8
4. Hasil dan Pembahasan
Pada penelitian ini pengujian dilakukan dengan cara melakukan serangan syn flooding attack
dengan tiga client berbeda, client pertama yaitu windows 7 dengan menggunakan tools Anonymous Doser, client kedua yaitu ubuntu dekstop akan melakukan serangan ping attack,
dan serangan dari client ketiga yaitu kali linux akan menggunakan serangan menggunakan webspoit. Serangan syn flooding attack dengan menggunakan 3 client berbeda dapat dilihat
pada Gambar 5, Gambar 6, dan Gambar 7.
Gambar 5 Tools
Anonymous Doser
Pada Gambar 5 serangan syn flooding attack dengan menggunakan tools anonymous doser yang berfungsi untuk membanjiri sistem oleh penyusup dengan menyerang lubang
keamanan dari implementasi protocol TCPIP dengan tujuan membuat sistem menjadi crash atau hang.Adapun cara untuk menjalankan tools ini dengan cara memasukan alamat ip dari
target dan menentukan waktu dalam bentuk second untuk mengirimkan paket-paket data.
Gambar 6
Serangan Ping Attack
Gambar 6 menunjukan simulasi serangan ping attack. Serangan ini dilakukan dengan teknik ping 192.168.71.2 -l 50000 -n 100000 -v 0.00001. Dimana
–l merupakan besar ping yang dikirim server sebesar 50000 bytes, -n 100000 merupakan ukuran buffer yang dikirim
100000bytes, -v 0.00001 yang merupakan waktu tunggu tiap ping 0.00001 milidetik.
Gambar 7
Serangan menggunakan Websploit
Gambar 7 menunjukan bentuk serangan syn flooding attack dengan menggunakan websploit, yang bertujuan untuk membanjiri server dengan sejumlah paket data yang
dikirimkan, dengan cara masuk ke websploit dengan cara mengetikan “websploit” pada
9
console lalu pindah ke webkiller dengan menggunakan mengetikan “use networkwebkiller,
setelah itu set interface yang akan digunakan untuk menyerang dengan perintah “set interface
eth0”, kemudian diatur target mana yang akan diserang, target bisa diserang melalu ip address
atau langsung ke nama websitenya dengan perintah “set TARGET 192.168.71.2”,jika
sudah selesai mengatur semuanya sekarang tinggal memasukkan perintah “run” untuk melakukan serangan terhadap target atau server.
Pada penelitian ini digunakan snort untuk mendeteksi setiap paket-paket data yang dikirimkan ke server dan akan ditampilkan informasi secara visual tentang paket-paket data
tersebut oleh BASE. Dalam penelitian ini dilakukan pengujian selama tiga hari untuk mengetahui jumlah paket yang diterima oleh server, agar dapat mengetahui paket-paket data
yang diterima oleh server maka di dalam local rules snort telah dipasang sebuah rules snort
yaitu “alert tcp HOME_NET any EXTERNAL_NET any msg: ; flow:stateless; flags:S,12; seq:201782361; classtype:attempted-dos; sid:100002; rev:10;
” yang bisa memfilter paket-paket data yang mengandung syn flooding attack, sehingga nantinya paket-
paket yang mengandung syn flooding attack akan di tampilkan secara visual pada BASE.Setelah paket-paket data dari setiap client diperiksa secara detail, selanjutnya akan
dilakukan pengklasifikasian untuk client yang menyerang pada protocol TCP berdasarkan batasan masalah yang ada pada penelitian ini, dari simulasi yang dilakukan dari tiga client
berbeda yang menyerang server. Snort mendeteksi serangan dari client pertama dengan ip 192.168.71.1 menyerang pada protocol TCP, client kedua dengan ip 192.168.71.3 menyerang
pada protocol ICMP dan client ketiga dengan ip 192.168.71.4 menyerang pada protocol TCP. Maka hanya ada dua client yang menyerang pada protocol TCP yaitu client pertama
dengan ip 192.168.71.1 dan client ketiga dengan ip 132.168.71.4.Dari hasil yang telah di kumpulkan dapat dilihat pada tabel 2 dan tabel 3.
Tabel 2 Data Serangan Syn Flooding Attack
dari client pertama dengan ip192.168.71.1
Hari ke- X Jumlah Paket Y
1 152
2 145
3 133
4 156
5 145
6 167
7 155
8 180
9 173
10 189
11 194
12 201
13 221
14 232
15 157
16 187
17 268
18 245
19 219
10
20 256
21 235
22 217
23 207
24 188
25 162
26 220
27 221
28 100
29 225
30 158
Table 3 Data Serangan Syn Flooding Attack
dari client ketiga dengan ip 192.168.71.4
Hari ke- X Jumlah Paket Y
1 30
2 33
3 43
4 29
5 63
6 62
7 52
8 68
9 67
10 33
11 71
12 68
13 42
14 32
15 68
16 72
17 51
18 31
19 65
20 68
21 61
22 66
23 36
24 60
25 70
26 62
27 58
28 64
29 60
30 63
11
Setelah data sudah terkumpul selanjutnya melakukan peramalan atau prediksi untuk jumlah serangan syn flooding attack kedepannya, dalam penelitian ini untuk melakukan
predikisi atau peramalan menggunakan regresi linier. Regresi Linier adalah suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi dimasa yang akan
datang berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahan dapat diperkecil. Regresi dapat diartikan sebagai usaha memperkirakan perubahan. Supaya tidak
salah paham bahwa peramalan tidak memberikan jawaban pasti tentang apa yang akan terjadi, melainkan berusaha mencari pendekatan apa yang akanterjadi. Jadi regresi
mengemukakan tentang keingintahuan apa yang terjadi dimasa depan untuk memberikan kontribusi menentukan keputusan yang terbaik.Kegunaan regresi dalam penelitian ini salah
satunya adalah untuk meramalkan memprediksi atau menguji variabel terikat Y terhadap variabel bebas X. Regresi sederhana dapat di analisis karena didasari oleh hubungan
fungsional atau hubungan sebab akibat kausal variabel bebas X terhadap variabel terikat Y. Hal ini yang membedakan regresi dengan snort karena snort sama sekali tidak bisa
melakukan peramalan atau prediksi. Snort berguna sebagai alat untuk mendeteksi secara dini akan adanya penyusupanpenyerangan, karena memberikan info dari sebuah koneksi, snort
memiliki tiga buah mode yaitu sniffet mode untuk melihat paket yang lewat di jaringan, packet logger mode
untuk mencatat semua paket yang lewat di jaringan untuk di analisis di kemudian hari, intrusion Detection mode pada mode ini snort akan berfungsi untuk
mendeteksi serangan yang dilakukan melalui jaringan komputer. Untuk menggunakan mode IDS ini diperlukan setup dari berbagai rulesaturan yang akan membedakan sebuah paket
normal dengan paket yang membawa serangan.
Peramalan dalam penilitian ini menggunakan program SPSS untuk mengetahui apakah variabel independen X yaitu hari berpengaruh secara signifikan terhadap variabel dependen
Y yaitu jumlah serangan. Berikut ini dapat dilihat peramalan client pertama dan client ketiga dibawah ini :
1. Peramalan client pertama
Gambar 8 Output spss hasil uji regresi linier client pertama
Output tabel pertama Variabel Enteredremoved : Tabel di atas menjelaskan tentang variabel yang dimasukan atau dibuang dan metode yang digunakan. Dalam hali ini
12
variabel yang dimasukan adalah variabel nilai hari sebagai predictor dan metode yang digunakan adalah metode enter.
Output tabel kedua Model Summary : Tabel diatas menjelaskan besarnya nilai korelasihubungan R yaitu sebesar 0, 366 dan dijelaskan besarnya presentase
pengaruh variabel bebas terhadap variabel terikat yang disebut koefisien determinasi yang merupakan hasil dari penguardratan R. Dari output tersenut diporel koefisien
determinasi R2 sebesar 0,134, yang mengandung pengertian bahwa pengaruh variabel bebas hari terhadap variabel terikat jumlah paket adalah sebesar 27,3
sedangkan sisanya dipengaruhi oleh variabel lain
Output tabel ketiga ANOVA : Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji F
atau uji nilai Signifikansi Sig.. Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. 0,05, maka model regresi adalah linier, dan berlaku
sebaliknya. Pada bagian ini untuk menjelaskan apakah ada pengaruh yang nyata signifikan variabel hari X dan variabel jumlah paket Y. Dari output tersebut
terlihat bahwa F hitung = 4,330 dengan tingkat signifikansiProbabilitas 0,047 0,05, maka model regresi dapat dipakai untuk meprediksi variabel jumlah paket
selanjutnya.
Output tabel keempat Coefficients : Pada tabel Coefficients, pada kolom B dan Constant a adalah 164,508, sedangkan nilai hari b adalah 1,662, sehingga
persamaan regresinya dapat ditulis : Y = a + bX
Y = 164,508 + 1,662X Koefisient b dinamakan koefisien arah regresi dan menyatakan perubahan rat-rata
variabel Y untuk setiap perubahan variabel X sebesar satu satuan. Perubahan ini merupakan pertambahan bilai b bertanda positif dan penurunan bila b bertanda
negatif. Sehingga dari persamaan tersebut dapat diterjemahkan:
Konstanta sebesar 164,508 menyatakan bahwa jika tidak ada nilai hari
maka nilai partisipasi sebesar 164,508.
Koefisien regresi X sebesar 1,662 menyatakan bahwa setiap penambahan 1 nilai hari, maka nilai partisipasi bertambah sebesar
1,662
Hipotesis
H0 : Tidak ada pengaruh yang nyata signifikan variabel hari X terhadap variabel jumlah paket Y.
H1 : Ada pengaruh yang nyata signifikan variabel hari X terhadap variabel
jumlah paket Y
Kesimpulan Dari output di atas dapat diketahui nilai t hitung = 2,081 dengan nilai signifikansi
0,047 0,05, maka H0 ditolak dan H1 diterima, yang berarti ada pengaruh yang nyata signifikan variabel hari X terhadap variabel jumlah paket Y.
Berdasarkan penjelasan diatas dapat ditarik kesimpulan bahwa variabel hari mempengaruhi jumlah serangan. Dimana semakin lama sebuah server aktif maka
akan semakin banyak pula serangan yang akan diterima melalui protokol TCP. Hal ini diperkuat dengan nilai dari hasil uji coba statistik dimana Koefisien regresi X
memiliki nilai 1,662. Sehingga variabel X beperpengaruh positif pada variabel Y, dimana semakin tinggi nilai Variabel X maka akan semakin tinggi pula nilai Variabel
Y. Dari kesimpulan diatas maka dapat diprediksi jumlah serangan yang akan diterima oleh server ketika aktif. Dengan menggunakan rumus regresi linier sederhana yaitu :
Y = a + bX
13
Sehingga akan menghasilkan data serangan 30 hari kedepan sejak dari hari terakhir pencatatan serangan adalah seperti tabel berikut :
Tabel 4
Prediksi jumlah Serangan 30 hari kedepanclient pertama
Konstanta 164,508
Koefisien regresi X 1,662
Hari Ke Konstanta
Koefisien Regresi B X Jumlah Serangan Y
X a
bX Y = a+bX
1 164,508
1,662 166,17
2 164,508
3,324 167,83
3 164,508
4,986 169,49
4 164,508
6,648 171,16
5 164,508
8,31 172,82
6 164,508
9,972 174,48
7 164,508
11,634 176,14
8 164,508
13,296 177,80
9 164,508
14,958 179,47
10 164,508
16,62 181,13
11 164,508
18,282 182,79
12 164,508
19,944 184,45
13 164,508
21,606 186,11
14 164,508
23,268 187,78
15 164,508
24,93 189,44
16 164,508
26,592 191,10
17 164,508
28,254 192,76
18 164,508
29,916 194,42
19 164,508
31,578 196,09
20 164,508
33,24 197,75
21 164,508
34,902 199,41
22 164,508
36,564 201,07
23 164,508
38,226 202,73
24 164,508
39,888 204,40
25 164,508
41,55 206,06
26 164,508
43,212 207,72
27 164,508
44,874 209,38
28 164,508
46,536 211,04
29 164,508
48,198 212,71
30 164,508
49,86 214,37
Total Serangan 5708,07
Dari tabel diatas dapat dilihat terdapat hubungan positif antara jumlah hari dan jumlah serangan yang diterima oleh server. Hal ini dibuktikan pula dengan hasil statistik SPSS
dimana nilai kolom sig pada tabel anova sebesar 0.047, yang berarti tingkat error dari data tersebut dibawah 0,5
14
Sehingga Prediksi Jumlah serangan yang akan diterima pada 30 Hari kedepan adalah
sebanyak 5709 serangan. Berikut Grafik prediksi jumlah serangan 30 hari kedepan yang akan diterima oleh server
Grafik 1
Grafik Prediksi Jumlah Serangan 30 Hari Kedepanclient pertama
2. Peramalan client ketiga
Gambar 9 Output spss hasil uji regresi linier client ketiga
Output tabel pertama Variabel Enteredremoved : Tabel di atas menjelaskan tentang variabel yang dimasukan atau dibuang dan metode yang digunakan. Dalam hali ini
variabel yang dimasukan adalah variabel nilai hari sebagai predictor dan metode yang digunakan adalah metode enter.
Output tabel kedua Model Summary : Tabel diatas menjelaskan besarnya nilai korelasihubungan R yaitu sebesar 0, 388 dan dijelaskan besarnya presentase
pengaruh variabel bebas terhadap variabel terikat yang disebut koefisien determinasi yang merupakan hasil dari penguardratan R. Dari output tersenut diporel koefisien
determinasi R2 sebesar 0,151, yang mengandung pengertian bahwa pengaruh variabel bebas hari terhadap variabel terikat jumlah paket adalah sebesar 25,6
sedangkan sisanya dipengaruhi oleh variabel lain
Output tabel ketiga ANOVA : Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji F
atau uji nilai Signifikansi Sig.. Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. 0,05, maka model regresi adalah linier, dan berlaku
sebaliknya. Pada bagian ini untuk menjelaskan apakah ada pengaruh yang nyata signifikan variabel hari X dan variabel jumlah paket Y. Dari output tersebut
15
terlihat bahwa F hitung = 4,967 dengan tingkat signifikansiProbabilitas 0,034 0,05, maka model regresi dapat dipakai untuk meprediksi variabel jumlah paket
selanjutnya. Output tabel keempat Coefficients : Pada tabel Coefficients, pada kolom B dan
Constant a adalah 44,871 sedangkan nilai hari b adalah 0,649, sehingga persamaan regresinya dapat ditulis :
Y = a + bX Y = 44,871 + 0,649X
Koefisient b dinamakan koefisien arah regresi dan menyatakan perubahan rat-rata variabel Y untuk setiap perubahan variabel X sebesar satu satuan. Perubahan ini
merupakan pertambahan bila b bertanda positif dan penurunan bila b bertanda negatif. Sehingga dari persamaan tersebut dapat diterjemahkan:
Konstanta sebesar 44,871 menyatakan bahwa jika tidak ada nilai hari
maka nilai partisipasi sebesar 44,871.
Koefisien regresi X sebesar 0,649menyatakan bahwa setiap penambahan 1 nilai hari, maka nilai partisipasi bertambah sebesar
0,649
Hipotesis
H0 : Tidak ada pengaruh yang nyata signifikan variabel hari X terhadapa variabel jumlah paket Y.
H1 : Ada pengaruh yang nyata signifikan variabel hari X terhadap variabel
jumlah paket Y
Kesimpulan Dari output di atas dapat diketahui nilai t hitung = 2,229 dengan nilai signifikansi
0,034 0,05, maka H0 ditolak dan H1 diterima, yang berarti ada pengaruh yang nyata signifikan variabel hari X terhadap variabel jumlah paket Y.
Berdasarkan penjelasan diatas dapat ditarik kesimpulan bahwa variabel hari mempengaruhi jumlah serangan. Dimana semakin lama sebuah server aktif maka
akan semakin banyak pula serangan yang akan diterima melalui protokol TCP. Hal ini diperkuat dengan nilai dari hasil uji coba statistik dimana Koefisien regresi
X memiliki nilai 44,871. Sehingga variabel X beperpengaruh positif pada variabel Y, dimana semakin tinggi nilai Variabel X maka akan semakin tinggi pula nilai
Variabel Y. Dari kesimpulan diatas maka dapat diprediksi jumlah serangan yang akan diterima oleh server ketika aktif. Dengan menggunakan rumus regresi linier
sederhana yaitu : Y = a + bX
Sehingga akan menghasilkan data serangan 30 hari kedepan sejak dari hari terakhir pencatatan serangan adalah seperti tabel berikut :
Tabel 5
Prediksi jumlah Serangan 30 hari kedepan client ketiga
Konstanta 44,871
Koefisien regresi X 0,649
Hari Ke Konstanta
Koefisien Regresi B X Jumlah Serangan Y
X a
bX Y = a+bX
1 44,871
0,649 45,52
2 44,871
1,298 46,17
3 44,871
1,947 46,82
16
4 44,871
2,596 47,47
5 44,871
3,245 48,12
6 44,871
3,894 48,77
7 44,871
4,543 49,41
8 44,871
5,192 50,06
9 44,871
5,841 50,71
10 44,871
6,49 51,36
11 44,871
7,139 52,01
12 44,871
7,788 52,66
13 44,871
8,437 53,31
14 44,871
9,086 53,96
15 44,871
9,735 54,61
16 44,871
10,384 55,26
17 44,871
11,033 55,90
18 44,871
11,682 56,55
19 44,871
12,331 57,20
20 44,871
12,98 57,85
21 44,871
13,629 58,50
22 44,871
14,278 59,15
23 44,871
14,927 59,80
24 44,871
15,576 60,45
25 44,871
16,225 61,10
26 44,871
16,874 61,75
27 44,871
17,523 62,39
28 44,871
18,172 63,04
29 44,871
18,821 63,69
30 44,871
19,47 64,34
Total Serangan
1647,92
Sehingga Prediksi Jumlah serangan yang akan diterima pada 30 Hari kedepan adalah
sebanyak 1647,92 serangan. Berikut Grafik prediksi jumlah serangan 30 hari kedepan yang akan diterima oleh server. Dari tabel diatas dapat dilihat terdapat hubungan positif antara
jumlah hari dan jumlah serangan yang diterima oleh server. Hal ini dibuktikan pula dengan hasil statistik SPSS dimana nilai kolom sig pada tabel anova sebesar 0.034, yang berarti
tingkat error dari data tersebut dibawah 5
Grafik 2 Grafik Prediksi Jumlah Serangan 30 Hari Kedepanclient ketiga
17
Setelah selesai melakukan peramalan diatas selanjutnya akan dilakukan uji validitas error
terhadap hasil peramalan atau prediksi client pertama dan client ketiga. Validitas adalah suatu ukuran yang menunjukkan bahwa variabel yang diukur memang benar-benar variabel
yang hendak diteliti oleh peneliti.Suatu skala atau instrumen pengukur dapat dikatakan mempunyai validitas yang tinggi apabila instrumen tersebut menjalankan fungsi ukurnya,
atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut. Sedangkan tes yang memiliki validitas rendah akan menghasilkan data yang tidak relevan
dengan tujuan pengukuran.validitas berhubungan dengan suatu peubah mengukur apa yang seharusnya diukur. Untuk uji validitas error yang digunakan dalam penelitian ini adalah
dengan menggunakan uji factor R.Syarat yang digunakan adalah pearson correlation lebih besar dari R kritis 0,3, jika kurang dari 0,3 maka poin instrumen yang R correlationnya
kurang dari 0,3 dianggap invalid atau data prediksi tidak akurat.Berikut ini dapat dilihat uji validitas peramalan client pertama dan client ketiga dengan menggunakan SPSS sebagai
berikut:
Gambar 10
Output spss hasil uji validitas error regresi linier client pertama dan client ketiga
Dari tabel diatas dapat dilihat nilai r hitung serangan client pertama dan client ketiga adalah sebesar 1. Data hasil prediksi dinyatakan valid apabila R syarat. Untuk serangan
client pertama = R syarat dimana 1,000 0,300 sehingga data prediksi untuk serangan
client pertama dinyatakan valid.Untuk serangan client ketiga = R syarat dimana 1,000
0,300 sehingga data prediksi untuk serangan client ketiga dinyatakan valid. Dari hasil uji validitas error diatas maka dapat dilihat bahwa ada nya pengaruh yang
nyata signifikan variabel hari X terhadapa variabel jumlah paket Y untuk serangan syn flooding attack
dalam 30 hari kedepan. Selanjutnya akan dilakukan uji akurasi peramalan guna mengukur ketetapan ramalan,
dalam penelitian ini uji akurasi peramalan yang digunakan yaitu MAPE Mean Absolute Percentage Error
. MAPE dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, merata-rata
kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan.
Keterangan : = Nilai data periode ke-t
= Nilai ramalan periode ke-t
18
n = Banyaknya data Berikut ini dapat dilihat uji akurasi peramalan dari client pertama dan client ketiga :
Tabel 6 Hasil uji akurasi peramalan client pertama
Hari X Periodet
Jumlah Paket Y Nilai data
Ramalan Nilai ramalan
Kesalahan peramalan deviasi 1
152 166,17
0,093 2
145 167,83
0,157 3
133 169,49
0,274 4
156 171,16
0,097 5
145 172,82
0,191 6
167 174,48
0,044 7
155 176,14
0,136 8
180 177,80
0,012 9
173 179,47
0,037 10
189 181,13
0,041 11
194 182,79
0,057 12
201 184,45
0,082 13
221 186,11
0,157 14
232 187,78
0,190 15
157 189,44
0,206 16
187 191,10
0,021 17
268 192,76
0,280 18
245 194,42
0,206 19
219 196,09
0,104 20
256 197,75
0,227 21
235 199,41
0,151 22
217 201,07
0,073 23
207 202,73
0,020 24
188 204,40
0,087 25
162 206,06
0,271 26
220 207,72
0,055 27
221 209,38
0,052 28
100 211,04
1,110 29
225 212,71
0,054 30
158 214,37
0,356 Total Kesalahan Ramalan
4,841
Dari data pada tabel 6 diatas maka nilai MAPE Mean Absolute Percentage Error yang didapat untuk client pertama adalah 0,161
19
Tabel 7 Hasil uji akurasi peramalan client ketiga
Hari X Periodet
Jumlah Paket Y Nilai data
Ramalan Nilai ramalan
Kesalahan peramalan deviasi 1
30 45,52
0,517 2
33 46,17
0,399 3
43 46,82
0,088 4
29 47,47
0,636 5
63 48,12
0,236 6
62 48,77
0,213 7
52 49,41
0,049 8
68 50,06
0,263 9
67 50,71
0,243 10
33 51,36
0,556 11
71 52,01
0,267 12
68 52,66
0,225 13
42 53,31
0,269 14
32 53,96
0,68625 15
68 54,61
0,196 16
72 55,26
0,2325 17
51 55,9
0,096 18
31 56,55
0,824 19
65 57,20
0,12 20
68 57,85
0,149 21
61 58,50
0,040 22
66 59,15
0,103 23
36 59,80
0,661 24
60 60,45
0,0075 25
70 61,10
0,127 26
62 61,75
0,0040 27
58 62,39
0,0756 28
64 63,04
0,015 29
60 63,69
0,0615 30
63 64,34
0,0212 Total Kesalahan Ramalan
7,3798
Dari data pada tabel 7 diatas maka nilai MAPE Mean Absolute Percentage Error yang didapat untuk client ketiga adalah 0,246
5. Simpulan
Kategori