5. Melacak segala bentuk penyusupan yang bersifat cepat maupun lambat
6. Memberi tanda informasi pada saat serangan ditemukan
7. Mengindentifikasi asal mulanya terjadi penyusup
8. Melacak lokasi dari logical maupun physical penyusup
9. Terminasi atau interupsi segala macam percobaan penyusupan dan serangan
10. Melakukan konfigurasi ulang router dan firewall untuk mencegah pengulangan dari
serangan yang berhasil diketemukan dideteksi. Kemampuan Intrusion Detection System untuk menghentikan serangan yang sedang
berlangsung atau pencegahan serangan dimasa mendatang. Karenanya suatu Intrusion Detection System seharusnya dianggap bagian dari komponen yang membentuk suatu sistem keamanan
yang sangat solid untuk melindungi suatu jaringan. Keamanan secara fisik dan logical access control merupakan komponen yang penting. Pencegahan terhadap penyusupan memerlukan
pemeliharaan yang mencukupi dari suatu system keamanan secara keseluruhan.
2.3 Model Neuron
2.3.1 Neuron Biologis
Menurut Fausett, sebuah neuron pada neural network dianalogikan sebagai neuron biologis di mana sebuah neuron biologis memiliki 3 tipe komponen yang menjadi bagian dalam memahami
artificial neuron yaitu: dendrit, soma dan axon. Dendrit biasanya mendapatkan sinyal-sinyal dari neuron lain, sinyal itu berupa impuls elektrik yang ditransmisikan melalui sebuah synaptic gap
dengan bantuan proses kimia. Proses kimia inilah yang memodifikasi sinyal masuk sehingga proses kimia erat kaitanya dengan fungsi aktivasi pada neural network. Komponen kedua, soma
atau cell body, adalah jumlah dari sinyal masuk. Di mana soma ini diperoleh dari proses aktivasi dendrit yang ada melalui jalur yang dikenal dengan axon. Jalur ini pada neural network
disimbolkan dengan weight, di mana weight inilah yang membedakan nilai koneksi dari setiap jalur yang ada.
Universitas Sumatera Utara
Gambar 2.4 Permodelan Neuron Biologis
Menurut Fausett, beberapa fitur utama pada element pemrosesan pada artificial neural network di dasari properti yang dimiliki oleh neuron biologis diantaranya :
1. Element pemrosesan menerima banyak sinyal.
2. Sinyal dapat dimodifikasi berdasarkan weight yang dimiliki pada synapse penerima
3. Elemen pemrosesan menjumlahkan semua input yang telah diberi bobot
4. Dalam keadaan tepat input suficient, neuron mentransmisikan sebuah output tunggal.
5. Output dari neuron tertentu dapat menuju banyak neuron-neuron yang lain.
Fitur-fitur lain seperti : 1.
Informasi pemrosesan bersifat lokal walaupun ada komponen lain seperti pengaruh hormon yang dapat mempengaruhi keseluruhan kontrol proses
Universitas Sumatera Utara
2. Memori yang ada bersifat terdistribusi :
• Memory long-term berada pada synapses neuron atau weight
• Memory short-term berkorespondensi dengan sinyal yang dikirimkan dari neuron-
neuron lain 3.
Kekuatan synapse dapat berubah seiring pengalaman 4.
Neuron transmitter untuk synapses dapat berupa excitatory atau inhibitory.
2.4 Arsitektur dari Neural Network
