analisis serangan dari log dataset sistem deteksi intrusi dengan

ANALISIS SERANGAN DARI LOG DATASET SISTEM
DETEKSI INTRUSI DENGAN MENGGUNAKAN
ALGORITMA DECISION TREE
SKRIPSI
RAHMAD FAHROZI
041401021
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2010
Universitas Sumatera Utara
ANALISIS SERANGAN DARI LOG DATASET SISTEM DETEKSI
INTRUSI DENGAN MENGGUNAKAN ALGORITMA DECISION TREE
SKRIPSI
Diajukan untuk melengkapi tugas akhir dan memenuhi syarat mencapai gelar
Sarjana Komputer
RAHMAD FAHROZI
041401021
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2010
Universitas Sumatera Utara
PERSETUJUAN
Judul
: Analisis Serangan dari Log Dataset Sistem Deteksi
Iintrusi dengan Menggunakan Algoritma Decision Tree
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas
:
:
:
:
:
:
SKRIPSI
RAHMAD FAHROZI
041401021
SARJANA (S1) ILMU KOMPUTER
ILMU KOMPUTER
MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Diluluskan di
Medan, Januari 2010
Komisi Pembimbing
:
Pembimbing 2
Maya Silvi Lydia,BsC,Msc
NIP.197401272002122001
Pembimbing 1
Syahril Effendi, SSi, MIT
NIP. 196711101996021001
Diketahui/Disetujui oleh
Prog. Studi Ilmu Komputer S-1
Ketua,
Prof. Dr. Muhammad Zarlis
NIP. 195707011986011003
Universitas Sumatera Utara
PERNYATAAN
ANALISIS SERANGAN DARI LOG DATASET SISTEM DETEKSI
INTRUSI DENGAN MENGGUNAKAN ALGORITMA DECISION TREE
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya
Medan, Januari 2010
RAHMAD FAHROZI
041401021
Universitas Sumatera Utara
PENGHARGAAN
Puji Syukur penulis panjatkan kepada Allah SWT yang telah memberikan
rahmat-Nya kepada penulis, sehingga Skripsi penulis yang berjudul “Analisis
Serangan dari Log Dataset Sistem Deteksi Intrusi dengan Menggunakan Algoritma
Decision Tree ” dapat penulis selesaikan dengan baik.
Skripsi ini diselesaikan guna memenuhi salah satu syarat pemenuhan kurikulum
dalam menyelesaikan pendidikan pada Program Studi S1 Ilmu Komputer pada
Universitas Sumatra Utara (USU) Medan.
Pada kesempatan ini, penulis menyampaikan rasa terima kasih dan penghargaan
yang sebesar-besarnya kepada :
1. Bapak Syahril Effendi, SSi, MIT, selaku Dosen Pembimbing I yang telah
meluangkan waktunya untuk memberikan pengarahan dan petunjuk dalam
pengerjaan Skripsi ini.
2. Ibu Maya Silvi Lydia,BsC,Msc selaku Dosen Pembimbing II yang juga telah
banyak membantu mengarahkan dalam pengerjaan Skripsi ini.
3. Bapak M. Andri B,St,McompSc,MEM dan Bapak Sajadin Sembiring, S.Si, MIT
selaku dosen penguji yang telah memberikan saran dan kritik demi kemajuan
Tugas Akhir ini.
4. Bapak Prof. Dr. Muhammad Zarlis, selaku Ketua Program Studi S1 Ilmu
Komputer USU.
5. Bapak Syahriol Sitorus, S.Si, MIT, selaku Sekretaris Program Studi S1 Ilmu
Komputer USU.
6. Bapak Dekan dan Pembantu Dekan fakultas Matematika dan Ilmu Pengetahuan
Alam USU.
7. Bapak/Ibu Dosen serta seluruh Pegawai/Staf Program Studi S1 Ilmu Komputer
USU yang telah mendidik dan membimbing penulis.
8. Teristimewa kepada Ibunda Hj. Gaslinar AR dan keluarga tercinta yang selalu
sabar mendidik, memotivasi serta memberikan bantuan moril, material dan
spiritual selama penulis mengikuti pendidikan hingga penyelesaian Skripsi ini.
9. Istimewa kepada Syafiana Dewi dan keluarga yang selalu memotivasi serta
memberikan bantuan moril dan spiritual selama penulis mengikuti pendidikan
hingga penyelesaian Skripsi ini.
10. Teman-teman seperjuangan dan rekan-rekan bangku kuliah yang telah banyak
memberi bantuan dan semangat selama proses pengerjaan Skripsi ini.
Universitas Sumatera Utara
ABSTRAK
Deteksi Intrusi merupakan sebuah mekanisme dalam usaha menyediakan keamanan
bagi jaringan komputer. Oleh karena diperlukan suatu cara proses identifikasi serangan
dalam usaha menjaga keamanan jaringan. Algoritma Machine Learning untuk deteksi
intrusi jaringan dilakukan, dimana performa harus berada pada level yang dapat
diterima untuk berbagai tipe serangan pada jaringan. Oleh karena bertambahnya volume
data sebagaimana semakin komplek dan dinamisnya sifat dari intrusi, data mining
berdasarkan teknik deteksi intrusi telah diterapkan pada jaringan yang berdasarkan
trafik data. Dari semakin meningkatnya teknologi komputer data dalam jumlah yang
besar dapat dikumpulkan dan disimpan. Akan tetapi data ini baru berguna jika dianalisa
dan depedensi korelasinya ditemukan. Hal ini dapat dicapai dengan menggunakan
algoritma Machine Learning Klasifikasi J48 dalam membangun dan membuat model
intrusi yang efektif dari Decision Tree. Performa dari akurasi diukur dari algoritma
machine learning dengan menggunakan test KDD99 intrusi dataset untuk menemukan
anomali dan klasifikasi serangan. Dalam percobaan ini deteksi intrusi jaringan
dievaluasi performa dengan memanfaatkan benchmark KDD CUP dari 10 % Trainin
Dataset. Melihat lebih jauh sebuah Decision Tree sebagai model intrusi. Dan pada
akhirnya percobaan dibantu dengan Classifier J48 yang berasal dari alat perangkat lunak
WEKA untuk mendapatkan akurasi dari performa dalam mencapai deteksi anomali.
Dari hasil analisis didapatkan tingkat akurasi dicapai dengan sangat baik menggunakan
algoritma ini dalam proses klasifikasi serangan dengan tingkat akurasi rata-rata diatas
98 %.
Universitas Sumatera Utara
ATTACK ANALYSIS OF DATASET LOG FROM SYSTEM INTRUSION
DETECTION USING DECISION TREE ALGORITHM
ABSTRACT
Intrusion detection is a mechanism for providing the security to Computer Networks.
Because of that we need a process to identification network attack for manage network
security. Machine Learning Algorithm for network intrusion detection using decision
tree is presented, which performs the balance of detections and keeps false positives at
acceptable level for different types of network attacks. Due to the large volumes of data
as well as the complex and dynamic properties of intrusion behaviors, data mining
based intrusion detection techniques have been applied to network-based traffic data.
Because of advances in computer technology large amounts of data could be collected
and stored. But all this data becomes more useful when it is analyzed and some
dependencies and correlations are detected. This can be accomplished with machine
learning algorithm J48 Classifier to build and effective decision tree Intrusion detection
model. Performance of accuracy from measure from learning algorithm by employing
the KDD99 benchmark intrusion detection dataset to find out the anomaly and
classification of attack. In this research investigated network intrusion detection and
evaluated their performance by employing the benchmark KDD Cup 99 10 % Training
Dataset. Explored a decision tree as an intrusion detection model. And at least
experiments suing the help of J48 Classifier, WEKA tool to achieve the accuracy of
performance in attaining the detection of the anomalies. From result of analysis we get
result of accuracy from this algorithm is quite good enough for classification of attack
with accuray arround 98 %.
Universitas Sumatera Utara
DAFTAR ISI
Halaman
Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
ii
iii
iv
v
vi
vii
ix
x
Bab 1
Pendahuluan
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Batasan Masalah
1.4. Tujuan Penulisan Tugas Akhir
1.5. Manfaat Penulisan Tugas Akhir
1.6. Metodologi Penelitian
1.7. Sistematika Penulisan
1
1
3
4
4
4
5
7
Bab 2
Landasan Teori
2.1. Sistem Deteksi Intrusi
2.1.1 Host Based IDS
2.1.2 Network Based IDS
2.1.3 Hybrid Method IDS
8
8
9
11
13
2.2. Metode Deteksi Intrusi
2.2.1
Deteksi Signature
2.2.2
Deteksi Anomaly
2.2.3
Verifikasi Integritas
13
13
15
17
2.3. Data Mining
2.3.1 Teknik Data Mining
18
19
2.4. Algoritma Decision Tree
23
2.5. Weka
26
Universitas Sumatera Utara
Bab 3
Percobaan Dataset Intrusi
3.1 Persiapan Percobaan
27
27
3.1.1 Algoritma yang digunakan
3.1.2 Program yang digunakan
27
28
3.1.3 Prosedur Mengumpulkan Data
28
3.2 Langkah Percobaan
Bab 4
Bab 5
32
3.2.1 Perolehan Data dan Persiapan Data
33
3.2.2 Pre-Processing dan Proses Visualisasi Data
34
3.2.3 Proses Klasifikasi
38
3.2.3.1 Memilih algoritma
39
3.2.3.2 Opsi Algoritma
40
3.2.3.3 Sampling
40
3.2.3.4 Opsi Keluaran
42
Hasil dan Analisa Percobaan
4.1. Lingkungan Hasil dan Analisa Percobaan
4.2. Perangkat Keras
4.3. Perangkat Lunak
43
43
43
43
4.4. Performa Algoritma Decision Tree
44
Penutup
5.1. Kesimpulan
5.2. Saran
61
61
62
Daftar Pustaka
63
Universitas Sumatera Utara
DAFTAR TABEL
Halaman
Tabel 3.1 Fitur Utama dari Koneksi TCP individual
29
Tabel 3.2 Fitur Konten yang disarankan oleh domain knowledge
30
Tabel 3.3 A two-second window dimana trafik yang bermacam-macam dihitung
31
Tabel 4.1 Hasil Decision Tree pada KDD CUP 1999 subset 20 % -12 % dari 10 %
dataset KDD CUP
54
Tabel 4.2 Hasil Decision Tree pada KDD CUP 1999 subset 10 % -2 % dari 10 %
dataset KDD CUP
55
Tabel 4.3 Hasil Decision Tree pada KDD CUP 1999 subset 20 % -12 % dari 10 %
dataset KDD CUP untuk waktu dan tree
57
Tabel 4.4 Hasil Decision Tree pada KDD CUP 1999 subset 10 % -2 % dari 10 %
dataset KDD CUP untuk waktu dan tree
57
Tabel 4.5 Hasil Komparasi Decision Tree dan Bayesian net
pada KDD CUP 1999 subset 20 % -16 % dari 10 % dataset KDD CUP
59
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 1.1 Alur Analisis Data Set KDD 1999
6
Gambar 2.1 Gambaran mengenai kegiatan anomali dan normal
17
Gambar 2.2. Contoh Decision Tree
21
Gambar 2.3 Clustering
22
Gambar 3.1 Flowchart Umum Percobaan dengan Menggunakan Weka 32
Gambar 3.2 Antar Muka menu Explorer Perangkat Lunak Weka
33
Gambar 3.3 Atribut dari KDDCup99.arff
34
Gambar 3.4 Informasi Atribut dari duration
34
Gambar 3.5 Opsi Algoritma Decision Tree J48
40
Gambar 3.6 Opsi pilihan metode sampling
41
Gambar 4.1 Detail Akurasi berdasarkan Class subset 20% dataset
47
Gambar 4.2 Nilai dari Cross Validation untuk subset 20% dataset
51
Gambar 4.3 Confusion Matrik dari Cross Validation untuk subset 20%
dataset
52
Gambar 4.4 Decision Tree untuk subset 20% dataset dari 10 % data
training KDD CUP
53
Universitas Sumatera Utara