Steganalisis

Back to IF4020 Kriptografi

Steganalisis

Questions/Cues

• Apa tujuan steganalisis dan kapan ia dianggap berhasil?
• Mengapa steganalisis penting (forensik citra, malware dalam gambar)?
• Apa beda targeted steganalysis dan blind steganalysis?
• Bagaimana visual attack (enhanced LSB) bekerja?
• Apa saja serangan statistik?

Reference Points

• IF4020 Kriptografi — Steganalisis (Slides 2-21)

Definisi dan Tujuan

Steganalisis adalah kebalikan steganografi: menentukan apakah sebuah media yang dicurigai (suspected stego object) mengandung pesan tersembunyi. Keluarannya keputusan biner: 1 (ada pesan) atau 0 (tidak ada). Steganalisis dianggap berhasil bila menentukan keberadaan pesan dengan peluang lebih tinggi daripada menerka acak.

Tujuan minor: menentukan panjang pesan, tipe algoritma penyisipan, dan kunci yang dipakai.

Mengapa Penting

Gambar bertebaran di internet (web, media sosial, email) dan di baliknya bisa tersembunyi pesan biasa, pesan kejahatan, program jahat, bahkan virus. Contoh Stegosploit (2015): “just look at the image and you are hacked”. Steganalisis dibutuhkan pada forensic image analysis, penerapan ilmu citra untuk menafsirkan isi gambar dalam perkara hukum, dengan subdisiplin photogrammetry, photographic comparison, content analysis, image authentication. Salah satu pekerjaan content analysis adalah mendeteksi pesan tersembunyi; skenario: investigator forensik diminta Lab Forensik Polri menganalisis foto kasus cybercrime memakai kakas steganalisis.

Jenis Steganalisis

	Targeted	Blind
Sasaran	algoritma steganografi spesifik (kadang format tertentu)	sembarang algoritma dan format
Cara	pelajari algoritma penyisipan, cari statistik yang berubah setelah penyisipan	pelajari perbedaan statistik cover vs stego dengan machine learning (mis. jaringan syaraf tiruan) yang dilatih pada database media
Akurasi	sangat akurat	kurang akurat
Fleksibilitas	tidak fleksibel	dapat diperluas ke algoritma lain

Metode Steganalisis

1. Visual attack (khusus citra, subjektif, dipakai pada masa awal riset): pengamatan kasatmata terhadap artefak mencurigakan lalu dibandingkan dengan cover asli. Contoh: LSB plane attack dan filtered visual attack (enhanced LSB).

2. Statistical attack: analisis matematis atas perbedaan cover dan stego, berdasarkan fakta bahwa penyisipan menimbulkan artefak yang terdeteksi secara statistik. Contoh: histogram analysis, chi-square analysis, regular-singular (RS) analysis, sample pair (SP) analysis.

Enhanced LSB (Visual Attack)

Ide: ekstraksi bit LSB semua pixel lalu tampilkan sebagai gambar pada posisi pixel sumbernya. Tiap byte warna dipetakan: bila LSB = 1 menjadi 11111111 (255), bila LSB = 0 menjadi 00000000 (0) untuk tiap kanal. Pada citra asli, bidang LSB menunjukkan struktur gambar; pada stego, bagian berisi pesan tampak sebagai noise acak, sehingga terlihat “ada pesan”.

flowchart LR
    I["citra suspect"] --> L["ambil bit LSB<br/>tiap byte"]
    L --> M["map: 1 → 255, 0 → 0<br/>(per kanal R, G, B)"]
    M --> V["tampilkan sebagai<br/>citra hitam-putih"]
    V --> D{"ada area<br/>noise acak?"}
    D -->|ya| Y["terdeteksi ada pesan"]
    D -->|tidak| N["tidak terdeteksi"]

Keterbatasan: bagus untuk citra kontras tinggi (latar jelas); untuk citra kontras rendah seperti foto, bidang LSB asli sendiri sudah tampak acak sehingga steganalis kesulitan membedakan gambar yang seharusnya muncul dari pesan rahasia.

Summary

Steganalisis memutuskan apakah suatu media mengandung pesan tersembunyi (1/0), dianggap berhasil bila peluangnya lebih baik daripada tebakan acak; tujuan minornya menaksir panjang pesan, algoritma, dan kunci. Ia dibutuhkan pada forensik citra dan deteksi malware dalam gambar (Stegosploit). Targeted steganalysis sangat akurat tetapi spesifik pada satu algoritma/format, sedangkan blind steganalysis memakai machine learning, lebih umum tetapi kurang akurat. Metodenya visual attack (LSB plane, enhanced LSB; subjektif, efektif untuk citra kontras tinggi) dan statistical attack (histogram, chi-square, RS, SP).

Additional Information

Cara Kerja Chi-Square Attack

LSB replacement menyamakan frekuensi pasangan nilai $(2k,2k+1)$ pada histogram (pairs of values, PoV) karena bit pesan acak membagi pasangan secara merata. Westfeld & Pfitzmann (1999) menguji kesamaan frekuensi tiap pasangan: ${\chi }^2={\sum }_k\frac{(n_{2k}-{\bar{n}}_k{)}^2}{{\bar{n}}_k}$ dengan ${\bar{n}}_k=(n_{2k}+n_{2k+1})/2$. Probabilitas $p$ yang tinggi menandakan kemungkinan besar stego. Ia sangat efektif pada LSB sequential tetapi kurang pada penyisipan yang tersebar acak dengan rasio rendah (RS/SP lebih sensitif).

Peran Machine Learning Modern

Blind steganalysis modern memakai fitur SPAM, rich models (SRM) dan CNN (SRNet, Yedroudj-Net) yang dilatih pada pasangan cover/stego (BOSSbase). Peneliti steganografi merespons dengan adaptive steganography (HUGO, WOW, S-UNIWARD) yang menempatkan bit pada area bertekstur sehingga sulit dideteksi.

Pertahanan: Sanitasi

Selain mendeteksi, organisasi dapat menghancurkan pesan tanpa mendeteksi: kompresi ulang, resize, atau noise ringan pada gambar masuk (content disarm and reconstruction, CDR). Teknik ini efektif karena steganografi tidak mementingkan robustness (Steganografi Digital dan Terminologi).

Proyek Eksplorasi Mandiri

1. Implementasikan LSB plane visualization dengan PIL: keluarkan citra bidang LSB dan bandingkan cover vs stego pada citra kontras tinggi dan foto.
2. Terapkan chi-square test (scipy.stats.chisquare) pada program LSB dari Implementasi LSB pada Citra dan Audio.

Bacaan Lanjutan

• Westfeld & Pfitzmann (1999), Attacks on Steganographic Systems.
• Fridrich, Goljan, Du (2001), Detecting LSB Steganography in Color and Gray-Scale Images (RS analysis).
• Dumitrescu, Wu, Wang (2003), Detection of LSB Steganography via Sample Pair Analysis.