Journal of Control and Network Systems

(1)

KARAKTERISASI PROFIL SERANGAN PADA JARINGAN DENGAN

MELAKUKAN PEMODELAN TERHADAP LALU LINTAS DATA

Phompi Andinata1)_Jusak2)_{Weny Indah Kusumawati}3) Program Studi/JurusanSistemKomputer

STMIK STIKOM Surabaya Jl. Raya KedungBaruk 98 Surabaya, 60298

Email : 1)the.andinata@ymail.com, 2)Jusak@stikom.edu, 3)weny@stikom.edu

Abstract: The rate of internet crime or cyber crime tended to increase as offered by publicist Kominfo Gatot S

Dewa Broto throughout the year of 2012 in indonesia recorded an average of 1.25 million times per day. Genearlly hackers using a bias attack pattern know as DdoS (Distributed Denial of Service). The occurence of a DdoS attack is generally be preceded by pre-attack using media traffic data network. This step is to find security gaps bu using several techniques like port scanning ACK Scan, FIN Scan, SYN Scan or Scan tool by using a Port Scanner. To understand the statistical characteristics and pattern of some ACK Scan attacks, FIN Scan, SYN Scan and Port Scanner, in this project we do analysing and modeling of multiple attack in LAN and WAN networks. Result of the analysis showed that the normal data traffic and data traffic that contains ACK Scan, FIN Scan, SYN Scan and Port Scanner in two netwok models (A) and (B) is lognormal with a comparison of Mean Square Error and the smallest value test of Anderson Darling compared to Gamma distribution and Weibull distribution.

Keyword: Distributed Denial of Service, of Mean Square Error, Anderson Darling, ACK Scan, FIN Scan,

SYNScan, Port Scanner

Informasi dan teknologi sudah mengalami kemajuan yang sangat pesat beberapa tahun belakangan. Kebutuhan akan internet pun sudah menyentuh ke berbagi lapisan masyarakat, baik masyarakat secara individu, kelompok dan golongan tertentu. Disamping itu kebutuhan akan akses internet juga sudah merambah ke berbagai sistem pemerintahan dan swasta serta organ-organ yang mempunyai peran vital dalam sistem keperintahan dan ekonomi negara.

Pentingnya kebutuhan akses informasi dan teknologi pada organ-organ vital seperti perbankan dan keamanan serta ketahan negara menjadi sangat sensitif. Hal ini dikarenakan banyaknya dokumen dan transaksi finansial yang secara langsung memanfaatkan media internet dalam proses komunikasi ataupun transaksi data. Oleh karena itu sebuah sistem harus dijamin keamanannya baik secara arsitektur dan sistem.

Untuk membentuk sebuah sistem keamanan yang andal diperlukan observasi dan analisa dari setiap gangguan yang dapat menjadi ancaman untuk sebuah sistem keamanan itu sendiri. Ancaman dapat berupa serangan secara langsung dan dapat juga berupa penetrasi untuk mencari celah keamanan seperti scaning attck untuk mencari celah port yang terbuka. Dengan mempelajari karakter dari sebuah ancaman dapat dibentuk suatu sistem keamanan yang berguna untuk memberikan keamanan dan kenyamana bagi setiap prosespertukaran informasi dan data yang menggunakan media internet.

Statistik dan probabilitas adalah salah satu cabang ilmu yang dapat digunakan untuk membentuk sebuah karakater dari beberapa serangan yang terjadi pada lalu lintas data dalam jairngan berdasarkan pola dari panjang paket (length)yang terjadi. Dengan mengetahui sifat serangan secara statistik maka sifat tersebut cenderung tidak akan berubah hingga pada masa mendatang karena sifat secara statistik akan membentuk sebuah pola distribusi tetentu.

Metode

Model penelitian yang akan dilakukan dapat dijelaskan melalui blok diagram pada Gambar 1.

Dari gambar blok diagram (gambar 1) dapat diketahui cara kerja secara keseluruhan dari metodologi penelitian yang dilakukan. Dimulai dari Arsitektur Jaringan hingga hasil analisis dari proses perhitunganyang dilakukan dengan metode statistik dan probabilitas. Metode penelitian yang digunakan adalah studi kepustakaan dan analisis karakterisasi serangan pada jaringan dengan melakukan pemodelan terhadap lalu lintas data. Oleh karena itu dikumpulkanlah data dan informasi serta materi-materi dasar yang bersifat teoritis yang sesuai dengan permasalahan.

JCONES Vol. 3, No. 1 (2014) 94-104

Journal of Control and Network Systems

(2)

Gambar 1. Blok Diagram Sistem.

Arsitektur Jaringan

Arsitektur jaringan didesain untuk menunjang kebutuhan penelitian yang dilakukan. Sebelum membuat arsitektur jaringan sebelumnya dibuat desain dari jaringan. Dengan adanya desain jaringan ini maka akan memudahkan dalam penyusunan dan penempatan komponen arsitektur jaringan itu sendiri.

Gambar 2.Jaringan Model (A).

Komponen yang digunakan pada arsitektur desain jaringan model (A) ini terdiri dari:

1. Dua buah modem dengan kartu smartfren sebagai layanan internet yang dipasang di masing-masing PC user (laptop)

2. Dua buah PC User (laptop)

Kedua buah modem dengan menggunakan layanan internet dari smartfren terpasang pada kedua buah PC User (laptop) yang berfungsi sebagai layanan internet dengan kecepatan hingga 3,6Mbps.

Pada gambar 3.3 untuk topologi jaringan (A) dapat diketahui jika Network Protocol Analyzer(Wireshakr) terpasang di PC2 yang juga bertindak sebagai client dan terhubung langsung dengan internet. Sedangkan PC1 juga terhubung dengan internet dan bertindak sebagain attacker yang akan melakukan serangan ke PC2. Dengan skenario PC1 melakukan serangan terhadap PC2 yang melakukan akses internet (browsing) kemudian Network Protocol Analyzer wisreshark pada PC2 menangkap aktifitas internet yang berasal dari dan menuju PC2. Dengan

demikian secara otomatis paket serangan dari PC1 juga akan tertangkap oleh network protocol analyzer(wireshark).

Gambar 3.Jaringan Model (B).

Komponen yang digunakan pada arsitektur jaringan model (B) ini terdiri dari:

1. Sebuah router yang menggunakan layanan akses internet FastNet (Firs Media) 2. Sebuah HUB

3. Sebuah Switch

4. 5 buah PC User (Laptop)

Pada desain jaringan model (B) sebuah router yang menggunakan layanan internet dari FastNet terhubung dengan sebuah hub. Pada hub terpasang dua buah PC User, PC4 yang bertindak sebagai attacker yang akan menyerang salah satu host dan PC5 yang bertindak sebagai monitoring dan menangkap paket-paket yang melintasi Hub baik dari dan menuju client dengan wireshark baik paket serangan yang dilakukan oleh attacker pada PC4 ataupun paket internet yang diakses oleh host/client.

Pengolahan Data

Gambar 4. Flowchart pengolahan paket data. Pada flowchart 2 diatas dapat dilihat aproses pengolahan data hasil capture yang Perancangan Arsitektur

Jaringan

Pengambilan Data (Capture Data)

Pengolahan Data

Hasil dan Analisis

Hasil Capture DataPerancangan Arsitektur Jaringan Buka file (Microsoft Excel 2010) Distribusi Frekuensi Mulai Selesai Konfersi Tipe File

(3)

sebelumnya dilakukan menggunakan network protocol analyzer (wireshark) yang selanjutnya dikonfersi atau dieksport ke dalam format file csv agar bisa dibaca dengan Microsoft Excel. Selanjutnya file dibuka dengan microsoft excel 2010 dan menghilangkan beberapa detail packet summary yang tidak diperlukan, karena yang digunakan dalam proses analisis dalam tugas akhir ini adalah untuk detail dari panjang paket (length). Setelah mendapat detail panjang paket (length) kemudian data diolah menggunakan microsoft excel untuk disajikan dalam bentuk distribusi frekuensi yang terdiri dari beberapa komponen yang meliputi, jumlah kelas (K), mencari range, menentukan panjang kelas, menentukan frekuensi relatif dan menentukan nilai tengah dari kelas interval.

Fitting Distribusi

Fitting distribusi ini bertujuan untuk melihat kecenderungan distribusi data dari (length) dan dibandingkan dengan grafik distribusi yang diujikan yakni distribusi Log Normal, distribusi Gamma dan distribusi Weibull, pada proses fitting ini didasarkan pada kecenderungan pola grafik dari data dan dibandingkan dengan pola grafik dari ketiga jenis distribusi (Log Normal, Gamma dan Weibull). Dari proses fitting distribusi ini nantinya akan didapatkan parameter-parameter dari distribusi log normal, gamma dan weibull. Parameter ini nantinya akan digunakan untuk proses estimasi secara teoritis terhadap data sampel (length).Proses fitting diawali dengan mengimport file data excel yang sebelumnya disimpan ke dalam format excel 2003, hal ini dikarenakan pada matlab 7.1 hanya dapat membaca file excel 2003. Kemudian fitting dilakukan dengan menggunakan salah satu fitur distribution fitting tool yang tersedia pada matlabdengan mengetikkan (>> dfittool) pada matlab.Kemudian pada pilihan “data” yang ada pada distribution fitting tool masukkan data yang telah diimport sebelumnya ke matlab.

1. Estimasi Distribusi Log Normal

Proses estimasi pada distribusi log normal untuk mendapatkan fungsi kepadatan probabilitas log normal ƒ(x) seperti yang ada pada flowchart 3. Perhitungan dilakukan dengan menggunakan rumus seperti pada flowchart 3 dengan parameter σ dan μ,nilai paramter tersebut didapat dari proses fitting distribusi terhadap data sampel sebelumnya, dengan dimana nilai (x) pada rumus adalah nilai tengah kelas interval dari distribusi frekuensi. Untuk proses perhitungan bisa dikerjakan menggunakan matlab dengan menggunakan perintah fungsi “lognpdf(x,σ,μ)”atau dengan menggunakan aplikasi minitabyang ada pada menu Calc kemudian pilih Probabilty Distribution, kedua tool ini memberikan hasil yang sama namun pada matlab hasil akan lebih dibulatkan tidak seperti pada minitab, namun secara keseluruahn keduanya memberikan hasil yang sama. Nilai ƒ(x) dari distribusi log normal ini nantinya digunakan untuk perhitungan untuk menenetukaanMean Square Error (MSE). Dimana MSE terkecil digunakan sebagai pertimbangan untuk menunjukkan kecenderungan jenis distribusi dari data yang diuji.

Flowchart proses perhitungan estimasi terhadap distribusi log normal adalah sebagai berikut.

Gambar 5. Flowchart Perhitungan estimasi Distribusi Log Normal.

Ƒ(x)=_{𝑥𝜎 √2𝜋}1 𝑒−[ln 𝑥 −𝜇 )/(2𝜎)²

dimana: x= Nilai tengah darikelas interval е= 2,718

σ= Parameter (Sigma)

μ= Parameter (mu)

2. Estimasi Distribusi Gamma

Berikut ini adalah flowchart perhitungan untuk estimasi distribusi gamma.

Gambar 6. Flowchartperhitungan estimasi distribusi Gamma

Pada flowchart 4 diatas merupakan flowchart dari proses estimasi menggunakan rumus fungsi kepadatan distribusi gamma. Proses setimasi ini juga bertujuan untuk mendapatkan fungsi probabilitas distribusi gamma ƒ(x) gamma. Pada distribusi gamma memiliki dua buah parameter yaitu α dab β, dimana (x) adalah nilai tengah kelas interval dari distribusi frekuensi. Nilai probabilitas yang di dapat ƒ(x) dari distribusi gamma ini nantinya juga digunakan untuk menenetukaan nilai Mean Square Error (MSE) dari distribusi gamma. Dimana MSE terkecil digunakan sebagai pertimbangan untuk menunjukkan kecenderungan jenis distribusi dari data yang diuji.

(4)

ƒ(𝑥) = 1

𝛽𝛼_(𝛼)𝑥𝛼−1 𝑒 𝑥/𝛽

dimana: x= Nilai tengah dari kelas interval e= 2,718

α= Parameter (alpha) β= Parameter (beta)

3. Estimasi Distribusi Weibull

Gambar 7. Flowchart perhitungan estimasi distribusi weibull

Ƒ

(x)

=

_𝜷𝜶𝜶

𝒙

𝜶−𝟏 𝒆𝒙

−(𝜶_𝜷) 𝟐

dimana : x= Nilai tengah dari kelas interval e= 2,718

α= Parameter (alpha) β= Parameter (beta)

Pada flowchart 5 diatas dapat dilihat perhitungan untuk estimasi terhadap distribusi weibull, dengan (x) adalah adalah nilai tengah dari kelas interval dari distribusi frekuensi yang sebelumnya telah dibuat. Dengan menggunakan rumus distribusi weibull diatas nantinya akan didapatkan probabilitas dari distribusi weibull ƒ(x) weibull dengan parameter α dan β. Nilai dari ƒ(x) weibull nantinya akan digunakan untuk perhitungan Mean Square Error.

4. Mean Square Error (MSE)

Gambar 8. Flowchart menghitung Mean Square Error

Dari flowchart 6 diatas dapat dilihat proses perhitungan untuk mencari Mean Square Error dari masing-masing jenis distribusi log normal, gamma dan weibull. Nilai MSE didapatkan dengan menggunakan rumus:

𝑴𝑺𝑬 = (𝑷𝒓𝒐𝒃𝒂𝒍𝒊𝒕𝒂𝒔 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒔𝒊 𝒅𝒂𝒕𝒂 − ƒ 𝒙 𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒔𝒊)²

dimana probabilitas dari data didapt dari: 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑠𝑖𝐷𝑎𝑡𝑎

=𝐹𝑟𝑒𝑘𝑢𝑒𝑛𝑠𝑖 𝑅𝑒𝑙𝑎𝑡𝑖𝑓

𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑙𝑎𝑠

Setelah diketahu Mean Square Error dari masing-masing distribusi diketahui maka untuk menetukan jenis distribusi dari populasi data adalah dengan menggunakan nilai MSE terkecil dari ketigas jenis distribusi yang diujikan yaitu distribusi log normal, gamma dan weibull.

5. Metode Anderson Darling

Metode Anderson Darling andlah salah satu mentode yang digunakan untuk menguji distribusi yang mendasari data. Suatu data dikatakan mengikuti distribusi tertentu apabila nilai statistik Anderson-Darling semakin kecil (Nur Iriawan, 2006). Pengujian distribusi data dengan tingkat kesalahan (α) sebesar 0,05 akan memberikan keputusan bahwa distribusi yang diuji cocok dengan distribusi data, apabila p-value yang terhitung bernilai lebih besar dari 0,05 (Bafadal, 2013). Pada tool minitab, prosedur pengujian distribusi data tersedia dalam menu utama “Stat”, dilanjutkan dengan sub menu “Quality Tools”,pilih “Individual Distribution Identification”.

(5)

Gambar 9. Flowchart uji distribusi denga metode Anderson Darling

Pengujian Sistem

Pengujian sistem merupakan pengujian terhadap perhitungan yang telah dilakukan. Pengujian tersebut termasuk pengujian terhadap parameter-parameter distribusilog normal, gamma dan weibull. Pengujian yang dilakukan adalah pengujian hasilestimasi, pengujian dari perhiutngan Mean Square Error dan hasil pengujian dengan metode Anderson Darling pada aplikasi minitab.Input dari data berasal dari capture data trafik menggunakan Wireshark.

1. Hasil PengujianMean Square Error (MSE)

Untuk hasil dari perhitungan mean square error dapat dilihat ditabel 1 pada lampiran merupakan hasil perhitungan dari Mean Square Error untuk model jaringann (A). Dari tabel diatas dapat dilihat nilai MSE (Mean Square Error) untuk distribusi log normal pada trafik data normal dan keempat jenis trafik dengan serangan ACK Scan, FIN Scan , SYN Scan dan Port Scanner mempunyai nilai paling kecil daripada distribusi gamma dan weibull. Pada trafik data normal nilai MSE distribusi log normal sebesar (0,000396091), untuk trafik data dengan ACK Scan sebesar (0,001975401), trafik data dengan FIN Scan(0,001172864), trafik data dengan SYN Scan(0,001285612) dan trafik data dengan Port Scanner sebesar (0,001161516).

Dari data Mean Square Error di tabel 1 pada lampiran menunjukkan kecenderungan dari keempat jenis trafik, baik trafik data normal dan trafik data dengan serangan cenderung berdistribusi normal, mengacu pada nilai MSE (Mean Square Error) terkecil.

Tidak jauh beda dengan hasil perhitungan dari model jaringan A pada tabel 1 dilampiran. Pada percobaan yang dilakukan pada topologi model B dengan banyak host dapat dilihat hasil perhitungan MSE (Mean Square Error) di tabel 2 pada lampiran menunjukkan kecenderungan terhadap distribusi log normal untuk keempat jenis trafik data. Hal ini ditunjukkan dengan nilai MSE terkecil terdapat pada distribusi log normal dengan nilai MSE untuk trafik data normal sebesar (0,000396091), pada trafik data dengan

ACK Scan (0,001975401), trafik data dengan FIN Scan(0,001172864), trafik data dengan SYN Scan (0,001285612) dan trafik data dengan Port Scanner sebesar (0,001161516).

2. Hasil Pengujian Jaringan Model A

dengan Metode Anderson Darling

a. Pengujian pada Trafik Data Normal

Gambar 10. Anderson-Darling Test untuk Trafik Data Normal pada Jaringan Model (A)

Pada gambar 11 dapat dilihat hasil uji kecenderungan distribusi dengan metode Anderson Darling, dari hasil menunjukkan nilai AD terkecil adalah pada distribusi log normal dengan nilai (AD=0,749) dengan

P-Value(0,040). Sedangkan nilai

AndersonDarling untuk distribusi gamma (AD=1,828) dengan P-Value(<0,005) dan distribusi weibull sebesar (AD=1,199) dengan P-Value(<0,010). Dapat dilihat pula sebaran data yang berwarna merah terhadap garis biru cenderung merata saat diuji dengan distribusi log normal, dibandingkan dengan distribusi gamma dan weibull. Dari hasil pengamatan di atas menunjukkan sampel dari trafik data normal yang di ujikan memiliki kecenderungan terhadap distribusi log normal dengan pertimbangan nilai Anderson-Darling(AD)terkecil serta pola sebaran data terhadap garis taksiran

b. Pengujian pada Trafik Data Normal

(6)

0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1

T r afik Nor mal dengan A CK Scan

P e rc e n t 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 1,00 00E -09 90 50 10 1

P e rc e n t 0,1 0,01 0,00 1 0,00 01 0,00 001 0,00 0001 0,000 0001 0,00 0000 01 1,00 00E -09 1,00 00E -10 1,00 00 E-11 99 90 50 10 1

P e rc e n t Gamma A D = 2,366 P -V alue < 0,005 Goodness of F it Test Lognormal A D = 0,876 P -V alue = 0,019 Weibull A D = 1,484 P -V alue < 0,010

Probability Plot for Trafik Normal dengan ACK Scan Lognormal - 95% C I Weibull - 95% C I

Gamma - 95% C I

Gambar 11Anderson-Darling Test untuk Trafik Normal dengan ACK Scan pada Jaringan Model (A)

Gambar 11 menunjukkan hasil pengujian distribusi untuk trafik data normal dengan ACK Scan. Dari hasil dapat dilihat pada kolom Goodness of Fit test pada gambar diatas yang menunjukkan nilai Anderson Darling (AD) untuk distribusi log normal (AD=0,876) dengan P-Value(0,019). Sedangkan nilai Anderson-Darling untuk distribusi gamma (AD= 2,366) dengan P-Value(<0,005) dan distribusi weibull sebesar (AD=1,484) dengan P-Value(<0,010). Dengan nilai AD terkecil dan P-Value terbesar ada pada distribusi log normal, menunjukkan bahwa data cenderung berdistribusi log normal. Untuk sebaran data terhadap garis taksiran pada distribusi log norma cenderung lebih merata disepanjang garis taksiran dibandingkan distribusi lainnya.

c. Pengujian pada Trafik Data Normal dengan

FIN Scan 1 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1

T r afik Data Normal dg FIN Scan

P e rc e n t 1 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 1,00 00 E-09 90 50 10 1

T rafik Data Normal dg FIN Scan

P e rc e n t 1 0,1 0,01 0,00 1 0,00 01 0,00 001 0,00 0001 0,000 0001 0,00 0000 01 1,00 00 E-09 1,00 00E -10 1,00 00E -11 1,00 00 E-12 99 90 50 10 1

T rafik Data Nor mal dg FIN Scan

P e rc e n t Gamma A D = 1,494 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 0,356 P-V alue = 0,406 Weibull A D = 0,752 P-V alue = 0,043

Probability Plot for Trafik Data Normal dg FIN Scan Lognormal - 95% C I Weibull - 95% C I

Gamma - 95% C I

Gambar 12Anderson-Darling Test untuk Trafik Normal dengan FIN Scan pada Jaringan Model (A)

Hasil Goodness of Fit Testpada gambar 10 menunjukkan nilai AD dan P-Value pada distribusi log normal sebesar (AD=0,356) dengan P-Value(0,406). Sedangkan nilai Anderson-Darling untuk distribusi gamma (AD= 1,494) dengan P-Value(<0,005) dan distribusi weibull sebesar (AD= 0,752) dengan P-Value(=0,043). Nilai AD terkecil dan P-Value terbesar terdapat pada distribusi log normal sebaran data pada distribusi log normal juga cenderung lebih merata disepanjang garis taksiran.

d. Pengujian pada Trafik Data Normal

dengan SYN Scan

0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1

T r afik Normal dg SYN Scan

P e rc e n t 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 1,00 00E -09 90 50 10 1

T rafik Nor mal dg SYN Scan

P e rc e n t 0,1 0,01 0,00 1 0,00 01 0,00 001 0,00 0001 0,000 0001 0,00 0000 01 1,00 00 E-09 1,00 00E -10 1,00 00 E-11 99 90 50 10 1

T rafik Normal dg SYN Scan

P e rc e n t Gamma A D = 2,145 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 0,953 P-V alue = 0,012 Weibull A D = 1,356 P-V alue < 0,010

Probability Plot for Trafik Normal dg SYN Scan Lognormal - 95% C I Weibull - 95% C I

Gamma - 95% C I

Gambar 13Anderson-Darling Test untuk Trafik Normal

dengan SYN Scanner pada Jaringan Model (A)

Dapat dilihat pada gambar 13 yang menunjukkan nilai Anderson Darling (AD) dan P-Value dari trafik data dengan serangan SYN Scan didapat nilai AD dan P-Value dari distribusi log normal dengan nilai (AD=0,953) dengan P-Value(= 0,012). Sedangkan nilai Anderson-Darling untuk distribusi gamma (AD= 2,145) dengan P-Value(<0,005) dan pada distribusi weibull sebesar (AD= 1,356) dan P-Value (<0,010). Dari hasil uji tes dengan metode Anderson Darling diatas dapat disimpulkan bahwa data trafik yang disertai serangan SYN Scan adalah berdistribusi log normal berdasarkan hasil pengujian dengan metode Anderson Darling.

e. Pengujian pada Trafik Data Normal

dengan Port Scanner

1 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1

T rafik Nor mal + Port Scanner

P e rc e n t 1 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 1,00 00E -09 1,00 00E -10 90 50 10 1

P e rc e n t 1 0,1 0,01 0,001 0,000 1 0,000 01 0,000 001 0,0000 001 0,000 0000 1 1,0000 E-09 1,0000 E-10 1,0000 E-11 1,0000 E-12 1,0000 E-13 99 90 50 10 1

Probability Plot for Trafik Normal + Port Scanner Lognormal - 95% C I Weibull - 95% C I

Gamma - 95% C I

Gambar 14Anderson-Darling Test untuk Trafik Normal dengan Port Scanner pada Jaringan Model

(A)

Hasil pada kolom Goodness of Fit Test pada gambar 4.5 menunjukkan nilai AD dan P-Value pada distribusi log normal dengan nilai sebesar (AD=0,552) dengan P-Value(=0,125). Sedangkan nilai Anderson-Darling untuk distribusi gamma didapat sebesar (AD= 1,902) dengan P-Value(<0,005) dan pada distribusi weibull diperoleh nilai sebesar (AD= 1,029)

(7)

dengan P-Value(<0,010). Dari hasil yang diperoleh diketahui nilai AD terkecil dan P-Value terbesar terdapat pada distribusi log normal dengan untuk sebaran data terhadap garis taksiran juga lebih merata pada distribusi log normal.

3. Hasil Pengujian Jaringan Model A dengan

Metode Anderson Darling

a. Pengujian pada Trafik Data Normal

0,1 0,01 0,001 0,000 1 0,000 01 0,000 001 0,000 0001 0,0000 0001 99 90 50 10 1

Trafik Data Normal

P e rc e n t 0,1 0,01 0,001 0,000 1 0,000 01 0,000 001 0,000 0001 0,0000 0001 1,000 0E-09 1,000 0E-10 1,000 0E-11 1,000 0E-12 90 50 10 1

P e rc e n t 0,1 0,01 0,001 0,000 1 0,000 01 0,00 0001 0,000 0001 0,000 0000 1 1,00 00 E-09 1,00 00 E-10 1,00 00 E-11 1,00 00 E-12 1,00 00 E-13 1,00 00 E-14 1,00 00 E-15 1,00 00 E-16 1,00 00 E-17 1,00 00 E-18 99 90 50 10 1

P e rc e n t Gamma AD = 3,481 P-Value < 0,005 Goodness of Fit Test Lognormal AD = 0,978 P-Value = 0,010 Weibull AD = 1,787 P-Value < 0,010

Probability Plot for Trafik Data Normal Lognormal - 95% CI Weibull - 95% CI

Gamma - 95% CI

Gambar 15Anderson-Darling Test untuk Trafik Data Normal pada Jaringan Model (B)

Gambar 15 diatas dapat dilihat pada kolom Goodness of Fit Test menunjukkan nilai Anderson Darling (AD) untuk distribusi log normal (AD = 0,978), P-Value (= 0,010), sedangkan distribusi gamma (AD = 3,481), P-Value (< 0,005) dan weibull (AD = 1,787), P-Value (< 0,010). Dengan demikian diketahui nilai AD dari distribusi log normal paling kecil dan P-Value paling besar yang menunjukkan bahwa data cenderung berdistribusi log normal

.

b. Pengujian pada Trafik Data Normal dengan

ACK Scan

Pada gambar 16 dapat dilihat hasil dari pengujian Anderson Darling pada trafik data dengan ACK Scan. Pada kolom Goodness of Fit Test menunjukan nilai Anderson Darling dan P-Value paling kecil pada distribusi log normal sebesar (AD = 0,627), P-Value (= 0,153) daripada distribusi gamma dan weibull. Sedangkan sebaran data terhadap garis taksiran distribusi log normal lebih merata.

0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1

T rafik Data dg A CK Scan

P e rc e n t 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 1,00 00E -09 1,00 00E -10 90 50 10 1

P e rc e n t 0,1 0,01 0,00 1 0,00 01 0,00 001 0,00 0001 0,000 0001 0,00 0000 01 1,00 00 E-09 1,00 00 E-10 1,00 00 E-11 1,00 00 E-12 1,00 00 E-13 99 90 50 10 1

Probability Plot for Trafik Data dg ACK Scan Lognormal - 95% C I Weibull - 95% C I

Gamma - 95% C I

Gambar 16Anderson-Darling Test untuk Trafik Data dengan ACK Scan pada Jaringan Model (B)

c. Pengujian pada Trafik Data Normal

dengan FIN Scan

Berikut pengujian terhdap trafik data dengan FIN Scan, pada Goodness of Fit Test menunjukkan hasil nilai Anderson Darling (AD) paling kecil (AD = 1,137) terdapat pada distribusi log normal yang sekalgus menunjukkan bahwa data lebih bersifat ke distibusi log normal. Sedangkan untuk sebaran data terhadap garis taksir menunjukka sebaran lebih merata terhadap garis taksir pada distribusi log normal seperti yang dapat dilihat pada gambar 17 berikut.

0,1 0,01 0,001 0,0001 0,00001 0,000001 99 90 50 10 1

T rafik data dengan FIN Scan

P e rc e n t 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 1,00 00E -09 90 50 10 1

P e rc e n t 0,1 0,01 0,00 1 0,00 01 0,00 001 0,00 0001 0,000 0001 0,00 0000 01 1,00 00 E-09 1,00 00E -10 1,00 00 E-11 99 90 50 10 1

P e rc e n t Gamma A D = 2,855 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 1,137 P-V alue < 0,005 Weibull A D = 1,837 P-V alue < 0,010

Probability Plot for Trafik data dengan FIN Scan Lognormal - 95% C I Weibull - 95% C I

Gamma - 95% C I

Gambar 17 Anderson-Darling Test untuk Trafik Data dengan ACK Scan pada Jaringan Model (B)

(8)

d. Pengujian pada Trafik Data Normal dengan SYN Scan

Gambar 18Anderson-Darling Test untuk Trafik Data dengan

SYN Scan pada Jaringan Model (B)

Gambar 18 memperlihatkan hasil uji distribusi pada trafik data dengan SYN Scan, hasil pada kolom Goodness of FitTest menunjukkan perbandingan nilai Anderson Darling(AD) antara distribusi log normal, gama dan weibull. Dapat dilihat nilai AD terkecil ditunjukkan pada distribusi log normal dengan nilai (AD = 2,103) sedangkan untuk distribusi gamma (AD = 3,988) dan weibull (AD = 2,831).

e. Pengujian pada Trafik Data Normal dengan

Port Scanner

Gambar 19 Anderson-Darling Test untuk Trafik Data dengan

Port Scanner pada Jaringan Model (B)

Pada gambar19 dapat dilihat hasil uji distribusi dengan metode Anderson Darling, dari hasil menunjukkan nilai AD terkecil adalah pada distribusi log normal dengan nilai (AD= 1,269) dengan P-Value(<0,005). Sedangkan nilai Anderson-Darling untuk distribusi gamma (AD= 3,051) dengan P-Value(<0,005) dan distribusi weibull sebesar (AD= 2,011) dengan P-Value(<0,010). Untuk sebaran data terhadap garis taksir distribusi log normal tidak begitu merata namun jika dibandingkan dengan distribusi gamma dan weibull untuk sebaran pada distribusi log normal terlihat sebaran data lebih merata disepanjang

garis taksiran dibandingkan dengan distribusi gamma dan weibull.

4. Plotting Distribusi pada Model

Jaringan A

a. Trafik Data Normal dan Grafik

Estimasi Model Jaringan (A)

Gambar 20 Histogram Trafik Data Normal Length

dan Grafik Estimasi pada Jaringan Model (A) Gambar 20menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap data length dari trafik data normal yang ditunjukkan pada dengan histogram. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola terhadap histogram data lebih baik dengan Mean Square Error paling kecil sebesar (0,001380713) seperti yang ditunjukkan di dalam tabel 1 lampiran

b. Trafik Data Normal dengan ACK Scan

dan Grafik Estimasi Model Jaringan (A)

Gambar 21 Grafik Estimasi Trafik Data dengan Serangan ACK Scan pada Jaringan Model (A)

Gambar 21 adalah grafik hasil estimasi dari ketiga jenis distribusi yang diujikan yaitu distribusi log normal, distribusi gamma dan distribusi weibull terhadap sampel data (length) dari trafik data dengan serang ACK Scan . Pada pengujian dengan menggunakan perhitungan nilai Mean Square Error terkecil seperti yang ditunjukkan dalam tabel 1 pada lampiran sebelumnya, data trafik data dengan serangan ACK Scan adalah berdistribusi log normal, hasil estimasi yang telah dilakukan terlihat pada gambar 2 dalam lampiran dapat dilihat histogram dari data dan grafik hasil estimasi dari distribusi log normal memiliki kemiripan dari pola dengan

(9)

histograam data populasi sampel, dengan parameter σ sebesar 1,24809 dan μ sebesar 4,943

c. Trafik Data Normal dengan FIN Scan dan

Grafik Estimasi Model Jaringan (A)

Gambar 22 Grafik Estimasi Trafik Data dengan Serangan FIN Scan pada Jaringan Model (A)

Untuk Gambar 22adalah grafik hasil estimasi dari distribusi log normal, distribusi gamma dan distribusi weibull terhadap sampel data (length) dari trafik data dengan seranganFIN Scan . Pada pengujian dengan perhitungan nilai Mean Square Error terkecil seperti yang ditunjukkan pada tabel 1 (lampiran), data trafik data dengan seranganFIN Scan adalah berdistribusi log normal, dan pada hasil estimasi yang telah dilakukan terlihat pada gambar 3 (lampiran) dapat dilihat histogram dari data dan grafik hasil estimasi dari distribusi log normal memiliki kemiripan dari pola grafik yang terbentuk, dengan parameter σ sebesar 1,08723 dan μ sebesar 4,73673.

d. Trafik Data Normal dengan SYN Scan dan

Gambar 23 Grafik Estimasi Trafik Data dengan Serangan SYN Scan pada Jaringan Model (A)

Gambar23menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap data populasi dari trafik data normal yang ditunjukkan pada dengan histogram. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola terhadap histogram data lebih baik dengan uji Mean Square Error paling kecil sebesar (0,001802643) seperti yang ditunjukkan di dalam tabel 1 lampiran

e. Trafik Data Normal dengan Port Scanner dan

Gambar 24 Grafik Estimasi Trafik Data dengan Serangan Port Scanner pada Jaringan Model (A)

Grafik trafik data dengan port scanner attack pada gambar 24dapat dilihat pada grafik hasil estimasi distribusi log normal juga cenderung mengikuti pola dari histogram populasi data. Hal ini sesuai dengan pengujian sebelumnya yang menunjukkan kecenderungan terhadap distribusi log normal dengan menggunakan nilai Mean Square Error terkecil sebesar (0,003140849)dan nilai Anderson Darling terkecil (AD=0,552) terdapat pada distribusi log normal .

5. Plotting Distribusi pada Model

Jaringan B

a. Trafik Data Normal dan Grafik

Estimasi Model Jaringan (B)

Gambar 25 Grafik Estimasi Trafik Data Normal pada jaringan Model (B).

Gambar 25menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap data length dari trafik data normal yang ditunjukkan pada dengan histogram. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola terhadap histogram data lebih baik dengan Mean Square Error paling kecil sebesar (0,000396091) seperti yang ditunjukkan di dalam tabel 2 lampiran

b. Trafik Data Normal dengan ACK Scan

dan Grafik Estimasi Model Jaringan (B)

(10)

Gambar 26 Grafik Estimasi Trafik Data Normal dengan ACK Scan pada jaringan Model (B).

Gambar 26 adalah grafik hasil estimasi dari ketiga jenis distribusi yang diujikan yaitu distribusi log normal, distribusi gamma dan distribusi weibull terhadap sampel data (length) dari trafik data dengan serang ACK Scan. Pada pengujian dengan menggunakan perhitungan nilai Mean Square Error terkecil seperti yang ditunjukkan dalam tabel 2 pada lampiran sebelumnya, data trafik data dengan serangan ACK Scan adalah berdistribusi log normal, hasil estimasi yang telah dilakukan terlihat pada gambar 2 dalam lampiran dapat dilihat histogram dari data dan grafik hasil estimasi dari distribusi log normal memiliki kemiripan dari pola dengan histograam data populasi sampel, dengan parameter σ sebesar 0,965216 dan μ sebesar 4,53365

c. Trafik Data Normal dengan FIN Scan dan

Grafik Estimasi Model Jaringan (B)

Gambar 27 Grafik Estimasi Trafik Data Normal dengan FIN

Scan pada jaringan Model (B).

Untuk Gambar 27adalah grafik hasil estimasi dari distribusi log normal, distribusi gamma dan distribusi weibull terhadap sampel data (length) dari trafik data dengan seranganFIN Scan . Pada pengujian dengan perhitungan nilai Mean Square Error terkecil seperti yang ditunjukkan pada tabel 2 (lampiran), data trafik data dengan seranganFIN Scan adalah berdistribusi log normal, dan pada hasil estimasi yang telah dilakukan terlihat pada gambar 3 (lampiran) dapat dilihat histogram dari data dan grafik hasil estimasi dari distribusi log normal memiliki kemiripan dari pola grafik yang terbentuk, dengan parameter σ sebesar 1,44395 dan μ sebesar 5,3569.

d. Trafik Data Normal dengan SYN Scan dan

Grafik Estimasi Model Jaringan (B)

Gambar 28 Grafik Estimasi Trafik Data Normal dengan SYN Scan pada jaringan Model (B).

Gambar28 menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap data populasi dari trafik data normal yang ditunjukkan pada dengan histogram. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola terhadap histogram data lebih baik dengan uji Mean Square Error paling kecil sebesar (0,001285612) seperti yang ditunjukkan di dalam tabel 2 lampiran

e. Trafik Data Normal dengan Port

Scanner dan Grafik Estimasi Model Jaringan (B)

Gambar 29 Grafik Estimasi Trafik Data Normal dengan Port Scanner pada jaringan Model (B).

Grafik trafik data dengan port scanner attack pada gambar 29 dapat dilihat pada grafik hasil estimasi distribusi log normal juga cenderung mengikuti pola dari histogram populasi data. Hal ini sesuai dengan pengujian sebelumnya yang menunjukkan kecenderungan terhadap distribusi log normal dengan menggunakan nilai Mean Square Error terkecil sebesar (0,001202888)dan nilai Anderson Darling terkecil (AD=2,103) terdapat pada distribusi log normal .

Hasil dan Pembahasan

Tabel 3 merupakan hasil analisis secara statistik yang menunjukkan bahwa trafik serangan pada jaringan keseluruhannya berdistribusi log normal dengan parameter σ dan μ serta nilai Mean Square Error terkecil seperti yang ditunjukkan pada tabel 3 diatas. Untuk serangan pada jaringan model (A)

(11)

didapatkan nilai parameter σ tidak jauh beda antara serangan ACK Scan (σ = 1,2481), FIN Scan (σ = 1,0872), SYN Scan (σ = 1,2265) dan Port Scanner (σ = 1,0361) dan untuk parameter μACK Scan (μ = 4,9438), FIN Scan (μ = 4,7367), SYN Scan (μ = 4,9233) dan Port Scanner (μ = 4,6253)

Untuk jaringan model (B) juga didapatkan hasil yang tidak jauh beda, nilai parameter yang didapatkan antar serangan hampir sama, hanya terdapat berbedaan sedikit berbeda pada serangan ACK Scan yakni dengan (σ = 0,9652) dan (μ = 4,5337). Sedangkan untuk serangan lainnyam nilai parameter yang didapatkan adalah FIN Scan (σ = 1,4439), SYN Scan (σ = 1,5766) dan Port Scanner (σ = 1,4744) dan untuk nilai μ, FIN Scan (μ = 5,3569), SYN Scan (μ = 5,7579) dan Port Scanner (μ = 5,4576).

.

Simpulan

Dari hasil analisis karakterisasi profil serangan pada jaringan , didapatkan hasil estimasi untuk distribusi log normal gamma dan weibull dan perhitungan untuk nilai Mean Square Error terkecil, sehingga dapat disimpulkan.

Trafik data normal dan trafik data dengan serangan ACK Scan, FIN Scan, SYN Scan dan Port Scanner pada jaringan model (A) berdistribusi log normal dengan nilai Mean Square Error terkecil untuk masing-masing jenis trafik data adalah trafik data normal (0,001380713), trafik data dengan ACK Scan (0,00212328), trafik data dengan FIN Scan (0,00281106), trafik data dengan SYN Scan (0,001285612) dan trafik data dengan serangan Port Scanner (0,003140849).

Dan pada jaringan model (B) didapatkan trafik data normal dan trafik data dengan serangan ACK Scan, FIN Scan, SYN Scan dan Port Scanner pada jaringan berdistribusi log normal dengan nilai Mean Square Error untuk trafik data normal (0,000396091), trafik data dengan ACK Scan (0,001975401), trafik data dengan FIN Scan (0,001172864), trafik data dengan SYN Scan (0,001285612) dan trafik data dengan serangan Port Scanner (0,001161516).

Dari hasil analisis dan perhitungan dengan parameter-parameter hasil estimasi yang telah dilakukan, dapat disimpulkan bahwa trafik data normal dan trafik data dengan disertai serangan ACK Scan, FIN Scan, SYN Scan dan Port Scanner berdistribusi log normal.

DAFTAR PUSTAKA

Bafadal, A. K. (2013, March 27).

http://arifkamarbafadal.wordpress.com/2013/0 3/27/menguji-distribusi-data-dengan-minitab/. Dipetik December 08, 2013, dari

arifkamarbafada.wordpress.com:

http://arifkamarbafadal.wordpress.com/2013/0 3/27/menguji-distribusi-data-dengan-minitab/ Dr. Ir. Harinaldi, M. (2002). Prinsip-prinsip STATISTIK

untuk Teknik dan Sains. Ciracas, Jakarta: ERLANGGA.