Keamanan Jaringan Openflow Menggunakan Intrusion Detection System Berbasis Backpropagation Neural Network

KEAMANAN JARINGAN OPENFLOW
MENGGUNAKAN INTRUSION DETECTION SYSTEM (IDS)
BERBASIS BACKPROPAGATION NEURAL NETWORK

GUNTORO

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Keamanan Jaringan
OpenFlow menggunakan Intrusion Detection System (IDS) berbasis
Backpropagation Neural Network adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks
dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Desember 2015
Guntoro
NIM G651130181

RINGKASAN
GUNTORO. Keamanan Jaringan OpenFlow menggunakan Intrusion Detection
System berbasis Backpropagation Neural Network. Dibimbing oleh HERU
SUKOCO dan SUGI GURITMAN.
Protokol OpenFlow (OFP) adalah salah satu teknik jaringan komputer yang
memisahkan antara control plane dan data plane. Keuntungan dengan adanya
pemisahan tersebut, sebuah jaringan komputer dapat diprogram secara dinamis
tanpa harus terikat dengan salah satu vendor tertentu. Adanya pemisahan control
plane dan data plane, dapat menjadi ancaman terhadap data yang dikirimkan. Oleh
karena itu, jaringan berbasiskan OFP memerlukan mekanisme keamanan yang
mampu mengidentifikasi trafik data. Penelitian ini menerapkan dan menguji
mekanisme keamanan pada jaringan OFP menggunakan teknik intrusion detection
system (IDS). IDS merupakan salah satu skema keamanan yang dapat
diintegrasikan dengan teknologi OpenFlow. IDS yang digunakan pada penelitian
adalah metode backpropagation neural network (BPNN) untuk mengklasifikasikan

paket-paket yang datang terhadap jenis serangan. Penerapan BPNN diharapkan
mampu mengidentifikasi serangan-serangan pada jaringan OpenFlow.
Metode penelitian ini terdiri dari beberapa proses yaitu analisis masalah,
perancangan sistem yang terdiri perancangan jaringan OpenFlow dan perancangan
sistem IDS, implementasi sistem dan pengujian serta evaluasi sistem. Implementasi
jaringan OpenFlow dilakukan di LAB Net Centric Computing (NCC) IPB.
Implementasi sistem IDS menggunakan metode backpropagation neural network
diterapkan pada controller. Adapun ruang lingkup penelitian ini adalah. 1)
Implementasi jaringan OpenFlow hanya pada jaringan LAN. 2) Penelitian berfokus
terhadap keamanan controller. 3) Target serangan yang dilakukan adalah
OpenFlow controller. 4) Keamanan jaringan OpenFlow menggunakan sistem IDS.
5) Jenis serangan yang digunakan adalah normal, DoS attack dan HTTP. 6) Metode
yang digunakan untuk klasifikasi jenis paket data menggunakan backpropagation
neural network.
Pengujian dilakukan dengan dua tahapan yaitu pelatihan model IDS dan
pengujian sistem IDS secara realtime. Pelatihan model IDS yaitu melatih dataset
trafik jaringan menggunakan metode backpropagation neural network, sehingga
mendapatkan model klasifikasi yang terbaik. Dataset yang digunakan untuk
pelatihan menggunakan dataset KDD Cup 1999 yang dikeluarkan oleh DARPA
(Defense Advances Research Project Agency). Setelah dilakukan pelatihan, hasil

akurasi yang didapatkan yaitu rata-rata 97,7%. Pengujian secara sistem IDS secara
realtime yaitu menguji sistem IDS menggunakan metode backpropagation neural
network dengan data trafik jaringan realtime. Skema pengujian sistem IDS secara
realtime terdiri dari pengujian paket normal, HTTP dan UDP flooding. Klasifikasi
serangan dikategorikan ke dalam tiga level yaitu 0.5 kategori high.
Berdasarkan pengujian yang dilakukan, sistem IDS berbasis backpropagation
neural network yang diterapkan pada jaringan OpenFlow dalam penelitian ini dapat
mengklasifikasikan paket normal, HTTP dan UDP flooding. Selain itu, IDS ini
mampu mendeteksi serangan ke dalam tiga kategori yang telah dirancang. Hasil
akurasi yang didapatkan dalam mendeteksi serangan adalah rata-rata 90%.
Kata kunci: backpropagation, neural network, OpenFlow, intrusion detection
system

SUMMARY
GUNTORO. Security of OpenFlow Network using Intrusion Detection System
based Backpropagation Neural Network. Supervised by HERU SUKOCO and
SUGI GURITMAN.
OpenFlow protocol (OFP) is one technique that separates the computer
network between the control plane and data plane. The advantage with separation
of these, a computer network can be programmed dynamically without having to

be tied to one specific vendor. Separation of control plane and data plane can be a
threat to data transmitted. Therefore, OFP based network requires security
mechanisms That can identify data traffic. This research implemented and
evaluated the security mechanisms using techniques OFP based intrusion detection
system (IDS). IDS is a security scheme that integrates with OpenFlow technology.
IDS used in the research is the method of backpropagation neural network (BPNN)
to classify the packets that come against this type of attack. Application of BPNN
was to identify attacks an OpenFlow network.
The method of this research consists of several steps, such as analysis, system
design consisting OpenFlow network design and design of IDS, system
implementation, experimental and evaluation system. Implementation of
OpenFlow network was done in LAB Net-Centric Computing (NCC) IPB.
Implementation of IDS was conducted using backpropagation and was applied to
the controller. The scopes of this research are. 1) Implementation of OpenFlow
network was implemented only on LAN network. 2) The study focuses on the safety
controller. 3) Target attacks carried out is OpenFlow controller. 4) Security of
OpenFlow network was conducted using IDS. 5) This type of attack used is normal,
DoS attacks and HTTP. 6) The method for classification of types of data packets is
backpropagation neural network.
This experimental was done on two steps: training and testing models of IDS

in real-time. IDS model training is dataset network traffic using backpropagation
neural network, thus getting the best classification model. The dataset used in this
research was KDD Cup 1999 dataset released by DARPA (Defense Advances
Research Projects Agency). After the training, the accuracy of the results 97.7%.
Experimental of IDS in real-time IDS was conducted using backpropagation neural
network with real-time network traffic data. Experimental schema of IDS in realtime was done using the normal access, HTTP, and UDP flooding. The
classification of attacks is categorized into three levels, namely 0.5 high.
Based on the experimental performed, IDS based backpropagation neural
network applied to the OpenFlow network can classify packet normal, HTTP and
UDP flooding. Furthermore, IDS is able to detect attacks into three categories that
have been designed. The accuracy of the results obtained in detecting the attack was
an average of 90%.
Keywords: backpropagation, neural network, intrusion detection system,
OpenFlow

© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau
menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau

tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

KEAMANAN JARINGAN OPENFLOW
MENGGUNAKAN INTRUSION DETECTION SYSTEM (IDS)
BERBASIS BACKPROPAGATION NEURAL NETWORK

GUNTORO

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji Luar Komisi pada Ujian Tesis: Dr Ir Sri Wahjuni, MT

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2015 ini ialah
Keamanan Jaringan OpenFlow Menggunakan Intrusion Detection System (IDS)
Berbasis Backpropagation Neural Network.
Terima kasih penulis ucapkan kepada Bapak DrEng Heru Sukoco, SSi MT
dan Bapak Dr Drs Sugi Guritman selaku pembimbing, serta Ibu Dr Ir Sri Wahjuni,
MT selaku penguji yang telah banyak memberi saran. Ungkapan terima kasih juga
disampaikan kepada ayahanda Misban, ibunda Warsini, serta seluruh keluarga dan
teman-teman ilkom angkatan 15, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Desember 2015
Guntoro

DAFTAR ISI

DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1

1
2
3
3
3

2 TINJAUAN PUSTAKA
Software Defined Networking (SDN)
Perbandingan Jaringan Tradisional dengan Jaringan SDN
Jaringan OpenFlow
Intrusion Detection System (IDS)
Artificial Neural Network (ANN)
Backpropagation

4
4
4
5
5
8

8

3 METODE
Analisis Masalah
Perancangan Sistem
Implementasi Sistem
Pengujian dan Evaluasi Sistem

13
13
13
17
17

4 HASIL DAN PEMBAHASAN
Analisis Masalah
Perancangan Sistem
Implementasi Sistem
Hasil Pengujian dan Evaluasi Sistem

18
18
18
22
25

5 SIMPULAN DAN SARAN
Simpulan
Saran

31
31
31

DAFTAR PUSTAKA

32

LAMPIRAN

34

RIWAYAT HIDUP

38

DAFTAR TABEL
1
2
3
4
5

Klasifikasi fitur ........................................................................................... 15
Ekstraksi data ............................................................................................. 20
Normalisasi data ......................................................................................... 20
Distribusi data pelatihan ............................................................................. 21
Perbandingan pelatihan ............................................................................... 21

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Perbandingan jaringan tradisional dengan jaringan SDN
Arsitektur protokol OpenFlow
Klasifikasi IDS
Network based IDS
Host based IDS
Arsitektur backpropagation
Metode penelitian
Arsitektur perancangan jaringan OpenFlow
Perancangan sistem IDS dengan backpropagation
Arsitektur perancangan jaringan OpenFlow
Perancangan arsitektur backpropagation
Lingkungan pengujian sistem
Koneksi floodlight controller dengan OpenFlow switch
Floodlight monitoring
Trafik paket jaringan OpenFlow
Aktivitas normal low alert
Aktivitas normal medium alert
Aktivitas normal high alert
UDP flooding low alert
UDP flooding medium alert
UDP flooding high alert
Akses HTTP low alert
Akses HTTP medium alert
Akses HTTP high alert

4
5
6
6
7
8
13
14
14
18
21
26
26
27
27
28
28
28
29
29
29
30
30
30

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9

Konfigurasi OpenFlow switch dengan OpenVSwitch
Konfigurasi controller floodlight
Informasi port OpenFlow switch
Koneksi controller dan OpenFlow switch
Trafik paket normal
Trafik paket UDP flooding
Trafik paket HTTP
Topologi jaringan OpenFlow
Informasi port dan flow dalam OpenFlow switch

34
34
35
35
35
36
36
37
37

1 PENDAHULUAN
Latar Belakang
Pada jaringan tradisional, sebuah perangkat switch hanya berfungsi untuk
meneruskan suatu paket melalui port ke port yang lain tanpa membedakan protokol
data yang dikirimkan (Shinde dan Tamhankar 2013). Salah satu teknologi yang
berkembang saat ini adalah software-defined networking (SDN). Teknologi SDN
merupakan sebuah pendekatan tentang teknologi jaringan komputer yang
dikembangkan oleh UC Berkeley dan Stanford University pada tahun 2008. Konsep
utama dari teknologi SDN adalah memisahkan antara control plane dengan data
plane Kloti et al. (2013). Teknologi SDN mempunyai beberapa metode yang
digunakan untuk mengontrol data antar komunikasi pada perangkat jaringan. Salah
satu teknologi SDN yang sedang berkembang saat ini adalah protokol OpenFlow.
Protokol OpenFlow merupakan sebuah arsitektur jaringan komputer pada
perangkat switch, yang berfungsi untuk melakukan komunikasi data, di mana antara
data plane dengan control plane saling dipisahkan Kloti et al. (2013). Sebuah
perangkat switch melakukan pengiriman data menggunakan satu atau lebih dari
flow table. Flow table berisikan beberapa aturan yang digunakan untuk mengatur
lalu lintas pada jaringan komputer. Aturan-aturan tersebut dapat dikonfigurasi pada
perangkat controller. Perangkat tersebut dapat mengatur lalu lintas paket-paket
yang berjalan pada sebuah jaringan OpenFlow.
Keuntungan dengan adanya controller, sebuah jaringan komputer dapat di
program secara dinamis, baik topologi jaringan maupun masalah routing tanpa
harus terikat dengan vendor tertentu. Tetapi controller menjadi sebuah ancaman
tersendiri bagi keamanan paket data yang melewati jaringan OpenFlow, apabila
tidak memiliki sistem keamanan yang mampu melindungi jaringan yang ada.
Beberapa isu ancaman yang sering terjadi pada jaringan OpenFlow diantaranya
adalah DoS attacks, ping flood, packet sniffing serta ancaman-ancaman lainnya
(Hedge dan Hu 2014). Oleh karena itu diperlukannya suatu layanan keamanan
jaringan yang dapat mengidentifikasi terhadap serangan-serangan yang ada.
Terdapat beberapa teknik keamanan komputer yang dapat diterapkan pada jaringan
komputer diantaranya adalah firewall, virtual private network (VPN), serta enkripsi
paket data yang dikirimkan. Tetapi dengan perkembangan teknologi komputer yang
begitu pesat, seorang hacker mampu mencari kelemahan sistem keamanan yang ada,
sehingga teknik keamanan jaringan yang ada tidak mampu melindungi paket-paket
data yang dikirimkan. Salah satu layanan keamanan jaringan yang dapat
memonitoring serta mendeteksi terhadap serangan intruder adalah intrusion
detection system (IDS) Romao et al. (2013).
IDS merupakan layanan keamanan jaringan yang dapat mendeteksi semua
aktivitas paket data yang masuk maupun keluar jaringan serta mampu
mengidentifikasi paket-paket data yang mencurigakan Upadhyaya et al. (2013).
Sistem tersebut dapat membantu bagi administrator jaringan untuk memonitoring
serta mendeteksi serangan-serangan yang berbahaya dari ancaman para intruder.
Penelitian Kumar et al. (2012) membahas tentang konsep OpenFlow switch
menggunakan intrusion detection system. Penelitian ini juga bertujuan membuat
keamanan switch menggunakan protokol OpenFlow. Penelitian Romao et al. (2013)

2

melakukan analisis keamanan jaringan OpenFlow, keamanan komunikasi antara
OpenFlow switch dengan controller. Penelitian ini membahas tentang pentingnya
layanan keamanan yang digunakan untuk komunikasi antara OpenFlow switch
dengan controller. Beberapa rekomendasi dalam penelitian ini adalah pentingnya
penerapan Vlan pada jaringan OpenFlow, pentingnya menerapkan layanan
keamanan TLS serta penerapan sistem intrusi. Penelitian Kloti et al. (2013)
menganalisis keamanan yang terdapat pada teknologi OpenFlow. Serangan yang
dapat membahayakan teknologi OpenFlow yaitu Denial of Service (DoS). Serangan
ini dapat terjadi pada OpenFlow switch maupun controller. Penelitian (Khatri 2013)
melakukan implementasi serta menganalisis terhadap protokol OpenFlow pada
jaringan LAN. Protokol OpenFlow sangat cocok pada jaringan berbasis backbone
atau jaringan area kampus. Penelitian Hedge dan Hu (2014) tentang isu-isu
keamanan jaringan SDN atau OpenFlow. Di dalam penelitian ini membahas tentang
ancaman yang dapat terjadi pada jaringan OpenFlow, ancaman tersebut dapat
terjadi pada layer switch atau router, transport dan aplikasi. Serangan-serangan
yang dapat terjadi diantaranya adalah serangan DDoS attack, ping flood, SYN flood,
maupun buffer overflow. Penelitian Dotcenko et al. (2014) tentang manajemen
keamanan informasi berbasis fuzzy logic pada software-defined networks. Dalam
penelitian ini membahas tentang menajemen keamanan informasi menggunakan
algoritme soft-computing serta melakukan implementasi prototipe sistem IDS pada
jaringan SDN, yang terdiri dari modul statistik, modul sistem pendukung keputusan.
Modul tersebut diimplementasikan dalam Beacon controller dengan menggunakan
pemrograman java. Penelitian ini melakukan evaluasi sistem menggunakan
simulator mininet.
Dari penelitian di atas belum ada yang membahas tentang penerapan sistem
IDS menggunakan metode backpropagation neural network ke dalam jaringan
OpenFlow. Backpropagation adalah salah satu algoritme pelatihan neural network
dalam kategori supervised learning. Algoritme backpropagation yang
menggunakan ide dari syaraf biologi manusia, sehingga dalam menyelesaikan
permasalahan akan dilakukan pelatihan-pelatihan Gupta et al. (2012). Dengan
sistem IDS berbasis backpropagation neural network, dapat melakukan klasifikasi
jenis paket jaringan baik serangan maupun bukan serangan.
Penelitian ini bertujuan menerapkan sistem IDS berbasis backpropagation
neural network ke dalam jaringan OpenFlow. Metode backpropagation neural
network berfungsi untuk mengenali pola-pola serangan serta mengklasifikasikan
jenis paket data yang ada pada jaringan OpenFlow, baik dalam kategori serangan
maupun bukan serangan.

Perumusan Masalah
Berdasarkan uraian latar belakang di atas, maka rumusan masalah dalam
penelitian ini adalah:
1. Bagaimana membangun jaringan OpenFlow dan mengintegrasikan dengan
jaringan yang ada?
2. Bagaimana mengimplementasikan sistem IDS pada jaringan OpenFlow?
3. Bagaimana mengidentifikasi jenis paket data yang terdapat dalam jaringan
OpenFlow menggunakan backpropagation neural network?

3

4. Bagaimana menganalisis keamanan jaringan OpenFlow menggunakan sistem
IDS berbasis backpropagation neural network?

Tujuan Penelitian
Penelitian ini bertujuan untuk menganalisis data paket pada jaringan
OpenFlow dengan menerapkan mekanisme keamanan jaringan menggunakan
menggunakan intrusion detection system (IDS) berbasis backpropagation neural
network
Manfaat Penelitian
1.
2.
3.
4.

Manfaat yang didapatkan pada penelitian ini adalah sebagai berikut:
Dengan adanya layanan jaringan OpenFlow tersebut memudahkan bagi
administrator jaringan dalam mengelola jaringannya
Sistem IDS mampu mengidentifikasi terhadap serangan pada jaringan komputer
Dengan Sistem IDS menggunakan backpropagation neural network dapat
mengklasifikasikan jenis paket data yang ada pada jaringan OpenFlow
Paket-paket data yang melewati jaringan OpenFlow dapat terjamin
keamananannya

Ruang Lingkup Penelitian
Agar lebih terarah dan berjalan dengan baik, maka penelitian ini membatasi
pada:
1. Implementasi jaringan OpenFlow hanya pada jaringan LAN
2. Penelitian ini berfokus terhadap keamanan OpenFlow controller
3. Target serangan dilakukan adalah OpenFlow controller
4. Keamanan jaringan OpenFlow menggunakan sistem IDS
5. Jenis serangan yang digunakan adalah normal attack dan DoS attack
6. Metode yang digunakan untuk mengklasifikasikan jenis paket data
menggunakan backpropagation neural network

4

2 TINJAUAN PUSTAKA
Software Defined Networking (SDN)
Software-defined networking (SDN) berkaitan dengan arsitektur perangkatperangkat jaringan komputer seperti router, switch serta perangkat jaringan lainnya.
Secara umum dalam perangkat jaringan terdapat dua bagian yaitu control plane dan
data plane (Kim dan Feamster 2013).
Control plane merupakan bagian yang berfungsi untuk mengatur logika pada
perangkat jaringan seperti routing table, pemetaan jaringan, dan lain sebagainya.
Sedangkan data plane merupakan bagian yang berfungsi untuk meneruskan paket
data yang masuk melalui suatu port pada perangkat jaringan menuju port keluar
dengan berkomunikasi kepada control plane.

Perbandingan Jaringan Tradisional dengan Jaringan SDN
Konsep software-defined networking adalah melakukan pemisahan antara
control plane dengan data plane, di mana pada bagian data plane berada pada
perangkat jaringan, sedangkan control plane terpisah dari perangkat jaringan yang
disebut controller Kloti et al. (2013). Sedangkan konsep di dalam jaringan
tradisional, yaitu control plane dengan data plane berada pada perangkat jaringan
yang sama dan tidak saling dipisahkan.
Adapun perbandingan antara jaringan tradisional dengan jaringan SDN
seperti ditunjukkan pada Gambar 1. Pada gambar bagian atas merupakan arsitektur
dari jaringan tradisional sedangkan sebelah bawah merupakan arsitektur dari
jaringan SDN. Di dalam jaringan tradisional terlihat bahwa antara control plane dan
data plane terdapat di dalam satu perangkat serta saling terhubung ke dalam
perangkat jaringan komputer yang lain. Di dalam jaringan SDN, terlihat bahwa
antara data plane dan control plane saling terpisah. Setiap data plane terhubung ke
dalam control plane yang terpusat.

Jaringan Tradisional

Switch

Data Plane

Control Plane

Jaringan SDN

Programmable
Switch

Data Plane
Controller

Gambar 1 Perbandingan jaringan tradisional dengan jaringan SDN
(Farooq dan Hu 2014)

5

Jaringan OpenFlow
Jaringan OpenFlow berbeda dengan jaringan tradisional. Di dalam jaringan
OpenFlow, sebuah controller mempunyai peranan yang sangat penting dalam
mengatur komunikasi sebuah jaringan. Sebuah controller menentukan setiap paket
data yang ada di dalam jaringan, kemana paket data harus dikirimkan. Setiap paket
data yang melewati jaringan OpenFlow harus diverifikasi oleh controller.
Menurut Kumar et al. (2012), terdapat beberapa komponen OpenFlow switch
yaitu flow table, secure channel dan OpenFlow protocol. Seperti ditampilkan pada
Gambar 2.
OpenFlow Switch
OpenFlow Protocol

Secure Channel

SSL

Controller

Flow
Table 0

Flow
Table n

Group Table

Pipeline

Gambar 2 Arsitektur protokol OpenFlow
Flow table merupakan komunikasi sebuah switch yang berfungsi untuk
mengatur setiap data flow dengan menghubungkan pada setiap flow table entry.
Sebuah flow table memiliki tiga bagian yaitu packet header yang berfungsi untuk
menentukan bagaimana paket akan diteruskan. Action berfungsi untuk
menspesifikasikan tindakan apa yang harus diambil terhadap sebuah flow dan
counter berfungsi untuk menyatakan jumlah paket yang diproses pada tiap flow.
Menurut Mckeown et al. (2008), beberapa tindakan yang dilakukan ketika paket
data masuk, diantaranya meneruskan paket ke dalam port tertentu, memblokir
setiap trafik tertentu, mengenkapsulasi serta meneruskan paket ke controller.
Secure channel adalah sebuah layanan keamanan yang menghubungkan
antara OpenFlow switch dengan controller. Sehingga paket-paket data yang
melewati antara OpenFlow switch dengan controller terjamin keamanannya.
OpenFlow protocol berfungsi untuk menyediakan layanan yang terbuka
untuk komunikasi antara controller dengan OpenFlow switch.
Intrusion Detection System (IDS)
Intrusion detection system (IDS) merupakan layanan keamanan jaringan yang
memeriksa semua aktivitas masuk maupun keluar serta mengidentifikasi paketpaket data yang mencurigakan Silva et al. (2004). IDS pada dasarnya merupakan
suatu sistem yang memiliki kemampuan untuk menganalisa paket-paket data secara
realtime, mencatat semua kegiatan dalam jaringan serta menghentikan terhadap
serangan-serangan maupun penyalahgunaan. Komponen-komponen yang terdapat
pada sebuah sistem IDS adalah sensor yang berfungsi untuk mengenali security
event, console yang berfungsi untuk memonitoring paket-paket data, alert serta
mengontrol sensor dan central engine berfungsi untuk menyimpan setiap log yang
dilakukan oleh sensor ke dalam database.

6

Model Intrusion Detection System (IDS)
Menurut Beigh dan Peer (2012) sistem IDS dapat diklasifikasikan ke dalam
3 bagian, yaitu Host Based Intrusion Detection System (HIDS), Network Based
Intrusion Detection System (NIDS), dan Hybrid Intrusion Detection System.
Sedangkan untuk menganalisis jenis pola serangan dapat diklasifikasikan ke dalam
2 bagian yaitu Misuse Based Intrusion Detection System dan Anomaly Based
Intrusion Detection System, seperti ditunjukkan pada Gambar 3.
Model Intrusion
Detection System (IDS)

Jenis IDS

Network
Based IDS

Teknik Deteksi Serangan

Host Based
IDS

Misuse Based
IDS

Hybrid IDS

Anomaly
Based IDS

Gambar 3 Klasifikasi IDS
Jenis Intrusion Detection System (IDS)
Network Based Intrusion Detection System (NIDS)
Network Based Intrusion Detection System adalah sebuah tipe IDS yang
ditempatkan pada suatu titik tertentu yang berfungsi untuk melakukan pengawasan
terhadap trafik sebuah jaringan baik yang menuju maupun berasal dari perangkat di
dalam jaringan. Sehingga semua perangkat yang berasal dari dalam maupun dari
luar jaringan dilakukan scanning Beigh dan Peer (2012). Adapun arsitektur dari
Network Based IDS ditunjukkan pada Gambar 4.
SENSOR IDS
SENSOR IDS

FIREWALL
INTERNET

WEB SERVER

DNS SERVER

Gambar 4 Network based IDS
Host Based Intrusion Detection System (HIDS)
Host Based Intrusion Detection System adalah sebuah tipe IDS yang berjalan
pada host yang berdiri sendiri dalam sebuah jaringan. Tipe HIDS melakukan
pengawasan terhadap trafik baik dari dalam maupun dari luar selanjutnya akan

7

memberikan peringatan kepada user atau administrator jaringan Beigh dan Peer
(2012). Adapun arsitektur dari Host Based IDS ditunjukkan pada Gambar 5.

AGENT

AGENT
Firewall
Internet

AGENT

AGENT

AGENT

AGENT

AGENT
WEB SERVER

AGENT
DNS SERVER

Gambar 5 Host based IDS
Hybrid Intrusion Detection System (Hybrid IDS)
Hybrid Intrusion Detection System merupakan sebuah gabungan teknik IDS
antara NIDS dengan HIDS, sehingga mendapatkan kemampuan yang lebih efisien
dari penggabungan dua teknik tersebut. Beigh dan Peer (2012).
Teknik Deteksi Serangan
Misuse Based Intrusion Detection System
Misuse based merupakan tipe signature based atau knowledge based. Dalam
mendeteksi jenis serangan, teknik misuse based IDS mengumpulkan informasi serta
membandingkan informasi tersebut dengan database menggunakan deteksi
signature. Sravani dan Srinivasu (2014).
Anomaly Based Intrusion Detection System
Dalam mendeteksi serangan, Anomaly Based IDS akan melakukan
pengawasan trafik pada jaringan serta melakukan perbandingan terhadap trafik
yang terjadi dengan trafik yang ada. Umumnya teknik ini menggunakan model
statistik dalam mendeteksi pola aktivitas jaringan, baik paket normal dan tidak
normal. (Hoque 2012).
Dalam model anomaly based-IDS, perilaku penyerang berbeda dengan
pengguna normal. Dengan demikian bagi seorang administrator jaringan harus
mendefinisikan perilaku serangan dan keadaan normal dari sistem IDS. Hal-hal
yang perlu didefinisikan diantaranya adalah protokol jaringan, banyaknya trafik
serta ukuran paket data normal. Sistem detector anomali akan melakukan
monitoring terhadap jaringan, kemudian akan membandingkan dengan paket data
normal yang telah ditetapkan. Kelemahan dari Anomaly Based-IDS adalah sering
terjadi false-positive, sehingga perlu mendefinisikan keadaan paket normal secara
spesifik.

8

Artificial Neural Network (ANN)
Artificial Neural Network (ANN) merupakan salah satu teknik soft computing
untuk memproses informasi yang melakukan pembelajaran seperti otak manusia.
Jaringan syaraf tiruan merupakan sebuah pemodelan statistik yang hanya
mengambil ide dari syaraf biologi manusia, yaitu dapat menyelesaikan masalah
setelah dilakukan pembelajaran sebelumnya. Jaringan syaraf tiruan juga dapat
digunakan untuk memodelkan sebuah input serta output sehingga menemukan polapola dari sebuah data Gupta et al. (2012).
Proses pembelajaran di dalam jaringan syaraf tiruan dapat dikategorikan
dalam 2 model yaitu supervised learning dan unsupervised learning. Model
supervised learning disebut juga model klasifikasi. Model supervised learning
merupakan model pembelajaran terawasi, dimana nilai output yang diharapkan
telah diketahui sebelumnya. Beberapa model dari supervised learning adalah
jaringan perceptron, ADALINE dan backpropagation. Sedangkan model
unsupervised learning disebut juga model clustering. Model unsupervised learning
merupakan model pembelajaran dalam kategori pembelajaran tak terawasi, dimana
output tidak ditentukan sebelumnya. Metode ini bertujuan untuk mengetahui suatu
kelas atau cluster tertentu Gupta et al. (2012). Dalam tesis ini model yang
digunakan adalah supervised learning dengan metode backpropagation.
Backpropagation
Backpropagation merupakan salah satu algoritme pelatihan neural network
yang menggunakan metode supervised learning. Metode backpropagation
mempunyai banyak lapisan atau disebut dengan multi layer perceptron. Algoritme
backpropagation menggunakan error output dalam mengubah nilai bobot atau
disebut dengan backward. Untuk mendapatkan nilai error, maka langkah awal yang
dikerjakan adalah tahap forward propagation Gupta et al. (2012). Gambar 6
merupakan arsitektur model backpropagation.
Y1

W10

Yk

Wj0

Wjp

Wj1

Wm0 W11
1

Wm1

Wjj
W1j

Z1

V11

Vj1

V1i

Zp

Vji

Vpn

Vjn
Vpi

X1

Wmp

W1p

Wjj
Zj

Vp1

1

Ym

V1n

Xi

Gambar 6 Arsitektur backpropagation
(Fausett 1994)

Xn

9

Arsitektur backpropagation terdiri dari n input layer (ditambah dengan
sebuah bias), satu hidden layer dengan p buah node (ditambah satu bias) dan m
buah node pada output layer, seperti terlihat pada Gambar 6.
Proses pelatihan backpropagation terdiri dari tiga tahapan yaitu input layer,
hidden layer dan output layer. Vij merupakan bobot dari input Xi ke unit hidden
layer Zj (Vj0 merupakan bobot yang menghubungkan bias dari input ke hidden layer
Zj). Wkj merupakan bobot dari unit hidden layer Zj ke unit output Yk (Wk0
merupakan bobot yang menghubungkan bias dari hidden layer Zj ke output layer
Yk).
Pelatihan backpropagation terdiri dari tiga fase. Pertama, fase maju, yaitu
pola input dihitung secara maju (feed forward) mulai dari input layer hingga output
layer dengan menggunakan fungsi aktivasi yang telah ditentukan. Kedua, fase
mundur atau disebut proses pengujian, yaitu menghitung selisih antara output
jaringan dengan target output yang dinginkan sebagai error yang terjadi, kemudian
error tersebut dipropagasikan mundur dimulai dari bobot yang berhubungan
langsung dengan node-node di ouput layer. Ketiga, fase modifikasi atau perubahan
bobot, yang berfungsi untuk menurunkan error yang terjadi. Ketiga fase tersebut
diulang-ulang terus hingga kondisi penghentian dipenuhi.
Penulisan istilah:
x
= Vektor input pembelajaran
x= (x1, x2,…xj,…,xn)
t
= Vektor target output
t = (t1, t2,…,tk,…,tm)
δk
= Bagian koreksi error penyesuaian bobot wjk berpedoman pada error
output neuron yk
δj
= Bagian koreksi error penyesuaian bobot vij berpedoman pada error output
neuron zj
α
= Learning rate
Xi
= Input neuron
voj
= Bias pada hidden neuron ke- j
Zj
= Hidden neuron ke-j
Nilai input zj ditunjukkan dengan:
n

z _ in j  v0 j   xi vij
i 1

Z_inj = Nilai output dengan menggunakan fungsi aktivasi yang dipilih
ditunjukkan dengan:
z j  f ( z _ in j )
w0k
= Bias output
Yk
= Output neuron ke-k
Nilai input dengan Yk ditunjukkan dengan y_ink:
p

y _ ink  w0 k   z j wk
j 1

Nilai output dengan menggunakan fungsi aktivasi yang dipilih
ditunjukkan dengan:
yk  f ( y _ ink )

10

Learning Rate (α)
Learning rate merupakan salah satu parameter pelatihan yang digunakan
untuk menghitung nilai koreksi bobot pada waktu proses pelatihan. Nilai learning
rate antara 0 hingga 1. Semakin besar nilai learning rate yang digunakan, maka
semakin cepat pula waktu proses pelatihan. Namun, jika nilai learning rate terlalu
besar, maka ketelitian jaringan akan semakin rendah. Begitu pula apabila nilai
learning semakin kecil, maka ketelitian jaringan akan semakin besar, tetapi
membutuhkan waktu yang lama.
Fungsi Aktivasi
Fungsi aktivasi mempunyai beberapa karakteristik yang harus dipenuhi
yaitu kontinu, diferensial dan fungsi yang tidak turun. Fungsi aktivasi yang sering
digunakan adalah fungsi sigmoid yang memiliki range (0, 1) seperti yang terlihat
pada persamaan (1) (Fausett 1994).
� � =

1

1+exp −�

dengan turunan �′ � = � � 1 − � �

(1)

Momentum
Momentum berfungsi untuk mempercepat pelatihan pembelajaran. Metode
momentum melibatkan bobot ditambah faktor tertentu dari penyesuaian sebelumnya.
Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang
mencolok akibat adanya data yang sangat berbeda dengan yang lain. Formula yang
digunakan perubahan bobot menggunakan momentum adalah seperti terlihat pada
persamaan (2).
wjk (t  1)   k z j  wjk (t )

(2)

Algoritme Pelatihan Backpropagation
Beberapa tahapan yang dilakukan pada proses pelatihan backpropagation
yaitu (Fausett 1994):
Langkah 0: Inisialisasi bobot dengan bilangan acak kecil
Langkah 1: Jika kondisi penghentian belum terpenuhi, kerjakan langkah 2-9
Langkah 2: Untuk setiap pasangan data pelatihan, lakukan langkah 3-8
Fase 1 : Feedforward
Langkah 3: Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di
atasnya (lapisan tersembunyi)
Langkah 4: Tiap-tiap unit pada suatu lapisan tersembunyi (Zi, j=1,2,3...,p)
menjumlahkan sinyal-sinyal input terbobot. Fungsi yang digunakan
seperti terlihat pada persamaan (3):
n

z _ in j  v0 j   xi vij

(3)

i 1

gunakan fungsi aktivasi untuk menghitung sinyal output, seperti pada
persamaan (4):

11

z j  f ( z _ in j )

(4)

dan kirim sinyal ini ke node-node di output layer.
Langkah 5: Tiap-tiap node di output layer ( Yk, k = 1,2,3,…,m ) menjumlahkan
sinyal-sinyal masukan berbobot menggunakan persamaan (5):
p

y _ ink  w0 k   z j wk

(5)

j 1

gunakan fungsi aktivasi untuk menghitung sinyal output, seperti pada
persamaan (6):
yk  f ( y _ ink )

(6)

dan kirim sinyal tersebut ke node-node di output layer.
Fase 2: Backpropagation
Langkah 6: Tiap-tiap node di output layer (Yk, k=1,2,3…,m) menerima pola target
berkaitan dengan pola pelatihan masukannya. Hitung galat informasi
menggunakan persamaan (7):

 k  (tk  yk ) f '( y _ ink )

(7)

kemudian hitung koreksi bobot (yang nantinya digunakan untuk
memperbaiki nilai wjk dengan menggunakan persamaan (8):
w jk   k z j

(8)

hitung juga
koreksi bias (yang nantinya digunakan untuk
memperbaiki nilai w0k ) menggunakan persamaan (9):
w0k   k

(9)

Langkah 7: Tiap-tiap node di hidden layer (zj = menjumlahkan delta masukannya
(dari node- node pada lapisan di atasnya) menggunakan persamaan
(10):
m

 _ in j    k w jk

(10)

k 1

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error sesuai dengan persamaan (11):

 j   _ in j f '( z _ in j )

(11)

12

Kemudian hitung koreksi bobot (yang nantinya digunakan untuk
memperbaiki nilai vij) dengan menggunakan persamaan (12):
vi j   j xi

(12)

hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki
nilai v0j ) menggunakan persamaan (13):
v0 j   j

(13)

Fase 3: Perubahan Bobot dan Bias
Langkah 8: Tiap-tiap node di output layer (Yk , k  1, 2,3,..., m) melakukan
perbaikan bias dan bobotnya (j = 0,1,2,…,p) dengan menggunakan
persamaan (14):
wjk (baru)  wjk (lama)  w jk

(14)

tiap-tiap node di hidden layer (Zj, j = 1,2,3,…,p) melakukan perubahan
bobot dan bias yang berasal dari tiap node di input layer (i=1,2…,n)
dengan menggunakan persamaan (15):
vi j (baru)  vi j (lama)  vij

(15)

Langkah 9: Tes kondisi berhenti
Untuk memeriksa tes kondisi berhenti biasanya menggunakan persamaan
MSE (Mean Square Error) seperti terlihat pada persamaan (16):
1 n
(16)
MSE   (Ti  Yi) 2
N i 1
N adalah jumlah data pelatihan, Ti adalah target data ke- i, dan Yi adalah output
jaringan untuk data ke-i.

13

3 METODE
Metode yang digunakan pada penelitian ini terdiri dari analisis masalah,
perancangan sistem, implementasi sistem, pengujian dan evaluasi sistem. Adapun
tahapan-tahapan penelitian yang akan dilakukan seperti ditunjukkan Gambar 7.
Perancangan Sistem

Mulai

Analisis
Masalah

Intrusion Detection
System (IDS)

Jaringan
OpenFlow

Implementasi
Sistem

Pengujian dan
Evaluasi Sistem

Selesai

Gambar 7 Metode penelitian

Analisis Masalah
Pada tahap ini akan dilakukan analisis permasalahan. Permasalahan tersebut
adalah berkaitan dengan OpenFlow controller yang masih rentan terhadap
serangan-serangan pada jaringan. Permasalahan tersebut karena di dalam jaringan
OpenFlow antara control plane dan data plane saling dipisahkan. Oleh karena itu
bagaimana mencari solusi terhadap permasalahan tersebut. Jenis serangan yang ada
diantaranya adalah normal attacks, denial of service (DoS) dan lain-lain. Sistem
yang akan dibangun, diharapkan mampu mendeteksi serangan secara realtime serta
mempunyai tingkat akurasi deteksi di atas 85% (Alrajeh dan Lloret 2013).

Perancangan Sistem
Pada tahap perancangan sistem ada dua sistem yang akan dibangun yaitu
perancangan jaringan OpenFlow dan perancangan intrusion detection system (IDS).
Perancangan Jaringan OpenFlow
Pada tahap perancangan jaringan OpenFlow akan dirancang bagaimana
arsitektur dari jaringan OpenFlow yang akan dibangun nantinya. Komponenkomponen yang dibutuhkan dalam perancangan jaringan OpenFlow diantaranya
adalah perancangan OpenFlow Switch, OpenFlow controller serta host. Arsitektur

14

perancangan jaringan OpenFlow yang digunakan adalah seperti ditunjukkan pada
Gambar 8.

Internet
OpenFlow Switch

OpenFlow Controller

Host

Host

Gambar 8 Arsitektur perancangan jaringan OpenFlow
(Hedge dan Hu 2014)
Perancangan Sistem IDS
Pada tahap ini akan dilakukan perancangan sistem IDS. Tahap pertama yang
akan dilakukan adalah pelatihan model sistem IDS. Pelatihan model sistem IDS
menggunakan metode backpropagation neural network. Pelatihan ini bertujuan
untuk mencari model klasifikasi yang terbaik. Data yang digunakan untuk proses
pelatihan model menggunakan KDD dataset 1999 yang dikeluarkan oleh DARPA
(Defense Advances Research Project Agency) (Kumar dan Devaraj 2010). Data set
tersebut merupakan hasil capture trafik jaringan yang berasal dari snort. Data
tersebut mempunyai 41 fitur, yang diberi label normal dan anomaly (serangan).
Setelah dilakukan pelatihan model, tahap selanjutnya adalah melakukan pengujian
model klasifikasi ke dalam sistem IDS secara realtime. Beberapa proses yang
dilakukan pada perancangan IDS dengan menggunakan metode backpropagation
neural network seperti ditunjukkan pada Gambar 9. Untuk gambar sebelah kiri
merupakan pelatihan model sistem IDS dan gambar sebelah kanan merupakan
proses pengujian sistem IDS secara realtime.
Dataset KDD99

OpenFlow Network

Network Data
Monitoring

Network Data
Monitoring

Preprocessing
Preprocessing

Proses Training

Model Data
Klasifikasi

Proses Klasifikasi
Backpropagation

Log Hasil
Klasifikasi

Informasi
Klasifikasi
Administrator

Gambar 9 Perancangan sistem IDS dengan backpropagation

15

Pelatihan Model IDS
Network Data Monitoring
Pada proses ini akan dilakukan pengambilan data dari lalu lintas jaringan dan
akan diterima oleh data preprocessing sebelumnya akan dilakukan ekstrasi. Namun
untuk proses pengujian, data yang digunakan yaitu KDD Cup 1999. Adapun atributatribut yang terdapat pada dataset KDD Cup 1999 seperti ditunjukkan pada Tabel
1.
Tabel 1 Klasifikasi fitur
No Fitur
1
duration
2
protocol_type
3
service
4
5
6
7
8
9
10

flag
src_bytes
dst_bytes
land
wrong_fragment
urgent
count

11

serror_rate

12
13
14
15

rerror_rate
same_srv_rate
diff_srv_rate
srv_count

16
17
18
19

srv_serror_rate
srv_rerror_rate
srv_diff_host_rate
dst_host_count

20

dst_host_serror_rate

21
22
23
24
25
26
27
28
29
30

dst_host_rerror_rate
dst_host_same_srv_rate
dst_host_diff_srv_rate
dst_host_srv_count
dst_host_srv_serror_rate
dst_host_srv_rerror_rate
dst_host_srv_diff_host_rate
dst_host_same_src_port_rate
hot
num_failed_logins

Deskripsi
lama (detik) koneksi
tipe protokol (tcp,udp,dsb..)
network service di destination (http,
telnet, dll..)
flag
jumlah bytes dari source ke destination
jumlah bytes dari destination ke source
status koneksi , normal atau error
jumlah fragment yang salah
jumlah paket yang urgent
jumlah koneksi ke host yg sama dengan
koneksi yang ada sekarang dalam rentang
2 detik
% dari koneksi yang terdapat "SYN"
error
% dari koneksi yang terdapat "REJ" error
% dari koneksi ke service yg sama
% dari koneksi ke service yang berbeda
jumlah koneksi ke service yang sama
terakhir
% dari koneksi yang terdapat "SYN"
error % dari koneksi yang terdapat
% dari koneksi ke host yg berbeda
jumlah koneksi ke host yg sama dengan
koneksi yang ada sekarang dalam rentang
2 detik
% dari koneksi yang terdapat "SYN"
error
% dari koneksi yang terdapat "REJ" error
% dari koneksi ke service yang sama
% dari koneksi ke service yang berbeda
% dari koneksi yang terdapat "REJ" error
% dari koneksi yang terdapat "REJ" error
% dari koneksi yang terdapat "REJ" error
% dari koneksi ke host yg berbeda
% dari koneksi ke port service yang sama
jumlah indikator "hot" secara berurutan
jumlah percobaan login yang gagal 1

16

No
31
32
33
34

Fitur
logged_in
num_compromised
root_sheel
su_attempted

35
36
37
38
39
40

num_root
num_file_creations
num_shells
num_access_files
num_outbound_cmds
is_host_login

41
42

is_guest_login
class

Deskripsi
jika berhasil login, 0 sebaliknya
jumlah kondisi "compromised"
1 jika root shell didapat, 0 sebaliknya
1 jika dilakukan percobaan perintah "su
root", 0 sebaliknya
jumlah "root" yang diakses
jumlah operasi pembuatan file
jumlah prompt shell
jumlah operasi pada access control files
berurutan
1 jika login termasuk dalam daftar "hot",
0 sebaliknya
1 jika login adalah "guest", 0 sebaliknya
jenis trafik (normal, atau jenis serangan
tertentu)

Data Preprocessing
Pada proses data preprocessing akan dilakukan ekstrasi data terhadap data
yang akan digunakan untuk data pelatihan, sehingga membentuk fitur-fitur
connection record. Setelah proses data preprocessing maka akan dilakukan proses
normalisasi data, karena dalam di dalam metode backpropagation neural network
hanya mengenali angka 0 hingga 1.
Normalisasi
Berdasarkan data preprocessing, akan dilakukan normalisasi data, agar
dapat digunakan sebagai proses training. Proses normalisasi menggunakan metode
Min-Max seperti ditunjukkan pada persamaan (17), dimana x’ adalah hasil nilai
normalisasi, min(x) adalah nilai minimum pada atribut x dan max(x) adalah nilai
maksimum pada atribut x (Vollmer dan Manic 2009):
�′ =

�� − �

�

�� � − �

�

(17)

Pelatihan Model Sistem IDS
Proses pelatihan model sistem IDS dilakukan untuk mencari model maupun
fungsi yang dapat mengklasifikasikan kelas-kelas data yang belum diketahui
dengan menggunakan metode backpropagation neural network. Setelah dilakukan
pelatihan model dan menghasilkan model yang terbaik, maka model tersebut akan
diterapkan pada sistem IDS secara realtime.
Pengujian Model Sistem IDS
Setelah dilakukan pelatihan model sistem IDS, proses selanjutnya adalah
melakukan pengujian terhadap model yang telah didapatkan ke dalam sistem IDS
realtime. Pengujian model sistem IDS berfungsi untuk mendapatkan hasil apakah
sistem IDS yang dibangun dapat berjalan dengan baik atau tidak. Pada pengujian
ini kategori serangan akan dibagi ke dalam tiga kategori yaitu low, medium dan high
Nugroho et al. (2014).

17

Implementasi Sistem
Pada tahap implementasi terdapat dua tahapan yaitu implementasi jaringan
OpenFlow serta implementasi sistem IDS menggunakan backpropagation neural
network. Penelitian ini dilaksanakan di LAB Net Centric Computing (NCC)
Departemen Ilmu Komputer IPB. Pada penelitian ini dibutuhkan alat dan bahan
yaitu sebagai berikut:
Spesifikasi Perangkat Keras:
1. OpenFlow Switch: PC (Personal Computer) Pentium 4, Ram 512 MB
2. OpenFlow Controller dan Sistem IDS:
a. Prosesor Intel Core i3 2.40 GHz
b. Ram 4 GB
c. Harddisk 1 TB
Spesifikasi Perangkat Lunak:
1. Sistem Operasi
2. OpenFlow Controller
3. OpenFlow Switch
4. Pemrograman

: Linux Ubuntu 14.04
: Floodlight
: OpenVSwitch Versi 2.02
: Python

Pengujian dan Evaluasi Sistem
Tahap pengujian akan dilakukan dengan melakukan serangan terhadap
controller dengan mengirimkan paket normal maupun paket DoS. Adapun skenario
pengujian yang akan dilakukan adalah melakukan monitoring menggunakan sistem
IDS berbasiskan backpropagation terhadap trafik jaringan OpenFlow. Setelah
dilakukan monitoring jaringan maka sistem IDS akan mendeteksi terhadap paketpaket data yang ada pada jaringan, apakah termasuk ke dalam paket serangan
maupun bukan serangan. Tahap selanjutnya melakukan evaluasi terhadap kinerja
sistem yang telah dibangun, apakah dapat berjalan dengan baik atau tidak.

18

4 HASIL DAN PEMBAHASAN
Analisis Masalah
Berdasarkan permasalahan yang terdapat di dalam jaringan OpenFlow, yaitu
pemisahan antara control plane dan data plane, maka dapat diusulkan bagaimana
menerapkan sistem IDS berbasis backpropagation neural network pada jaringan
OpenFlow. Sistem IDS yang dibangun mampu memonitoring terhadap trafik
jaringan yang ada. Namun dalam proses klasifikasi menggunakan metode
backpropagation neural network. Beberapa fitur yang dibangun dalam sistem IDS
adalah sebagai berikut:
1. Fasilitas pemantuan lalu lintas yang ada di dalam jaringan OpenFlow.
2. Proses training data menggunakan backpropagation neural network.
3. Menampilkan hasil klasifikasi trafik jaringan menggunakan backpropagation
neural network dengan fungsi aktivasi yang dikategorikan low (kategori rendah),
medium (kategori sedang) dan high (kategori tinggi).
4. Menampilkan laporan paket-paket data yang telah terklasifikasi dalam kategori
low (paket kategori rendah), medium (paket kategori sedang) dan high (paket
kategori tinggi).
Perancangan Sistem
Perancangan sistem bertujuan untuk merancang terhadap sistem yang akan
dibangun. Perancangan sistem terdapat dua tahapan yaitu merancang jaringan
OpenFlow dan merancang sistem IDS menggunakan metode backpropagation
neural network.
Perancangan Jaringan OpenFlow
Tahap perancangan jaringan OpenFlow adalah bagaimana merancang
komponen-komponen yang akan digunakan di dalam membangun jaringan
OpenFlow. Adapun perancangan arsitektur serta komponen-komponen yang
digunakan dalam jaringan OpenFlow seperti ditunjukkan pada Gambar 10.
REKTORAT

KAMPUS IPB
BARANANGSIANG

LSI

FATETA
FMIPA

FAPET

FAPERTA

FKH
FAHUTAN
FAPERIKANAN

Switch
Controller
Sistem IDS
OpenFlow Switch

Host

Attacker
LAB NCC

Gambar 10 Arsitektur perancangan jaringan OpenFlow

19

Berdasarkan Gambar 10, jaringan OpenFlow diimplementasikan di LAB
NCC dan terhubung dengan jaringan kampus IPB. Beberapa komponen-komponen
yang akan dirancang pada jaringan OpenFlow adalah sebagai berikut:
a. OpenFlow Switch
OpenFlow switch berfungsi untuk meneruskan paket dari satu port ke port
yang lain. Pada perancangan OpenFlow switch menggunakan aplikasi
OpenVswitch versi 2.0.2. Aplikasi tersebut dipasang pada OpenFlow switch.
b. Controller
Controller berfungsi untuk mengontrol suatu paket, ke mana paket tersebut
akan diteruskan dalam jaringan OpenFlow. Pada bagian controller
menggunakan aplikasi floodlight. Di dalam controller tersebut dilengkapi
dengan sistem IDS yang berbasiskan backpropagation. Sistem IDS tersebut
berfungsi untuk memantu paket-paket data yang keluar masuk dalam jaringan
c. Attacker
Attacker merupakan sebuah komputer host yang berfungsi sebagai
penyerang, yang akan mengirimkan paket-paket normal maupun abnormal ke
komputer controller. Komputer attacker tersebut telah terpasang aplikasi yang
digunakan melakukan serangan yaitu Net Tools dan Nmap.
d. Host
Host adalah sebuah komputer host yang terhubung ke dalam jaringan
OpenFlow.
Perancangan Sistem IDS
Tahap perancangan sistem IDS adalah merancang arsitektur dari sistem IDS
yang akan dibangun menggunakan metode backpropagation. Secara garis besar
perancangan sistem IDS yang dibangun diantaranya proses capture data,
preprocessing dan proses pelatihan. Proses perancangan sistem IDS yang akan
dilakukan adalah:
a. Network Data Monitoring
Pada bagian ini adalah proses pengambilan paket data yang berasal dari
jaringan komputer yang diambil dalam waktu-waktu tertentu. Pada penelitian ini
data didapat dari KDD dataset 1999 intrusion detection system yang dikeluarkan
oleh DARPA (Defense Advances Research Project Agency). Setelah proses
pengambilan paket data selesai, maka tahap selanjutnya adalah proses
preprocessing data.
b. Data Preprocessing
Pada Tabel 2 merupakan sebagian dari data KDD dataset 1999 yang sudah
diekstraksi fiturnya:

20

Tabel 2 Ekstraksi data

c. Normalisasi Data
Pada tahap ini dilakukan normalisasi terhadap data KDD dataset 1999,
setelah dilakukan ekstraksi data. Normalisasi data menggunakan rumus Min-Max
persamaan 17 dan menghasilkan dengan rentang nilai antara [0 – 1] yang
ditampilkan pada Tabel 3.
Tabel 3 Normalisasi data

Berdasarkan data KDD dataset 1999, maka data yang digunakan pada penelitian
ini berjumlah 1000 data, yang terdiri dari 41 fitur dan 2 kelas, yaitu kelas normal
dan anomaly. Distribusi data pelatihan ditunjukkan pada Tabel 4.

21

Tabel 4. Distribusi data pelatihan
Kelas
Jumlah Data
Normal
516
Anomaly
484
Jumlah
1000
d. Pelatihan Model IDS
Pada proses pelatihan ini digunakan untuk mencari parameter yang terbaik,
sehingga nantinya dapat diimplementasikan ke dalam sistem IDS. Arsitektur
backpropagation menggunakan 1 hidden layer (lapisan tersembunyi), dimana
neuron input layer 41 fitur, jumlah neuron hidden layer 20 dan 1 neuron output
layer. Berikut adalah perancangan arsitektur jaringan backpropagation seperti
ditunjukkan pada Gambar 11.
Input Layer

X1

Hidden Layer

V1.1
Z1

V2.1

W1.1

Output Layer

X2

Y

0 = Normal
1 = Anomaly

W20.20
Z20

V41.41

X41

W0
V0.1

V0.41

bw

bv

Gambar 11 Perancangan arsitektur backpropagation
Keterangan Gambar 13:
X = node input pada lapisan input
Z = node hidden (lapisan tersembunyi)
Y = node output pada lapisan output
V1.1,…,V41.41 = bobot dari lapisan input ke hidden
W1.1,…,W20.20 = bobot dari lapisan hidden ke output
bv = bias dari lapisan input ke lapisan hidden
bw = bias dari lapisan hidden ke lapisan output
Untuk mendapat model yang terbaik, pengujian dilakukan menggunak