PENERAPAN ARSITEKTUR SUPER RESOLUTION GENERATIVE ADVERSARIAL NETWORK (SRGAN) DALAM TEKNIK STEGANOGRAFI GAMBAR

Dalam era digital yang terus berkembang ancaman terhadap privasi dan kerahasiaan data semakin meningkat, terutama serangan siber seperti pencurian data dan manipulasi informasi. Steganografi dapat menjadi solusi untuk menjaga kerahasiaan data dengan menyembunyikan pesan dalam gambar. Namun, perkembangan teknik steganalisis yang canggih menyulitkan keberhasilan steganografi, terutama menggunakan metode steganografi yang umum. Penelitian ini mengusulkan penggunaan algoritma deep learning, khususnya arsitektur Generative Adversarial Network (GAN), untuk meningkatkan keamanan steganografi. Metode ini melibatkan penggunaan SRGAN (Super Resolution GAN) untuk meningkatkan resolusi gambar cover sehingga dapat menampung lebih banyak pesan dan tidak terdeteksi pada alat steganalisis. Proses steganografi pada proses implementasi menggunakan metode Least Significant Bit (LSB) dan pengujian steganalisis menggunakan aplikasi StegSpy. Hasilnya dengan mengukur nilai SSIM, PSNR dan RMSE dari tiap gambar, didapatkan rerata nilai SSIM dan PSNR yang meningkat. Pada gambar Low Resolution, mendapatkan rata-rata nilai SSIM = 0,99992233 dan PSNR = 63,833 serta RMSE = 0,000365. Sedangkan pada gambar stego hasil generate model SRGAN mendapatkan rerata nilai SSIM = 0,99992043 dan PSNR = 67,821 serta RMSE = 0,000914 dengan panjang pesan rahasia 1329 karakter. Pada pesan rahasia 207 karakter rerata nilai SSIM dan PSNR meningkat cukup besar dengan nilai rerata SSIM = 0,99999109 dan PSNR = 75,804 dan untuk RMSE didapatkan nilai yang sama dengan gambar Low Resolution. Untuk proses pendeteksian steganografi pada aplikasi StegSpy didapatkan semua gambar tidak terdeteksi pada aplikasi tersebut. Secara umum, dapat disimpulkan bahwa dengan meningkatkan kualitas gambar menggunakan model SRGAN dapat meningkatkan kualitas pada gambar stego dan tidak terdeteksi pada alat steganalisis.