PENGGUNAAN ARTIFICIAL INTELLIGENCE PADA AUDIO WATERMARKING UNTUK PENINGKATAN KINERJA PENYEMBUNYIAN INFORMASI - Capstone

NUR SAID

Informasi Umum

Kode

25.04.6273

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Digital Watermarking

Dilihat

7 kali

Informasi Lainnya

Abstraksi

Era digital saat ini ditandai oleh peningkatan signifikan dalam distribusi konten audio, seperti musik streaming dan podcast, yang memunculkan kebutuhan mendesak untuk melindungi hak cipta dan keaslian karya. Tanpa proteksi yang memadai, konten digital menjadi rentan terhadap pembajakan yang tidak hanya merugikan industri kreatif secara finansial, tetapi juga merusak hak moral para pencipta. Audio watermarking hadir sebagai salah satu teknologi kunci untuk menanamkan infor- masi kepemilikan secara tak terlihat ke dalam sinyal audio sebagai solusi perlindungan. Namun, masalah utama yang dihadapi dalam penelitian ini adalah sulitnya mencapai keseimbangan optimal antara tiga parameter yang saling bertentangan: ketahanan terhadap serangan (robustness), kualitas audio yang tidak terganggu (imperceptibility), dan kapasitas data yang dapat disisipkan (payload). Penelitian ini mengusulkan sebuah sistem terintegrasi untuk mengatasi tantangan tersebut. Solusi yang ditawarkan mencakup pengembangan dan perbandingan empat metode audio watermarking hibrida yang mengombinasikan metode- metode signal processing, seperti DWT, SWT, DCT, DST, SVD, QR Decomposition, dan Spread Spectrum (SS). Komponen utama dari sistem ini adalah pemanfaatan kecerdasan buatan berupa model Convolutional Neural Network (CNN) yang dirancang untuk menjalankan dua tugas secara simultan: merekonstruksi citra watermark dan mengklasifikasikan jenis serangan audio, dengan menggunakan masukan berupa STFT dua kanal beserta dua vektor kode PN. Keseluruhan sistem kemudian diimplementasikan ke dalam sebuah aplikasi mobile untuk menyediakan antarmuka yang fungsional dan ramah pengguna. Hasil pengujian menunjukkan kinerja sistem yang sangat baik. Metode SWT-DST-QR Decomposition-SS terbukti paling unggul dalam ketahanan, dengan tetap menjaga kualitas audio (SNR >21 dB) dan kapasitas payload hingga 172.27 bps. Model CNN inti berhasil mencapai 81,90% ekstraksi watermark sempurna (BER=0) serta akurasi klasifikasi serangan sebesar 85%. Umpan balik pengguna yang sangat positif terhadap aplikasi mobile mengonfirmasi potensi praktis dari sistem ini, membuktikan bahwa integrasi AI secara efektif meningkatkan fungsionalitas dan ketahanan audio watermarking. Kata kunci : AI, Audio Watermarking, Imperceptibility, Payload, Robustness