Voting Based Extreme Learning Machine dalam Klasifikasi Computer Network Intrusion Detection

  Vol. 2, No. 6, Juni 2018, hlm. 2158-2167 http://j-ptiik.ub.ac.id

  

Voting Based Extreme Learning Machine dalam Klasifikasi Computer

Network Intrusion Detection

_{1 2 3} Sindy Erika Br Ginting , Agus Wahyu Widodo , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: sindyerikag@gmail.com, a_wahyu_w@ub.ac.id, adikara.putra@ub.ac.id

  

Abstrak

Intrusion Detection System (IDS) merupakan perangkat lunak atau sistem yang berguna mendeteksi

  serangan pada jaringan komputer. IDS bekerja dengan memanfaatkan kecerdasan buatan untuk mengenali anomaly atau signature dari aktivitas pada jaringan komputer. Untuk lebih menyempurnakan

  IDS, dibutuhkan pengembangan algoritme klasifikasi intrusi dengan akurasi yang tinggi. Voting based

  

Extreme Learning Machine merupakan algoritme baru yang memperbaharui Extreme Learning Machine

(ELM) dalam meningkatkan kinerja klasifikasi dari ELM dan dikenal cukup handal untuk banyak data.

  Pada paper ini, kinerja dari V-ELM akan dievaluasi pada data Knowledge Discovery and Data Mining (KDD) Cup 99 guna menunjang perkembangan IDS. Penelitian ini menunjukan bahwa V-ELM menghasilkan kinerja kurang baik apabila menggunakan sebagian data dari KDD Cup 99. Dengan menggunakan 1000 data latih dan 250 data uji dari KDD Cup 99 dataset, data dibagi menjadi 3 varian yaitu 40 kelas, 5 kelas, dan 2 kelas serangan. Parameter yang akan diuji adalah nilai dari hidden neuron

  

(L), independent training (K), dan sensitivity setiap kelas serangan. Diperoleh hasil akurasi terbaik pada

  nilai independent training (K) = 3 dan hidden neuron sebanyak 100 pada data 2 kelas serangan dengan akurasi sebesar 72%. Akurasi terendah diperoleh pada nilai hidden neuron sebesar 100 dan independent

  

training (K) = 11 pada 40 kelas serangan yaitu dengan akurasi sebesar 12%. Hasil tersebut menunjukan

kemampuan klasifikasi yang baik pada 2 kelas dan kurang baik pada 40 kelas.

  

Kata kunci: Voting based Extreme Learning Machine, Serangan Jaringan Komputer, Klasifikasi, KDD CUP 99,

Extreme Learning Machine

  

Abstract

Intrusion Detection System (IDS) is useful software or system to detect intrusion on computer networks.

  

It works by utilizing artificial intelligence to identify anomalies or signatures from the activity on

computer networks. To refine more the IDS, it requires the development of intrusion classification

algorithms with high accuracy. Voting based Extreme Learning Machine (ELM) is a new scheme

algorithm which updates the Extreme Learning Machine (ELM) in improving ELM classification

performance and is known more reliable for many data. In this study, the performance of the V-ELM

has been evaluated on the Knowledge Discovery and Data Mining (KDD) Cup 99 dataset to support

  

IDS development. This study showed that V-ELM was produced bad performance when using some data

from KDD Cup 99. It was using 1000 training data and 250 testing data from KDD Cup 99 datasets.

The data was divided into 3 variants are 40 classes, 5 classes, and 2 classes attack. The parameters

which tested are the values of hidden neurons (L), independent training (K), and sensitivity of each

intrusion class. This study found that the best accuracy result on independent training (K) was 3 and

100 hidden neurons in 2 attack class data with an accuracy of 72%. The lowest accuracy was obtained

on hidden neurons was 100 and independent training (K) was 11 in 40 attack classes with an accuracy

of 12%. This result showed that good classification capability in 2 classes and bad classification

capability in 40 classes.

  

Keywords: Voting based Extreme Learning Machine, Network Intrusion, Classification, KDD CUP 99, Extreme

Learning Machine Fakultas Ilmu Komputer Universitas Brawijaya

  

2158

1. PENDAHULUAN

  menghasilkan akurasi yang lebih baik dibandingkan dengan ELM pada percobaan yang dilakukan pada banyak data. Berdasarkan simulasi perbandingan antara V-ELM dan ELM pada 19 dataset dunia nyata, dimana 18 dataset dari UCI database dan 1 dataset dari Protein

  Intrusi merupakan aksi atau gangguan pada suatu sistem atau layanan cloud computing yang mempengaruhi dan membahayakan ketersediaan, kerahasiaan, dan integritas dari layanan dan sumber daya dari cloud. Detection merupakan usaha dalam mencari, menemukan

  2.2. Intrusion Detection

  Vector Machine, Decision Tree, Bayesian Decision, Neural Network dan Linear Discriminant Analysis.

  Klasifikasi merupakan suatu proses yang bertujuan untuk mengelompokkan beberapa data ke dalam beberapa kelas. Proses pengelompokan dapat menggunakan beberapa metode. Beberapa metode yang termasuk di dalam klasifikasi merupakan Extreme Learning Machine, Support

  2.1. Klasifikasi

  2. LANDASAN KEPUSTAKAAN

  Pada penelitian ini diusulkan menggunakan algoritme V-ELM untuk klasifikasi serangan jaringan komputer menggunakan data KDD Cup 99.

  2012).

  (SVM), optimally pruned extreme learning machine (OP-ELM), Back-Propagation (BP), K nearest neighbor (KNN), robust fuzzy relational classifier (RFRC), radial basis function neural network (RBFNN), dan multiobjective simultaneous learning framework (MSCC) (Cao,

  bahwa klasifikasi dengan V-ELM lebih baik untuk semua data. Dengan data yang sama, V- ELM bahkan lebih baik dari algoritme klasifikasi terkini seperti support vector machine

  Information Resource (PIR) center menunjukan

  Keamanan data dan privasi pada layanan jaringan komputer menjadi aspek yang penting dalam perkembangan teknologi. Dalam perkembangan teknologi khususnya dalam hal komunikasi, keamanan merupakan hal yang penting. Sering terjadinya serangan jaringan menyebabkan kerugian kepada beberapa pihak, baik penyedia jasa maupun yang memakai jasa komunikasi tersebut (Modi et al., 2013).

  Banyak cara dalam mengamankan sistem, salah satunya adalah firewall tetapi firewall hanya cocok digunakan mengatasi serangan dari luar sistem, namun tidak cocok digunakan bila serangan berasal dari dalam sistem. Maka disarankan untuk mengatasi serangan dari dalam sistem adalah Intrusion Detection Systems (IDS) dan Intrusion Prevention System (IPS) harus dimasukan ke dalam infrastruktur Cloud untuk mengatasi serangan (Modi et al., 2013).

  mengatasi kelemahan dari ELM sehingga diharapkan memiliki akurasi yang lebih baik terutama untuk klasifikasi intrusion detection.

  Extreme Learning Machine (V-ELM) untuk

  Oleh sebab itu diusulkan metode Voting based

  Berdasarkan penelitian yang dilakukan oleh Jiuwen Cao et al, metode Extreme Learning Machine (ELM) masih memiliki kelemahan.

  support vector machines (SVM) yaitu 96%.

  dari penelitian ini didapatkan bahwa akurasi ELM lebih tinggi dari metode klasifikasi lainnya seperti decision tree, neural netwotk (NN) dan

  Extreme Learning Machine untuk klasifikasi network intrusion dengan data NSL-KDD. Hasil

  Banyak metode klasifikasi yang ditawarkan dalam menyempurnakan IDS diantaranya penelitian yang dilakukan oleh Zhifan Ye dan Yuanlong Yu (2015) menggunakan metode

  solusi yang baik untuk keamanan informasi (Ye et al., 2015), tetapi IDS yang sempurna masih belum ditemukan dan tetap menarik dan menantang dalam penelitian keamanan jaringan komputer (Mechtri et al., 2010). Berbagai aktivitas jaringan dan perkembangan pesat dari mode serangan membuat diperlukannya pengembangan algoritme klasifikasi intrusi dengan akurasi yang tinggi untuk IDS (Ye et al., 2015).

  Intrusion detection system adalah salah satu

  keamanan jaringan dalam mengidentifikasi, mencatat informasi, berusaha menghentikan dan melaporkan setiap aktivitas dalam jaringan. IDS mengidentifikasi paket data jaringan yang masuk dalam sistem dan menganalisis kemungkinan adanya serangan pada jaringan (Dirgantara, 2011). IDS dan IPS melakukan beberapa teknik dalam mendeteksi serangan yaitu mendeteksi berdasarkan tanda (signature), mendeteksi kelainan (anomaly), mendeteksi dengan kecerdasan buatan dan lain-lain (Modi et al., 2013).

  Intrusion detection system dan intrusion prevention system membantu administrator

  Voting based Extreme Learning Machine dan mencegah serangan jaringan komputer. Dalam mendeteksi dan mencegah serangan jaringan komputer dapat dilakukan dengan beberapa teknik yaitu firewall, intrusion

  detection system (IDS) dan intrusion prevention system (IPS) (Modi et al., 2013).

  training terdiri dari 494.021 data yang di

  (KDD) Cup 99 dibuat dengan memproses bagian

  TCPdump dari DARPA Intrusion Detection System Evaluation dataset 1998 , yang dibuat

  oleh MIT di Laboratorium Lincoln. Data ini berasal dari jejak paket Defense Advanced

  Research Projects Agency (DARPA) yang

  digunakan untuk Kompetisi Internasional yang ketiga pada Knowledge Discovery dan Data

  Mining Tools . Tujuan dari kompetisi ini adalah

  untuk membangun sebuah detektor jaringan untuk menemukan koneksi yang baik dan koneksi yang buruk (NSKH, 2016). Data

  TCPdump yang dikumpulkan dari lalu lintas

  jaringan diubah menjadi informasi atau catatan koneksi. Kumpulan data training ada sekitar 5.000.000 catatan koneksi, dan 10% data

  antaranya terdapat 97.278 koneksi normal. Ada 41 atribut yang berbeda untuk membedakan fitur koneksi dan mengetahui nilai dari koneksi tersebut apakah sebuah serangan atau tidak (Mechtri, 2010).

  Data yang digunakan dalam penelitian untuk menilai algoritme ELM pada Network Intrusion

  Jenis-jenis serangan dibagi ke dalam empat kategori sebagai berikut (NSKH, 2016):

  1. Probing Attack yaitu keadaan ketika penyerang mencoba untuk mengumpulkan informasi yang lebih detail tentang host

  target dengan memindai jaringan untuk

  menemukan vulnerability. Serangan yang termasuk kategori ini misalnya adalah port

  scanning, nmap, ipsweep, mscan .

  2. Denial of Service (DOS) yaitu keadaan ketika penyerang mencoba membuat sumber jaringan menjadi tidak tersedia bagi pengguna yang dituju. Serangan yang termasuk kategori ini adalah syn flooding, back, smurf, mailbomb, neptune .

  3. User to Root Attack (U2R) yaitu keadaan ketika penyerang mengakses super-user korban atau mengeksploitasi untuk mendapatkan root access ke sistem atau akses tidak sah ke hak superuser lokal (root). Serangan pada kategori ini misalnya serangan buffer overflow, rootkit, sqlattack.

  4. Remote to Local Attack (R2L) yaitu akses tidak sah dari penyerang jarak jauh, misalnya imap, worm, spy, snmpgetattack,

  snmpguess . Pada serangan ini, penyerang

  Detection dataset KDD Cup 99 . Data Knowledge Discovery and Data Mining Tools Competition

  2.3. KDD CUP 99

  Pada umumnya arsitektur dari sistem pendeteksi serangan terbagi menjadi event

  2. Network based intrusion detection system

  auditor, service, IDS service, dan storage service

  . Event auditor bekerja seperti system

  logs yang mencatat dan mengumpulkan paket-

  paket data. Pada IDS service terdapat analyzer yang berfungsi menganalisis paket-paket data yang diperoleh dari event auditor dan alert

  system yang berfungsi dalam pengelolaan atau pengiriman peringatan apabila terjadi serangan.

  IDS service berguna untuk mendeteksi serangan

  melalui teknik behavior atau knowledge. Untuk mendeteksi serangan, IDS dibedakan menjadi beberapa macam (Modi et al., 2013), yaitu: 1.

   Host based intrusion detection system

  (HIDS) HIDS memonitoring dan mengidentifikasi file host sistem, system calls atau network event pada jaringan apakah terjadi suatu percobaan serangan atau penyusupan ke dalam sistem.

  (NIDS) NIDS memonitoring dan menganalisa semua lalu lintas (network traffic) yang lewat pada jaringan untuk mencari adanya serangan atau penyusupan ke dalam jaringan.

  IDPS merupakan gabungan dari kinerja IDS dan IPS, yang mana IDPS sangat efektif dalam mendeteksi dan mencegah serangan jaringan.

  3. Distributed intrusion detection system

  (DIDS) DIDS bekerja dengan menggunakan karakteristik dari NIDS dan HIDS serta mewarisi kelebihan dari kedua IDS tersebut.

  4. Hypervisor-based intrusion detection system Hypervisor based intrusion detection system

  bekerja dengan memantau dan menganalisa komunikasi antara virtual machine (VMs) dengan hypervisor berbasis jaringan virtual.

  5. Intrusion Prevention System (IPS)

  IPS bekerja untuk mencegah serangan intrusi yang dibagi menjadi network based

  intrusion prevention system (NIPS) dan host based intrusion prevention system (HIPS).

  6. Intrusion detection and prevention system

  (IDPS)

  mengirimkan paket ke mesin melalui jaringan tetapi tidak memiliki akun pada mesin tersebut dan mengeksploitasi untuk tambahan akses lokal sebagai seorang user pada mesin tersebut.

  Setiap kategori serangan dikelompokkan menjadi beberapa jenis serangan dasar, misalnya serangan R2L terbagi menjadi 8 jenis serangan tertentu (yaitu spy, imap, dll). Terdapat 22 kategori jenis serangan pada 10% data KDD Cup 99, tetapi secara keseluruhan dataset ada 40 jenis kategori serangan yang akan dijelaskan pada Tabel 1.

  Tabel 1 Klasifikasi tipe serangan jaringan (NSKH, 2016)

  Gambar 1 Struktur ELM dalam klasifikasi Tipe serangan Kelas (Ye, 2015)

  Normal Normal apache2, back, land,mailbomb, neptune, Training algoritme ELM dengan bisa pod, processtable, smurf, teardrop, DOS

  dilakukan dengan langkah-langkah

  udpstorm

  (Cholissodin, 2016):

  butter_overflow, loadmodule, perl, ps,

U2R

  1. jk sebagai Membuat nilai random matriks W

  rootkit, sqlattack, xterm

  bobot masukan dan nilai bias b dengan

  ftp_write, guess_passwd, sendmail, imap, multihop, named, phf, snmpgetattack, ukuran matrik bias adalah [1xj] yang mana k

R2L

  snmpguess, warezmaster, worm, xlock,

  merupakan banyak node input layer dan j

  httptunnel, xznoop, wazerclient, spy

  merupakan banyak node hidden layer. W

  ipsweep, mscan, portsweep, saint, satan,

  dan b merupakan learning parameter dari

  Probe nmap ELM.

  2. Menghitung matrik H (keluaran hidden

2.4. Extreme Learning Machine layer ) dengan Persamaan 1.

  Metode ELM diperkenalkan pertama kali + = 1/(1 + exp(−( . oleh Huang (Huang et al., 2006). ELM

  (1) ( , 1) ∗ )))

  merupakan jaringan saraf tiruan (JST)

  feedforward dengan single hidden layer atau

  3. output weight dengan Menghitung disebut dengan Single Hidden Layer

  Persamaan 2.

  Feedforward Neural Networks (SLFNs) (Huang †

  (2) ̂ = H . T

  et al., 2006). Metode pembelajaran ELM dibuat untuk mengatasi beberapa kelemahan dari Dengan T merupakan matriks target jaringan saraf tiruan feedforward, terutama keluaran, dan untuk menghitung

  † dalam hal learning speed.

  digunakan pseudoinvers Moore-Penrose Gambar 1 merupakan struktur ELM dalam dengan Persamaan 3. klasifikasi, dimana terdapat input layer, hidden

  † −1 (3) = ( . ) . layer, dan output layer. Terdapat beberapa activation function yaitu sigmoidal function,

  4. hasil prediksi dengan Menghitung radial basis, sine, cosine, exponential, dan Persamaan 4. lainnya serta menggunakan

  nonregular function (4)

  ̂ = . ̂ Moore-Penrose untuk menghitung invers

  matriks keluaran hidden layer H. Digunakan

  Testing algoritme ELM dengan bisa activation function sigmoid karena merupakan

  dilakukan dengan langkah-langkah

  activation function yang telah menghasilkan

  (Cholissodin, 2016): akurasi terbaik pada banyak data (Cao, 2012). 1. jk , nilai bias

  Diketahui nilai bobot masukan W

  b , dan nilai ̂ sesuai training.

  2. Menghitung matrik H dengan Persamaan 5.

  = 1/(1 + exp(−( . + ( , 1) ∗ ))) (5) 3.

  ,

  arg ∈[1,…, ]

  { ,

  ( )} (8)

  Algoritme 1 merupakan deskripsi algoritme dari Voting based Extreme Learning Machine (Cao et al., 2012) . Pada ELM biasa, hanya dilakukan satu kali proses training dan testing, sedangkan V-ELM melakukan proses ELM sebanyak K untuk mendapatkan hasil yang terbaik. Pada training V-ELM, dilakukan inisialisasi nilai k sebesar 1, sehingga dilakukan proses ELM dari k=1 sampai nilai K. Didapatkan nilai keluaran hidden layer dengan fungsi ( , , ) sehingga diperoleh nilai output

  weight β dari perkalian Moore-Penrose invers

  dari matriks H dengan matriks target output T.

  Pada testing V-ELM dilakukan juga inisialisasi nilai k sebesar 1, dan dilakukan proses testing ELM dari k=1 sampai K. Digunakan learning parameter sebagai bobot masukan, sebagai nilai bias, dan β sebagai

  output weight untuk memprediksi atau mengklasifikasi label class dari data testing.

  Selanjutnya dilakukan peryimpanan nilai untuk mengisi vektor

  dari nilai prediksi testing ELM. Melalui vektor

  ,

  ,

  dilakukan voting untuk mendapatkan nilai maksimal pada setiap kelas prediksi atau klasifikasi.

  2.5.3. Normalisasi data

  Nilai data yang berkisar antara -1 dan 1 lebih baik untuk kinerja algoritme klasifikasi ELM, sehingga diperlukan adanya normalisasi data (Ye, 2015). Untuk melakukan normalisasi data digunakan Persamaan 9.

  = − −

  (9) 2.5.4. Evaluasi V-ELM

  Untuk mengetahui kinerja dari klasifikasi V- ELM dilakukan perhitungan akurasi untuk mengetahui berapa banyak data yang sukses diklasifikasikan oleh V-ELM. Selain perhitungan akurasi, dilakukan evaluasi berupa

  sensitivity dan precision yang dikalkulasikan dengan Persamaan 11 dan 12 (Ye, 2015).

  = (10)

  ( ), hasil prediksi akhir dari data x ^test yang kemudian ditetapkan berdasarkan voting terbanyak atau mayoritas pada Persamaan 8.

  Setelah semua hasil dimasukan ke

  Menghitung hasil prediksi dengan Persamaan 6.

  (7)

  , ( ) + 1

  , ( ) =

  ̂ = . ̂ (6) 4.

  Menghitung nilai evaluasi.

2.5. Voting Based Extreme Learning Machine 2.5.1. Masalah ELM pada Klasifikasi

  X ^test

  Selanjutnya, untuk setiap contoh testing

  independent networks dilatih dengan algoritme ELM digunakan pada V-ELM.

  sama pada setiap hidden node untuk beberapa ELM. Setiap ELM dilatih dengan data yang sama dan learning parameters untuk setiap ELM diinisialisasi secara acak. Penentuan kelas atau serangan jaringan ditentukan oleh voting mayoritas dari semua hasil yang diperoleh setiap perhitungan ELM (ELMs). Dimisalkan K

  , hasil prediksi sebanyak K dapat diperoleh dari setiap ELMs. Vektor yang sesuai S K,x ^test Є

  Pada V-ELM, digunakan jumlah hidden

  menggabungkan beberapa ELM bebas dan pengambilan keputusan dengan metode voting mayoritas.

  Learning Machine (V-ELM) dengan

  Untuk mengatasi masalah ELM yang telah dijelaskan sebelumnya dan meningkatkan kinerja klasifikasi dari ELM, diperbaiki dengan algoritme yang disebut Voting based Extreme

  2.5.2. Voting based Extreme Learning Machine

  selama fase training , beberapa sampel kemungkinan terjadi kesalahan klasifikasi pada realisasi tertentu, terutama untuk sampel yang dekat dengan batas klasifikasi. keputusan berdasarkan realisasi tunggal ELM mungkin kurang dapat diandalkan dan hasil klasifikasi dalam realisasi yang berbeda dapat bervariasi karena batas pemisah berbagai nonlinear dibangun dengan berbagai hidden node learning parameter acak.

  nonlinear dalam aplikasi klasifikasi. Hidden nodes yang digunakan acak dan tidak berubah

  ELM membangun batas pemisahan

  R ^C dengan dimensi sama dengan jumlah kelas untuk menyimpan semua hasil K dari X ^test , dimana kelas prediksi dari setiap ELM sebanyak

  K (k Є [1,....,K] disimbolkan dengan i, yaitu nilai yang sesuai dimasukan pada vektor S ^{K,x test} dinaikkan 1 sesuai Persamaan 7.

  node yang sama dan activation function yang

• 1

  25

  24

  7 back

  25

  7 land

  25

  7 mailbomb

  25

  7 neptune

  50

  12 Pod

  37

  7 processtable

  25

  7 Smurf

  7 teardrop

  Tabel 3 Banyak data latih dan uji untuk 40 kelas Kelas Banyak data latih Banyak data uji normal 102

  25

  7 udpstorm

  2

  2 butter_overflow

  43

  7 loadmodule

  13

  7 perl

  7

  5 ps

  30

  7 rootkit

  36

  7

  15 apache2

  Pada penelitian ini, kategori kelas dibagi menjadi 3 varian, yaitu varian pertama 40 kelas, 5 kelas, dan 2 kelas yang mana 1 label merupakan normal dan lainnya merupakan serangan seperti pada Tabel 3-Tabel 5.

  Flag All flag 44-54 Service All services 55-121

  end while

  = ℎ

  (11) =

  (12) Algoritme V-ELM

  Diberikan:

  data training ℵ = { ( , ) | ∈ ℛ , ∈ ℛ } =1 fungsi menghitung hidden node output ( , , ) nilai hidden node L nilai independent training

  K zero valued vector ∈

  , C merupakan jumlah kelas

  Fase Training:

  (1) (2) (3) (4) (5) (6)

  Set k = 1 while

  (k ≤ K) do Inisialisasi learning parameter secara random ( , ) ( = 1,2, … , ) of the kth ELM Menghitung hidden layer output matrix Menghitung output weight

  ∶ = ( κ

  ) †

  , where T merupakan target output matrix _{k = k}

  Fase Testing:

  (1) (2) (3) (4) (5) (6) (7) (8) for sampel data testing test

  1 2-40 Protokol Tcp, icmp, udp 41,42,43

  Set k = 1 while (k

  ≤ K) do Berdasarkan kth trained basic ELM dengan learning parameters ( , , ) untuk memprediksi label dari sampel data testing , say, as where [ 1, 2, … , ]

  Then ,

  ( ) = ,

  ( ) + 1 _{k = k}

• 1 _{end while} Hasil kelas label dari sampel data testing adalah = ∈ [1, … ] {

  , ( ) } end for

  Algoritme 1 Deskripsi algoritme V-ELM (Cao et al., 2012)

  telah tersedia data serangan dengan 41 fitur untuk mendeteksi serangan. Data yang digunakan diambil dari KDD Cup 99 dataset sebanyak 1000 baris data untuk training dan 250 baris data untuk testing. Pada data terdapat data diskrit yang akan diubah menjadi nomor sesuai dengan Tabel 2.

  0,tcp,http,sf,327,467,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,33, 47,0.00,0.00,0.00,0.00,1.00,0.00,0.04,151,255,1.00,0.0 0,0.01,0.03,0.00,0.00,0.00,0.00,normal 0,icmp,private,REJ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,13 6,1,0.00,0.00,1.00,1.00,0.01,0.06,0.00,255,1,0.00,0.06, 0.00,0.00,0.00,0.00,1.00,1.00,neptune

  Gambar 2 Contoh paket data KDD 0,41,107,53,327,467,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,33, 47,0.00,0.00,0.00,0.00,1.00,0.00,0.04,151,255,1.00,0.0 0,0.01,0.03,0.00,0.00,0.00,0.00,1 0,42,75,48,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,136,1,0.0 0,0.00,1.00,1.00,0.01,0.06,0.00,255,1,0.00,0.06,0.00,0. 00,0.00,0.00,1.00,1.00,6

  Gambar 3 Paket data KDD setelah ditransformasi Tabel 2 Transformasi data KDD Tipe Nama Fitur Nomor Attack atau normal Normal

  All attack

3. PERANCANGAN SISTEM

3.1. Pengumpulan Data

  data set intrusion detection pada KDD Cup 99

  Berdasarkan pengolahan data DARPA 98

  sqlattack

  15 DOS 263

  range -1 sampai 1. Selanjutnya, melakukan

  Data yang telah dikumpulkan akan dinormalisasi untuk mendapatkan nilai dengan

  34 Tabel 5 Banyak data latih dan uji untuk 2 kelas Kelas Banyak data latih Banyak data uji Normal 500 125 Intrusion 500 125

  89 Probe 175

  42 R2L 304

  70 U2R 156

  6 Tabel 4 Banyak data latih dan uji untuk 5 kelas Kelas Banyak data latih Banyak data uji Normal 102

  Berdasarkan implementasi yang dilakukan dengan spesifikasi laptop Intel Core i3, RAM 2 GB, dan 500 GB HDD, diperoleh hasil pengujian terhadap nilai neuron, independent training, dan

  25

  5 nmap

  25

  5 satan

  25

  5 saint

  25

  klasifikasi dengan algoritme V-ELM seperti Gambar 5. Dilakukan proses training dan testing untuk mendapatkan akurasi dari klasifikasi serangan jaringan komputer.

  sensitivity pada setiap kelas.

  50

  Dari pengujian hidden neuron di atas, terjadi

  80 100 200 300 400 500 40 kelas 5 kelas 2 kelas

  60

  40

  20

  mengenali pola-pola serangan yang baru sehingga grafik yang dihasilkan cenderung turun atau naik-turun.

  overfitting yaitu ketidakmampuan sistem dalam

  Gambar 6 Diagram pengujian hidden neuron

  Gambar 5 Diagram Alir Perancangan Sistem.

  Diketahui hasil pengujian hidden neuron pada 2 kelas menghasilkan akurasi lebih tinggi daripada 5 kelas dan 40 kelas serangan.

  . Oleh sebab itu, dilakukan 3 kali percobaan untuk menghitung akurasi dengan parameter yang sama. Selanjutnya hasil dari 3 percobaan tersebut dirata-ratakan sehingga diperoleh hasil seperti pada Gambar 6.

  random

  Pada pengujian ini, hasil akurasi yang diperoleh merupakan nilai yang tidak statis karena mempunyai masukan bobot yang

  activation function sigmoid , independent training (K) sebesar 3.

  Nilai hidden neuron merupakan nilai bebas pada Voting Based Extreme Learning Machine. Pengujian terhadap nilai hidden neuron (L) dilakukan dengan nilai 100, 200, 300, 400, dan 500. Dalam pengujian hidden neuron digunakan

  4.1. Pengujian nilai hidden neuron (L)

  8 portsweep

  5 mscan

  4

  7 imap

  7 phf

  17

  7 named

  25

  7 multihop

  12

  14

  6 snmpgetattack

  6 sendmail

  51

  6 guess_passwd

  11

  7 ftp_write

  23

  2 xterm

  6

  25

  25

  7 snmpguess

  2 ipsweep

  2

  5 spy

  25

  4 wazerclient

  4

  8 xznoop

  26

  5 httptunnel

  9

  2 xlock

  2

  5 worm

  50

  5 warezmaster

  25

3.2. Alur Perancangan Sistem

4. HASIL DAN PEMBAHASAN

4.2. Pengujian independent training (K)

  Pada penelitian ini, penulis menganalisis sebagian data dari KDD Cup 99 dataset yaitu sebanyak 1000 baris data untuk training dan 250

  35

  36 37 0,4 0,5 38 39 0,8 0,666666667

  40 Tabel 7 Hasil pengujian sensitivity dan precision untuk 5 kelas Class Sensitivity Precision normal

  DoS 0,385714286 0,84375 R2L 0,023809524

  1 U2R 0,97752809 0,426470588 PROBE 0,147058824 0,384615385 Tabel 8 Hasil pengujian sensitivity dan precision untuk 2 kelas Class Sensitivity Precision

  Normal 0,8 0,694 Attack 0,648 0,764

  5. KESIMPULAN Voting based Extreme Learning Machine

  dapat diimplementasikan dalam klasifikasi serangan jaringan komputer dengan menggunakan data KDD Cup 99. Voting based

  Extreme Learning Machine bekerja dengan

  melakukan ELM sebanyak independent training

  (K) yang mana hasilnya akan divoting sebanyak K . Dari voting tersebut diperoleh nilai terbanyak

  untuk menjadi hasil akhir. Nilai K yang digunakan bilangan ganjil untuk menghindari adanya peluang hasil yang sama.

  20

  33

  40

  60

  80

  3

  7

  11

  15

  19

  23

  27

  31

  35 40 kelas 5 kelas 2 kelas

  34

  Pengujian independent training yang dilakukan dimulai dari angka 3-35 dan bilangan ganjil untuk menghindari adanya peluang yang sama serta merupakan nilai rekomendasi berdasarkan penelitian V-ELM sebelumnya. Dari pengujian yang dilakukan, diperoleh nilai

  independent training yang berbeda pada setiap

  13

  varian data dalam menghasilkan akurasi tertinggi. Pada varian 2 kelas serangan diperoleh akurasi tertinggi pada independent training bernilai 3 dalam sekali percobaan, sedangkan

  independent training K=19 untuk 5 kelas, dan K=5 untuk 40 kelas.

  Gambar 7 Diagram pengujian independent training 4.3.

   Pengujian sensitivity dan precision

  Data yang digunakan mempunyai pembagian kelas yang tidak merata atau sama, maka dilakukan pengujian sensitivity dan

  precision untuk mengetahui tingkat sensitivity

  dari setiap kelas. Untuk pengujian pada 40 kelas digunakan 100 neuron dan independent training 5, sedangkan untuk pengujian pada 5 kelas digunakan 100 neuron dan independent training 19, dan untuk pengujian pada 2 kelas digunakan 100 neuron dan independent training 3.

  Tabel 6 Hasil pengujian sensitivity dan precision untuk 40 kelas Class Sensitivity Precision

  1 0,2 0,032967033 2 0,571428571 0,8 3 0,857142857 0,545454545 4 0,714285714 0,25 5 6 0,75 0,5 7 8 0,857142857 0,428571429 9 1 0,411764706 10 0,285714286

  1

  11

  12

  14

  1 31 0,875 0,875

  15

  16

  17 18 0,428571429 0,272727273

  19

  20

  21

  22

  23

  24

  25

  26

  27 1 0,416666667 28 0,4 0,071428571 29 30 0,4

  32

  learning machine: Theory and applications . Neurocomputing, 70, 489

  Ilmu Komputer (JTIIK), Vol.4, No.1, 31- 36. Dirgantara, 2011. Particle Swarm Optimization

  hidden neuron

  sebesar 100 dan nilai independent

  training (K) sebesar 3. Akurasi terendah

  diperoleh pada nilai hidden neuron sebesar 100 dan nilai independent training (K) sebesar 11 yaitu 12.40% pada varian data 40 kelas. Pada varian data 40 kelas, kelas 31 (httptunnel) merupakan kelas dengan nilai sensitivity dan

  data untuk testing yang dipilih secara acak. Data dibagi menjadi 3 varian yaitu data dengan 40 kelas, 5 kelas, dan 2 kelas serangan jaringan komputer. Hasil analisis menunjukkan bahwa ada beberapa hal penting yang mempengaruhi kinerja sistem dengan menggunakan algoritme V-ELM ini, dan hasil evaluasi menunjukan akurasi tertinggi yaitu sebesar 72% pada 2 kelas serangan. Akurasi tertinggi diperoleh pada nilai

  Huang, G.-B., Zhu, Q., Siew, C., 2006. Extreme

  Pada Fuzzy C-Means Untuk Mendeteksi Serangan Jaringan Komputer. Skripsi Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Brawijaya.

• – 501.

  Voting based extreme learning machine . Information Sciences , 185, 66 –77.

  Mechtri, L., Tolba, F., & Ghoualmi, N., 2010.

  Comparative Performance Evaluation of Intrusion Detection based Neural Network and PCA. IEEE International Conference on Communications and Signal Processing (ICCSP), 841-845.

  Sonawane, H., & Pattewar, T., 2015. A

  IEEE International Conference on Computer Graphics, Vision and Information Security (CGVIS), 83-88.

  Network based Intrusion Detection using Bayesian with PCA and KPCA Feature Extraction.

  Sonawane, H., & Pattewar, T., 2015. Neural

  Component Analysis based Intrusion Detection System Using Support Vector Machine. IEEE International Conference on Recent Trend in Electronics Information Communication Technology , 1344-1350.

  NSKH, P., Varma, N., Naik, R., 2016. Principle

  Intrusion Detection using Principal Component Analysis. Second International Conference on Engineering System Management and Applications.

  survey of intrusion detection techniques in Cloud . Journal of Network and Computer Applications , 36, 42-57.

  Cholissodin, I., Sutrisno, Soebroto, A., Hanum, L., & Caesar, C., 2017. Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa (PE) menggunakan ELM-PSO di UPT Pembibitan Ternak dan Hijauan Makanan Ternak Singosari- Malang. Jurnal Teknologi Informasi dan

  Modi, C., Patel, D., Borisaniya, B., Patel, H., Patel, A. and Rajarajan, M., 2013. A

  towards Intrusion Detection using PCA Feature Subsets and SVM. International Conference on Computer & Information Science (ICCIS), 569-574.

  Kausar, N., Samir, B., Sulaiman, S., Ahmad, I., and Hussain, M., 2012. An Approach

  KDD-cup data set. http://kdd.ics.uci.edu/databases/kddcup99 /kddcup99.html

  precision tertinggi. Pada varian data 5 kelas,

  diperoleh kelas U2R dengan sensitivity tertinggi dan sensitivity tertinggi pada kelas normal untuk varian data 2 kelas.

  Pada penelitian selanjutnya, dapat menggunakan keseluruhan data dari KDD Cup 99 atau (National Sedimentation Laboratory- Knowledge Discovery in Databases) NSL-KDD, yang mana data NSL-KDD merupakan data optimasi dari data asli KDD Cup 99, ukuran data NSL-KDD yang tidak terlalu besar, tidak ada catatan atau rekaman paket data jaringan yang duplikat, dan lain-lain. Walaupun beberapa penelitian menyatakan ada kekurangan dari NSL-KDD, tetapi masih bisa diterapkan sebagai data acuan yang efektif dalam membantu peneliti untuk intrusion detection. Serta dapat meningkatkan akurasi algoritme V-ELM untuk klasifikasi jenis serangan jaringan komputer sehingga dapat diimplementasikan pada IDS untuk mengetahui keamanan jaringan secara real-time .

DAFTAR PUSTAKA

  Beale, J., & Caswell, 2004. Snort Intrusion Detection, Second Edition. Cao, J., Lin, Z., Huang, G.-B. and Liu, N., 2012.

  Siddidui, M., 2004. High Performance Data

  Mining Techniques for Intrusion Detection. University of Central Florida.

  Sahu, S., & Mehtre, B., 2015. Network Intrusion

  Detection System using J48 Decision Tree. International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2023-2026.

  Srimuang, W., & Intarasothonchun, S., 2015.

  Classification Model of Network Intrusion using Weighted Extreme Learning _th Machine.

  12 International Joint Conference on Computer Science and Software Engineering (JCSSE), 190-194.

  Tavallaee, M., Bagheri, E., Lu, W., & Ghorbani,

  A., 2009. A detailed analysis of the KDD

  Cup 99 data set. In Proceeding of the Second IEEE Symposium on Computation Ontelligence for Security and Defence Application (CISDA) 2009.

  Vieira, K., Schulter, A., Westphall C., Intrusion

  detection techniques in grid and Cloud Computing Environment.

  IEEE

  IT Professional Magazine 2010.

  Ye, Z., and Yu, Y., 2015. Network Intrusion

  Classification based on Extreme Learning Machine. Proceeding of the 2015 IEEE International Conference on Information Automation Lijiang , China, 1642-1647.