Pembahasan yang dilakukan nerupakan hasil dari percobaan dan perhitungan dengan parameter-parameter yang ada. Setelah itu dilakukan pengolahan data dan analisis untuk mendapatkan karakteristik profil serangan pada jaringan secara statistik.
4.1 Metode Penelitian
Sebelum dilakukan percobaan dan analisis karakterisasi profil serangan pada jaringan dengan melakukan pemodelan terhadap lalulintas data dibutuhkan beberapa komponen pendukung seperti kebutuhan akan perangkat keras maupun perangkat lunak dengan kriteria tertentu. Adapun kebutuhan perangkat lunak dan perangkat keras adalah sebagai berikut.
4.1.1 Kebutuhan Sistem
Kebutuhan perangkat keras yang digunakan adalah sebagai berikut: Tabel 4.1. Kebutuhan Perangkat Keras
Perangkat Keras Spesifikasi
Processor Dual Core
Memori 2GB RAM
Sistem Operasi Windows 7 64/32 bit
4.1.2 Kebutuhan Perangkat Lunak
Untuk kebutuhan perangkat lunak yang digunakan dalam menunjang tugas akhir ini adalah:
Tabel 4.2. Kebutuhan Perangkat Lunak
Perangkat Lunak Uraian
Matlab 7.1 Aplikasi yang digunakan untuk mengolah file excel dan mengolah data
Minitab 16 Aplikasi yang digunakan untuk mengolah file excel dan analisis statistik
Wireshark Aplikasi yang digunakan untuk melakukan capture paket data jaringan.
Mincrosoft Excel 2010
Aplikasi yang digunakan untuk mengolah data hasil percobaan dan membuat grafik hasil percobaan dan perhitungan
4.2 Tujuan
Percobaan dilakukan untuk mendapatkan data trafik internet yang berupa trafik data normal ataupun trafik yang disertai data serangan yang meliputi ACK Scan, FIN Scan, SYN Scan dan Port Scaner Tool.Data selanjutnya diolah dengan beberapa parameter yang ada dan melakukan analisis untuk mengetahui kecenderungan distribusi yang mendasari data.
4.3 Hasil dan Pembahasan
Setelah melakukan percobaan dan melakukan perhitungan dengan menggunakan metode yang mengacu kepada nilaiMean Square Error dan metode Anderson-Darling didapatkan hasil sebagai berikut.
4.3.1Uji Distribusi dengan Mean Square Error
Tabel 4.3. Hasil Perhitungan Mean Square Error pada Model Jaringan (A)
Distribusi
Mean Square Error
Trafik Data Normal Trafik Data denganACK Scan Trafik Data dengan FIN Scan Trafik Data dengan SYN Scan Trafik Data dengan Port Scanner Log Normal 0,001380713 0,00212328 0,00281106 0,001802643 0,003140849 Gamma 0,001434518 0,002228747 0,0029248 0,001904627 0,00326773 Weibull 0,001424121 0,002210729 0,002915512 0,0018894 0,00326832
Tabel 4.4. Hasil Perhitungan Mean Square Error pada Model Jaringan (B)
Distribusi
Mean Square Error
Trafik Data Normal Trafik Data dengan ACK Scan Trafik Data dengan FIN Scan Trafik Data dengan SYN Scan Trafik Data dengan Port Scanner Log Normal 0,000396091 0,001975401 0,001172864 0,001285612 0,001161516 Gamma 0,000417786 0,002145662 0,001229382 0,00131635 0,001210613 Weibull 0,000419274 0,002138297 0,001218693 0,001310225 0,001202888
Pada tabel 4.3. merupakan hasil perhitungan dari Mean Square Errormenggunakan persamaan seperti pada gambar 3.13.untukmodel 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 Scannermempunyai nilai paling kecil daripada distribusi gamma dan weibull. Pada trafik data normal nilai MSEdistribusi log normal sebesar 0,000396091, untuk trafik data dengan ACK Scan sebesar 0,001975401, trafik data dengan FIN Scan0,001172864, trafik data dengan SYN Scan0,001285612 dan trafik data dengan Port Scanner sebesar 0,001161516.
NilaiMean Square Error pada tabel 4.3. diatas 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 4.3. diatas. Pada percobaan yang dilakukan pada topologi model B dengan banyak host dapat dilihat hasil perhitungan MSE (Mean Square Error)menggunakan persamaan yang terdapat pada gambar 3.13. hasil pada tabel 4.4. menunjukkan kecenderungan terhadap distribusi log normal untuk keempat jenis trafik data. Hal ini ditunjukkan dengan nilai MSE terkecil yang terdapat pada distribusi log normal dengan nilai MSE untuk trafik data normal sebesar 0,000396091, pada trafik data dengan ACK Scan0,001975401, trafik data dengan FIN Scan0,001172864, trafik data dengan SYN Scan0,001285612 dan trafik data dengan Port Scannersebesar 0,001161516.Hal ini menunjukkan bahwa kurva distribusi lognormal yang diujikanpada saat proses fittingdistribusi memiliki pola trendline yang lebih mengikuti pola dari histogram data sampel (length) daripada distribusi gamma dan weibull.
4.3.2 Uji Distribusi dengan Metode Anderson Darling 1. Uji Distribusi pada Model Jaringan (A)
Pengujian distribusi terhadap data dengan metode Anderson Darling ini didasarkan pada nilai AD terkecil. Berikut adalah hasil pengujian distribusi yang mendasari sebuah data menggunakan metode Anderson Darling dan pola sebaran data terhadap garis taksiran.
a. Pengujian pada Trafik Data Normal 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1
T rafik Data Normal
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 90 50 10 1
T rafik Data Normal
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 99 90 50 10 1
T rafik Data Normal
P e rc e n t Gamma A D = 1,828 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 0,749 P-V alue = 0,040 Weibull A D = 1,199 P-V alue < 0,010
Probability Plot for Trafik Data Normal
Lognormal - 95% C I Weibull - 95% C I
Gamma - 95% C I
Gambar 4.1.Anderson-Darling Test untuk Trafik Data Normal pada Jaringan Model (A)
Pada gambar 4.1. 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 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 cinderung 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 nilaiAnderson-Darling(AD)terkecil serta pola sebaran data terhadap garis taksiran.
b. Pengujian pada Trafik Data Normal dengan ACK Scan 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 99 90 50 10 1
T rafik Normal 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
T rafik Normal dengan A CK 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 00E -09 1,00 00E -10 1,00 00 E-11 99 90 50 10 1
T rafik Normal dengan A CK Scan
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 4.2.Anderson-Darling Test untuk Trafik Normal dengan ACK Scanpada Jaringan Model (A)
Gambar 4.2. menunjukkan hasil pengujian distribusi untuk trafik data normal dengan ACK Scan. Dari hasil dapat dilihat pada kolomGoodness of Fit testpada 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 terbesarada pada distribusi log normal, menunjukkan bahwa data cenderung berdistribusi log normal. Untuk sebaran dataterhadap 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 rafik 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 Normal 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 4.3.Anderson-Darling Test untuk Trafik Normal dengan FIN Scanpada Jaringan Model (A)
Hasil Goodness of Fit Testpada gambar 4.3.menunjukkan nilai AD dan P-Value pada distribusi log normal sebesar (AD=0,356) dengan P-P-Value(0,406). Sedangkan nilai Anderson-Darling untuk distribusi gamma (AD=1,494) dengan 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
Berikut adalah hasil pengujian distirbusi dengan menggunakan metode Anderson Darling pada trafik data 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 rafik 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 Normal 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 4.4.Anderson-Darling Test untuk Trafik Normal dengan SYN Scannerpada Jaringan Model (A)
Dapat dilihat pada gambar 4.4.yang menunjukkan nilai Anderson Darling (AD) dan P-Value dari trafik data dengan serangan SYN Scandidapat nilai AD dan 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 normalberdasarkan 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 Normal + 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
T rafik Normal + Port Scanner
P e rc e n t 1 0,1 0,01 0,001 0,000 1 0,000 01 0,000 001 0,00 0000 1 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 99 90 50 10 1
T rafik Normal + Port Scanner
P e rc e n t Gamma A D = 1,902 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 0,552 P-V alue = 0,125 Weibull A D = 1,029 P-V alue < 0,010
Probability Plot for Trafik Normal + Port Scanner
Lognormal - 95% C I Weibull - 95% C I
Gamma - 95% C I
Gambar 4.5.Anderson-Darling Test untuk Trafik Normal dengan Port Scannerpada 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) 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.
2. Uji Distribusi pada Model Jaringan (B)
Berikut ini adalah hasil pengujian distribusi yang mendasari sebuah data menggunakan metode Anderson-Darling dan pola sebaran data.
a. Pengujian pada Trafik Data Normal 0,1 0,01 0,00 1 0,000 1 0,00 001 0,000 001 0,00 0000 1 0,000 0000 1 99 90 50 10 1
T rafik Data Normal
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 00 E-09 1,00 00 E-10 1,00 00 E-11 1,00 00E -12 90 50 10 1
T rafik Data Normal
P e rc e n t 0,1 0,01 0,00 1 0,000 1 0,000 01 0,000 001 0,000 0001 0,00 0000 01 1,000 0E-0 9 1,000 0E-1 0 1,000 0E-1 1 1,000 0E-1 2 1,000 0E-1 3 1,000 0E-1 4 1,000 0E-1 5 1,000 0E-1 6 1,000 0E- 1 7 1,000 0E-1 8 99 90 50 10 1
T rafik Data Normal
P e rc e n t Gamma A D = 3,481 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 0,978 P-V alue = 0,010 Weibull A D = 1,787 P-V alue < 0,010
Probability Plot for Trafik Data Normal
Lognormal - 95% C I Weibull - 95% C I
Gamma - 95% C I
Gambar 4.6.Anderson-Darling Test untuk Trafik Data Normalpada Jaringan Model (B)
Gambar 4.6. 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 cinderung berdistribusi log normal.
b. Pengujian pada Trafik Data Normal dengan ACK Scan
Gambar 4.7. berikut menunjukkannilai AD dan P-Value dari hasil ujiyang dilakukan pada trafik data dengan ACK Scan.
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
T rafik Data dg A CK 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 00 E-10 1,00 00 E-11 1,00 00 E-12 1,00 00 E-13 99 90 50 10 1
T rafik Data dg A CK Scan
P e rc e n t Gamma A D = 2,265 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 0,527 P-V alue = 0,153 Weibull A D = 1,095 P-V alue < 0,010
Probability Plot for Trafik Data dg ACK Scan
Lognormal - 95% C I Weibull - 95% C I
Gamma - 95% C I
Gambar 4.7.Anderson-Darling Test untuk Trafik Data dengan ACK Scanpada Jaringan Model (B)
Goodness of Fit Test menunjukkan nilaiAnderson Darling dan P-Valuepaling 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.
c. Pengujian pada Trafik Data Normal dengan FIN Scan
Berikut pengujian terhdap trafik data dengan FIN Scan, pada Goodness of Fit Testmenunjukkan 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 menunjukkan sebaran lebih merata terhadap garis taksir pada distribusi log normal seperti yang dapat dilihat pada gambar 4.8 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
T rafik data dengan FIN 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 data dengan FIN Scan
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 4.8.Anderson-Darling Test untuk Trafik Data dengan ACK Scan pada Jaringan Model (B)
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 rafik data dengan 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 1,00 00E -10 90 50 10 1
T rafik data dengan 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 00 E-10 1,00 00 E-11 1,00 00 E-12 1,00 00 E-13 99 90 50 10 1
T rafik data dengan SYN Scan
P e rc e n t Gamma A D = 3,988 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 2,103 P-V alue < 0,005 Weibull A D = 2,831 P-V alue < 0,010
Probability Plot for Trafik data dengan SYN Scan
Lognormal - 95% C I Weibull - 95% C I
Gamma - 95% C I
Gambar 4.9.Anderson-Darling Test untuk Trafik Data dengan SYN Scan pada Jaringan Model (B)
Gambar 4.9. memperlihatkan hasil uji distribusi pada trafik data dengan SYN Scan, hasil pada kolom Goodness of FitTest menunjukkan perbandingan
nilaiAnderson 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
0,1 0,01 0,001 0,0001 0,00001 0,000001 99 90 50 10 1
T rafik data dengan Port Scanner
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 data dengan Port Scanner
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 data dengan Port Scanner
P e rc e n t Gamma A D = 3,051 P-V alue < 0,005 Goodness of F it Test Lognormal A D = 1,269 P-V alue < 0,005 Weibull A D = 2,011 P-V alue < 0,010
Probability Plot for Trafik data dengan Port Scanner
Lognormal - 95% C I Weibull - 95% C I
Gamma - 95% C I
Gambar 4.10.Anderson-Darling Test untuk Trafik Data dengan Port Scanner pada Jaringan Model (B)
Pada gambar 4.10. 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-Darlinguntuk 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.
4.3.3Plotting Distribusi
Dibawah ini adalah hasil estimasi dengan beberapa parameter yang diplotting ke matlab untuk mendapatkan grafik dari hasil estimasi terhadap data sampel (length)dari trafik data dalam jaringan.
1. Plotting dan Estimasi pada Model Jaringan (A)
Gambar 4.11.Trafik Data NormalLength dan Grafik Estimasi pada Jaringan Model (A)
Gambar 4.11. menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap data lengthdari trafik data normal yang ditunjukkan pada dengan histogram. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola terhadap histogram data lebih baik, sedangkan pada perhitungan dengan Mean Square Error paling kecil dengan menggunakan persamaan tang terdapat pada gambar 3.13.diperoleh nilai MSE paling kecil pada distribusi log normal sebesar (0,001380713)seperti yang ditunjukkan pada tabel 4.3.
0 0 1 2 3 4 5 6 7 8 9x 10 -3 56-148 149-241 242-334 335-427 428-520 521-613 614-706 707-799 800-892 893-985 986-1078 1079-1171 1172-1264 1265-1357 1358-1450 1451-1543 Kelas Interval Histogram Data --- F(x) Lognormal --- F(x) Gamma --- F(x) Weibull (σ = 1,37691 ; μ = 5,3456) (α = 0,6809 ; β = 750,444) (α = 428,463 ; β = 0,757154)
Gambar 4.12.Grafik EstimasiTrafik Data dengan Serangan ACK Scanpada Jaringan Model (A)
Pada Gambar 4.12.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 seranganACK Scan.Pada pengujian dengan menggunakan perhitungan nilai Mean Square Errorterkecil seperti yang ditunjukkan pada tabel 4.3.sebelumnya, data trafik data dengan serangan ACK Scanadalah berdistribusi log normal, dan pada hasil estimasi yang telah dilakukan terlihat pada gambar 4.12. diatas dapat dilihathistogram dari data dan grafik hasil estimasi dari distribusi log normalmemiliki kemiripan dari pola grafik yang terbentuk, dengan parameter σ sebesar 1,24809dan μ sebesar 4,943.
0 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 44-137 138-231 232-325 326-419 420-513 514-607 608-701 702-795 796-889 890-983 984-1077 1078-1171 1172-1265 1266-1359 1360-1453 1454-1547 Kelas Interval
Histogram Data Length F(x) Log Normal F(x) Gamma F(x) Weibull (σ = 1,248 ; μ = 4,943) (α = 0,6483 ; β = 555,25) (α = 277,838 ; β = 0,71914)
Gambar 4.13 Grafik Estimasi Trafik Data dengan Serangan FIN Scanpada Jaringan Model (A)
Pada tabel 4.3. menunjukkan trafik data dengan serangan FIN Scan lebih mengarah ke distribusi log normal, pada uji dengan metode Anderson Darling seperti pada gambar 3.14. juga menunjukkan nilai AD terkecil pada distribusi log normal.
Gambar 4.14. Grafik Estimasi Trafik Data dengan Serangan SYN Scanpada Jaringan Model (A)
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 156-255 256-355 356-455 456-555 556-655 656-755 756-855 856-955 956-1055 1056-1155 1156-1255 1256-1355 1356-1456 Kelas Interval 56-155
Histogram Data (Length) F(x) Log Normal F(x) Gamma F(x) Weibull 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 44-137 138-231 232-325 326-419 420-513 514-607 608-701 702-795 796-889 890-983 984-1077 1078-1171 1172-1265 1266-1359 1360-1453 1454-1547 Kelas Interval Histogram Data(Length)1 F(x) Log Normal F(x) Gamma F(x) Weibull (σ = 1,08723 ; μ = 4,7367) (α = 0,71363 ; β = 371,93) (α = 210,661 ; β = 0,75261) (σ = 1,22646 ; μ = 4,9233) (α = 0,6617; β = 521,511) (α = 269,16 ; β = 0,72757)
Gambar 4.15. Grafik Estimasi Trafik Data dengan Serangan Port Scannerpada Jaringan Model (A)
Pada gambar 4.14. dan 4.15. diatas dapat dilihat dari kedua buah grafik, pada distribusi log normal juga cinderung mengikuti pola dari histogram 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=1,269) terdapat pada distribusi log normal.
2. Plotting Hasil Estimasi pada Model Jaringan (B)
Berikut ini adalah hasil plottingnilai dari proses estimasi terhadap distribusi log normal, distribusi gamma dan distribusi weibull pada trafik data normal dan trafik data dengan beberapa serangan ACK Scan, FIN Scan, SYN Scan dan Port Scanner pada jaringan Model (B) menggunakan matlab.
0 0.005 0.01 0.015 56-155 156-255 256-355 356-455 456-555 556-655 656-755 756-855 856-955 956-1055 1056-1155 1156-1255 1256-1355 1356-1456 (σ = 1,03608 ; μ = 4,6253) (α = 0.71313; β = 333.18) (α = 185,393 ; β = 2,40006) Histogram Data --- F(x) Lognormal --- F(x) Gamma --- F(x) Weibull
Gambar 4.16. Grafik Estimasi Trafik Data Normalpada jaringan Model (B). Gambar 4.16. menunjukkan grafik hasil estimasi dari distribusi log normal dengan parameter (σ = 1,54679 ; μ = 6,1238), distribusi gamma (α = 0,79225 ; β = 1220,17) dan distribusi weibull (α = 934,672 ; β = 0,9137) terhadap histogram dari data (length) trafik data normal seperti yang ditunjukkan pada histogram di gambar 4.16. diatas. Dari hasil estimasi menunjukan trendline dari hasil estimasi distribusi log normal membentuk pola terhadap histogram dari data yang lebih baik, dengan nilai Mean Square Error paling kecil sebesar 0,000396091seperti yang ditunjukkan pada tabel 4.4. Dengan nilai Mean Square Error terkecil pada distribusi log normal menunjukkan bahwa trafik data normal berdistribusi log normal.
0 1 2 3 4 5 6 7 8x 10 -3 42-128 129-215 216-302 303-389 390-476 477-563 564-650 651-737 738-824 825-911 912-998 999-1085 1086-1172 1173-1259 1260-1346 1347-1433 1434-1520
Histogram Data (Length) F(x) Log Normal F(x) Gamma F(x) Weibull (σ = 1,54679 ; μ = 6,1238) (α = 934,672; β = 0,9137) (α = 0,79225 ; β = 1220,17)
Gambar 4.17. Grafik Estimasi Trafik Data Normal dengan ACK Scanpada jaringan Model (B).
Gambar 4.18. Grafik Estimasi Trafik Data Normal dengan FIN Scanpada jaringan Model (B).
Untuk gambar 4.17. diatas, dari hasil pengujian pada tabel 4.4. sebelumnya menunjukkan trafik data dengan serangan ACK Scan lebih mengarah ke distribusi log normal dengan uji nilai MSE terkecil sebesar0,001975401.Pada pengujian dengan metode Anderson Darling juga menunjukkan nilai AD terkecil (AD = 0,627) ada pada distribusi log normal.
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 42-128 129-215 216-302 303-389 390-476 477-563 564-650 651-737 738-824 825-911 912-998 999-1085 1086-1172 1173-1259 1260-1346 1347-1433 1434-1520
Histogram Data (Length) F(x) Log Normal F(x) Gamma F(x) Weibull 0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01 42-123 124-205 206-287 288-369 370-451 452-533 534-615 616-697 698-779 780-861 862-943 944-1025 1026-11071108-1189 1190-1271 1272-1353 1354-1435 1436-1517
Histogram Data (Length) F(x) Log Normal F(x) Gamma F(x) Weibull (σ = 0,96522 ; μ = 4,5337) (α = 0,75392; β = 273,031) (α = 163,714; β = 0,766736) (σ = 1,44395 ; μ = 5,3569) (α = 0,630114; β = 890,986) (α = 449,491; β = 0,718545)
Untuk gambar 4.18. diatas menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap data length dari trafik data normal dengan FIN Scan. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola lebih mengikuti pola histogram dari data. Hal ini membuktikan uji kecenderungan distribusi dengan nilai MSE terkecil pada distribusi log normal sebesar 0,001172864 seperti pada tabel 4.4. sama dengan pola yang ditunjukkan pada gambar 4.18. diatas yaitu data lebih mengarah pada distribusi log normal.Hal ini dapat dilihat terlihat grafik hasil estimasi pada distribusi log normal memiliki pola yang lebih mengikuti pola histogram dari data dibandingkan dengan distribusi gamma dan weibull.
Gambar 4.19. Grafik Estimasi Trafik Data Normal dengan SYN Scanpada jaringan Model (B).
Pada gambar 4.18. diatas hasil plotting ke matlab menunjukkan probabilita distribusi log normal lebih mengikuti pola dari histogram data dibandingkan dengan distribusi gamma dan weibull. Hal ini juga dibuktikan pada perhitngan nilai MSEseperti pada tabel 4.4. menujukkan MSE terkecil adalah pada distribusi log normal dengan nilai 0,001285612 dan pengujian dengan metode
0 1 2 3 4 5 6 7x 10 -3 42-123 124-205 206-287 288-369 370-451 452-533 534-615 616-697 698-779 780-861 862-943 944-1025 1026-1107 1108-1189 1190-1271 1272-1353 1354-1435 1436-1517
Histogram Data (Length) F(x) Log Normal F(x) Gamma F(x) Weibull (σ = 1,57661 ; μ =5 ,7579) (α = 687,157; β = 0,77177) (α = 0,66910; β = 1174,7)
Anderson Darling menunjukkan nilai AD terkecil ada pada distribusi log normal (AD = 2,103).
Gambar 4.20. Grafik Estimasi Trafik Data Normal dengan Port Scannerpada jaringan Model (B).
Pada gambar 4.19. menunjukkan grafik hasil estimasi dari distribusi log normal, gamma dan weibull terhadap histogram data. Hasil estimasi menunjukan trendline dari distribusi log normal membentuk pola terhadap histogram data lebih baik, dengan pertimbangan Mean Square Error paling kecil sebesar 0,001161516 dibandingkan dengan distribusi gamma dan weibull seperti yang ditunjukkan pada tabel 4.4. Pada pengujian dengan metode Anderson Darling juga menunjukkan nilai AD terkecil ada pada distribusi log normal (AD = 2,103) dibandingkan distribusi gamma dan weibul. Hal ini membuktikan bahwa pola trafik data dengan serangan port scanner cinderung berdistribusi log normal.
0 1 2 3 4 5 6 7 8 9x 10 -3 42-123 124-205 206-287 288-369 370-451 452-533 534-615 616-697 698-779 780-861 862-943 944-1025 1026-1107 1108-1189 1190-1271 1272-1353 1354-1435 1436-1517 Histogram Data (Length) F(x) Log Normal F(x) Gamma F(x) Weibull (σ = 1,4744 ; μ =5,4576) (α = 500,081; β = 0,729651) (α = 0,639413; β = 955,437)
Tabel 4.5. Hasil Percobaan dan Analsisis
Jenis Serangan Distribusi Mean Square Error
Terkecil Parameter
Jaringan Model (A)
1. ACK Scan Log Normal 0,00212328 μσ=1,2481 = 4,9438 2. FIN Scan Log Normal 0,00281106 σ = 1,0872 μ
= 4,7367 3. SYN Scan Log Normal 0,001802643 σ = 1,2265 μ = 4,9233 4. Port Scanner Log Normal 0,003140849 σ = 1,0361 μ = 4,6253
Jaringan Model (B)
1. ACK Scan Log Normal 0,001975401 σ = 0,9652 μ = 4,5337 2. FIN Scan Log Normal 0,001172864 σ = 1,4439 μ = 5,3569 3. SYN Scan Log Normal 0,001285612 σ = 1,5766 μ = 5,7579 4. Port Scanner Log Normal 0,001161516 σ = 1,4744 μ = 5,4576
Tabel 4.5. merupakan hasil analisis secara statistik yang menunjukkan bahwa trafik serangan pada jaringan keseluruhannya berdistribusi log normal dengan parameter σ dan μyang berbeda-beda. Dari perhitungan Mean Square Error terkecilmenggunakan persamaan yang terdapat pada gambar 3.13. menghasilkan nilaiseperti yang ditunjukkan pada tabel 4.5. diatas untuk kedua jenis model jaringan. Untuk serangan pada jaringan model (A) didapatkan nilaiparameter σ, untuk trafik dengan ACK Scan (σ = 1,2481), FIN Scan (σ = 1,0872), SYN Scan (σ = 1,2265) dan Port Scanner (σ = 1,0361)sedangkan untuk
parameter μ, trafik data dengan ACK Scan (μ = 4,9438), FIN Scan (μ = 4,7367), SYN Scan (μ = 4,9233) dan Port Scanner (μ = 4,6253).
Untuk jaringan model (B) didapatkan nilai parameter σ dan μyang berbeda pula antar serangan meskipun dengan berbedaan yang tidak terlalu besar yakni untuk trafik data dengan serangan ACK Scan(σ = 0,9652) dan(μ = 4,5337). FIN Scan (σ = 1,4439), SYN Scan (σ = 1,5766) dan Port Scanner (σ = 1,4744) sedangkan untuk nilai parameter μyang didapatkan, FIN Scan (μ = 5,3569), SYN Scan (μ = 5,7579) dan Port Scanner (μ = 5,4576).
Nilai parameter yang didapatkan dari kedua jenis model jaringan (A) dan model jaringan (B) yang digunakan menghasilkan parameter σ dan μ yang berbeda-beda. Hal ini dikarenakan karakteristik dari panjang paket (length)dari tiap trafik data tidak selalu sama meskipun dengan banyak paket atau paket count yang sama namun karakteristik panjang atau besar paket akan berbeda.
Perbedaan banyaknya paket yang diolah berpengaruh terhadap nilai parameter σ dan μ yang dihasilkan.Hasil analisis terhadap kurva distribusi lognormal untuk kedua jenis jaringan model (A) dan jaringan model (B) menunjukkan bahwa semakin banyak data yang diolah maka nilai parameter σ dan
μ cenderung semakin besar. Selain itu selama proses pengolahan dan analisis data penulis mendapatkan, bahwa semakin besar data yang diolah maka data akan semakin trackable atau semakin bisa untuk diestimasi seperti yang ditunjukkan pada gambar 4.20. dan 4.21. berikut ini.
Gambar 4.21. Grafik kurva trafik berbagai jenis serangan pada jaringan model (A) Gambar 4.21. diatas adalah prediksi kurva dari distribusi lognormal untuk prediksi trafik data dengan ACK Scan, FIN Scan, SYN Scan dan Port Scannerpada jaringan model (A).Perbedaan yang sangat kecil ditunjukkan pada kurva untuk serangan ACK dan SYN Scankeduanya hampir sama, hal ini karena parameter dari ACK dan SYN Scan mempunyai perbedaan nilai parameter σ dan
μyang sangat kecil dan cenderung sama, yaitu dengan σ= 1,2481;μ=4,9438 untuk ACK Scan dan untuk SYN Scan σ=1,2265; μ=4,9233, sehingga menyebabkan prediksi kurva dari trafik ACK dan SYN Scanmempunyai tren atau pola kurva yang hampir mirip.
0 500 1000 1500 0 1 2 3 4 5 6 7x 10 -3
Trafik dengan ACK Scan Trafik dengan FIN Scan Trafik dengan SYN Scan Trafik dengan Port Scanner
σ= 1,2482; μ=4,9438 σ= 1,0872; μ=4,7367 σ= 1,2265; μ=4,9233 σ= 1,0361; μ=4,6253
Prediksi trafik dengan ACK Scan Prediksi trafik dengan FIN Scan Prediksi trafik dengan SYN Scan Prediksi trafik dengan Port Scanner
Gambar 4.22.Grafik kurva trafik berbagai jenis serangan pada jaringan model (B) Pada gambar 4.21. adalah prediksi kurva distribusi lognormal dari trafik data dengan ACK Scan, FIN Scan, SYN Scan dan Port Scannerperbedaannya terlihat lebih jelas daripada kurva pada gambar 4.20. Untuk jaringan model (B),prediksi kurva distribusi lognormal untuk prediksi trafik dengan SYN Scanterlihat perbedaan yang sangat mencolok daripada kurva prediksi dari trafik serangan lainnya.Perbedaan kurva ini diakibatkan pada prediksi kurva untuk trafik dengan SYN Scanmemiliki nilai parameter σ dan μ yang paling kecil, yakni dengan σ= 0,9652 dan μ= 4,5337.Sedangkan untuk nilai parameter yang paling besar ada pada kurva prediksi dari trafik dengan SYN Scan untuk jaringan model (B), yakni dengan nilai parameter σ=1,5766 dan μ=5,7579 yang ditunjukkan dengan pola kurva prediksi yang terlihat paling landai seperti pada gambar 4.21 diatas. 0 500 1000 1500 0 1 2 3 4 5 6 7 8x 10 -3
Trafik dengan ACK Scan Trafik dengan FIN Scan Trafik dengan SYN Scan Trafik dengan Port Scanner
σ= 0,9652; μ=4,5337 σ= 1,4439; μ=5,3569 σ= 1,5766; μ=5,7579 σ= 1,4744; μ=5,4576
Prediksi trafik dengan ACK Scan Prediksi trafik dengan FIN Scan Prediksi trafik dengan SYN Scan Prediksi trafik dengan Port Scanner
