ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD
SKRIPSI
SISKA MELINWATI 061401040
PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2011
Universitas Sumatera Utara
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD
SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
SISKA MELINWATI 061401040
PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2011
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
Kategori Nama Nomor Induk Mahasiswa Program Studi Departemen Fakultas
: ANALISIS DAN PERANCANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN PADA JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD : SKRIPSI : SISKA MELINWATI : 061401040 : SARJANA (S1) ILMU KOMPUTER : ILMU KOMPUTER : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, 10 Januari 2011
Komisi Pembimbing : Pembimbing 2
Pembimbing 1
Amer Sharif, S.Si, M.Kom Nip.
Syahriol Sitorus, S.Si, MIT NIP: 197103101997031004
Diketahui/Disetujui oleh Departemen Ilmu Komputer FMIPA USU Ketua,
Prof. Dr. Muhammad Zarlis NIP. 195707011986011003
Universitas Sumatera Utara
iii PERNYATAAN
ANALISIS DAN PERANCANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 10 Januari 2011
SISKA MELINWATI 061401040
Universitas Sumatera Utara
iv
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena kasih dan karuniaNya yang selalu menyertai penulis sehingga karya tulis ini berhasil diselesaikan dalam waktu yang telah ditetapkan. Ucapan terima kasih penulis sampaikan kepada Bapak Syahriol, S.Si, MIT dan Bapak Amer Sharif S.Si, M.Kom selaku pembimbing untuk menyelesaikan skripsi ini dan telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan karya tulis ini. Ucapan terimakasih juga penulis sampaikan kepada Prof. Dr. Muhammad Zarlis dan Syahril Efendi, S.Si, MIT selaku dosen penguji. Panduan ringkas, padat, dan profesional telah diberikan kepada penulis agar dapat menyelesaikan tugas ini. Ucapan terima kasih juga ditujukan kepada ketua dan sekretaris Departemen ilmu komputer, Bapak Dr. Poltak Sihoming M.Kom dan Iu Maya Silvi Lydia B.Sc, M.Sc. Panduan ringkas, padat dan propesional telah diberikan kepada penulis agar dapat menyelesaikan tugas akhir ini. Ucapan terimakasih juga di tujukan kepada Dekan dan Pembantu Dekan Fakultas Matematikan dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, serta dosen serta para pegawai pada Departemen Ilmu Komputer dan FMIPA USU, Tidak lupa juga penulis ucapkan terima kasih yang sebesar-besarnya kepada kedua Orangtuaku Ibu T. Marpaung dan Bapak A.B. Sitorus yang selalu memberikan cinta kasihnya dan dukungan, baik secara materil dan spiritual. Buat saudara-saudara penulis Bang Royles Toni Sitorus beserta Kak Hotmauli Simanjuntak, Bang Agus Santoso Sitorus dan Bang Pahotan Sumardi Sitorus terima kasih atas perhatian dan dukungan serta motivasi yang diberikan kepada penulis. Penulis juga mengucapkan terima kasih kepada semua rekan-rekan kuliah di S1 Ilmu Komputer USU dan semua pihak yang tergabung di Yayasan Global Sejahtera Indonesia tanpa terkecuali yang telah membantu penulis dalam menyelesaikan tugas akhir ini dan memberikan semangat serta dorongan kepada penulis. Semoga Tuhan Yang Maha Esa memberikan limpahan karunia kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Universitas Sumatera Utara
i
ABSTRAK
Deteksi intrusi jaringan komputer dapat di lakukan dengan memanfaatkan teknologi Jaringan Syaraf Tiruan (JST), yang berfungsi seperti otak manusia arsitektur multilayer feedforward dan algoritma pembelajaran Backpropagation. Arsitektur multilayer terdiri atas layer input, hidden layer dan output. Di mana setiap later dapat terdiri dari satu atau lebih neuron. Sinyal input berupa variabel nilai dari data intrusi yang telah dinormalisasi sehingga memghasilkan antara nilai 0 dan 1. Dari hasil pengujian dapat di simpulkan bahwa pemilihan parameter dan bobot yang dapat digunakan untuk deteksi intrusi ditentukan oleh hasil training, jika tingkat error yang diperoleh minimum maka parameter dan bobot hasil training akan di pakai untuk mendeteksi intrusion. Hasil training menunjukkan bahwa dari target error 1x10-6 hasil terbaik yang diperoleh adalah tingkat error sebesar (9.28x10-7) untuk satu hidden layer dengan 15 neuron. Tingkat error tersebut dicapai dalam waktu 1 detik dan jumlah iterasi sebanyak 12 epoch. Simulasi menggunakan satu hidden dengan 15 neuron tidak membuat performance menjadi lebih baik. Sedang untuk 50 neuron, tingkat error hanya mencapai 0.164 dengan 32 epoch dan membutuhkan waktu sekitar 39 detik.
Universitas Sumatera Utara
ii ANALYSIS AND DESIGN OF COMPUTER NETWORKS INTRUSIONDETECTION USING MULTILAYER FEEDFORWARD ARTIFICIAL NEURAL NETWORK WITH BACKPROPAGATION TRAINING ABSTRACT
Intrusion detection in computer networks may be achived by utilizing Artificial Neural Networks (ANN), which serves as a model the human brain with multilayer feedforward architecture and backpropagation training algorithm. This architecture consists of an input layer, one or more hidden layer, and output layer where each layer may consists of one or more neurons. Input signals are obtained from intrusion data which where normalized to yield values between 0 and 1. From the test results we may concluded that the parameters and weights for intrusion detection are determined by the training results, if the error level achieved is minimum then the parameters and weights from the training will be used for intrusion. Training results indicated that for a target error of 1x109-7, the minimum error level which can be achieved was (9.28x107
) for a single hidden layer with 15 neurons. This error level was achieved in a time of
one second and 12 epochs interations. Simulation using training results indicated that for a single hidden layer with neurons more than 15 did not yield a better performance. With 50 neurons, error level was only 0,164 with 32 epoch and time required 39 seconds.
Universitas Sumatera Utara
v DAFTAR ISI
Halaman Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar Bab 1 Pendahuluan 1.1 Latar Belakang 1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian 1.5 Manfaat Penelitian 1.6 Metode Penelitian 1.7 Sistematika Penulisan Bab 2 Tinjauan Pustaka 2.1 Analisis Jaringan 2.2 TCP/IP 2.2.1 Arsitektur TCP/IP 2.2.2 Paket 2.2.3 Koneksi TCP/IP 2.2.4 Pendeteksi Intrusi Jaringan 2.3 Model Neuron 2.3.1 Neuron Biologis 2.4 Arsitektur Neural Network 2.4.1 Jaringan Syaraf Lapisan Tunggal 2.4.2 Jaringan Syaraf Lapisan Ganda 2.5 Fungsi Aktivasi Pada Neural Network 2.5.1 Fungsi Identitas 2.5.2 Fungsi Tangga Aktivasi 2.5.3 Fungsi Simetric Hard Limit 2.5.4 Fungsi Sigmoid Binari 2.5.5 Fungsi Sigmoid Bipolar 2.5.6 Fungsi Saturating Linear 2.5.7 Fungsi Symetric Saturating Linear 2.5.8 Fungsi Invers Sigmoid Bipolar 2.5.9 Fungsi Tangent Hyperbolic 2.6 Training Pada Artificial Neural Network 2.6.1 Supervised Training 2.6.2 Unsupervised Training
ii iii iv v vi vii ix x 1 1 2 2 2 3 3 3 5 5 6 6 6 7 8 9 9 10 11 12 13 13 14 14 15 15 16 16 17 17 18 18 18
Universitas Sumatera Utara
vi 2.7 Perceptron 2.7.1 Jaringan dengan Threshold dan Fungsi Aktivasi 2.7.2 Algoritma Feedforward 2.7.3 Perceptron Lapis Ganda 2.8 Ilustrasi Proses feedforward 2.8.1 Ilustrasi Proses Alur Maju 2.8.2 Algoritma Backpropagation dalam Jaringan Syaraf Tiruan
19 19 21 23 23 25 27
Bab 3 Analisis dan Perancangan 3.1 Analisis 3.2 Persiapan Input Data 3.2.1 Membaca Input Data 3.2.2 Normalisasi Data 3.3 jaringan Feedforward 3.3.1 Membangun Suatu Jaringan Alur Maju Feedforward 3.4 Pelatihan dan Pembelajaran 3.4.1 Simulasi dan Pembelajaran 3.4.2 verifikasi Hasil dan Data Pelatihan
31 31 32 32 33 34 36 38 38 40
Bab 4 Implementasi dan pengujian 4.1 Implementasi dan Pengujian 4.2 pelatihan 4.2.1 Data Parameter 4.2.2 Gambar dan Hasil 4.3 Pengujian
40 40 40 40 41 50
Bab 5 Kesimpulan dan Saran 5.1 Kesimpulan 5.2 Saran
55 55 55
Daftar Pustaka
Universitas Sumatera Utara
v
DAFTAR TABEL
Halaman Tabel 3.1 Data Intrusion Tabel 3.2 Argumen Untuk tiap Lapis Tabel 3.3 Sintaks Tabel 4.1 Data Parameter
32 37 38 44
Universitas Sumatera Utara
1
DAFTAR GAMBAR
Halaman Gambar 2.1 Gambar 2.2 Gambar 2.3 Gambar 2.4 Gambar 2.5 Gambar 2.6 Gambar 2.7 Gambar 2.8 Gambar 2.9 Gambar 2.10 Gambar 2.11 Gambar 2.12 Gambar 2.13 Gambar 2.14 Gambar 2.15 Gambar 2.16 Gambar 2.17 Gambar 2.18 Gambar 2.19 Gambar 2.20 Gambar 2.21 Gambar 2.22 Gambar 2.23 Gambar 2.24 Gambar 2.25 Gambar 2.26 Gambar 2.27 Gambar 3.1a Gambar 3.1b Gambar 3.27 Gambar 3.4 Gambar 3.5 Gambar 3.6 Gambar 3.7 Gambar 4.1
Model Internet TCP/IP Contoh Paket Http Three-way handshake Pemodelan Neuron Biologis Neural Network model Strukture Neural Network Single Layer Neural Network Multilayer Fungsi Identitas (linear) Fungsi HardLimit Fungi Symetric HardLimit Fungsi Sigmoid Binary Fungsi Sigmoid Bipolar Fungsi Saturating Linear Symetric Saturating linear Fungsi Invers Sigmoid Bipolar Jaringan Syaraf Lapisan Tunggal dengan satu Output dan dua Input Jaringan Lapis Tunggal Merepresentasikan Suatu Fungsi Garis Pemisah Jaringan Topologi umum Feedforward dengan Multilayers Proses Pengujian pada Perceptron lapis Ganda (Multilayers) Model Sederhana Jaringan dengan dua Input dan satu output Dengan Total Enam Neuron Proses Penjumlahan dan threshold Pada Satu Buah Neuron Perhitungan Keluaran Neuron node.1 Perhitungan Keluaran Neuron node.2 Perhitungan Keluaran Neuron node.3 Perhitungan Keluaran Neuron node.4 Perhitungan Keluaran Neuron node.5 Perhitungan Keluaran Neuron node.6 Jaringan Tunggal dari S Logsing Neuron Diagram Lapis Logsing Jaringan Feedforward GUI Aplikasi pendeteksi Gangguan Tampilan Performance Hasil Data Pelatihan Arsitektur Multilayer Menggunakan Pelatihan Feedforward Grafik dari Kode A01
6 7 7 9 11 12 12 13 14 14 15 15 16 17 17 19 21 21 23 24 24 26 26 27 27 28 28 32 32 33 37 37 38 38 41
Universitas Sumatera Utara
2 Gambar 4.2 Gambar 4.3 Gambar 4.4 Gambar 4.5 Gambar 4.6 Gambar 4.7 Gambar 4.8 Gambar 4.9 Gambar 4.10 Gambar 4.11 Gambar 4.12 Gambar 4.13 Gambar 4.14 Gambar 4.15 Gambar 4.16 Gambar 4.17 Gambar 4.18
Grafik dari Kode A02 Grafik dari Kode A03 Grafik dari Kode A04 Grafik dari Kode A05 Grafik dari Kode A06 Grafik dari Kode A07 Grafik dari Kode A08 Grafik dari Kode A09 Pengujian Konfigurasi A01 Pengujian Konfigurasi A02 Pengujian Konfigurasi A03 Pengujian Konfigurasi A04 Pengujian Konfigurasi A05 Pengujian Konfigurasi A02 Pengujian Konfigurasi A03 Pengujian Konfigurasi A04 Pengujian Konfigurasi A05
42 43 44 46 47 48 49 50 51 52 53 54 55 56 57 58 59
Universitas Sumatera Utara
