PEMBERIAN TANDA AIR PADA CITRA DIGITAL MENGGUNAKAN METODE TANDA AIR DENGAN ANALISIS KOMPONEN INDEPENDEN TRANSPOS CITRA

TUGAS AKHIR

PEMBERIAN TANDA AIR PADA CITRA DIGITAL MENGGUNAKAN

METODE TANDA AIR DENGAN ANALISIS KOMPONEN

INDEPENDEN TRANSPOS CITRA

(Watermarking on Digital Image Using Watermarking by

Independent Component Analysis Image Transpose Methods )

Oleh :

Yunita Pranindya (1206100023) Dosen Pembimbing :

Drs. Soetrisno,MIKomp. JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER

PENDAHULUAN

1.1 Latar Belakang

 Perkembangan teknologi komputer digital semakin cepat

 Undang-undang hak cipta kurang efektif

 Banyak metode dikembangkan untuk mengamankan dan melindungi data berupa citra digital,misal header making dan Encryption,namun belum optimal dalam melindungi data berupa citra digital

 Maka,digunakan metode watermarking untuk melindungi citra digital tersebut

 Beberapa metode yang digunakan dalam watermarking, membutuhkan citra asli untuk proses ekstraksi

 Tidak efektif karena dalam proses watermarking itu sendiri, kita dituntut untuk menjaga citra asli

 Maka,digunakan metode Watermaking by Independent Component Analysis with Image Transpose (WMicaT) yang termasuk dalam kategori blind

PENDAHULUAN

1.2 Rumusan Masalah

Permasalahan yang akan dibahas dalam dalam Tugas Akhir ini adalah :

Bagaimana mengekstraksi signature yang telah disisipkan pada citra ter-watermark tanpa menggunakan citra asli dengan metode WMicaT.

Bagaimana menghasilkan citra ter-watermark yang memiliki sifat invisibility dan robustness dengan menggunakan metode WMicaT.

Bagaimana mengimplementasikan watermarking pada citra digital dengan metode watermaking by independent analysis component with image transpose (WMicaT) pada bahasa pemrograman tertentu.

1.3 Batasan Masalah dan Asumsi

Pada Tugas Akhir ini diberikan batasan masalah dan asumsi sebagai berikut :

Signature S yang digunakan dalam Tugas Akhir ini adalah citra biner BMP berukuran N x N.

Citra asli I yang akan diproses dalam Tugas Akhir ini adalah berupa citra gray scale BMP berukuran (m*N x m* N), dengan m adalah bilangan asli.

Gangguan (attack) yang akan diberikan pada citra ter-watermark adalah reduksi grayscale dengan level 128, 64 dan 32.

Software yang akan digunakan dalam membuat program watermarking adalah Matlab R2009a.

Algoritma yang digunakan dalam metode Independent Component Analysis (ICA) adalah FastICA.

1.4 Tujuan dan Manfaat

Tujuan

Tujuan Tugas Akhir ini adalah membuat program watermarking pada citra digital dengan menggunakan metode WMicaT yang dapat mengekstraksi tanpa menggunakan citra asli dan bersifat invisibility dan robustness..

Manfaat

Dengan membuat program watermarking pada citra digital

menggunakan WMicaT diharapkan dapat memberikan beberapa manfaat, diantaranya :

 Memberikan informasi bagi pihak yang ingin mengembangkan teknik watermarking pada data digital, khususnya citra digital.

Dapat digunakan sebagai referensi untuk penelitian pada sistem keamanan data digital selanjutnya.

Metode watermarking dalam tugas akhir ini sebagai metode alternatif sistem pengamanan citra digital

TINJAUAN PUSTAKA

2.1 Penelitian dan Kajian Terdahulu

Sugihono Tjandra menggunakan Discrete Cosine Transform dengan algoritma Cox,

R. Deny Budy menggunakan Transformasi Wavelet

Cahya Heru B menggunakan metode Shuffling.

Ketiganya membutuhkan citra asli dalam proses ekstraksi, sehingga proses watermarking menjadi kurang efektif. Oleh karena itu untuk mengatasinya, dalam penelitian ini dikembangkan suatu metode watermarking yang dalam ekstraksinya tidak membutuhkan citra asli melainkan citra publik, metode ini disebut WMicaT.

TINJAUAN PUSTAKA

2.2 Citra Digital

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut. Gambar berikut menunjukkan koordinat pada suatu citra digital.

Gambar 2.1 Sistem Koordinat pada Citra

Untuk menunjukkan tingkat intensitas cahaya suatu pixel, seringkali digunakan bilangan bulat dengan lebar selang antara 0-255, dimana 0 untuk warna hitam dan 255 untuk warna putih. Sistem visual manusia dapat

membedakan ratusan ribu warna tetapi hanya dapat membedakan 100 shade keabuan.

TINJAUAN PUSTAKA

2.2.1 Konsep Tetangga Piksel

Salah satu konsep piksel tetangga yang sering digunakan adalah 8-tetangga, yang dinotasikan dengan N8(p). Agar piksel tepi dapat dioperasikan seperti piksel di bagian dalam citra maka dilakukan penambahan satu piksel di sekeliling citra. Piksel tambahan dapat bernilai 0, 1 atau sama dengan piksel tepi dan pemilihannya

disesuaikan dengan kebutuhan. Hubungan piksel N8(p) direpresentasikan oleh Gambar 2. 2

f(x-1,y-1) f(x-1,y) f(x-1,y+1)

f(x,y-1) f(x,y) f(x,y+1)

f(x+1,y-1) f(x+1,y) f(x+1,y+1)

TINJAUAN PUSTAKA

2.3Noise Visibility Function

Noise Visibility Function (NVF) merepresentasikan properti dari citra lokal, mengidentifikasi tekstur dari citra dan daerah batas (edges) dimana tanda (mark) seharusnya dilekatkan.

(2.1)

Dengan adalah variansi lokal window dari citra yang berada pada piksel dengan koordinat (m,n). Dan merupakan fungsi bobot dari , dengan unit variansi N (0, ), maka = .

TINJAUAN PUSTAKA

2.4 Watermaking

Watermarking (tanda air) dapat diartikan sebagai suatu teknik

penyembunyian data atau informasi rahasia kedalam suatu data lainnya untuk ditumpangi (kadang disebut dengan host data), tetapi orang lain tidak

menyadari kehadiran adanya data tambahan pada data host-nya [2].

Gambar 2.3 Skema Watermarking

Watermarking dapat dikategorikan sebagai blind watermarking (proses verifikasi watermark tidak membutuhkan citra asal) dan non-blind watermarking (proses verifikasi watermark kebutuhan citra asal) [6].

Pelekatan Gangguan Ekstraksi Citra Ter-watermark

key Citra Asli

Watermark

Estimasi Watermark

2.5 Independent Component Analysis (ICA)

Berdasarkan sumber yang independen satu sama lain, algoritma Independent Component Analysis (ICA) mencoba untuk menemukan sebuah transformasi dari campuran seperti perbaikan sinyal yang independen [5].

Tahap pada ICA dapat dibagi menjadi dua sub model, mixing model dan demixing model. Mixing model dapat dirumuskan sebagai :

x = As (2.2) dimana :

x = [ x₁,…..,x_N ]T

s = [ s₁,……,s_N ]T

A_NxNadalah matriks yang tidak diketahui

TINJAUAN PUSTAKA

Sedangkan demixing model dapat dirumuskan :

y = Wx (2.3)

dimana :

y = [ y₁,….,y_N ]T

W = A-1

Perhitungan nilai W didapat dari optimasi komponen bebas y dengan menggunakan data yang telah dilatih. Dengan demikian, dapat dipahami bahwa vektor y merupakan hasil perkiraan dari sumber asli. Tujuan dari ICA adalah untuk membentuk suatu sumber-sumber yang merupakan kombinasi linear dari sumber-sumber independent yang tidak diketahui. Dengan kata lain ICA akan menghasilkan suatu komponen-komponen independen dari sumber yang diobservasi sehingga komponen-komponen bisa digunakan sebagai basis dari sumber-sumber tersebut.

Algoritma FastICA

Preprocessing Fast ICA

Remmean

Remmean (pemusatan) adalah tahapan yang dilakukan untuk membuang mean.

Whitenv

Setelah proses remmean, tahapan pre-process selanjutnya adalah whitenv. Pada tahapan ini data yang ditransformasikan sehingga didapatkan vektor data baru

Processing Fast ICA

Algoritma FastICA dasar yang bertujuan untuk mengestimasi komponen

independen, didasarkan pada negative egentropy (negentropy), dimana dasar iterasi yang dipakai untuk mengestimasi satu komponen independen adalah sebagai berikut :

w(k)=E{xg(w(k-1)Tx)}-E{g’(w(k-1)T_{x)}w(k-1) (2.4)}

Dengan k=1, berikut adalah algoritma FastICA satu unit yang menggunakan fungsi tanh :

1. Pilih secara random inisial vector w(0)

2. w(k) = E{x.tanh(w(k-1)T_{x)} - E{(1-tanh}2_(w(k-1) T_{x))} w(k-1)}

3. Bagi w(k) dengan normnya

4. Jika |w(k)T-w(k-1)| belum cukup dekat dengan 1, maka k = k+1 dan diulangi dari langkah dua. Selain itu berarti output adalah w(k)

Hasil vektor w(k) yang di dapat merupakan satu kolom dari matriks bobot B. Untuk mendapatkan estimasi lebih dari satu komponen independen algoritma satu unit tersebut dijalankan hingga beberapa kali sejumlah

komponen independen. Untuk menjaga agar tidak terjadi konvergensi pada satu vektor maka diterapkan metode Gram-Schmidt. Selanjutnya untuk

mendapatkan matriks W dan A digunakan whitening dan dewhitening matriks hasil dari proses whitenv

Koefisien Korelasi

Koefisien korelasi digunakan untuk menghitung kesamaan

diantara dua citra, misalkan X dan Y. Ketika dua citra

berbeda secara total nilai | r

_X,Y

| 0, dan di sisi lain ketika

X dan Y identik satu sama lain | r

_X,Y

| 1. Berikut adalah

bentuk umum untuk menghitung koefisien korelasi antara

dua citra :

TINJAUAN PUSTAKA

(2.5)

Koefisien Korelasi

TINJAUAN PUSTAKA

(2.7)

(2.8)

(2.9)

(2.10)

Algoritma WMicaT

Seperti metode watermarking pada umunya metode WMicaT pada citra digital dapat dibagi menjadi dua bagian yaitu pelekatan watermark dan ekstraksi watermark.

Pelekatan Watermark

Pelekatan terdiri dari proses pelekatan watermark W untuk membentuk citra ter-watermark I+_{. Secara umum pelekatan watermark menggunakan metode}

WMicaT terdiri dari lima tahap, yaitu :

 Menghasilkan watermark awal W₀ yang tersusun dari signature S

 Menghasilkan visual mask V dari citra asli I, yang digunakan untuk

mengidentifikasi area dari host citra, yang dapat dilekati watermark dengan kuat.

TINJAUAN PUSTAKA

(2.11)

Algoritma WMicaT

TINJAUAN PUSTAKA

(2.13)

 Menciptakan watermark W dari watermark awal W₀ dan visual mask V

W=Wo - Wo.V (2.14)

Menghasilkan citra ter-watermark I+_.

I+ = I + αW + βWT _(2.15)

dimana :

I+ _{: citra ter-watermark I : citra asli}

W : watermark WT _{: transpose dari watermark}

α : koefisien pelekatan W β : koefisien pelekatan pada WT

K_p = γI + δIT + λK _(2.16)

dimana :

K_p : citra publik I : citra asli IT _{: transpose citra asli K : kunci citra}

γ : koefisien pelekatan I δ : koefisien kunci citra dari IT

λ : koefisien pelekatan K

Ekstraksi

Tujuan dari proses ekstraksi adalah mengekstrak signature S dari I+_{, K}

dan K_p. Proses Ekstraksi dapat dibagi menjadi tiga tahap,yaitu :

 Tahap pertama, mengekstrak citra asli I dari K dan K_p dengan memakai teknik ICA.

Dengan mengubah I,K dan Kp menjadi sinyal satu dimensi. Didapat persamaan yang sesuai dengan model ICA:

TINJAUAN PUSTAKA

(2.17)

(2.18)

Dengan teknik ICA dan koefisien korelasi , akan didapat estimasi satu dimensi citra asli dan transpose-nya

Ekstraksi

 Tahap kedua, mengaplikasikan ICA pada estimasi citra asli dan citra ter-watermark untuk mengekstrak watermark W.

Dengan teknik ICA dan koefisien korelasi , akan didapat watermark dan transpose-nya

TINJAUAN PUSTAKA

(2.19)

Ekstraksi

Tahap ketiga post processing scheme, digunakan untuk mendapatkan signature S dari estimasi watermark.

1. Identifikasi.

Identifikasi merupakan penyaringan watermark dari keempat output Y₁, Y₂, Y₃ dan Y₄ yang belum diketahui mana merupakan watermark dan transpose-nya

2. Refining

Pertama, anggap Z₁ dan Z₂ adalah dua output yang merupakan estimasi watermark dan transpose-nya.

Kemudian yang kedua membagi citra ke l subcitra

Yang ketiga, menghitung estimasi dari S sebagai rata-rata dari sub citra tersebut :

TINJAUAN PUSTAKA

(2.21) ,, , (2.22)

MSE

MSE atau Mean Square Error merupakan suatu metode pengukuran kontrol dan kualitas yang sudah dapat diterima luas (Wikipedia, 2009). MSE dihitung dari

sebuah contoh obyek yang kemudian dibandingkan dengan obyek aslinya sehingga dapat diketahui tingkat ketidaksesuaian antara obyek contoh dengan aslinya.

Persamaan MSE terhadap deviasi dari target adalah sebagai berikut:

I(x,y) adalah nilai piksel di citra asli, I’(x,y) adalah nilai piksel pada citra hasil

modofikasi, dalam hal insi adalah citra ter-watermark dan x, y adalah dimensi citra.

TINJAUAN PUSTAKA

,,

ANALISIS SISTEM DAN

PERANCANGAN PROGRAM

3.1 Sistem Program Watermarking pada Citra Digital Menggunakan Metode WMicaT (Proses Pelekatan)

Gambar 3.1 Diagram Alur Sistem Pelekatan dengan Metode WMicaT (a)Proses

pembuatan citra ter-watermark (b) Proses pembuatan citra publik

Mulai Input Cira Asli I, seed k Membangkitkan Citra Kunci K Citra Kunci K Pembuatan Citra Publik Kp Kp= γI + δIT + λK Citra Publik Selesai Selesai Mulai Input Citra Asli I, Input Signature S Pembuatan Watermark dengan Metode WMicaT Watermark Citra Ter-watermark

Pembuatan Citra

Ter-watermark I+ I+ _{= I + αW + βW}T

ANALISIS SISTEM DAN

PERANCANGAN PROGRAM

3.2 Sistem Reduksi Grayscale

Gambar 3.2 Diagram Alur Sistem

Reduksi Grayscale

Mulai Input Citra Ter-watermark

Simpan

Reduksi grayscale level 128, 64, atau 32 Citra Ter-watermark Reduksi Grayscale

ANALISIS SISTEM DAN

PERANCANGAN PROGRAM

3.3 Sistem Ekstraksi dengan Metode WMicaT

Gambar 3.3 Diagram Alur Sistem

Ekstraksi Watermark

Mulai

Input citra ter-watermark I+_{, Input citra publik Kp, Input seed k}

Teknik ICA

Simpan

Pembangkit citra kunci K menggunakan generatorKeyImage(k,I)

Citra ter-watermark I+_{, Citra publik Kp ,Citra kunci K}

Identifikasi

Estimasi citra asli,transpose citra asli, watermark dan transpose

watermark Y1, Y2, Y3, Y4

Estimasi watermark W dan transpose-nya WT

Refining

Estimasi Signature S

ANALISIS SISTEM DAN

PERANCANGAN PROGRAM

3.4Sistem Pengujian Hasil Menggunakan MSE

Gambar 3.4 Diagram Alur Program Perhitungan MSE

Mulai Input Citra Asli I Input Citra Ter-watermark I’

Hitung MSE:

Selesai Nilai MSE

ANALISIS SISTEM DAN

PERANCANGAN PROGRAM

3.5Sistem

untuk

Perhitungan

Nilai

Koefisien Korelasi

Gambar 3.5 Diagram Alur Program Koefisien Korelasi

Mulai

Input Signature X, Estimasi

Signature Y

Hitung Koefisien Korelasi :

Selesai Nilai Koefisien

UJI COBA PROGRAM

Pada uji coba program akan digunakan citra asli Lena.bmp dan Baboon.bmp, berukuran 512 x 512 piksel. Sedangkan signature akan menggunakan

Signature1.bmp dan Signature2.bmp citra biner berupa logo ITS dan tulisan ITS, berukuran 128 x 128 dan 64 x 64 piksel

1.Nilai Mean Square Error (MSE) antara Citra Asli dan Citra Ter-watermark Kualitas citra ter-watermark dapat diukur dengan Mean Square Errror (MSE). Semakin kecil nilai MSE-nya maka semakin baik kualitas citra ter-watermark. Berdasarkan percobaan diperoleh hasil sebagai berikut :

Tabel 4.1 Nilai MSE pada Koefisien Pelekatan Citra Ter-watermark yang Berbeda

Nilai Koefisien Pelekatan MSE 6.28905

,

3.52561

,

UJI COBA PROGRAM

Tabel 4.2 Nilai PSNR pada Koefisien Pelekatan Citra Publik yang Berbeda

Nilai Koefisien Pelekatan Nilai PSNR

5.4246 5.4246 5.4246

Apabila kita perhatikan tabel diatas nilai MSE dipengaruhi oleh kofisien pelekatan pada citra ter-watermark, semakian besar koefisiennya semakin besar nilai MSE. Artinya semakin besar koefisien pelekatan maka error-nya semakin besar atau kualitas citra ter-watermark menurun

UJI COBA PROGRAM

2. Nilai Koefisien Korelasi untuk Melihat Perbandingan Signature dan Estimasinya.

a. Nilai koefisien korelasi pada citra ter-watermark yang mengalami gangguan berupa proses reduksi grayscale ,dan .

 Citra Asli Lena.bmp dengan Signature1.bmp

Tabel 4.3 Nilai Koefisien Korelasi Pada Citra Ter-watermark ,

,

.

.

No

Jenis Citra Ter-watermark

1. Tanpa Reduksi Grayscale 0.738302 2. Reduksi Grayscale Level 128 0.727857 3. Reduksi Grayscale Level 64 0.766537 4. Reduksi Grayscale Level 32 0.594552

UJI COBA PROGRAM

, , . . Uji Coba 1

UJI COBA PROGRAM

Citra Asli Lena.bmp dengan Signature2.bmp

Tabel 4.4 Nilai Koefisien Korelasi Pada Citra Ter-watermark ,

,

.

.

No

Jenis Citra Ter-watermark

1. Tanpa Reduksi Grayscale 0.926834 2. Reduksi Grayscale Level 128 0.867816 3. Reduksi Grayscale Level 64 0.82883 4. Reduksi Grayscale Level 32 0.631647 Citra Asli Baboon.bmp dengan Signature1.bmp

Tabel 4.5 Nilai Koefisien Korelasi Pada Citra Ter-watermark

No

Jenis Citra Ter-watermark

1. Tanpa Reduksi Grayscale 0.929718 2. Reduksi Grayscale Level 128 0.913991 3. Reduksi Grayscale Level 64 0.868336 4. Reduksi Grayscale Level 32 0.667107

UJI COBA PROGRAM

, , . . Uji Coba 2

UJI COBA PROGRAM

, , . . Uji Coba 3

UJI COBA PROGRAM

, , . . Uji Coba 4

UJI COBA PROGRAM

,

,

.

.

Citra Asli Baboon.bmp dengan Signature2.bmp

Tabel 4.6 Nilai Koefisien Korelasi Pada Citra Ter-watermark

No

Jenis Citra Ter-watermark

1. _{Tanpa Reduksi Grayscale} 0.967392 2. _{Reduksi Grayscale Level 128} 0.98108 3. Reduksi Grayscale Level 64 0.990238 4. Reduksi Grayscale Level 32 0.971206

Jika melihat nilai koefisien korelasi masing-masing percobaan, dapat kita simpulkan beberapa hal, yaitu :

Citra ter-watermark dapat diekstraksi dengan baik baik dengan dan tanpa gangguan berupa reduksi grayscale. Meskipun pada beberapa level reduksi grayscale estimasi citra memiliki koefisien korelasi yang relatif kecil

Berdasarkan data tersebut citra asli yang sama, signature yang berbeda koefisien korelasi mengalami perbedaan yang signifikan. Hal ini dikarenakan, kerumitan citra signature2.bmp yang lebih sederhana, serta ukurannya yang lebih kecil

Dengan menggunakan citra asli yang berbeda, nilai dari koefisien korelasi juga mengalami

UJI COBA PROGRAM

,

,

.

.

b. Nilai koefisien korelasi berdasarkan koefisien pelekatan pembuatan citra ter-watermark yang berbeda.

Tabel 4.7 Nilai Koefisien Korelasi dengan Koefisien Pelekatan Pembuatan Citra

Ter-watermark yang Berbeda

Nilai Koefisien Pelekatan

0.807997 0.744304 0.667483

c. Nilai koefisien korelasi berdasarkan koefisien pelekatan pembuatan citra publik yang berbeda.

Tabel 4.8 Nilai Koefisien Korelasi dengan Koefisien Pelekatan Pada Citra Publik yang

berbeda Nilai Koefisien Pelekatan

0.971864 0.973012 0.631377

KESIMPULAN DAN

SARAN

, , . . KESIMPULAN

Dari hasil pengujian program pada Bab V, maka dapat ditarik kesimpulan sebagai berikut:

Program watermarking menggunakan metode WMicaT dapat mengekstraksi signature tanpa menggunakan citra asli dengan baik, bersifat invisible dan tahan terhadap gangguan berupa reduksi grayscale hingga level 32.

Penggunaan signature mulai dari perbedaan ukuran, bentuk kerumitan signature yang digunakan mempengaruhi hasil kualitas ekstraksi. Ukuran yang relatif kecil dan bentuk signature yang sederhana memiliki kualitas yang lebih baik.

Nilai Mean Square Error (MSE) dari citra ter-watermark dan koefisien korelasi signature dengan estimasinya dapat ditentukan dengan mengatur koefisien

pelekatan pembuatan citra ter-watermark dan koefisien pelekataan pembuatan citra publik sesuai keinginan pengguna

KESIMPULAN DAN

SARAN

, , . . SARAN

Saran yang dapat diberikan dalam pengembangan tugas akhir ini antara lain adalah:

Citra asli yang menjadi input dalam program ini adalah citra grayscale, dalam penelitian selanjutnya diharapkan dapat menggunakan citra warna.

Pada Tugas Akhir ini, watermarking dilakukan pada domain spasial dari citra, pada penelitian selanjutnya diharapkan dapat dicoba pada domain lain, misalnya domain frekuensi. Selain itu, gangguan yang dilakukan terhadap citra

ter-watermark masih berupa reduksi grayscale maka pada penelitian selanjutnya diharapkan dapat dilakukan gangguan yang lain.

Algoritma ICA yang digunakan dalam Tugas Akhir ini adalah Fast ICA, dalam penelitian selanjutnya mungkin dapat dicoba algoritma ICA yang lain.

Sebagai pengembangan program, dapat dibuat program watermarking pada data digital lainnya misalk

1) Nguyen, T.V & Patra, J.C (2008). “A simple ICA-based digital image watermarking scheme. School of Computer Engineering”, Digital Signal Processing, Nanyang Technological University (NTU), Singapura.

2) Sirait, Rummi (2006). Teknologi Watermaking Pada Citra Digital.From

http://jurnal.bl.ac.id, 18 Maret 2010.

3) Tjandra, Sugihono (2005). Perancangan dan Pembuatan Program Digital Image

Watermarking dengan Discrete Cosine Tramsform Menggunakan Algoritma

Cox. Skripsi Jurusan Teknik Informatika Universitas Kristen Petra, Surabaya.

4) Budy, R. Deny (2007). Implementasi Watermarking untuk Pelabelan Hak Cipta

Citra Digital Menggunakan Transformasi Wavelet. Tugas Akhir Teknik Fisika

Institut Teknologi Sepuluh Nopember, Surabaya.

5) Atmaja, Bagus Tri (2009). Pemisahan Banyak Sumber Suara Mesin dari

Microphone Array dengan metode Independent Component Analysis (ICA) untuk Deteksi Kerusakan. Tugas Akhir Teknik Fisika Institut Teknologi Sepuluh

Nopember, Surabaya.

6) Heru B., Cahya (2005). Watermarking Citra Digital dengan Menggunakan Metode

Shuffling. Tugas Akhir Teknik Elektro Institut Teknologi Sepuluh Nopember,

Surabaya

7) Sviastoslav, S., Herrige, Alexander. Baumgaertner, N. , Pun, Thierry (1999). “A

Stocahastic Approach to Content Adaptive Digital Image Watermarking”. Workshop on Information hiding, Dresden, Germany.

8) Hyvarinen, Aapo & Erkki Oja (2000). “Independent Component Analysis (Algorithms and Aplications)”, Helsinki University of Technology, Finland

9) Qohar, Abdul (2001). Analisis Komponen Independen dengan Algoritma

FastICA untuk Pengenalan Wajah. Tesis Jurusan Teknik Informatika Institut

Teknologi Sepuluh Nopember, Surabaya.

10)Solichah, Adhatus (2009). Implementasi Segmentasi Citra Bibir Berwarna

Menggunakan Spatial Fuzzy Clustering. Tugas Akhir Jurusan Teknik Informatika

Institut Teknologi Sepuluh Nopember, Surabaya.

11)Works, The Math. Image Processing Toolbox For Use with MATLAB. The Math Works Inc, 1994-2005