PENYEMATAN INFORMASI DIGITAL MENGGUNAKAN SINGULAR VALUE DECOMPOSITION DENGAN PERANGKAT LUNAK SIMULASI

Naufal Faariz Habiibi; Ahmad Idlof Dzouqun; Herwin Melyanus

doi:10.51135/03gt6679

Authors

Naufal Faariz Habiibi Program Studi Teknik Elektro Universitas Pertahanan Republik Indonesia
Ahmad Idlof Dzouqun Program Studi Teknik Elektro Universitas Pertahanan Republik Indonesia
Herwin Melyanus Program Studi Teknik Elektro Universitas Pertahanan Republik Indonesia

DOI:

https://doi.org/10.51135/03gt6679

Keywords:

singular value decomposition, steganografi, watermarking, penyematan informasi digital

Abstract

Perkembangan teknologi informasi menuntut adanya metode yang andal untuk menjaga kerahasiaan, keaslian, dan keamanan data digital. Salah satu pendekatan yang banyak diteliti adalah teknik steganografi dan watermarking berbasis pengolahan citra digital. Penelitian ini membahas penyematan informasi digital menggunakan metode Singular Value Decomposition (SVD) dengan bantuan perangkat lunak simulasi. Metode SVD dipilih karena mampu memisahkan citra ke dalam komponen singular yang relatif stabil terhadap berbagai transformasi, sehingga informasi yang disisipkan tetap terjaga kualitas dan integritasnya. Pada tahap implementasi, citra host didekomposisi menggunakan SVD, kemudian informasi digital berupa teks maupun citra disisipkan ke dalam nilai singular tertentu. Proses penyematan dan ekstraksi diuji dengan perangkat lunak simulasi MATLAB, sehingga dapat dianalisis kinerja metode berdasarkan parameter objektif, seperti Peak Signal-to-Noise Ratio (PSNR), Mean Squared Error (MSE), serta ketahanan terhadap manipulasi citra dasar. Hasil pengujian menunjukkan bahwa metode SVD mampu menyisipkan informasi secara imperseptibel dengan nilai PSNR yang tinggi dan MSE yang rendah, sehingga citra stego hampir tidak dapat dibedakan dari citra asli secara visual. Selain itu, proses ekstraksi berhasil mengembalikan informasi dengan akurasi tinggi. Dengan demikian, metode SVD terbukti efektif untuk penyematan informasi digital, serta berpotensi diterapkan dalam sistem keamanan data dan perlindungan hak cipta digital.

Downloads

Download data is not yet available.

References

[1] M. Begum and M. S. Uddin, “Digital image watermarking techniques: A review,” Inf., vol. 11, no. 2, 2020, doi: 10.3390/info11020110.

[2] K. M. Hosny, A. Magdi, O. ElKomy, and H. M． Hamza, “Digital image watermarking using deep learning: A survey,” Comput. Sci. Rev., vol. 53, p. 100662, 2024, doi: https://doi.org/10.1016/j.cosrev.2024.100662.

[3] Z. Wang et al., “Data Hiding With Deep Learning: A Survey Unifying Digital Watermarking and Steganography,” IEEE Trans. Comput. Soc. Syst., vol. 10, no. 6, pp. 2985–2999, 2023, doi: 10.1109/TCSS.2023.3268950.

[4] Z. I. Nezami, H. Ali, M. Asif, H. Aljuaid, I. Hamid, and Z. Ali, “An efficient and secure technique for image steganography using a hash function,” PeerJ Comput. Sci., vol. 8, no. 2021, pp. 1–18, 2022, doi: 10.7717/PEERJ-CS.1157.

[5] M. Chinnusami, D. Kolli, S. Shreela, R. Anbazhagan, and R. Amirtharajan, “Analysis of hybrid integer wavelet transform and singular value decomposition for image steganography under various noise conditions,” Sci. Rep., vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-17020-2.

[6] T. K. Araghi and D. Megías, “Analysis and effectiveness of deeper levels of SVD on performance of hybrid DWT and SVD watermarking,” Multimed. Tools Appl., vol. 83, no. 2, pp. 3895–3916, 2024, doi: 10.1007/s11042-023-15554-z.

[7] G. Ye, H. Wu, M. Liu, and X. Huang, “Reversible image-hiding algorithm based on singular value sampling and compressive sensing,” Chaos, Solitons & Fractals, vol. 171, p. 113469, 2023, doi: https://doi.org/10.1016/j.chaos.2023.113469.

[8] N. Zermi, A. Khaldi, R. Kafi, F. Kahlessenane, and S. Euschi, “A DWT-SVD based robust digital watermarking for medical image security,” Forensic Sci. Int., vol. 320, p. 110691, 2021, doi: https://doi.org/10.1016/j.forsciint.2021.110691.

[9] B. Kim, “Dimensionality and data size reduction using singular value decomposition,” Issues Inf. Syst., vol. 25, no. 3, pp. 231–237, 2024, doi: 10.48009/3_iis_2024_118.

[10] J. A. Tropp and R. J. Webber, “Randomized algorithms for low-rank matrix approximation: Design, analysis, and applications,” vol. 91125, pp. 1–61, 2023, [Online]. Available: http://arxiv.org/abs/2306.12418