klasifikasi alert pada intrusion detection system

Klasifikasi Alert pada Intrusion Detection System Menggunakan

Algoritma K-Means

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh Gelar Sarjana Komputer

Peneliti:

Frando Christo Wulur (672010195)

Dr. Irwan Sembiring, ST., M. Kom

Program Studi Teknik Informatika


Universitas Kristen Satya Wacana

Salatiga

Oktober 2015

i


Algoritma K-Means

Artikel Ilmiah

Diajukan kepada


untuk memperoleh Gelar Sarjana Komputer

Peneliti:

Frando Christo Wulur (672010195)

Dr. Irwan Sembiring, S.T., M.Kom

Program Studi Teknik Informatika



Salatiga

Oktober 2015


Algoritma K-Means

1) Frando Christo Wulur, 2) Irwan Sembiring



Jl. DIPonegoro 52-60, Salatiga 50771, Indonesia

Email: 1) [email protected], 2) [email protected]

Abstract

Network security is an important thing to note, as many of the kinds of

computer attacks. Intrusion detection system had a big role in securing the

network, ids is a device that had the capability to detect local network attack and

network that connected to the internet. IDS can be used as tools to detect attacks.

In terms to classify attacks using data mining, the proceedings used is clustering

analysis. The algorithms that used in perform the process clustering is algorithm

k-means. K-means is one method data clustering non-hierarchical who can

categorize where data based on the resemblance of the data. The purpose of this

research is to classify the attack on a system IDS. The conclusion of this research

is to be able to classify the attack on a system using K-Means IDS.

Keywords: Intrusion Detection Systems, Classification, Algorithms K-Means.

Abstrak

Keamanan jaringan merupakan hal yang penting untuk diperhatikan,

mengingat banyaknya jenis-jenis serangan komputer. Intrusion Detection System

mempunyai peranan besar dalam mengamankan jaringan. IDS merupakan

perangkat yang mempunyai kemampuan untuk mendeteksi serangan jaringan

lokal maupun jaringan yang terhubung ke internet. IDS dapat digunakan sebagai

tools untuk mendeteksi serangan. Dalam hal untuk mengklasifikasikan serangan

menggunakan metode data mining dimana proses yang digunakan adalah

clustering analysis. Algoritma yang digunakan dalam melakukan proses

clustering adalah algoritma K-Means. K-Means merupakan salah satu metode

data non-hierarchical clustering yang dimana dapat mengelompokkan data

berdasarkan kemiripan dari data. Tujuan dari penelitian ini adalah dapat

mengklasifikasikan serangan pada sistem IDS. Kesimpulan dari penelitian ini

adalah dapat mengklasifikasikan serangan pada sistem IDS menggunakan K-

Means.

Kata Kunci: Intrusion Detection System, Algoritma K-Means, Klasifikasi.

__________________________________________________________________ 1) Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi,

UniversitasKristen Satya Wacana. 2)

Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.

mailto:[email protected]

mailto:[email protected]

1

1. Pendahuluan

Pada era digital saat ini, tidak bisa dibayangkan dunia tanpa komunikasi.

Manusia memiliki kepentingan untuk bertukar informasi untuk berbagai tujuan.

Mengamankan komunikasi adalah tantangan luas karena meningkatnya ancaman

dan serangan yang dilakukan pada keamanan jaringan. Ancaman keamanan

jaringan dikategorikan dalam dua jenis yaitu: leakage (kebocoran) dan vandalism

(pengerusakan), adalah jenis ancaman yang merusak kondisi normal suatu

jaringan, sehingga mengakibatkan malfunction.

Intrusion Detection System (IDS) mempunyai peranan besar dalam

mengamankan jaringan, IDS merupakan perangkat yang mempunyai kemampuan

untuk mendeteksi serangan pada jaringan lokal maupun jaringan yang terhubung

ke internet. Masalah muncul ketika banyaknya serangan yang masuk dan IDS

tidak dapat menanganinya, masalah tersebut mengakibatkan data overload dan

untuk menanganinya yaitu dengan mengumpulkan semua informasi dalam logfile

yang berjumlah besar dan menganalisisnya. Namun, IDS sulit untuk menganalisis

karena jumlah data yang akan dianalisis sangat besar dalam hal klasifikasi

serangan dalam IDS.

Pada penelitian ini digunakan metode data mining dimana proses yang

digunakan adalah clustering analysis [1]. Algoritma yang digunakan dalam

melakukan proses clustering adalah algoritma K-Means. Algoritma K-Means

merupakan salah satu metode data non-hierarchical clustering dimana dapat

mengelompokkan data ke dalam beberapa cluster berdasarkan kemiripan dari data

tersebut. Tujuan dan manfaat dari penelitian ini adalah dapat mengklasifikasikan

serangan, Manfaatnya adalah membantu administrator dalam memeriksa data

yang luas terhadap serangan pada sistem IDS. Batasan masalah dari penelitian ini

adalah menggunakan sistem IDS untuk mengambil data serangan dan dihitung

menggunakan algoritma K-Means.

Dari pembahasan permasalahan diatas, maka dalam penelitian ini memilih

judul “Klasifikasi alert pada Intrusion Detection System (IDS) Menggunakan

Algoritma K-Means”.

2. Tinjauan Pustaka

Penelitian sebelumnya yang berjudul “Implementasi Adaptive Bandwith

Limiter pada Aplikasi Network Traffic Monitoring dengan Metode Based

Detection System” [2], membahas mengenai tools yang dibuat dapat membantu

administrator dalam memantau jaringan komputer untuk mengetahui kondisi

jaringan dengan menggunakan Network Based Intrusion Detection System.

Perbedaannya adalah dalam penelitian tersebut IDS digunakan untuk monitoring

jaringan, sedangkan dalam penelitian ini IDS digunakan hanya untuk mengambil

data serangan guna mengukur tingkat akurasi. Penelitian yang menggunakan

metode network based intrusion detection system tersebut selanjutnya digunakan

sebagai acuan dalam penelitian ini.

Penelitian selanjutnya berjudul “Research of K-Means Algoritm based on

Information Entropy in Anomaly Detection” [3], dimana penelitian tersebut

menggunakan algoritma K-Means unsupervised berdasarkan informasi entropi

untuk membentuk dan mendeteksi aktifitas anomali. Tujuannya dalam penelitian

ini adalah untuk meningkatkan detection rate dan menurunkan false alarm rate.

2

Penelitian tersebut menggunakan KDD CUP 1999 berdasarkan set data untuk

menguji penampilan algoritma KMIE. Pada penelitian ini hanya berfokus dalam

mengukur tingkat akurasi/detection rate serangan pada sistem IDS sehingga

penelitian tersebut digunakan sebagai acuan dalam penelitan ini.

Penelitian selanjutnya berjudul "A K-Means and Naive Bayes learning

approach for better intrusion detection" [4], membahas tentang implementasi

sebuah IDS dengan dua pendekatan pembelajaran, yaitu K-Means dan Naive

Bayes (KMNB). K-Means digunakan untuk mengidentifikasi kelompok sample

data yang memiliki perilaku yang mirip dan tidak mirip. Naive Bayes digunakan

pada tahap kedua untuk mengklasifikasikan semua data ke dalam kategori yang

tepat. Hasil penelitian menunjukkan bahwa K-Means clustering and Naïve Bayes

Classifier (KMNB) secara signifikan meningkatkan akurasi deteksi. Perbedaan

dalam penelitian ini adalah algoritma K-Means digunakan dalam mengukur

tingkat akurasi atau detection rate pada sistem IDS, dimana data serangan tersebut

diambil berdasarkan empat kategori serangan.

Berdasarkan penelitian terdahulu yang berkaitan dengan Intrusion Detection

System (IDS) dan Algoritma K-Means, maka penelitian ini melakukan

pengembangan yang membahas mengenai bagaimana mengklasifikasikan

serangan pada intrusion detection system menggunakan K-Means dalam

menganalisa data.

3. Metode dan Perancangan Sistem

Metode yang digunakan dalam klasifikasi serangan terdiri dari lima tahapan

yaitu, (1) Analisa kebutuhan dan pengumpulan data, (2) Perancangan sistem, (3)

Implementasi sistem, (4) Pengujian dan hasil penelitian, (5) Penulisan laporan.

Gambar 1 Tahapan Penelitian [5]

Tahapan penelitian pada Gambar 1 dapat dijelaskan sebagai berikut. Tahap

pertama : Pada tahap analisa kebutuhan dan pengumpulan data dilakukan

pengumpulan data berupa literatur yang berkaitan dengan keamanan jaringan dan

algoritma K-Means. Tahap kedua : Pada tahap perancangan sitem dilakukan

dengan cara melakukan proses clustering atau pengelompokan data serangan IDS

dan menghitung kedekatan antara objek dengan titik centroid dengan

menggunakan fungsi jarak Euclidean distance. Tahap ketiga : Pada tahap ini

dilakukan pengimplementasian Algoritma K-Means dengan cara melakukan

cluster/pengelompokan data serangan IDS untuk menentukan nilai K/jumlah

3

cluster dan titik centroid dalam klasifikasikan serangan terhadap IDS. Tahap

keempat : Pada tahap ini dilakukan pengujian algoritma K-Means dalam

mengklasifikasikan serangan terhadap IDS. Tahap kelima : Pada tahap ini akan

memaparkan seluruh hasil penelitian yang sudah dilakukan, dan akan ditulis pada

laporan penelitian.

Pada Tahap analisis kebutuhan dilakukan untuk mengumpulkan data dengan

cara mengumpulkan artikel yang berkaitan dengan keamanan jaringan dan

algoritma K-Means. Pada tahap mengimplementasikan system ini, dibutuhkan

beberapa perangkat yang terhubung dalam satu jaringan lokal dan terintegrasi

dengan internet. Adapun perangkat keras dan lunak yang dipakai dalam

membangun sistem terdapat pada Tabel 1.

Tabel 1 kebutuhan sistem

Komponen Fungsi Spesifikasi 1 PC Sebagai IDS server - CPU Dual C ore

- Ram 1GHz

- 1 Lan Port

- Hardisk 160 Gbyte

1 laptop Sebagai network

administrator

Kabel UTP Penghubung antara

router dan router,

router dengan client

- CAT 5

- TJ45

Ubuntu server

12.04

Ssstem operasi pada

IDS server

MYSQL Database

Matlab Sebagai tools dalam

menentukan titik-titik

data serangan dan titik

centroid yang dipakai

dalam algoritma K-

means

Pada tahap perancangan sistem yang dilakukan adalah dengan cara

memperhatikan cara kerja NIDS, alur kerja diagram penelitian serta cara kerja

algoritma K-Means yang digunakan sebagai metode dalam mengklasifikasikan

serangan pada IDS. Adapun tahapan-tahapan perancangan yang dilakukan dalam

penelitian ini yang digambarkan pada alur diagram kerja seperti pada Gambar 2

dibawah ini:

4

Gambar 2 Alur Diagram Cara Kerja NIDS [6]

Gambar 2 menunjukan alur diagram cara kerja Network Instrusion Detection

system (NIDS). Dimulai dari paket data yang memasuki interfaces jaringan yang

sudah dikonfigurasi dalam snort. Paket data tersebut dicocokan dengan signature

yang ada dalam database snort. Kemudian apabila paket data tersebut merupakan

sebuah instrusi akan disimpan ke database, jika bukan paket data akan diteruskan.

Paket data instusi yang disimpan ke database akan diolah dan dianalisa oleh

BASE. BASE merupakan aplikasi berbasis GUI yang dapat menganalisa data

snort. BASE mencari dan memproses kegiatan mencurigakan yang tersimpan

dalam database berdasarkan tools untuk memonitoring jaringan, hasil yang

ditampilkan akan menjadi acuan administrator dalam mengambil tindakan.

Adapun gambaran umum dari cara kerja penelitian yang digambarkan dalam

alur diagram dalam mengukur tingkat akurasi serangan pada IDS, yang

digambarkan pada Gambar 3 seperti dibawah ini:

Gambar 3 Diagram alur kerja penelitian

5

Pada Gambar 3 menunjukan diagram alur kerja yang dilakukan dalam

penelitian ini, dimulai dari pengambilan data pada BASE IDS yang diambil

berdasarkan emapat kategori serangan, yaitu web attack application, trojan

activity, attempted dos dan shellcode detect. Pada tahap selanjutnya akan

dikelompokan berdasarkan parameter yang telah dibuat dalam penelitian ini,

dimana parameter tersebut adalah IP yang sering kali masuk akan diberikan nilai

dan setelah mendapatkan nilai dari parameter tersebut maka akan dicari posisi

atau titik data menggunakan aplikasi matlab sebagai tools untuk mendapatkan

titik-titik data serangan dan juga titik centroid yang diambil pada BASE IDS

berdasarkan kategori serangan, dan setelah mendapatkan posisi atau titik data

serangan dan titik centroid dari data serangan tersebut maka tahap selanjutnya

adalah menghitung jarak dari tiap posisi data ke titik centroid dengan

menggunakan fungsi jarak, yaitu euclidean distance. Jika tahap perhitungan jarak

menggunakan fungsi jarak euclidean distance sudah selesai, maka akan dihitung

nilai rata-rata dari setiap titik data tersebut, guna mendapatkan hasil klasifikasi

serangan pada IDS, setelah mendapatkan hasil dari nilai rata-rata tersebut maka

proses dalam klasifikasi serangan pada IDS menggunakan algoritma K-Means

selesai.

Pada tahap selanjutnya akan dibahas mengenai perancangan algoritma K-

Means dalam klasifikasi serangan pada IDS. Adapun gambaran umum tentang

algoritma K-Means itu sendiri merupakan salah satu metode data clustering non-

hirarki yang mengelompokan data dalam bentuk satu atau lebih

cluster/kelompok. Data-data yang memiliki karakteristik yang sama

dikelompokan dalam satu cluster/kelompok dan data yang memiliki karakteristik

berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data yang

berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil.

Algoritma K-means merupakan model centroid. Model centroid adalah model

yang menggunakan centroid untuk membuat cluster. Centroid adalah “titik

tengah” suatu cluster. Centroid berupa nilai dan centroid digunakan untuk

menghitung jarak suatu objek data terhadap centroid. Suatu objek data termasuk

dalam suatu cluster jika memiliki jarak terpendek terhadap centroid cluster

tersebut.

Pada tahap selanjutnya akan dibahas mengenai algoritma K-Means secara

keseluruhan meliputi proses pengambilan data serangan pada Base IDS dan

melakukan proses pengelompokan/cluster serangan serta menghitung jarak

centroid.

- Proses Clustering atau Pengelompokkan Pada tahapan ini data tersebut akan dikelompokkan melalui proses clustering.

Proses clustering dilakukan menggunakan Algoritma K-Means. Berikut ini adalah

proses clustering terhadap data serangan yang sudah diambil dalam BASE IDS

sesuai dengan penjelasan mengenai Algoritma K-Means pada bab sebelumnya.

1. Menentukan nilai K atau jumlah cluster dan centroid

Misalkan nilai K yang dimasukkan adalah dua, sehingga centroid yang

ditentukan juga sebanyak dua centroid. Pada kasus penelitian ini, jumlah cluster

dengan hasil clustering tidak ada perubahan dikarenakan jumlah cluster yang

dipakai sejumlah dua cluster, terdiri dari Internet Protocol (IP) dan Port yang

keduanya saling berdekatan.

6

2. Mengelompokkan data ke dalam cluster

Setelah data dikelompokkan ke dalam cluster maka akan dihitung jarak

antara titik data ke titik centroid dengan menggunakan fungsi jarak yaitu

Euclidean Distance.

Persamaan 1 merupakan formula Euclidean Distance atau perhitungan jarak

yang dipakai dalam mengukur DR pada IDS menggunakan algoritma K-Means

sebagai berikut:

[7] (1)

dengan :

𝑑 = distance

𝑖 = 𝑖1, 𝑖2, 𝑖3, ……, 𝑖p

𝑗 = 𝑗1, 𝑗2, 𝑗3, ……, 𝑗p

𝑘 = merepresentasikan nilai atribut

𝑛 = dimensi data

𝑥 = objek data

- Dalam hal dua dimensi (k = 1, 2) menjadi Xi maka:

X1i menjadi Xi

X1j menjadi Xj

X2i menjadi Yi

X2j menjadi Yj

Xik = 1 atau Xi1 menjadi Xi

Xjk = 1 atau Xj1 menjadi Xj

Xik = 2 atau Xi2 menjadi Yi

Xjk = 2 atau Xj2 menjadi Yj

Sehingga persamaan (1) dapat disederhanakan menjadi

𝐷𝑖𝑗 = 𝑋𝑐 − 𝑋1 2 + 𝑌𝑐 − 𝑌1 2

4. Hasil dan Pembahasan

Seperti yang dijelaskan pada metode penelitian dan perancangan Sistem,

tentang hasil perhitungan dan pengujian dalam klasifikasi serangan pada intrusion

detection system menggunakan algoritma K-Means. Pada tahap ini akan

membahas proses perhitungan K-Means. Adapun data serangan yang telah

diambil dalam BASE IDS, sehingga dapat dilihat pada Tabel 2 dibawah ini:

7

Tabel 2 Daftar objek yang telah dikelompokan

No Atribut (X) Jumlah IP Atribut (Y) Port

1 2 80

2 3 80

3 2 80

4 3 80

5 1 80

6 1 80

7 4 80

8 1 80

9 3 80

10 1 128

11 1 80

12 10 80

13 1 80

14 1 80

15 1 80

16 1 80

17 19 53

18 20 53

19 20 53

20 20 53

21 19 53

22 17 53

23 15 53

24 10 53

25 20 53

26 18 53

27 19 53

28 7 53

29 5 53

30 16 53

31 20 53

32 17 161

33 18 161

34 10 161

35 3 161

36 10 161

37 1 161

38 5 705

39 7 705

8

40 2 705

41 2 705

42 2 705

43 14 705

44 20 80

45 20 53

46 1 161

47 1 161

48 10 53

49 10 705

50 11 161

51 4 53

52 16 705

53 1 161

54 1 161

55 2 705

56 18 161

57 20 53

58 8 80

59 11 80

60 1 80

61 5 80

62 3 80

63 1 80

64 6 80

65 4 80

66 4 80

67 1 80

68 9 128

69 2 80

70 3 80

71 6 80

72 3 80

73 4 80

74 4 80

75 1 80

76 2 80

77 5 80

78 5 80

79 2 80

80 2 80

9

81 2 80

82 2 80

83 3 22

84 2 80

85 2 80

86 1 80

87 1 80

88 2 80

89 1 80

90 1 80

91 3 22

92 17 80

Pada Tabel 2 menjelaskan bahwa data serangan telah diambil pada BASE

IDS dikelompokan berdasarkan parameter sudah dibuat dalam pengolahan data

serangan tersebut, dimana parameter yang adalah IP dan Port. Dalam hal ini daftar

dari objek yang telah dikelompokan berdasarkan kategori serangan pada tabel

diatas mempunyi IP serangan yang berbeda-beda dan di capture pada BASE IDS.

Untuk mendapatkan nilai dari data serangan tersebut dibuatlah parameter baru,

dimana parameter yang dibuat adalah IP serangan yang sering kali masuk ke

dalam kategori serangan akan diberikan nilai. Contohnya adalah IP serangan

120.169.155.127:80 yang masuk sebayak 2 kali, maka akan diberikan nilai 2 dan

IP serangan 10.10.10.2:128 yang masuk sebayak 1 kali maka akan diberikan nilai

1.

Setelah mendapatkan nilai dari parameter data serangan tersebut, maka

ditentukanlah nilai K, dimana nilai K yang dimasukan adalah dua, sehingga

centroid yang ditentukan juga sebanyak dua centroid. Pada penelitian ini dalam

menentukan titik centroid dari data serangan yang telah dikelompokkan

berdasarkan IP dan Port, maka aplikasi Matlab digunakan sebagai tools untuk

membantu dalam menentukan titik centroid dari data serangan. Penamaan objek

dalam penggunaan aplikasi matlab harus diubah, dimana jumlah IP menjadi

atribut (X) dan Port menjadi atribut (Y) sehingga dapat dipahami oleh fungsi yang

ada di matlab dalam menentukan titik centroid dari data serangan.

Pada penelitian ini jumlah cluster yang dipakai adalah dua cluster, setelah

tahapan menentukan nilai K atau jumlah cluster selesai, tahapan berikutnya adalah

membuat titik centroid dari data serangan tersebut yang diambil berdasarkan

kategori serangan web attack. Aplikasi matlab digunakan sebagai tools untuk

mendapatkan titik centroid-nya dan bisa dilihat pada Gambar 4 dibawah ini:

Gambar 4Titik centroid Klasifikasi Alert

10

Pada penjelasan Gambar 4 merupakan hasil dari perhitungan yang dihitung

menggunakan fungsi dari matlab sebagai tools untuk membantu dalam

mendapatkan titik tersebut. Titik data serangan yang disimbolkan dengan (●) dan

titik centroid disimbolkan dengan (×), selanjutnya dimana jumlah IP berada di

sumbu (X) dan Port berada di sumbu (Y). Contoh dalam mencari titik data

serangan dengan IP 10.10.10:128 dengan nilai 1 kali masuk dalam serangan web

attack adalah dengan cara membuat garis perpotongan misalnya pada sumbu (X)

terdapat IP serangan 10.10.10.2 dengan masuk sebayak 1 kali dengan port 128

yang terdapat pada garis perpotongan pada sumbu (Y). Setelah mendapatkan titik-

titik dari posisi data serangan dan titik centroid tersebut, maka titk tersebut akan

dihitung kedekatannya antara objek dengan titik centroid menggunakan fungsi

jarak yaitu Euclidean Distance. Berikut ini adalah contoh perhitungan jarak antara

objek dan centroid, untuk titik centroid data 120.169.255.127:80 dengan titik Xc

=2,0000 dan Yc =84,3636.

- Hasil perhitungan jarak objek nomor satu (120.169.255.127) ke titik (×)

centroid yang disimbolkan dengan D1 adalah 4,3636 merupakan jarak

terpendek ke titik centroid.

𝐷𝑖 = 𝑋𝑐 − 𝑋1 2 + 𝑌𝑐 − 𝑌1

2 (2)

𝐷1 = 7,45 − 2 2 + 192,65 − 80 2 𝐷1 = 140,21

Pengujian algotirma K-Means dalam mengklasifikasikan serangan pada

sistem IDS, dilakukan dengan cara membandingkan hasil perhitungan dengan

menggunakan algorima K-Means, dengan rules yang dipakai didalam sistem IDS

(Snort) seperti Gambar 5.

Gambar 5 Rule dalam Snort

Gambar 5 merupakan sebuah rule yang akan menghasilkan sebuah alert, jika

pada traffic terdeteksi menggunakan protocol UDP dengan port apapun dan

menuju jaringan lokal dengan port tujuan 161 akan diklasifikasikan sebagai

serangan attempted-dos, seperti pada contoh IP 185.11.147.200 menggunakan

protocol UDP menuju jaringan lokal dengan port 161 dan jumlah serangan

sebanyak delapan belas kali, dikategorikan di dalam BASE IDS sebagai serangan.

Setelah menggunakan K-Means dalam klisifikasi serangan, maka paket tersebut

merupakan sebuah serangan yang akurat yang dicockan dengan rules yang ada

pada IDS.

Pada tahapan ini akan dijelaskan hasil dari perhitungan algoritma K-Means

dalam klasifikasi alert pada IDS, dimana klasifikasi alert didefinisikan sebagai

presentase dari data serangan tersebut yang diambil berdasarkan dalam kategori

serangan yang sudah dikelompokan berdasarkan jenis serangan dan untuk lebih

jelas dapat dilihat pada Tabel 3.

11

Tabel 3 Hasil Klasifikasi Alert berdasarkan serangan

Attack Jumlah Klasifikasi Alert

Klasifikasi Alert %

(Presentase)

Att Dos 471 67 %

Web Attack 36 10 %

Trojan Activity 67 9 %

Shellcode Detect 62 14 %

Total Alert 636

Pada Tabel 3 menjelaskan bahwa nilai presentase klasifikasi alert diperoleh

dari hasil perhitungan dengan menggunakan Algoritma K-Means dalam

mendapatkan nilai presentase dari klasifikasi alert, dimana nilai dari rata-rata

serangan diambil dari semua jenis serangan yang dibagi berdasarkan empat jenis

serangan kemudian dijumlahkan nilai dari rata-rata jenis serangan tersebut

kemudian dikalikan 100%. Hasil tersebut mendapatkan nilai klasifikasi serangan

dengan serangan web attack 10%, trojan activity 9%, shellcode detect 14% dan att

dos 67% pada IDS seperti pada Gambar 5 dibawah ini.

Gambar 6 Presentase Klasifikasi Alert

5. Kesimpulan

Berdasarkan hasil dan pembahasan dari penelitian yang dilakukan maka

dapat diambil kesimpulan bahwa dalam mengklasifikasikan alert pada sistem IDS

dengan Algoritma K-Means, dimana dari hasil perhitungan tersebut mendapatkan

nilai klasifikasi serangan web attack 10%, trojan activity 9%, shellcode detect

14% dan att dos 67%. Selain itu K-Means mempuyai beberapa kelemahan yaitu (1)

sangat bergantung pada pemilihan nilai awal, (2)

kurangnya kejelasan mengenai

berapa banyak cluster k yang terbaik, (3)

sangat sulit dalam menentukan titik pusat

inisial cluster yang dilakukan secara random.

Sistem yang dibangun masih banyak memiliki kekurangan, saran-saran yang

dapat diberikan dalam pengembangan dari penelitian ini selanjutnya adalah jika

dalam penelitian ini hanya menggunakan empat kategori serangan dalam

klasifikasi serangan maka untuk pengembangan penelitian selanjutnya dapat

Web Appliacation

Attack10%

Attempted Dos67%

Trojan Activity9%

Shellcode Detect

14%

Klasifikasi Alert

12

menggunakan semua kategori serangan dalam klasifikasi alert, sehingga akan

memaksimalkan kinerja dalam sistem IDS.

6. Daftar Pustaka

[1] Kusrini, Luthfi, 2009, Algoritma Data Mining, Yogyakarta: Penerbit Andi.

[2] Lestari, S.Kom, 2010, Implementasi Adaptive Bandwith Limiter pada

Aplikasi Network Traffic Monitoring dengan Metode Based Detection

System, Salatiga.

[3] Han. Li, 2012, Research of K-MEANS Algorithm based on Information

Entropy in Anomaly Detection, China: School of Applied Science Beijing

Information Science and Technology University.

[4] Muda, Z., Yassin, W., Sulaiman, M,N., & Udzir, N, I., 2014, A K-Means

Clustering and Naïve Bayes Classification for Intrusion Detection.

Malaysia: Faculty of Computer Science and Information Technology,

University Putra Malaysia.

[5] Zamrudi. Muhamad, 2009, Analisis Mekanisme Pertahanan DOS dan

DDOS pada Virtual Machine dengan Menggunakan IDS Center. Depok :

Fakultas Teknik – Program Teknik Komputer.

[6] Vikky Aprelia Windarni, 2014. Analisis Cara Kerja NIDS untuk

Mengatasi Serangan Flood. Universitas Kristen Satya Wacana.

[7] Putra, Darma, 2010, Pengolahan Citra Digital, Yogyakarta : Penerbit

Andi.

klasifikasi alert pada intrusion detection system

Documents