BAB II LANDASAN TEORI Bab ini akan menjelaskan kajian kepustakaan yang digunakan sebagai

21 Pages·2016·0.67 MB·Indonesian

BAB II
LANDASAN TEORI

Bab ini akan menjelaskan kajian kepustakaan yang digunakan sebagai dasar
dalam melakukan penelitian dan menjelaskan teori pendukung yang digunakan dalam
penelitian. Kajian pustaka dan teori dasar dijelaskan sebagai berikut:
2.1. Kajian Kepustakaan
a. Masalah Penelitian
Metode deteksi dikelompokan menjadi 3 (tiga) yaitu: a) berbasis
signature; b) berbasis abnormal; dan c) Statefull Protocol Analysis (SPA)
(H.-J. Liao, Richard Lin, Lin, & Tung, 2012). Keterbatasan deteksi
berbasis signature adalah dalam mengenali serangan yang belum
diketahui jenisnya. Deteksi abnormal berfungsi dalam menemukan
perilaku berbeda dari data (Steinberger, Schehlmann, Abt, & Baier, 2013).
Data yang memiliki karakteristik berbeda dengan data pada umumnya
disebut abnormal, penggunaan deteksi abnormal telah banyak
dimanfaatkan dalam berbagai bidang salah satunya pada bidang deteksi
penyusupan (Prasetyo, 2012). Beberapa penelitian deteksi abnormal
ditunjukan pada Tabel 2.1. Kajian kepustakaan yang dilakukan sebagai
dasar melakukan penelitian ditunjukan pada Tabel 2.2.
b. Deteksi Abnormal
Penelitian yang melakukan analisis kinerja anomaly-based intrusion
detection system (IDS) dalam mendeteksi serangan DoS (denial of
services) pada jaringan komputer dengan model statistika digunakan untuk
mengenali adanya serangan UDP Flood dengan menggunakan baseline
dengan tingkat akurasi 87,5% (Sucipta, Wirawan, & Muliantara, 2012),
Tabel 2.1. Masalah Penelitian
1. International 1. (Riadi, Istiyanto,
Journal of Ashari, & Subanar,
Advanced 2013)
Computer Science 2. (Sucipta, Wirawan, &
and Muliantara, 2012)
Applications(IJAC 3. (Malik & Puspita,
SA) 2014)
2. Jurnal Elektronik 4. (Waguih, 2013)
Ilmu Komputer 5. (Thakur & Dr. Gireesh
3. Proceeding of Kumar Dixit, 2013)
International
Conference on
Electrical
Jurnal Engineering,
Computer Science
and Informatics
4. IAES
International
Journal of
Artificial
Intelligence (IJ-
Deteksi AI)
Abnormal 5. International
Journal of Modern
Engineering &
Management
Research
1. Klasifikasi 1. LVQ
2. Clustering 2. C45
Metode 3. Deskripsi 3. K-Means
4. DBSCAN
5. Mean
1. Statistik 1. UDP Flooding
2. Klasifikasi 2. Flooding
Topik
3. Klustering 3. Ping & UDP
4. AI
1. Dataset 1. Distribusi
2. Metode 2. Atribut & Noise
Masalah
3. Menentukan
parameter
1. Privat 1. Trafik Udayana
2. Publik 2. Trafik Sriwijaya
Dataset
3. Trafik Ahmad Dahlan
4. KDD Cup 99 Dataset
kemudian serangan Denial of Service (DoS) pada port 80 (HTTP) yang telah
dilakukan pada penelitian framework forensik internet berbasis clustering
dengan algoritma k-means dapat mendeteksi tingkat bahaya dengan nilai
keakurasian 89,02% (Riadi, Istiyanto, Ashari, & Subanar, 2013). sementara
penggunaan teknik semi supervisi pada Machine Learning dengan DBSCAN
pada sistem pengenal penyusupan (IDS) menjelaskan pengelompokkan
serangan pada dataset KDD Cup 99 menggunakan teknik clustering dengan
algoritma DBSCAN menunjukan tingkat keakurasian 90,65% (Thakur & Dr.
Gireesh Kumar Dixit, 2013).
Tabel 2.2. Tinjauan Pustaka
Penulis Kajian Pustaka
(Riadi et al., 2013) Mengelompokan tingkat bahaya dengan K-means
berdasarkan hit dan durasi serangan pada protokol 80
(HTTP) dengan tingkat akurasi 89,02%.
(Thakur & Dr. Gireesh Pengelompokkan lalu lintas serangan dengan DBSCAN
Kumar Dixit, 2013) dengan tingkat keakurasian 90,65% pada data set KDD
Cup 99.
(Sucipta et al., 2012) Metode statistik untuk mengenali serangan UDP Flood
berdasarkan nilai baseline dengan tingkat akurasi 87,5%.
(Malik & Puspita, Klasifikasi serangan PING dan UDP Flood dengan LVQ
2014) berdasarkan rata-rata, panjang, ukuran, sumber serangan
dengan tingkat akurasi untuk kondisi normal 90%, untuk
PING Flood 100% dan UDP Flood 100% serta rata-rata
keberhasilan menemukan pola serangan baru sebesar
90,9%.
(Waguih, 2013) Tingkat akurasi metode klasifikasi (C45)dalam mendeteksi
Aktifitas Normal atau Aktifitas Anomaly pada TCP/IP
dengan tingkat akurasi pada tabel keputusan 99,985%,
pohon keputusan 99,97%, berbasis aturan 99,91%.
Kemudian pendekatan data mining dalam mengenali adanya
serangan Denial of Service menunjukan tingkat akurasi metode klasifikasi
(C45) dalam mendeteksi Aktifitas Normal dengan Aktifitas Anomaly pada
TCP/IP dengan tingkat akurasi pada: a) tabel keputusan 99,985%; b)
pohon keputusan 99,97%; c) berbasis aturan 99,91% (Waguih, 2013), dan
pada penelitian yang mengelompokan serangan Denial of Service (DoS)
mengggunakan Jaringan Syaraf Tiruan LVQ (Learning Vector
Quantization) menunjukan klasifikasi serangan PING dan UDP Flood
dengan LVQ berdasarkan rata-rata, panjang, ukuran, sumber serangan
dengan tingkat akurasi untuk kondisi normal 90%, untuk PING Flood
100% dan UDP Flood 100% serta rata-rata keberhasilan menemukan pola
serangan baru sebesar 90,9%.
2.2. Dasar Teori
a. Log
Log (record keeping) adalah berkas yang mencatat peristiwa dalam
program komputer (Anonymous, 2015), sedangkan secara definisi log
adalah catatan aktifitas harian (Webster, 2015), aktifitas yang langsung
dicatat disebut transaction log oleh: (Hariyanto, 2012), berkas log
dimanfaatkan sebagai dukungan dalam proses forensik cyber untuk
mendapatkan bukti digital selama tahap penyelidikan (Saxena, Singh,
Thakur, & Kumar, 2012), banyaknya kejadian yang dicatat oleh sistem
membuat kendala tersendiri dalam memahami apa yang sebenarnya
terjadi, pemanfaatan log bertujuan untuk mengelompokan kejadian-
kejadian yang serupa untuk membantu memudahkan pemahaman,
dijelaskan oleh (Plass, 2011), pada tingkat tertentu kemampuan log dalam
menunjukan hal sebagai berikut: 1) apa; 2) kapan; 3) dimana; 4)
bagaimana; dan 5) mengapa (Chuvakin & Peterson, 2010), transaction log
berupa data lalu lintas jaringan yang bisa didapatkan dari server, router
maupun firewall (Nelson, Phillips, & Steuart, 2010), hasil analisis log
dapat digunakan sebagai bukti atas adanya tindakan ilegal pada sistem
(Utami Putri & Istiyanto, 2012), teknik yang dapat digunakan dalam
melakukan analisis log bermacam-macam, salah satunya pemanfaatan
teknik pengelompokkan (clustering) log (Riadi, Istiyanto, Ashari, &
Subanar, 2012).
b. VSFTPD (FTP Server)
(Ubuntu, 2015) File Transfer Protocol (FTP) adalah protkol TCP yang
digunakan untuk melakukan aktifitas download suatu berkas antar
komputer. Cara kerja FTP berdasarkan arsitektur client-server. FTP
Daemon adalah komponen server yang menerima permintaan FTP yang
berasal dari client.
c. Denial Of Service (DoS)
Serangan DoS dapat dilakukan dengan tingkat keterampilan rendah
dan tanpa harus memiliki akses pada sistem (Kessler, 2000), Ilustrasi
serangan DoS ditunjukan pada gambar 2.1.

Pen yerang

Pe n y e r a n g K o rban

Pen yeran g

Peny erang
Gambar 2.1. Serangan DoS

yang berakibat pada data maupun informasi tidak tersedia, jenis serangan
DoS pada umumnya ditujukan untuk: 1) membebani jaringan; 2)
menghabiskan CPU; 3) mengurangi kapasitas pemroses; 4) manipulasi
waktu; 5) DNS Poisoning; 6) Application Level of Denial of Service; dan
7) Permanent Denial of Service (Phlashing) (Rao, 2011), cara kerja TCP
SYN Flooding ditunjukan gambar 2.2. Penyerang akan mengirimkan data
secara terus menerus atau memanfaatkan kelemahan sistem dengan
memaksa kapasitas pemroses yang berakibat sistem tidak lagi dapat
bekerja normal (Tan, Jamdagni, He, Nanda, & Liu, 2014), TCP SYN Flood
adalah serangan yang paling mudah dan paling umum ditemukan di
internet, cara kerja TCP SYN Flood adalah dengan memanfaatkan
sejumlah sumberdaya yang disediakan oleh sistem untuk melakukan
operasi Three-Way Handshake, penyerang berusaha untuk membebani
(flooding) sistem dengan banyak permintaan hubungan hingga tidak dapat
lagi menangani permintaan yang berasal dari pengguna sah (Shea & Liu,
2013).

Gambar 2.2. TCP SYN Flooding (Rao, 2011)
Penelitian yang dilakukan oleh (Steinberger et al., 2013) dan laporan
tahunan (Akamai, 2014; Prolexic, 2014) menyatakan serangan Denial of
Service merupakan ancaman yang nyata bagi organisasi.
d. Data Mining
Langkah dalam proses pencarian pengetahuan (Knowledge
Discovery) (Han, 2006), posisi data mining dalam proses pencarian
pengetahuan ditunjukan pada gambar 2.3.

Gambar 2.3. Proses KDD (Han, 2006)
Istilah yang digunakan untuk menguraikan penemuan pengetahuan di
dalam basisdata, data mining adalah proses yang menggunakan teknik
statistika, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai basisdata besar (Kusrini & Luthfi,
2009). Data mining dibagi menjadi dua fungsi yaitu minor dan mayor,
fungsi minor contohnya deskripsi, estimasi dan prediksi sedangkan fungsi
mayor contohnya klasifikasi, pengelompokkan dan asosiasi (Susanto &
Suryadi, 2010). Membantu proses pencarian informasi dari data, metode
data mining yaitu: 1) generalisasi; 2) karakterisasi; 3) klasifikasi; 4)
klasterisasi; 5) asosiasi; 6) visualisasi data; 7) evolusi; 8) pengenalan
pola; dan 9) meta-ruled guided mining (S. H. Liao, Chu, & Hsiao, 2012),
jenis data dalam proses mining berupa: 1) sequence data; 2) sequential
data; 3) time series; 4) temporal; 5) spasio-temporal; 6) audio signal; 7)
video signal dan jenis data lainnya yang membutuhkan algoritma
(metode) tertentu dalam analisis, data stream adalah urutan nilai data tak
terbatas (PhridviRaj & GuruRao, 2014), data mining digunakan untuk
menangani permasalahan-permasalahan karakteristik: a) data besar; b)
tersebar; c) komplek dan dinamis (Wu, Zhu, Wu, & Ding, 2014). fungsi
data mining dibagi menjadi 4 (empat) yaitu: a) clustering; b)
classification; c) regression; d) association (Amanpreet, Gaurav, &
Kumar, 2011). Kesamaan bidang data mining dengan bidang statistik
adalah sampling, estimasi, pengujian hipotesis, kesamaan pada bidang
kecerdasan buatan adalah pengenalan pola, dan kesamaan dalam bidang
machine learning adalah algoritma pencarian, teknik permodelan, dan
teori pembelajaran (Prasetyo, 2012).
e. Clustering
Proses clustering adalah aktifitas membagi data dalam suatu
himpunan ke dalam kelompok yang kesamaan datanya dalam suatu
kelompok lebih besar daripada kesamaan data tersebut dengan data dalam
kelompok lain (Kusrini & Luthfi, 2009). Contoh Clustering ditunjukan
pada gambar 2.4. (Prasetyo, 2014) menjelaskan bahwa Clustering
banyak diterapkan diberbagai bidang, cluster yang bertujuan untuk
pemahaman harus menangkap struktur alami data sedangkan cluster yang
bertujuan untuk penggunaan digunakan untuk mencari prototipe cluster
yang paling representatif atas data.
Gambar 2.4. Ilustrasi Clustering (Riadi et al., 2012)
Clustering dapat dibedakan menurut: a) struktur cluster; b) keanggotaan
dalam cluster; dan c) kekompakan data dalam cluster. Umumnya metode
clustering dibagi menjadi:
1. Clustering berdasarkan struktur
a. Hirarki
Satu data tunggal dapat dianggap sebuah cluster, dua atau lebih
cluster kecil dapat bergabung menjadi sebuah cluster.
b. Partisi
Membagi set data kedalam sejumlah cluster yang tidak
bertumpang tindih antara satu cluster dengan cluster yang lain.
2. Clustering berdasarkan keanggotaan dalam cluster
a. Ekslusif
Data bisa dipastikan hanya menjadi anggota satu cluster dan tidak
menjadi anggota di cluster yang lain.
b. tumpang-tindih
Data dapat menjadi anggota lebih dari satu cluster.
3. Clustering berdasarkan kekompakan data dalam cluster
a. Lengkap
Data bisa bergabung menjadi satu cluster (konteks partisi).
b. Parsial
Data yang tidak ikut bergabung dalam cluster mayoritas.
Data yang tidak ikut tergabung dalam cluster mayoritas dikatakan data
yang mempunyai perilaku menyimpang. Data yang menyimpang ini
dikenal dengan sebutan outlier/noise/anomaly/abnormal atau bahkan
uninterested back-ground. Algoritma K-means merupakan metode
dalam teknik clustering yang memiliki kesesuaian yang ditinjau
berdasarkan struktur cluster, keanggotaan dalam cluster dan
kekompakan data dalam cluster (Prasetyo, 2012).
f. Algoritma K-means
K-means merupakan salah satu metode data clustering non hirarki yang
berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster.
Metode ini mempartisi ke dalam cluster sehingga data yang memiliki
karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan
yang memiliki karakteristik berbeda dikelompokkan cluster lain (Narwati,
2010). Algoritma ini banyak digunakan untuk clustering berbasis partisi,
setiap titik dimasukkan pada titik pusat berdasarkan perhitungan jarak yang
ditentukan, algoritma k-mean dalam melakukan clustering akan melakukan
perulangan hingga titik pusat tidak berubah (Aggarwal & Reddy, 2014).
Algoritma k-means ditunjukan pada gambar 2.5.
1. Inisialisasi: Tentukan nilai K sebagai jumlah cluster yang
diinginkan.
2. Pilih K data dari dataset sebagai centroid
3. Alokasikan semua data ke centroid terdekat dengan metrik
jarak yang telah ditetapkan.
4. Hitung kembali centroid C berdasarkan data yang mengikuti
masing-masing cluster.
5. Ulangi langkah 3 dan 4 hingga kondisi konvergen tercapai
(tidak ada data yang berpindah).

Gambar 2.5 Algoritma K-Means
g. Kedekatan (Density)
Clustering umumnya menggunakan menggunakan suatu kuantitas yang
disebut kedekatan (density), 2 (dua) jenis kedekatan yaitu kemiripan atau
ketidakmiripan. Kedekatan diukur berdasarkan jarak antar data dengan
centroidnya. Semakin kecil jarak kedua data kemiripannya semakin besar
sebaliknya semakin besar jaraknya semakin kecil kemiripannya (Prasetyo,
2014).
h. Jarak
Untuk mengukur ketidak-miripan dua data dengan beberapa atribut
untuk setiap data digunakan kuantitas jarak (distance). Ada banyak model
pengukuran jarak, dan yang paling sering digunakan adalah jarak euclidean.
Jarak euclidean memberikan jarak lurus antara 2 (dua) buah data dengan N
dimensi. Persamaan jarak yang lain adalah manhattan (city block) dan
Minkowski (Prasetyo, 2012). Persamaan jarak euclidean, manhattan dan
minkowski ditunjukan pada masing-masing persamaan 2.1; persamaan 2.2;
dan persamaan 2.3.
Persamaan jarak pada ruang jarak Euclidean

N
D, yy  x y 2 ......................................................... (2.1)

2
j1
D adalah jarak antara data X dan data Y, dan . adalah nilai absolut. N adalah
jumlah fitur (dimensi) data.
Persamaan jarak pada ruang jarak Manhattan (city block)

N
D, yy  x y .............................................................. (2.2)
1
j1

Persamaan jarak pada ruang jarak Minkowsky

N 
D, yy  x y  ..................................................... (2.3)
  j j
j1

i. Validasi Cluster
Metode unsupervised mengukur tingkat kebagusan struktur cluster tanpa
membutuhkan informasi eksternal. Metrik unsupervised pada validitas cluster
sering dibagi menjadi 2 (dua) yaitu kohesi (kerapatan/densitas cluster) dan