bab iv hasil dan pembahasanrepository.dinamika.ac.id/id/eprint/1104/6/bab_iv.pdf · perangkat keras...

BAB IV

HASIL DAN PEMBAHASAN

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

39

40

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.

41

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

42

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.

43

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

Pe

rce

nt

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

Pe

rce

nt

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

9990

50

10

1

T rafik Data Normal

Pe

rce

nt

GammaA D = 1,828 P-V alue < 0,005

Goodness of F it Test

LognormalA D = 0,749 P-V alue = 0,040

WeibullA D = 1,199 P-V alue < 0,010

Probability Plot for Trafik Data NormalLognormal - 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 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 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.

44

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

Pe

rce

nt

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 -0

9

90

50

10

1


Pe

rce

nt

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 -0

9

1,00

00E -1

0

1,00

00E-

11

9990

50

10

1


Pe

rce

nt

GammaA D = 2,366 P-V alue < 0,005




Probability Plot for Trafik Normal dengan ACK ScanLognormal - 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.

45

c. Pengujian pada Trafik Data Normal dengan FIN Scan

10,

10,

010,

001

0,000

1

0,00

001

0,000

001

99

90

50

10

1

T rafik Data Normal dg FIN Scan

Pe

rce

nt

10,

10,

010,00

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


Pe

rce

nt

10,

10,0

10,00

1

0,00

01

0,00

001

0,00

0001

0, 000

0001

0,00

0000

01

1,00

00E-

09

1,00

00E -1

0

1,00

00E -1

1

1,00

00E-

12

9990

50

10

1


Pe

rce

nt

GammaA D = 1,494 P-V alue < 0,005



WeibullA D = 0,752 P-V alue = 0,043

Probability Plot for Trafik Data Normal dg FIN ScanLognormal - 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-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

Berikut adalah hasil pengujian distirbusi dengan menggunakan metode

Anderson Darling pada trafik data dengan SYN Scan.

46

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

Pe

rce

nt

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 -0

9

90

50

10

1


Pe

rce

nt

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 -1

0

1,00

00E-

11

9990

50

10

1


Pe

rce

nt

GammaA D = 2,145 P-V alue < 0,005




Probability Plot for Trafik Normal dg SYN ScanLognormal - 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

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 normalberdasarkan hasil pengujian dengan metode

Anderson Darling.

47

e. Pengujian pada Trafik Data Normal dengan Port Scanner

10,

10,

010,00

1

0,000

1

0,00

001

0,000

001

99

90

50

10

1

T rafik Normal + Port Scanner

Pe

rce

nt

10,

10,01

0,00

1

0,000

1

0,00

001

0,000

001

0,00

0000

1

0,000

0000

1

1,00

00E -0

9

1,00

00E -1

0

90

50

10

1


Pe

rce

nt

10,1

0,01

0,001

0,000

1

0,000

01

0,000

001

0,00

0000

1

0,000

0000

1

1,0000

E-09

1,00

00E-10

1,00

00E-

11

1,00

00E-12

1,00

00E-13

9990

50

10

1


Pe

rce

nt

GammaA D = 1,902 P-V alue < 0,005




Probability Plot for Trafik Normal + Port ScannerLognormal - 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.

48

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

Pe

rce

nt

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

1,00

00E-

11

1,00

00E -1

2

90

50

10

1

T rafik Data Normal

Pe

rce

nt

0,10,01

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-12

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

9990

50

10

1

T rafik Data Normal

Pe

rce

nt

GammaA D = 3,481 P-V alue < 0,005




Probability Plot for Trafik Data NormalLognormal - 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.

49

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

Pe

rce

nt

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 -0

9

1,00

00E -1

0

90

50

10

1


Pe

rce

nt

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

00E-

11

1,00

00E-

12

1,00

00E-

13

9990

50

10

1


Pe

rce

nt

GammaA D = 2,265 P-V alue < 0,005




Probability Plot for Trafik Data dg ACK ScanLognormal - 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.

50

0,10,010,0010,00010,000010,000001

99

90

50

10

1

T rafik data dengan FIN Scan

Pe

rce

nt

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 -0

9

90

50

10

1


Pe

rce

nt

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 -1

0

1,00

00E-

11

9990

50

10

1


Pe

rce

nt

GammaA D = 2,855 P-V alue < 0,005


LognormalA D = 1,137 P-V alue < 0,005


Probability Plot for Trafik data dengan FIN ScanLognormal - 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

Pe

rce

nt

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 -0

9

1,00

00E -1

0

90

50

10

1


Pe

rce

nt

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

00E-

11

1,00

00E-

12

1,00

00E-

13

9990

50

10

1


Pe

rce

nt

GammaA D = 3,988 P-V alue < 0,005




Probability Plot for Trafik data dengan SYN ScanLognormal - 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

51

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

0,10,010,0010,00010,000010,000001

99

90

50

10

1

T rafik data dengan Port Scanner

Pe

rce

nt

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 -0

9

90

50

10

1

T rafik data dengan Port ScannerP

erc

en

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 -1

0

1,00

00E-

11

9990

50

10

1

T rafik data dengan Port Scanner

Pe

rce

nt

GammaA D = 3,051 P-V alue < 0,005




Probability Plot for Trafik data dengan Port ScannerLognormal - 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.

52

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.

00

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)

53

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.

00

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 LengthF(x) Log NormalF(x) GammaF(x) Weibull

(σ = 1,248 ; μ = 4,943)

(α = 0,6483 ; β = 555,25)

(α = 277,838 ; β = 0,71914)

54

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 NormalF(x) GammaF(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)1F(x) Log NormalF(x) GammaF(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)

55

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

56

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


(σ = 1,54679 ; μ = 6,1238)

(α = 934,672; β = 0,9137)

(α = 0,79225 ; β = 1220,17)

57

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


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 1026-1107 1108-1189 1190-1271 1272-1353 1354-1435 1436-1517


(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)

58

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


(σ = 1,57661 ; μ =5 ,7579)

(α = 687,157; β = 0,77177)

(α = 0,66910; β = 1174,7)

59

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


(σ = 1,4744 ; μ =5,4576)

(α = 500,081; β = 0,729651)

(α = 0,639413; β = 955,437)

60

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 σ=1,2481 μ= 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

61

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.

62

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 15000

1

2

3

4

5

6

7x 10

-3

Trafik dengan ACK ScanTrafik dengan FIN ScanTrafik dengan SYN ScanTrafik 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

63

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 15000

1

2

3

4

5

6

7

8x 10

-3

Trafik dengan ACK ScanTrafik dengan FIN ScanTrafik dengan SYN ScanTrafik 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

bab iv hasil dan pembahasanrepository.dinamika.ac.id/id/eprint/1104/6/bab_iv.pdf · perangkat keras...

Documents