Perancangan dan Implementasi Aplikasi Deteksi …repository.uksw.edu/bitstream/123456789/11285/2/T1...Pada penelitian yang berjudul ³Implementasi Teknik Steganografi dengan Metode

Perancangan dan Implementasi Aplikasi Deteksi

Kemiripan Citra Digital Menggunakan Algoritma

Shingling dan Redundant Pixel Removal

Artikel Ilmiah

Peneliti: Andry Vegard Sariwating (672010147)

Magdalena A. Ineke Pakereng, M.Kom.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

2016

Perancangan dan Implementasi Aplikasi Deteksi

Kemiripan Citra Digital Menggunakan Algoritma

Shingling dan Redundant Pixel Removal

Artikel Ilmiah

Diajukan kepada


untuk memperoleh gelar Sarjana Komputer

Peneliti: Andry Vegard Sariwating (672010147)

Magdalena A. Ineke Pakereng, M.Kom.

Program Studi Teknik Informatika



Salatiga

2016

Perancangan dan Implementasi Aplikasi Deteksi Kemiripan Citra

Digital Menggunakan Algoritma Shingling dan Redundant Pixel

Removal

1) Andry Vegard Sariwating,

2) M. A. Ineke Pakereng



Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

Email: 1)

[email protected], 2)

[email protected]

Abstract Detection of digital image similarity is required to avoid the accumulation of

information in a database or file system, to detect plagiarism, for grouping pictures, and

a variety of other purposes. Shingling algorithm is used for the process of finding near-

duplicate document. Redundant pixel removal is a technique to ignore / delete pixels that

have the same value, which adjacent, in a digital image, so that the detection process can

be minimized. In this study, shingling algorithm is implemented to detect similarities

digital image. The test results indicate that the application can detect the similarity image

that has been through various manipulations such as scaling (enlarge / reduce), rotation,

cropping (cut part), and pixel manipulation.

Keywords: Shingling, Near Duplicate Detection, Redundant Pixel Removal

Abstrak Deteksi kemiripan citra digital diperlukan untuk menghindari penumpukan

informasi pada suatu database atau file sistem, untuk mendeteksi plagiasi, untuk

pengelompokan gambar, dan berbagai keperluan yang lain. Algoritma Shingling

merupakan algoritma yang digunakan untuk proses pencarian near-duplicate document.

Redundant pixel removal adalah teknik untuk mengabaikan/menghapus piksel-piksel

yang memiliki nilai sama, yang terletak bersebelahan, pada suatu citra digital, sehingga

proses deteksi dapat diminimalisasi. Pada penelitian ini, algoritma shingling

diimplementasikan untuk mendeteksi kemiripan citra digital. Hasil pengujian

menunjukkan bahwa aplikasi yang dibuat, dapat mendeteksi kemiripan gambar yang telah

melalui berbagai manipulasi yaitu scaling (perbesar/perkecil), rotasi, cropping (potong

sebagian), dan manipulasi piksel.

Kata Kunci: Shingling, Deteksi Kemiripan, Redundant Pixel Removal

1)Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya

Wacana 2)Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.

1

1. Pendahuluan

Kemudahan dalam menyalin informasi dari satu informasi ke tempat yang

lain merupakan salah satu efek dari kemajuan teknologi informasi. Citra digital,

sebagai salah satu bentuk informasi digital, dapat disalin, diubah, diambil

sebagian, menjadi satu file yang baru. Deteksi kemiripan citra digital diperlukan

untuk menghindari penumpukan informasi pada suatu database atau file sistem,

untuk mendeteksi plagiasi, untuk pengelompokan gambar, dan berbagai keperluan

yang lain.

Algoritma Shingling merupakan algoritma yang ditemukan oleh Andrei

Broder [1]. yang digunakan untuk proses pencarian near-duplicate document.

Algoritma shingling bekerja dengan cara memotong-motong teks menjadi

kumpulan kata, dan membangkitkan suatu nilai unik (fingerprint) untuk tiap

kumpulan kata. Algoritma hash dapat digunakan untuk membangkitkan

fingerprint [2].

Redundant pixel removal adalah teknik untuk mengabaikan/menghapus

piksel-piksel yang memiliki nilai sama, yang terletak bersebelahan, pada suatu

citra digital. Cara ini diperlukan ketika membandingkan dua citra digital yang

berasal dari satu sumber, namun memiliki ukuran dimensi berbeda, dengan kata

lain citra digital yang kedua merupakan hasil scaling (diperbesar/diperkecil) dari

citra digital yang pertama.

Pada penelitian ini, algoritma shingling diimplementasikan untuk

mendeteksi kemiripan citra digital. Shingle yang diproses merupakan potongan

dari piksel-piksel pada citra digital. Piksel-piksel yang redundant dihilangkan

terlebih dahulu, sehingga dapat mempercepat proses pembandingan.

2. Tinjauan Pustaka

Penelitian tentang deteksi kemiripFFan yang pernah dilakukan adalah "A

Digest and Pattern Matching-Based Intrusion Detection Engine" [3]. Pada

penelitian tersebut dipaparkan suatu masalah yaitu intrusion

detection/preventation system (IDS/IPS) pada jaringan komputer. IDS/IPS bekerja

dengan bergantung pada signature database dan pattern matching (PM). Untuk

melakukan pencocokan pola (PM) dengan data yang lewat pada jaringan

komputer digunakan algoritma Boyer-Moore. Hasil ekperimen menghasilkan

kesimpulan bahwa dengan membangkitkan nilai Fingerprint, proses pencarian

menjadi lebih cepat. Pada penelitian tersebut nilai Fingerprint dibangkitkan

dengan menggunakan teknik Rabin-Fingerprint Perbedaan antara penelitian

tersebut dengan penelitian yang dilakukan ini adalah pada penelitian ini bertujuan

untuk mencari kemiripan antara dua dokumen, bukan paket data jaringan

komputer, dan algoritma MD5 digunakan untuk membangkitkan nilai Fingerprint.

Pada penelitian yang berjudul "Identifying and Filtering Near-Duplicate

Documents", dibahas tentang masalah mendeteksi kemiripan halaman web satu

dengan web yang lain, pada proses web indexing skala besar yang dilakukan oleh

AltaVista search engine [4]. Andrei Broder mengajukan algoritma untuk

menyaring near-duplicate documents, dan sudah diimplementasikan selama

2

kurang lebih tiga tahun pada AltaVista. Document yang dibandingkan

disederhanakan dalam bentuk set, melalui proses shingling. Pada penelitian

tersebut, satu Shingle terdiri dari 4 kata, sehingga disebut 4-shingling. Setiap

Shingle dibangkitkan sebuah Fingerprint untuk kemudian dibandingkan dengan

nilai Fingerprint dari Shingle pada dokumen kedua.Algoritma yang digunakan

untuk membangkitkan nilai Fingerprint adalah Rabin's Fingerprint. Rabin's

membangkitkan nilai Fingerprint sebesar 64 bit (8 byte). Berbeda dengan

penelitian yang dilakukan ini, nilai Fingerprint diperoleh dengan cara

membangkitkan nilai hash dari tiap Shingle. Algoritma yang digunakan adalah

MD5. MD5 membangkitkan nilai hash sebesar 128 bit, bukan 64 bit. Nilai yang

lebih panjang ini dimaksudkan untuk menghindari nilai hash yang sama dari dua

Shingle yang berbeda.

Pada penelitian yang berjudul “Implementasi Teknik Steganografi dengan

Metode LSB pada Citra Digital”, disebutkan tentang perlunya pengamanan

pengiriman pesan melalui jaringan Internet. Pada penelitian tersebut digunakan

media gambar sebagai cover. Hasil penelitian tersebut adalah sebuah aplikasi

steganografi dengan algoritma LSB Embedding, yang dapat menyembunyikan

pesan, sehingga orang lain tidak menyadari keberadaan pesan di dalam media [5].

Berbeda dengan penelitian ini adalah, pada penelitian ini, proses dipilih pada

lokasi yang memberikan perubahan paling minimal. Sehingga kerusakan

(perubahan) pada cover menjadi tidak semakin mencurigakan, untuk mencapai

salah satu tujuan steganografi.

Berdasarkan penelitian-penelitian yang telah dilakukan tentang deteksi

kemiripan dokumen teks, plagiasi, algoritma pencarian string dan teknik

fingerprint, maka dilakukan penelitian yang bertujuan untuk merancang aplikasi

deteksi kemiripan citra digital dengan mengimplementasikan algoritma Shingling

dan redundant pixel removal. Batasan masalah dalam penelitian ini adalah sebagai

berikut: (1) Citra digital yang dibandingkan memiliki format true color image; (2)

Algoritma shingling digunakan untuk membandingkan dua citra digital

berdasarkan kumpulan piksel (shingle) yang terbentuk dari kedua citra digital; (3)

Algoritma redundant pixel removal digunakan untuk menghapus piksel

bersebelahan yang mirip pada satu citra digital.

Penelitian yang dilakukan membahas tentang near-duplicate dan

plagiarism. Plagiarism secara sederhana adalah merepresentasikan ide orang lain,

sebagai ide milik sendiri, baik terjadi secara sengaja maupun secara kebetulan [6].

Near-duplicate adalah kondisi ketika dua dokumen memiliki isi yang sama,

berbeda pada berberapa kata atau susunan kata [7].

Algoritma Shingling merupakan algoritma yang ditemukan oleh Andrei

Broder[4]. Algoritma ini bekerja dengan cara membuat sebuah shingle yang berisi

beberapa kata dengan jumlah yang tetap. Angka yang menentukan jumlah kata

dalam satu shingle ini disebut gram. Pada tiap shingle dibangkitkan nilai

fingerprint. Proses shingling ini akan menghasilkan himpunan yang berisi

sejumlah fingerprint. Himpunan ini kemudian dibandingkan dengan himpunan

yang dihasilkan dari dokumen kedua. Nilai kemiripan diperoleh dengan cara

membagi jumlah fingerprint yang sama (intersection) dari dua dokumen dengan

3

jumlah fingerprint gabungan (union). Proses perhitungan tersebut didefinisikan

sebagai berikut[4]: r A, B = | S S ||S S | (1)

Persamaan 1 Rumus Nilai Kemiripan [4]

Algoritma Shingling dilakukan melalui beberapa langkah berikut [4]:

1. Hilangkan tanda baca pada dokumen.

2. Dimulai dengan kata pertama, buat satu shingle berisi kata pertama

tersebut sampai 3 kata berikutnya.

3. Pindah ke kata kedua, buat shingle berisi kata kedua dan 3 kata

berikutnya.

4. Lakukan pembentukan shingle sampai dengan 4 kata terakhir dari

dokumen tersebut.

5. Untuk tiap shingle, bangkitkan nilai fingerprint.

6. Lakukan langkah 1 sampai dengan 5 untuk dokumen kedua.

7. Gunakan rumus nilai kemiripan dokumen (Persamaan 1) untuk

menghitung nilai kemiripan dokumen.

Nilai fingerprint pada penelitian ini dihitung dengan menggunakan

algoritma MD5. MD5 (Message-Digest Algorithm 5) ialah fungsi hash kriptografi

yang digunakan secara luas dengan hashvalue 128-bit [2]. MD5 telah

dimanfaatkan secara bermacam-macam pada aplikasi keamanan, dan MD5 juga

umum digunakan untuk melakukan pengujian integritas (fingerprint) sebuah

file.MD5 didesain oleh Ronald Rivest pada tahun 1991 untuk menggantikan

hashfunction sebelumnya, yaitu MD4. Hashvalue yang dihasilkan oleh MD5

memiliki panjang 128-bit (16 byte), sekalipun input (pesan) yang digunakan

memiliki panjang yang bervariasi. Hashvalue berubah signifikan sekalipun

perubahan yang terjadi pada input hanya 1 byte.

Algoritma Shingling yang ditemukan oleh Broder, menggunakan fingerprint

dengan panjang 64 bit. Panjang fingerprint 64 bit untuk tiap shingle memiliki

resiko yaitu dihasilkannya fingerprint yang sama untuk shingle yang berbeda. Hal

ini disebut dengan collision vulnerabilities [8]. Untuk menghindari kemungkinan

collision, maka digunakan fingerprint dengan panjang yang lebih dari 64 bit.

Berdasarkan tujuan tersebut maka algoritma MD5 digunakan untuk menghasilkan

fingerprint dengan panjang 128 bit.

Pada penelitian ini, format file citra digital yang digunakan adalah PNG.

PNG merupakan True Color image. Suatu true colour image memiliki komponen

red, green dan blue yang terpisah untuk tiap pikselnya. Pada sebagian besar true

colour image, tiap komponen diwakilkan dengan satu byte yang terdiri dari 8 bit,

sehingga setiap piksel memiliki 24 bit informasi warna. Oleh karena itu, mode ini

sering disebut sebagai “24-bit warna”. Pada Gambar 1 ditunjukkan contoh

potongan dari file gambar. Potongan ini memiliki dimensi 6 x 6 piksel.Pada tiap

piksel terdapat tiga bagian warna yaitu red, green dan blue. Pada lokasi piksel 1,1

terdapat warna red bernilai 96, green bernilai 143, dan blue bernilai 179. Pada

lokasi piksel 1,2 terdapat warna red 61, green 125, dan green 198[9].

4

Gambar 1 Komponen RGB pada File Gambar 24 Bit Warna[9]

Microsoft .NET Framework merupakan sebuah perangkat lunak kerangka

kerja yang berjalan pada sistem operasi Microsoft Windows. Saat ini .NET

Framework umumnya telah terintegrasi dalam distribusi standar Windows (mulai

dari Windows Server 2003 dan versi-versi Windows yang lebih baru). Kerangka

kerja ini menyediakan sejumlah besar pustaka pemrograman komputer dan

mendukung beberapa bahasa pemrograman serta interoperabilitas yang baik

sehingga memungkinkan bahasa-bahasa tersebut berfungsi satu dengan lain dalam

pengembangan sistem. Berbeda halnya dengan tipikal aplikasi konvensional

umumnya, program yang ditulis dengan memanfaatkan .NET Framework berjalan

pada lingkungan perangkat lunak melalui Common Language Runtime, dan bukan

perangkat keras secara langsung. Hal ini memungkinkan aplikasi yang dibuat di

atas .NET secara teoritis dapat berjalan pada perangkat keras apapun yang

didukung oleh .NET Framework. Perangkat lunak ini adalah kunci penawaran

utama dari Microsoft, dan dimaksudkan untuk digunakan oleh sebagian besar

aplikasi-aplikasi baru yang dibuat untuk platform Windows [10]. Pada penelitian

ini, .NET Framework digunakan untuk membangun aplikasi deteksi kemiripan.

Beberapa pustaka pemrograman yang digunakan adalah pustaka untuk membuat

Graphical User Interface (GUI), dan pustaka pemrosesan gambar (Bitmap).

3. Metode dan Perancangan Sistem

Penelitian yang dilakukan, diselesaikan melalui tahapan penelitian yang

terbagi dalam empat tahapan, yaitu: (1) Identifikasi masalah dan literatur, (2)

Perancangan sistem, (3) Implementasi sistem yaitu Membangun aplikasi/program,

dan (4) Pengujian sistem dan analisis hasil pengujian.

5

Identifikasi Masalah dan Studi Literatur

Perancangan Sistem

Implementasi Sistem

Pengujian Sistem dan Analisis Hasil Pengujian

Gambar 2 Tahapan Penelitian

Tahapan penelitian pada Gambar 2, dapat dijelaskan sebagai berikut.

Tahap pertama: identifikasi masalah dan literatur, yaitu keamanan citra digital.

Tahap kedua: perancangan sistem yang meliputi perancangan sistem deteksi

kemiripan citra digital; Tahap ketiga: implementasi sistem, yaitu membuat

aplikasi sesuai perancangan sistem pada tahap kedua; dan Tahap keempat:

pengujian sistem dan analisis hasil pengujian, yaitu dilakukan pengujian terhadap

proses yang telah dirancang, dan melihat kesesuaian solusi terhadap masalah yang

telah teridentifikasi sebelumnya.

Gambar 3 Desain Sistem

Sistem yang dikembangkan, memiliki desain yang ditunjukkan pada

Gambar 3. Sistem terdiri dari dua input yaitu file gambar A dan file gambar B.

Hasil deteksi kedua file gambar tersebut adalah berupa angka prosentase

kemiripan.

Gambar A

Gambar B

Hapus Piksel

Redundant

Buat Shingle

berisi N

PikselHitung Union

dan

Intersection

Hitung

Prosentase

Kemiripan

Hapus Piksel

Redundant

Buat Shingle

berisi N

Piksel

6

Mulai

Gambar A Gambar B

Proses membentuk

Shingle

Proses membentuk

Shingle

Hitung Kemiripan

= intersection/union x 100%

Selesai

Hitung nilai intersection

Hitung nilai union

Hapus Redundant Piksel Hapus Redundant Piksel

Mulai

Himpunan

piksel (K)

Nilai gram (q)

Perulangan

sebanyak

K

Buat shingle

Hitung fingerprint

Selesai

True

False

Gambar 4 Perhitungan Prosentase Kemiripan File

Gambar Gambar 5 Shingle dan Fingerprint

Proses perhitungan prosentase kemiripan file gambar secara garis besar

ditunjukkan pada Gambar 4. Proses pembandingan memerlukan dua input file

citra digital. Pada tiap file citra digital, dilakukan proses penghapusan piksel-

piksel yang berlebihan (redundant). Piksel redundant adalah piksel yang memiliki

nilai yang sama dengan nilai sebelumnya. Tujuan dari proses ini adalah untuk

mengurangi shingle yang terbentuk, dan mempercepat proses pembandingan.

Jumlah shingle yang terbentuk bergantung pada jumlah piksel yang ada pada

suatu citra digital. Semakin sedikit piksel, maka semakin sedikit pula shingle yang

dihasilkan. Semakin sedikit shingle yang dihasilkan, maka semakin cepat proses

pembandingan. Penghapusan piksel redundant juga bertujuan untuk

membandingkan dua file citra digital yang sama, namun berbeda ukuran dimensi

karena hasil scaling (citra digital diperbesar/diperkecil).

Proses pembentukan shingle dilakukan setelah proses penghapusan piksel

redundant. Langkah detail dari pembentukan shingle ditunjukkan pada Gambar 5.

Jumlah piksel dalam satu shingle ditentukan oleh nilai gram. Nilai gram

ditentukan oleh input user. Pada tiap shingle yang terbentuk, dihitung nilai

fingerprint.

Pembentukan nilai fingerprint bertujuan untuk memperkecil ukuran byte

shingle yang akan dibandingkan. Sebagai contoh jika dalam satu shingle terdapat

20 piksel (variabel gram diberi nilai 20), maka dalam satu shingle terdapat 20 x 3

byte (1 piksel terdapat warna R, G, B) = 60 byte. 60 byte tersebut jika dihitung

nilai fingerprint dengan MD5, menghasilkan nilai hash 16 byte (128 bit).

7

Membandingkan dua shingle yang berukuran 16 byte, tentu lebih cepat dari pada

membandingkan dua shingle berukuran 60 byte.

Proses setelah terbentuk shingle untuk kedua gambar dan nilai fingerprint

untuk tiap-tiap shingle, yaitu menghitung jumlah shingle yang sama pada kedua

gambar (intersection), dan jumlah gabungan shingle kedua gambar (union). Nilai

kemiripan diperoleh dari nilai intersection dibagi dengan nilai union, dikalikan

100 persen.

Langkah-langkah pada flowchart di Gambar 4 dan Gambar 5, dapat

dijelaskan dengan contoh proses deteksi kemiripan dua citra digital. Terdapat dua

citra digital dengan nilai piksel ditunjukkan pada Gambar 6 dan Gambar 7.

RGB (200,100,100) RGB (100,200,120) RGB (40,40,40)

RGB (40,40,40) RGB (200,100,100) RGB (100,200,120)

RGB (40,40,40) RGB (200,100,100) RGB (100,200,120)

Gambar 6 Susunan Piksel Citra Digital A

RGB (200,100,100) RGB (200,100,100) RGB (40,40,40)

RGB (40,40,40) RGB (100,200,120) RGB (100,200,120)

RGB (50,50,50) RGB (50,50,50) RGB (100,200,120)

RGB (200,100,100) RGB (200,100,100) RGB (100,200,120)

RGB (40,40,40) RGB (40,40,40) RGB (100,200,120)

RGB (200,100,100) RGB (200,100,100) RGB (100,200,120)

Gambar 7 Susunan Piksel Citra Digital B

Piksel pada citra digital A disusun secara berurutan maka terbentuk

deretan piksel yang ditunjukkan pada Gambar 8. Piksel pada citra digital B,

menghasilkan deretan piksel ditunjukkan pada Gambar 9.

Citra Digital A

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (40,40,40)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (200,100,100)

RGB (100,200,120)

Citra Digital B

RGB (200,100,100)

RGB (200,100,100)

RGB (40,40,40)

RGB (40,40,40)

RGB (100,200,120)

RGB (100,200,120)

RGB (50,50,50)

RGB (50,50,50)

RGB (100,200,120)

RGB (200,100,100)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (40,40,40)

RGB (100,200,120)

RGB (200,100,100)

RGB (200,100,100)

RGB (100,200,120)


Disusun Berurutan


Disusun Berurutan

8

Proses redundant pixel removing kemudian dilakukan pada susunan piksel

tiap citra digital tersebut. Hasil dari proses tersebut menghasilkan nilai-nilai piksel

ini:

Citra Digital A

(semula)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (40,40,40)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (200,100,100)

RGB (100,200,120)

Citra Digital A

(sesudah)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (200,100,100)

RGB (100,200,120)


sebelum proses redundant pixel removing


Setelah Proses redundant pixel removing

Citra Digital B

(semula)

RGB (200,100,100)

RGB (200,100,100)

RGB (40,40,40)

RGB (40,40,40)

RGB (100,200,120)

RGB (100,200,120)

RGB (50,50,50)

RGB (50,50,50)

RGB (100,200,120)

RGB (200,100,100)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (40,40,40)

RGB (100,200,120)

RGB (200,100,100)

RGB (200,100,100)

RGB (100,200,120)

Citra Digital B

(sesudah)

RGB (200,100,100)

RGB (40,40,40)

RGB (100,200,120)

RGB (50,50,50)

RGB (100,200,120)

RGB (200,100,100)

RGB (100,200,120)

RGB (40,40,40)

RGB (100,200,120)

RGB (200,100,100)

RGB (100,200,120)


sebelum proses redundant pixel removing

Gambar 13 Susunan Piksel Citra Digital

B Setelah Proses redundant pixel

removing

Shingle-shingle kemudian dibentuk berdasarkan hasil removal pada

Gambar 11 dan Gambar 13. Pada contoh ini nilai gram yang digunakan adalah 2,

dengan tujuan untuk menyederhanakan contoh. Pada tiap shingle, kemudian

dihitung nilai fingerprint dengan menggunakan algoritma MD5.

9

Tabel 1 Hasil Shingle dan Fingerprint pada Contoh Citra Digital A

Shingle Isi Shingle Fingerprint (MD5)

1 RGB (200,100,100) RGB (100,200,120) 1E371AC53749600F9DCD6519031A62DE

2 RGB (100,200,120) RGB (40,40,40) 135F34EE36C547F5BB93E1BB5F4BF2A7

3 RGB (40,40,40) RGB (200,100,100) 78D4EE3D58CCEA81770A469E02E6F2BB



6 RGB (40,40,40) RGB (200,100,100) 78D4EE3D58CCEA81770A469E02E6F2BB


8 RGB (100,200,120) RGB (200,100,100) 5166A20435CCC3DAECDFC7DE1A2E2C6C

Tabel 2 Hasil Shingle dan Fingerprint pada Contoh Citra Digital B

Shingle Isi Shingle Fingerprint (MD5)

1 RGB (200,100,100) RGB (40,40,40) 599428928438677F7BABC8A6574AF047

2 RGB (40,40,40) RGB (100,200,120) 73D2E7A4A52C1C0C74916C22F0FDBD4B

3 RGB (100,200,120) RGB (50,50,50) 714F15BFCFC1ADCD79525FD7B9FF9947

4 RGB (50,50,50) RGB (100,200,120) 39EDF78E5049C842DA8B6592D6910B54




8 RGB (40,40,40) RGB (100,200,120) 73D2E7A4A52C1C0C74916C22F0FDBD4B




Perpotongan (intersection), adalah nilai fingerprint yang berada di citra

digital A (Tabel 1) dan juga berada di citra digital B dari Tabel 1 dan Tabel 2

(Tabel 2). 1E371AC53749600F9DCD6519031A62DE

5166A20435CCC3DAECDFC7DE1A2E2C6C

135F34EE36C547F5BB93E1BB5F4BF2A7

Gabungan (union) diperoleh dengan cara menggabungkan nilai fingerprint

citra digital A dan citra digital B, namun hanya nilai unik saja, sehingga tidak ada

nilai fingerprint yang muncul lebih dari satu kali. 1E371AC53749600F9DCD6519031A62DE

5166A20435CCC3DAECDFC7DE1A2E2C6C

135F34EE36C547F5BB93E1BB5F4BF2A7

78D4EE3D58CCEA81770A469E02E6F2BB

599428928438677F7BABC8A6574AF047

73D2E7A4A52C1C0C74916C22F0FDBD4B

714F15BFCFC1ADCD79525FD7B9FF9947

39EDF78E5049C842DA8B6592D6910B54

Nilai kemiripan yaitu jumlah perpotongan dibagi jumlah gabungan

dikalikan 100 %.

(3 / 8) x 100% = 37.5%.

Jadi citra digital A dan citra digital B memiliki nilai kemiripan sebesar

37.5%.

10

4. Hasil dan Pembahasan

Pengembangan aplikasi dilakukan dengan menggunakan Visual Studio

2012 Express for Desktop. Visual Studio 2012 Express for Desktop merupakan

satu dari serangkaian produk Microsoft yang dapat digunakan tanpa harus

membayar lisensi. Di dalam Visual Studio sudah termasuk kerangka kerja

pemrograman .Net Framework 4.5. Pustaka ini menyediakan pustaka-pustaka

yang dapat digunakan untuk mengolah gambar, melakukan enkripsi/dekripsi, dan

lain sebagainya.

Gambar 14 Hasil Deteksi Gambar 100% Mirip

Gambar 15 Hasil Deteksi Gambar 88.67% Mirip Hasil Proses Flip

Kode Program 1 Perintah untuk membentuk suatu shingle

1. for (int i = 0; i < jumlahShingle; i++)

2. {

3. byte[] shingle = new byte[gram];

4. Array.Copy(words, i,

5. shingle, 0, shingle.Length);

6. String hash = GetMd5Hash(md5,

7. string.Join(" ", shingle));

8. s.Add(hash);

9. }

Kode Program 1 merupakan perintah yang digunakan untuk membentuk

suatu shingle. Panjang shingle ditentukan oleh variabel gram. Variabel ini

bergantung dari masukan user.

Kode Program 2 Perintah untuk Menghitung Fingerprint

1. public static string GetMd5Hash(

2. MD5 md5Hash, byte[] pixels)

3. {

4. byte[] data = md5Hash.ComputeHash(pixels);

5. StringBuilder sBuilder = new StringBuilder();

11

6. for (int i = 0; i < data.Length; i++)

7. {

8. sBuilder.Append(

9. data[i].ToString("x2"));

10. }

11. return sBuilder.ToString();

12. }

Pada Kode Program 2, untuk membangkitkan nilai fingerprint dari suatu

shingle, digunakan algoritma MD5 (baris 13). Pada .Net Framework, tersedia

class MD5, yang berfungsi untuk membangkitkan nilai hash/fingerprint dari

inputstring. Class MD5 yang tersedia mengakibatkan proses pengembangan

aplikasi menjadi lebih cepat karena tidak perlu menulis kode program sendiri.

Selain itu, implementasi MD5 pada .Net Framework memberikan jaminan bahwa

library tersebut berjalan optimal dalam sistem operasi Microsoft Windows.

Kode Program 3 Perintah untuk Menghitung Nilai Prosentase Kemiripan

1 var fA = Fingerprints(docA);

2 var fB = Fingerprints(docB);

3 var intersect = fA.Intersect(fB);

4 var union = fA.Union(fB);

5 return

6 (float)intersect.Count()/(float)union.Count();

Untuk menghitung nilai kemiripan dua citra digital sesuai dengan

Persamaan 1, digunakan fungsi Intersect (baris 3) dan Union (baris 4). Kedua

fungsi tersebut dapat digunakan pada sebuah variabel bertipe array (himpunan).

Intersect merupakan fungsi untuk mencari elemen-elemen yang merupakan

anggota dua himpunan. Union merupakan fungsi untuk menggabungkan dua

himpunan. Menggunakan dua fungsi tersebut, maka dapat diperoleh angka

kemiripan, yaitu dengan membagi angka jumlah himpunan hasil dari Intersect,

dengan angka jumlah himpunan hasil Union.

Beberapa pengujian dilakukan pada aplikasi untuk mengetahui hasil

deteksi kemiripan gambar. Pengujian 1 yaitu pengujian gambar yang diskalakan

(diperbesar/diperkecil). Hasil pengujian 1 ditunjukkan pada Tabel 3.

Tabel 3 Hasil Pengujian 1

No Gambar A Gambar B Keterangan Hasil Deteksi

Kemiripan

1.

Skala 120% 72%

12

2.

Skala 150% 70%

3. Skala 200% 68%

4. Skala 80% 72%

5.

Skala 50% 70%

6. Skala 25% 68%

Berdasarkan hasil pengujian 1, aplikasi dapat mendeteksi kemiripan

gambar yang diperbesar/diperkecil, sampai dengan 72%.

Pengujian 2 yaitu pengujian gambar yang diputar. Pengujian dilakukan

terhadap beberapa gambar, yang dilakukan rotasi beberapa kali. Hasil pengujian 2

ditunjukkan pada Tabel 4. Tabel 4 Hasil Pengujian 2


Kemiripan

1.

Rotasi Kanan

90 derajat

56%

13

2.

Rotasi Kiri

90 derajat

57%

3.

Rotasi

180 derajat

78%

4.

Flip

Horisontal

79%

5. Flip

Vertikal

88%


gambar hasil rotasi sampai dengan 88%.

Pengujian 3 yaitu pengujian gambar yang dipotong sebagian. Pengujian

dilakukan terhadap beberapa gambar, yang dipotong secara bervariasi. Hasil

pengujian 3 ditunjukkan pada Tabel 5.


No Gambar A Gambar B Keterangan Hasil

Deteksi

Kemiripan

1.

Crop 50x50

piksel

96%

2.

Crop 75x75

piksel

91%

3.

Crop

100x100

piksel

85%

4.

Crop

150x150

piksel

66%

14

5.

Crop

200x200

piksel

39%


gambar yang dipotong, sampai dengan 96%. Nilai kemiripan bergantung pada

berapa besar bagian gambar yang hilang karena dipotong.

Pengujian 4 yaitu pengujian gambar yang diubah (manipulasi) sebagian.

Pengujian dilakukan terhadap beberapa gambar yang dimanipulasi pada posisi

yang berbeda-beda. Hasil pengujian 4 ditunjukkan pada Tabel 6.



Kemiripan

1.

Diberi tulisan 96%

2.

Dimanipulasi 92%

3.

Dimanipulasi 86%

4.

Overlay 92%

5.

Grayscale 25%


gambar yang diubah nilai pikselnya, sampai dengan 96%. Nilai kemiripan

bergantung pada besarnya piksel yang dimanipulasi.

5. Simpulan

15

Berdasarkan penelitian, pengujian dan analisis terhadap sistem, maka dapat

diambil kesimpulan sebagai berikut: (1) Deteksi kemiripan gambar dapat

dilakukan dengan membandingkan nilai-nilai piksel gambar tersebut, dengan

membentuk shingle-shingle; (2) Untuk memperkecil jumlah piksel dan shingle

yang dibandingkan, maka dilakukan penghapusan piksel-piksel yang redundan.

Piksel redundan adalah piksel yang bernilai sama dengan piksel sebelumnya; (3)

Aplikasi dapat mendeteksi kemiripan gambar yang telah melalui berbagai

manipulasi yaitu scaling (perbesar/perkecil), rotasi, cropping (potong sebagian),

dan manipulasi piksel.

Saran yang dapat diberikan untuk penelitian dan pengembangan lebih lanjut

adalah proses pembentukan fingerprint dapat menggunakan algoritma hash yang

lain. Tiap algoritma hash seperti CRC, MD5, SHA dan lain-lain memiliki

keunggulan masing-masing. Aplikasi yang dihasilkan pada penelitian ini dapat

dimanfaatkan untuk deteksi kemiripan foto, sebagai contoh pada bagian imigrasi,

pencarian orang hilang, dan lain sebagainya. Proses pembandingan juga dapat

mengabaikan bitplane yang rendah, semisal 4 bit paling kiri. Jadi proses

pembandingan hanya dilakukan pada 4 bit terdepan, sehingga dapat mengurangi

banyaknya data yang dibentuk menjadi shingle, dan juga mempercepat proses

deteksi kemiripan.

6. Daftar Pustaka

[1]. Montanari, D. & Puglisi, P. L. 2012. Near duplicate document detection for

large information flows. In Multidisciplinary Research and Practice for

Information Systems, pp. 203–217. Springer.

[2]. Walia, A. G. N. K. 2014. Cryptography Algorithms: A Review.

International Journal of Engineering Development and Research

[3]. Chen, Z., Zhang, Y. & Delis, a. 2009. A Digest and Pattern Matching-

Based Intrusion Detection Engine. The Computer Journal 52, 699–723.

(doi:10.1093/comjnl/bxp026)

[4]. Broder, A. 2000. Identifying and filtering near-duplicate documents.

Combinatorial pattern matching , 1–10.

[5]. Alatas, P. 2009. Implementasi Teknik Steganografi dengan Metode LSB

pada Citra Digital. Universitas Gunadarma

[6]. Fowler, H. R., Aaron, J. E. & others 2007. The little, brown handbook.

Pearson Longman.

[7]. Stein, B., Koppel, M. & Stamatatos, E. 2007. Plagiarism analysis,

authorship identification, and near-duplicate detection PAN’07. In ACM

SIGIR Forum, pp. 68–71.

[8]. Wang, G. 2011. Collision attack for the hash function extended MD4. In

Information and Communications Security, pp. 228–241. Springer.

[9]. Parvez, M. T. & Gutub, A. A.-A. 2008. RGB Intensity Based Variable-Bits

Image Steganography. IEEE Asia-Pacific Services Computing Conference ,

1322–1327.

[10]. Microsoft 2015. Overview of the .NET Framework.

https://msdn.microsoft.com/id-id/library/zw4w595w(v=vs.110).aspx.

16

Diakses pada 4 November 2015.