis," Microprocessor and Microsystems, vol. 27, pp. 511-521, 2003.

[4] S. C. Pei and M. H. Yeh, "Two dimensional discrete fractional Fourier transform," Signal Processing, vol. 67, pp. 99-108, 1998.

[5] B. Surekha and D. G. N. Swamy, "Visual Secret Sharing Based Digital Image Watermarking," IJCSI International Journal of Computer Science

Issues, vol. 9, no. 3, pp. 312-317, 2012.

[6] S. Rawat and B. Raman, "A blind watermarking algorithm based on fractional Fourier transform and visual cryptography," Signal Processing, vol. 92, pp. 1480-1491, 2012.