KLASIFIKASI PAYLOAD MALWARE TERSEMBUNYI PADA CITRA DIGITAL (STEGANALISIS) MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)
DOI:
https://doi.org/10.70248/jcsit.v3i4.4400Abstract
Evolusi ancaman keamanan siber saat ini semakin mengarah pada teknik penetrasi senyap, salah satunya pemanfaatan steganografi menggunakan aplikasi Steghide pada citra JPEG. Sistem steganalisis konvensional saat ini masih bertumpu pada klasifikasi biner, sehingga menimbulkan titik buta forensik yang gagal membedakan tingkat keparahan anomali, seperti antara sisipan teks biasa dan skrip malware destruktif. Penelitian ini mengusulkan model 1-Dimensional Convolutional Neural Network (CNN 1D) untuk mengklasifikasikan tingkat ancaman steganografi ke dalam tiga kelas: Normal, Anomali Ringan (teks 20 KB sebagai representasi eksfiltrasi data minor), dan Anomali Berat (malware berekstensi .bat 40 KB sebagai representasi ancaman skrip destruktif). Ambang batas payload spesifik ini dipilih secara empiris karena mampu merepresentasikan margin perubahan densitas koefisien DCT yang signifikan untuk menguji sensitivitas model. Untuk mengatasi overfitting dan kebutaan fitur spasial, ekstraksi fitur dilakukan pada domain frekuensi menggunakan koefisien Discrete Cosine Transform (DCT) yang menghasilkan 2.466 fitur statistik. Pengujian dilakukan menggunakan skenario Paired Dataset dan Grouped Split pada 1.500 citra beresolusi 1024x1024 piksel untuk mencegah bias visual. Hasil penelitian menunjukkan bahwa model CNN 1D yang diusulkan sukses mencatatkan tingkat akurasi pengujian sebesar 83,11% dengan rata-rata F1-Score 82,98%. Dari aspek keamanan siber preventif, model menunjukkan keandalan yang tinggi. Meskipun terdapat tumpang tindih (overlap) prediksi antara kelas Malware dan kelas Teks yang menyebabkan nilai Recall kelas Anomali Berat berada di angka 76,00%, sistem mencatatkan ketiadaan False Negative (0 kejadian) pada persilangan menuju kelas Normal. Hal ini mengindikasikan bahwa pada pengujian ini, tidak ada satupun sampel citra bermuatan skrip destruktif yang lolos dan terklasifikasi sebagai citra aman.
References
Agarwal, S., Kim, H., & Jung, K. (2023). High-Pass-Kernel-Driven Content-Adaptive Image Steganalysis Using Deep Learning. Mathematics. https://doi.org/10.3390/math11204322
Bhardwaj, R., & Sharma, V. (2016). Image Steganography Based on Complemented Message and Inverted Bit LSB Substitution. Procedia Computer Science, 93(September), 832–838. https://doi.org/10.1016/j.procs.2016.07.245
De La Croix Ntivuguruzwa, J., & Ahmad, T. (2023). A convolutional neural network to detect possible hidden data in spatial domain images. Cybersecurity, 6, 1–16. https://doi.org/10.1186/s42400-023-00156-x
De La Croix Ntivuguruzwa, J., & Ahmad, T. (2024). FuzConvSteganalysis: Steganalysis via fuzzy logic and convolutional neural network. SoftwareX, 26, 101713. https://doi.org/10.1016/j.softx.2024.101713
G.D.Sanjaya, R.Hadi, N.Luh, & G.Pivin. (2018). Kompresi Citra Digital Menggunakan Metode Discrete Cosine Transform. Prosiding Sintak, 38–44.
Hemamalini. (2025). A Novel Hybrid framework of NAdamBound optimized Dilated Depthwise Separable CNN for deep learning based image steganalysis in digital forensics. Journal of Information Systems Engineering and Management. https://doi.org/10.52783/jisem.v10i42s.7892
Hong, E., Lim, K., Oh, T.-W., & Jang, H. (2023). Lightweight image steganalysis with block-wise pruning. Scientific Reports, 13(1), 16148. https://doi.org/10.1038/s41598-023-43386-2
Jelodar, H., Bai, S., Hamedi, P., Mohammadian, H., Razavi-Far, R., & Ghorbani, A. (2026). Large Language Model (LLM) for Software Security: Code Analysis, Malware Analysis, Reverse Engineering. Journal of Information Security and Applications, 98(February), 104390. https://doi.org/10.1016/j.jisa.2026.104390
Liu, Q., Yang, Z., & Wu, H.-Y. (2023). JPEG steganalysis based on steganographic feature enhancement and graph attention learning. Journal of Electronic Imaging, 32, 33032. https://doi.org/10.1117/1.jei.32.3.033032
Purwono, Ma’arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & Haq, Q. M. U. (2022). Understanding of Convolutional Neural Network (CNN): A Review. International Journal of Robotics and Control Systems, 2(4), 739–748. https://doi.org/10.31763/ijrcs.v2i4.888
Rustad, S., Setiadi, D. R. I. M., Syukur, A., & Andono, P. N. (2022). Inverted LSB image steganography using adaptive pattern to improve imperceptibility. Journal of King Saud University - Computer and Information Sciences, 34(6), 3559–3568. https://doi.org/10.1016/j.jksuci.2020.12.017
Shehab, D., & Alhaddad, M. (2025). Image steganalysis using LSTM fused convolutional neural networks for secure telemedicine. Frontiers in Medicine, 12. https://doi.org/10.3389/fmed.2025.1619706
Veerakumar, J., Prasad, H., & Muthulingam, A. (2026). Cross-Algorithm Steganalysis via Dual-Domain Feature Fusion: A Hybrid Deep Learning Approach for Payload Detection. International Journal of Bioinformatics and Intelligent Computing. https://doi.org/10.61797/ijbic.v5i1.656
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. In Artificial Intelligence Review (Vol. 57, Number 4). Springer Netherlands. https://doi.org/10.1007/s10462-024-10721-6
