<![CDATA[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.]]>
