Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2025.
Pp.
Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep Learning Convolutional Neural Network (CNN) Muhammad Khozin*.
Dian Novitaningrum.
Tresi Aprilia.
Achsin Samas.
Teknik Informatika.
Fakultas Komputer dan Desain.
Universitas Selamat Sri.
Indonesia Teknik Informatika.
Fakultas Komputer dan Desain.
Universitas Selamat Sri.
Indonesia Teknik Informatika.
Fakultas Komputer dan Desain.
Universitas Selamat Sri.
Indonesia Teknik Informatika.
Fakultas Komputer dan Desain.
Universitas Selamat Sri.
Indonesia Article Info Kata Kunci: Steganografi.
Least Significant Bit (LSB).
CNN.
Deep Learning.
Keamanan Data Keywords: Steganography.
Least Significant Bit (LSB).
CNN.
Deep Learning.
Data Security Article history:
Received 21 Mei 2025 Revised 22 Mei 2025 Accepted 22 Mei 2025 Available online 23 Mei 2025 DOI :
48144/suryainformatika.
* Corresponding author.
Muhammad Khozin E-mail address:
dsn@gmail.
ABSTRAK
Steganografi citra merupakan teknik penyembunyian informasi rahasia di dalam gambar digital yang berperan penting dalam komunikasi rahasia.
Metode Least Significant Bit (LSB) dikenal luas karena kesederhanaan dan kemudahan implementasinya, namun memiliki kelemahan signifikan dalam hal keamanan, khususnya rentan terhadap deteksi melalui analisis statistik.
Penelitian ini bertujuan untuk meningkatkan keamanan steganografi LSB melalui integrasi dengan algoritma deep learning Convolutional Neural Network (CNN).
Dataset CIFAR-10 digunakan sebagai media eksperimen dengan proses penyisipan data pada bit paling tidak signifikan dari kanal warna citra digital.
Evaluasi dilakukan melalui metrik imperseptibilitas seperti Peak Signal-to-Noise Ratio (PSNR).
Structural Similarity Index (SSIM), serta akurasi deteksi oleh model steganalisis.
Hasil eksperimen menunjukkan bahwa integrasi LSB dengan CNN menghasilkan peningkatan nilai PSNR dan SSIM, serta menurunkan tingkat keberhasilan deteksi pesan tersembunyi oleh pihak ketiga.
Pendekatan ini berhasil membuat proses penyisipan data lebih adaptif dan sulit dikenali secara visual maupun statistik, sehingga meningkatkan tingkat keamanan dan kerahasiaan dalam komunikasi digital berbasis steganografi.
ABSTRACT
The Image Steganography is a method used to conceal sensitive data within digital images, playing a vital role in secret communication.
The Least Significant Bit (LSB) method is widely known for its simplicity and ease of implementation.
however, it has significant weaknesses in terms of security, particularly its vulnerability to detection through statistical analysis.
This study aims to enhance the security of LSB steganography by integrating it with a deep learning algorithm, specifically a Convolutional Neural Network (CNN).
The CIFAR-10 dataset is used as the experimental medium, with data embedding carried out in the least significant bits of the image's color channels.
Evaluation is performed using imperceptibility metrics such as Peak Signal-toNoise Ratio (PSNR).
Structural Similarity Index (SSIM), and detection accuracy by steganalysis models.
The experimental results show that integrating LSB with CNN improves PSNR and SSIM values while reducing the success rate of hidden message detection by third parties.
This approach successfully makes the data embedding process more adaptive and harder to detect both visually and statistically, thereby enhancing the security and confidentiality of digital communication based on steganography.
Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep Learning Convolutional Neural Network (CNN) Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2025.
Pp.
sangat tinggi dalam konteks keamanan siber modern.
PENDAHULUAN serta memiliki potensi aplikasi luas di bidang militer.
Penyembunyian informasi gambar adalah suatu teknik diplomasi, kesehatan, dan keuangan.
Selain nilai prakuntuk menyematkan informasi rahasia ke dalam suatu tisnya, penelitian ini juga memberi kontribusi ilmiah gambar, memainkan peran penting dalam komunikasi dalam pengembangan steganografi dan kecerdasan burahasia .
Metode least significant bit (LSB) sebuah metode yang bekerja dengan cara penyisipan kode unik pada citra yang akan dilindungi.
Least significant bit bekerja dengan cara menyisipkan data rahasia pada ben- 2.
METODE PENELITIAN
tuk bit dibilangan bit terkecil atau bit paling kanan didata Penelitian ini menerapkan pendekatan kuantitatif ekpiksel saat menyusun dokumen citra asli, dan nantinya sperimental dalam merancang dan menguji sistem steproses tersebut tidak akan merubah citra secara kasat ganografi gambar yang menggabungkan metode Least mata .
steganografi dikenal karena kesederhanaan dan Significant Bit (LSB) dengan algoritma Convolutional implementasi sederhana.
Teknologi ini memiliki Neural Network (CNN) adapun untuk tujuan penelitian kelemahan keamanan yang besar.
Salah satu masalah ini yaitu meningkatkan keamanan dan imperseptibilitas klasik yang dihadapi LSB adalah sensitivitas terhadap dalam penyisipan data rahasia pada citra digital.
deteksi melalui analisis statistik.
Metode ini menggunakan perubahan statistik yang terjadi pada 2.
1 Preprocessing Citra gambar setelah data dimasukkan menggunakan Dalam penelitian ini, digunakan dataset CIFAR-10 teknologi LSB, memungkinkan adanya pesan yang diunduh dari platform kaggle sebagai basis data tersembunyi .
LSB adalah bit terendah dalam utama.
Dataset ini dipilih karena terdiri dari citra rangkaian angka dalam bentuk biner mis.
dalam berwarna dengan resolusi 32x32 piksel yang mewakili bilangan biner: .
, adalah least significant bit 5 kelas objek berbeda, seperti pesawat, mobil, burung, paling kanan 1.
LSB digunakan untuk menyematkan rusa, dan kucing.
Keberagaman kelas dan ukuran data data rahasia ke dalam bit paling tidak bit signifikan dari yang relatif kecil membuat CIFAR-10 sangat cocok nilai piksel dalam gambar sampul .
Penggunaan untuk keperluan pelatihan awal model berbasis ConvoCNN dalam konteks keamanan data dan steganografi lutional Neural Network (CNN).
Dari dataset yang memberikan keunggulan dalam kemampuan menyamar- tersedia, dilakukan proses pemisahan data menjadi dua kan pesan, meningkatkan kerahasiaan, dan membuat de- bagian, yaitu:
Tabel 1.
Data Uji teksi menjadi lebih sulit.
CNN membawa pendekatan Data Citra Training Data Test Data yang lebih cerdas dan adaptif dalam menyembunyikan Pesawat informasi digital dibandingkan metode konvensional Mobil .
Burung Penelitian Xintao Duan memperkenalkan model CNN untuk steganografi gambar yang mampu menyembunyikan dan mengekstrak citra rahasia dengan kapasitas tinggi dan tingkat distorsi rendah.
Model ini menunjukkan kemampuan generalisasi yang baik pada berbagai dataset .
Evaluasi efektivitas CNN Yedroudj-Net dalam mendeteksi file steganografi yang dihasilkan oleh berbagai alat, seperti Hide In Picture (HIP).
OpenStego.
SilentEye.
Steg, dan S-Tools.
Hasilnya menunjukkan bahwa Yedroudj-Net mampu mendeteksi keberadaan file steganografi, meskipun tingkat deteksinya bervariasi tergantung pada alat yang digunakan .
Dengan menggabungkan CNN dan LSB meningkatkan keamanan, efektivitas, dan penyamaran dalam steganografi gambar.
Oleh karena itu, lebih sulit untuk mengkonfirmasi bahwa penyisipan pesan lebih adaptif dari jenis gambar adaptif dan resisten terhadap serangan analitik digital.
Penelitian ini penting karena bertujuan meningkatkan keamanan metode steganografi LSB yang selama ini rentan terhadap deteksi dan serangan.
Di tengah kebutuhan perlindungan data rahasia yang kian mendesak, pendekatan ini menawarkan solusi dengan mengintegrasikan teknologi AI, khususnya algoritma CNN, untuk menyempurnakan penyisipan dan mendeteksi ekstraksi data secara cerdas.
Relevansinya Rusa Kucing Untuk memastikan kualitas data dan meningkatkan performa model dalam proses pelatihan, dilakukan beberapa langkah pra-pemrosesan sebagai berikut:
Normalisasi Ukuran dan Nilai Piksel: Seluruh citra memiliki ukuran tetap 32x32 piksel, sehingga tidak diperlukan resize ulang.
Namun, nilai piksel dinormalisasi ke rentang 0 hingga 1 untuk mempercepat konvergensi selama proses Konversi Format: Format citra dikonversi ke tensor dan disesuaikan dengan input yang dibutuhkan oleh model CNN.
Hal ini mencakup penyesuaian dimensi dan struktur array agar kompatibel dengan framework deep learning seperti TensorFlow atau PyTorch.
Augmentasi Data: Untuk memperkaya variasi data latih dan mencegah overfitting, dilakukan augmentasi data seperti rotasi acak, flipping horizontal, dan perubahan kontras atau brightness secara moderat, augmentasi ini dilakukan hanya pada data latih.
Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep Learning Convolutional Neural Network (CNN) Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2025.
Pp.
2 Steganografi LSB banyak contoh CNN standar yang dijelaskan dalam Metode steganografi LSB memungkinkan penyisipan .
dan gambar 1 pesan rahasia ke dalam gambar digital, dengan menggunakan dataset sebagai bahan eksperimen adalah CIFAR-10 yang diperoleh dari Kaggle, terdiri dari 000 gambar berwarna berukuran 32x32 piksel dengan 10 kelas objek.
Namun, untuk keperluan efisiensi eksperimen, hanya digunakan 5.
000 citra sebagai data training dan 1.
000 citra sebagai data testing.
Gambar 1.
Typical CNN Architecture .
Penyisipan Data merupakan metode penyisipan Convolutional Neural Network (CNN) merupakan dilakukan dengan menggantikan bit paling tidak learning yang berguna untuk signifikan (LSB) dari setiap piksel dalam citra pemengenali CNN beroperasi dengan nutup .
over imag.
dengan bit dari pesan rahasia.
fitur-fitur dari gambar, sehingga Setiap gambar dari dataset dijadikan sebagai media antara gambar asli untuk menyisipkan sejumlah bit dari teks rahasia.
Proses ini dilakukan pada setiap kanal warna (RGB) agar kapasitas penyisipan meningkat.
adapun metrik evaluasinya:
Akurasi (Accurac.
Langkah penyisipan meliputi:
Menentukan tingkat keakuratan prediksi ber1.
Konversi pesan rahasia menjadi representasi dasarkan perbandingan antara prediksi yang benar dan total prediksi .
Iterasi setiap piksel gambar dan menyisipkan bit
TP TN
Accuracy = pesan ke dalam LSB setiap komponen warna (R.
TP TN FP FN G.
B).
Hasil penyisipan menghasilkan gambar baru A TP (True Positiv.
: Prediksi positif yang yang disebut citra stego .
tego imag.
Pengujian Imperseptibilitas digunakan untuk meA TN (True Negativ.
: Prediksi negatif yang mastikan bahwa perubahan akibat penyisipan pebenar.
san tidak terlihat oleh mata manusia, dilakukan A FP (False Positiv.
: Prediksi positif yang sapengujian imperseptibilitas menggunakan dua metrik utama:
A FN (False Negativ.
: Prediksi negatif yang A Peak Signal-to-Noise Ratio (PSNR) merupasalah kan metrik yang umum digunakan untuk Presisi (Precisio.
menilai sejauh mana perbedaan antara citra Menghitung akurasi dari prediksi positif terhadap stego dan citra asli secara numerik.
Semakin seluruh hasil yang diperkirakan positif .
tinggi nilai PSNR, maka semakin baik kualiTP Precision = TP FP tas citra stego, dengan nilai ideal berada di Recall (Sensitivita.
atas 40 dB.
Mengukur proporsi data positif yang berhasil diA Structural Similarity Index (SSIM) merupaprediksi dengan benar oleh model .
kan metode untuk menilai tingkat kemiripan struktur visual antara gambar asli dengan Recall = TP FN gambar stego.
Skor SSIM berada dalam F1-Score rentang 0 sampai 1, di mana nilai 1 menunF1-Score merupakan ukuran yang mengjukkan bahwa kedua gambar tersebut sama gabungkan presisi dan recall secara seimbang, persis secara visual.
dan sangat berguna ketika data memiliki distriHasil uji menunjukkan bahwa metode LSB memiliki busi kelas yang tidak seimbang .
nilai PSNR rata-rata di atas 45 dB dan SSIM rata-rata di Precision x Recall F1-Score = 2x Precision Recall 98 pada dataset CIFAR-10 yang diuji.
Ini menandakan bahwa pesan berhasil disisipkan tanpa HASIL DAN PEMBAHASAN menurunkan kualitas visual citra secara signifikan.
3 Convolution Neural Networks 1 Dataset Citra Belakangan ini terjadi lonjakan penggunaan Convolu- Penelitian ini menggunakan dataset CIFAR-10 yang tional Neural Networks (CNN).
Di CNN, di sana adalah terdiri dari 5.
000 citra berukuran 32x32 piksel dan output layer, input layer, dan variasi further hidden lay- terbagi ke dalam 5 kelas .
esawat, mobil, burung, rusa.
Lapisan konvolusional, sepenuhnya lapisan terhub- kucin.
sebagai basis eksperimen.
Dataset ini dibagi ung, lapisan normalisasi, dan lapisan pengumpulan ada- menjadi dua kategori utama, yaitu gambar asli .
lah jenis lapisan tersembunyi yang paling umum dalam yang tidak mengandung pesan tersembunyi, serta gamCNN (ReLU) .
, untuk model yang semakin bar stego yang telah disisipkan pesan menggunakan canggih, lapisan tambahan mungkin digunakan.
Ada metode steganografi klasik Least Significant Bit (LSB).
Integrasi model Deep Learning berbasis Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep Learning Convolutional Neural Network (CNN) Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2025.
Pp.
Convolutional Neural Network (CNN) diterapkan untuk Burung membedakan antara gambar clean dan stego, dengan Rusa tujuan utama meningkatkan keamanan dan akurasi deKucing teksi pesan tersembunyi pada media digital.
Pendekatan ini diharapkan mampu mengidentifikasi pola-pola halus Model dengan integrasi CNN lebih berhasil yang dihasilkan oleh proses penyisipan, sehingga menmengelabui alat deteksi steganalisis, ditunjukdukung sistem deteksi steganalisis yang lebih canggih kan dengan turunnya akurasi deteksi.
dan andal.
4 Visualisasi Hasil 2 Hasil Metode LSB dan CNN Penelitian ini membahas peningkatan keamanan teknik steganografi citra dengan pendekatan Least Significant Bit (LSB) melalui integrasi algoritma deep learning yaitu Convolutional Neural Network (CNN).
Dua metode dibandingkan dalam studi ini, yaitu metode LSB biasa dan metode LSB yang dikombinasikan dengan CNN.
Pada metode LSB biasa, data payload disisipkan langsung ke dalam bit paling tidak signifikan dari citra tanpa proses optimisasi tambahan, sehingga lebih rentan terhadap deteksi steganalisis.
Sebaliknya, pada metode LSB CNN, data payload terlebih dahulu diolah menggunakan arsitektur CNN untuk memetakan area citra yang lebih aman dan tidak mudah terdeteksi.
Dengan pendekatan ini, diharapkan keamanan dan ketahanan steganografi terhadap analisis pihak ketiga Gambar 3.
Confusion Matrix dapat ditingkatkan secara signifikan.
Gambar 3 confusion matrix menunjukkan performa model dalam mengklasifikasikan 5 kelas: pesawat, mobil, burung, kucing, dan rusa.
Model menunjukkan akurasi tinggi untuk kelas pesawat .
benar dari tota.
, mobil .
, dan burung .
, dengan jumlah kesalahan relatif kecil.
Namun, terjadi kebingungan signifikan antara kelas burung, kucing, dan rusa.
Misalnya, rusa sering diklasifikasikan sebagai burung .
, dan kucing diklasifikasikan sebagai burung .
Hal ini menunjukkan bahwa fitur dari ketiga kelas tersebut mungkin saling tumpang tindih, sehingga perlu evaluasi ulang pada fitur representatif Gambar 2.
Data Citra Asli dan Encoded (LSB) atau strategi pelatihan model agar prediksi antar kelas 3 Hasil Evaluasi lebih akurat.
PSNR: Metode LSB CNN menunjukkan PSNR (Peak Signal-to-Noise Rati.
nilai yang lebih tinggi .
14 dB) dibandingkan LSB Tabel 2.
Hasil PSNR biasa .
31 dB), menandakan kualitas citra stego yang Metode Rata-rata PSNR .
B) lebih baik.
SSIM: LSB CNN juga memiliki nilai LSB SSIM lebih tinggi .
, artinya struktur visual citra
LSB CNN
lebih mirip dengan citra asli dan lebih sulit dideteksi.
Metode LSB CNN menghasilkan PSNR lebih tinggi, menunjukkan kualitas citra stego lebih mendekati citra asli.
SSIM (Structural Similarity Inde.
Tabel 3.
Hasil SSIM
Metode Rata-rata SSIM
LSB
LSB CNN
Metode LSB CNN mempertahankan struktur citra dengan lebih baik, sehingga lebih sulit dibedakan secara visual.
Gambar 4.
Visualisasi Hasil Classification Report Classification Report Berdasarkan gambar 4 performa model dalam Tabel 4.
Classification Report mengklasifikasikan citra ke lima kelas berbeda menunData Citra Precision Recall F1-Score jukkan hasil yang beragam.
Kelas Mobil memiliki perPesawat forma terbaik dengan precision 0.
90, recall 0.
84, dan Mobil Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep Learning Convolutional Neural Network (CNN) Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2025.
Pp.
F1-score 0.
87, menandakan model sangat akurat teknik enkripsi seperti AES atau RSA guna memmengenali mobil.
Kemungkinan karena ciri visual mobil berikan lapisan keamanan tambahan.
Pengembangan yang mudah dikenali.
Kelas Pesawat juga cukup baik sistem yang mampu berjalan secara real-time akan (F1-score 0.
, meski masih di bawah mobil.
Semen- menjadi kontribusi signifikan dalam meningkatkan tara itu.
Burung menunjukkan performa terendah, teru- keamanan data visual.
tama pada recall .
, yang menunjukkan banyak gambar burung tidak dikenali dengan baik mungkin ka- REFERENSI Wei.
Chengfeng.
Wang, and H.
Ma.
A texture rena kemiripan bentuk dengan kelas lain atau data pelati- .
synthesis steganography scheme based on super-pixel han yang kurang.
Rusa memiliki recall tinggi .
, nastructure and SVM, vol.
Springer International mun precision rendah .
, artinya model sering mePublishing, 2018.
doi: 10.
1007/978-3-030-00828-4_38.
nangkap gambar rusa tapi juga sering salah mengira ob- .
Khozin and M.
Soeleman.
AuImprovement Of Watermarking Quality Using The Least Significant Bit jek lain sebagai rusa.
Untuk Kucing, hasilnya sedang Method With Reed Solomon Code,Ay vol.
26, no.
1, pp.
50Ae (F1-score 0.
, menunjukkan deteksi masih belum kon61, 2024, doi: 10.
9790/0661-2601035061.
Secara umum, model bekerja lebih baik pada ob- .
Ghosh.
Banerjee, and J.
Mandal.
AuA Survey on jek dengan ciri khas yang jelas.
Perlu peningkatan pada LSB Replacement-Based Statistical Image Steganalysis Techniques BT - Advances in Data Science and kelas dengan karakteristik visual yang lebih rumit, serta Computing Technologies,Ay 2023, pp.
313Ae320.
evaluasi data pelatihan untuk meningkatkan akurasi .
Roy.
Sarkar, and S.
Changder.
AuChaos based Edge Adaptive Image Steganography,Ay Procedia Technol.
, vol.
KESIMPULAN
10, pp.
138Ae146, 2013, doi: 10.
1016/j.
Berdasarkan penelitian ini membuktikan bahwa integrasi metode Least Significant Bit (LSB) dengan model Convolutional Neural Network (CNN) secara signifikan meningkatkan kualitas dan keamanan teknik steganografi citra digital.
Dengan menggunakan dataset CIFAR-10 yang mencakup lima kelas citra .
esawat, mobil, burung, rusa, dan kucin.
, pengujian terhadap performa model dalam membedakan citra asli dan citra stego menjadi lebih representatif.
Hasil evaluasi menunjukkan peningkatan kualitas visual citra stego, dengan PSNR naik dari 48.
31 dB (LSB konvensiona.
menjadi 14 dB (LSB CNN), serta SSIM dari 0.
951 menjadi 999, yang menunjukkan struktur citra lebih terjaga.
Selain itu, model CNN juga menurunkan efektivitas alat steganalisis dalam mendeteksi citra stego, menunjukkan kemampuan penyamaran yang lebih baik.
Pendekatan ini dinilai lebih unggul dibandingkan metode LSB tradisional, baik dari segi kualitas maupun ketahanan terhadap deteksi, serta berpotensi untuk pengembangan sistem steganografi yang lebih aman di masa depan.
Adapun beberapa saran untuk penelitian selanjutnya dapat dikembangkan pada pemanfaatan metode steganografi yang lebih canggih, seperti adaptive LSB, teknik domain transformasi seperti DCT atau DWT, serta generative steganography yang berbasis GAN untuk meningkatkan daya tahan terhadap upaya steganalisis.
Penggunaan dataset yang besar dan beragam, seperti ImageNet, juga disarankan guna mendukung hasil yang lebih representatif.
Selain itu, integrasi arsitektur CNN modern seperti ResNet atau EfficientNet dapat meningkatkan akurasi dalam proses deteksi.
Penerapan konsep Explainable AI (XAI) bisa membantu dalam menciptakan sistem yang lebih transparan.
Evaluasi terhadap jenis serangan steganalisis terbaru, seperti SPAM dan SRM, penting dilakukan untuk menguji ketangguhan model.
Disarankan pula penggabungan .
Alia and K.
Suwais.
AuImproved steganography scheme based on fractal set,Ay Int.
Arab J.
Inf.
Technol.
, vol.
17, no.
1, pp.
128Ae136, 2020, doi: 10.
34028/iajit/17/1/15.
Indriyani.
Nurmuslimah.
Taufiqurrahman.
Hapsari.
Prabiantissa, and A.
Rachmad.
AuSteganography on Color Images Using Least Significant Bit (LSB) Method BT - Proceedings of the 1st International Conference on Neural Networks and Machine Learning 2022 (ICONNSMAL 2.
,Ay 2023, pp.
39Ae48.
doi: 10.
2991/978-94-6463-174-6_5.
Duan.
Liu.
Gou.
Wang, and C.
Qin.
AuSteganoCNN: Image steganography with generalization ability based on convolutional neural network,Ay Entropy, 22, no.
10, pp.
1Ae15, 2020, doi: 10.
3390/e22101140.
Hidayasari.
Riadi, and Y.
Prayudi.
AuSteganalisis Blind dengan Metode Convolutional Neural Network (CNN) Yedroudj- Net terhadap Tools Steganografi,Ay J.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
7, no.
4, pp.
787Ae796, 2020, doi: 10.
25126/jtiik.
Pan.
Lin.
Yang, and Y.
Mo.
AuCNN-based state prediction for a varying number of storage in economic dispatch,Ay Int.
Electr.
Power Energy Syst.
, vol.
168, no.
January, 1016/j.
Kaur et al.
AuFace mask recognition system using CNN model,Ay Neurosci.
Informatics, vol.
2, no.
3, p.
2022, doi: 10.
1016/j.
Arun.
AuA CNN based hybrid approach towards automatic image registration,Ay Geod.
Cartogr.
, vol.
Sep.
doi: 10.
3846/20296991.
Matlab.
AuMatlab.
Ay https://w.
com/discovery/convolutionalneu ral-network-matlab.
ccessed Jan.
29, 2.
Neuroscience.
AuRetracted: Comparative Analysis of Deepfake Image Detection Method Using Convolutional Neural Network,Ay Comput.
Intell.
Neurosci.
, vol.
2023, p.
Nov.
2023, doi: 10.
1155/2023/9767530.
Fathurrahman.
Mahpuz.
Djamaluddin.
Wijaya, and I.
Wahidah.
AuPengembangan Model Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Kulit Berbasis Citra Digital,Ay Infotek J.
Inform.
dan Teknol.
, vol.
8, pp.
298Ae308.
Jan.
2025, doi: 10.
29408/jit.
Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep
Learning Convolutional Neural Network (CNN)