31
BAB IV
HASIL DAN PEMBAHASAN
Dalam bab ini akan dibahas tentang hasil pengujian perhitungan dengan
membandingkan histogram data mentah dengan distribusi probabilitas teoritis.
Data mentah tersebut adalah hasil dari proses serangan Denial of Service Attack
atau DoS Attack, DoS Attack yang digunakan untuk serangan terdiri atas UDP
Attack, SYN Attack dan PING Flood. Untuk masing-masing serangan terdapat
lima pengujian, dikarenakan agar pengujian ini jauh lebih valid dan bisa
dipertanggungjawabkan seperti UDP Attack terdiri UDP Attack A, UDP Attack B,
UDP Attack C, UDP Attack D dan UDP Attack Rata-rata, UDP Attack Rata-rata
merupakan rata-rata dari serangan UDP Attack A, UDP Attack B, UDP Attack C,
UDP Attack D. Selanjutnya untuk PING Flood terdapat lima pengujian terdiri dari
PING Flood A, PING Flood B, PING Flood C, PING Flood D dan PING Flood
Rata-rata,PING Flood Rata-rata merupakan rata-rata dari serangan PING Flood
A, PING Flood B, PING Flood C, PING Flood D. Selanjutnya untuk SYN Attack
terdapat lima pengujian terdiri dari SYN Attack A, SYN Attack B, SYN Attack C,
SYN Attack D dan SYN Attack Rata-rata, SYN Attack Rata-rata merupakan rata-
rata dari SYN Attack A, SYN Attack B, SYN Attack C, SYN Attack D.
32
4.1 Hasil Pengujian UDP Attack Menggunakan HPING
Langkah pertama melakukan perhitungan interval kelas dengan menggunakan
metode sturgess, dikarenakan agar data tersebut bisa disajikan dengan baik, untuk
rumus interval interval kelas dengan metode sturgess bisa dilihat pada Bab 2.8.
4.1.1 UDP ATTACK A
Langkah selanjutnya adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau
grafikdan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack A untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.1.
Tabel 4.1. Hasil Nilai Tengah dan Frekuensi Relatif UDP Attack A.
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 40721 74.5 0.94568044589
2 INTERVAL 150-299 138 224.5 0.00320483047
3 INTERVAL 300-449 143 374.5 0.00332094752
4 INTERVAL 450-599 214 524.5 0.00496980957
5 INTERVAL 600-749 106 674.5 0.00246168137
6 INTERVAL 750-899 109 824.5 0.00253135160
7 INTERVAL 900-1049 67 974.5 0.00155596842
8 INTERVAL 1050-1199 77 1124.5 0.00178820251
9 INTERVAL 1200-1349 53 1274.5 0.00123084069
10 INTERVAL 1350-1499 1432 1424.5 0.03325592197
TOTAL JUMLAH
PAKET
43060
Langkah selanjutnya UDP Attack A adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter �, � pada distribusi
33
Lognormal dan estimasi parameter �, �untuk distribusi Weibull, menggunakan
aplikasi Matlabdiperoleh nilai estimasi parameter sebagai berikut:
a. Distribusi Gamma� = 0.883059, �= 119.855
b. Distribusi Lognormal µ = 3.99832, σ = 0.723896
c. Distribusi Weibull α = 86.5774, β = 0.80678
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.2.
Tabel 4.2. Hasil Distribusi Probabilitas UDP Attack A
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00630453631 0.00437561788 0.00673931769 0.00395584383
2 0.00002136554 0.00110025351 0.00036280868 0.00089662327
3 0.00002213965 0.00029646912 0.00004252139 0.00026969515
4 0.00003313206 0.00008153553 0.00000789317 0.00009131614
5 0.00001641121 0.00002264894 0.00000194907 0.00003322807
6 0.00001687568 0.00000632885 0.00000058513 0.00001271908
7 0.00001037312 0.00000177546 0.00000020267 0.00000505985
8 0.00001192135 0.00000049948 0.00000007834 0.00000207587
9 0.00000820560 0.00000014140 0.00000003313 0.00000087615
10 0.00022170615 0.00000003976 0.00000001496 0.00000037574
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
35
Tabel 4.3. MSE UDP Attack A
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000372073 0.0000001890 0.0000055164
2 0.00000116400 0.0000001166 0.0000007661
3 0.00000007526 0.0000000004 0.0000000613
4 0.00000000234 0.0000000006 0.0000000034
5 0.00000000004 0.0000000002 0.0000000003
6 0.00000000011 0.0000000003 0.0000000000
7 0.00000000007 0.0000000001 0.0000000000
8 0.00000000013 0.0000000001 0.0000000001
9 0.00000000007 0.0000000001 0.0000000001
10 0.00000004914 0.0000000491 0.0000000490
Jumlah 0.00000501188 0.0000003566 0.0000063966
Hasil MSE pada Tabel 4.3, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.1.2 UDP ATTACK B
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack B untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.4.
36
Tabel 4.4. Hasil Nilai Tengah dan Frekuensi Relatif UDP Attack B
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 24211 74.5 0.890470411
2 INTERVAL 150-299 118 224.5 0.00433999
3 INTERVAL 300-449 98 374.5 0.003604399
4 INTERVAL 450-599 127 524.5 0.004671007
5 INTERVAL 600-749 53 674.5 0.001949318
6 INTERVAL 750-899 53 824.5 0.001949318
7 INTERVAL 900-1049 64 974.5 0.002353893
8 INTERVAL 1050-1199 31 1124.5 0.001140167
9 INTERVAL 1200-1349 27 1274 0.000993049
10 INTERVAL 1350-1499 2407 1424.5 0.088528449
TOTAL JUMLAH
PAKET 27189
Langkah selanjutnya UDP Attack B adalah menghitung estimasi parameter
α,β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi Lognormal
dan estimasi parameter α, β untuk distribusi Weibull, menggunakan aplikasi
Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.623002, β = 296.799
b. Distribusi Lognormal µ = 4.23353, σ = 1.02675
c. Distribusi Weibull α = 127.056, β = 0.693698
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.5.
37
Tabel 4.5. Hasil Distribusi Probabilitas UDP Attack B
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.005936 0.0030680969 0.0052006697 0.0032232994
2 0.000029 0.0012211674 0.0008938291 0.0010395958
3 0.000024 0.0006074404 0.0002668443 0.0004721769
4 0.000031 0.0003227469 0.0001051439 0.0002439556
5 0.000013 0.0001770887 0.0000488970 0.0001356687
6 0.000013 0.0000990431 0.0000254168 0.0000792702
7 0.000016 0.0000561007 0.0000143193 0.0000480274
8 0.000008 0.0000320655 0.0000085767 0.0000299293
9 0.000007 0.0000184860 0.0000053995 0.0000191080
10 0.000590 0.0000106743 0.0000035248 0.0000123955
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah UDP Attack
B. Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan
dalam Gambar 4.2.
38
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah UDP AttackB. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.6.
Tabel 4.6. MSE UDP Attack B
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000082276 0.0000005414 0.0000073613
2 0.0000014214 0.0000007480 0.0000010214
3 0.0000003404 0.0000000590 0.0000002008
4 0.0000000850 0.0000000055 0.0000000453
5 0.0000000269 0.0000000013 0.0000000150
6 0.0000000074 0.0000000002 0.0000000044
7 0.0000000016 0.0000000000 0.0000000010
8 0.0000000006 0.0000000000 0.0000000005
9 0.0000000001 0.0000000000 0.0000000002
10 0.0000003358 0.0000003442 0.0000003338
Jumlah 0.0000104469 0.0000016995 0.0000089838
0
0.005
0.01
0.015
0.02
0.025
Histogram Data Mentah
Distribusi Gamma
Distribusi Lognormal
Distribusi Weibull
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
Gambar 4.2. Distribusi Probabilitas UDP Attack B
( α = 0.623002, β = 296.799)
( α = 127.056, β = 0.693698)
(μ= 4.23353, σ = 1.02675 )
39
Hasil MSE pada Tabel 4.6, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.1.3 UDP ATTACK C
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack C untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.7.
Tabel 4.7 Hasil Nilai Tengah dan Frekuensi Relatif UDP ATTACK C
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 33966 74.5 0.881775701
2 INTERVAL 150-299 118 224.5 0.003063344
3 INTERVAL 300-449 152 374.5 0.003946002
4 INTERVAL 450-599 360 524.5 0.009345794
5 INTERVAL 600-749 103 674.5 0.002673936
6 INTERVAL 750-899 144 824.5 0.003738318
7 INTERVAL 900-1049 133 974.5 0.003452752
8 INTERVAL 1050-1199 63 1124.5 0.001635514
9 INTERVAL 1200-1349 38 1274 0.000986501
10 INTERVAL 1350-1499 3443 1424.5 0.089382139
TOTAL JUMLAH
PAKET 38520
Langkah selanjutnya UDP Attack C adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
40
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gammaα = 0.627052, β = 306.352
b. Distribusi Lognormalµ = 4.27899, σ = 1.04562
c. Distribusi Weibull α = 133.73, β = 0.696522
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.8.
Tabel 4.8 Hasil Distribusi Probabilitas UDP Attack C
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0058785047 0.0030322502 0.0051189272 0.0031979017
2 0.0000204223 0.0012315603 0.0009430046 0.0010602787
3 0.0000263067 0.0006236323 0.0002948403 0.0004911328
4 0.0000623053 0.0003370729 0.0001203456 0.0002579355
5 0.0000178262 0.0001880786 0.0000576045 0.0001455239
6 0.0000249221 0.0001069474 0.0000306878 0.0000861457
7 0.0000230183 0.0000615818 0.0000176645 0.0000528258
8 0.0000109034 0.0000357782 0.0000107851 0.0000332924
9 0.0000065767 0.0000209636 0.0000069081 0.0000214815
10 0.0005958809 0.0000123034 0.0000045820 0.0000140770
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
41
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah UDP Attack
C. Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan
dalam Gambar 4.3.
Gambar 4.3. Distribusi Probabilitas UDP Attack C
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah UDP Attack C. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.9.
0
0.005
0.01
0.015
0.02
0.025
Histogram Data Mentah
Distribusi Gamma
Distribusi Lognormal
Distribusi Weibull
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.627052, β = 306.352)
( α = 133.73, β = 0.696522)
( µ = 4.27899, σ = 1.04562 )
42
Tabel 4.9. MSE UDP Attack C
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000081012 0.0000005770 0.0000071856
2 0.0000014669 0.0000008512 0.0000010813
3 0.0000003568 0.0000000721 0.0000002161
4 0.0000000755 0.0000000034 0.0000000383
5 0.0000000290 0.0000000016 0.0000000163
6 0.0000000067 0.0000000000 0.0000000037
7 0.0000000015 0.0000000000 0.0000000009
8 0.0000000006 0.0000000000 0.0000000005
9 0.0000000002 0.0000000000 0.0000000002
10 0.0000003406 0.0000003496 0.0000003385
Jumlah 0.0000103789 0.0000018549 0.0000088814
Hasil MSE pada Tabel 4.9, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.1.4 UDP ATTACK D
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack D untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.10.
43
Tabel 4.10. Hasil Nilai Tengah dan Frekuensi Relatif UDP Attack D
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 36263 74.5 0.948225819
2 INTERVAL 150-299 173 224.5 0.004523704
3 INTERVAL 300-449 265 374.5 0.006929373
4 INTERVAL 450-599 295 524.5 0.00771383
5 INTERVAL 600-749 102 674.5 0.002667155
6 INTERVAL 750-899 50 824.5 0.001307429
7 INTERVAL 900-1049 40 974.5 0.001045943
8 INTERVAL 1050-1199 33 1124.5 0.000862903
9 INTERVAL 1200-1349 31 1274 0.000810606
10 INTERVAL 1350-1499 991 1424.5 0.025913239
TOTAL JUMLAH
PAKET 38243
Langkah selanjutnya UDP AttackD adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.04437, β = 94.9713
b. Distribusi Lognormal µ = 4.04707, σ = 0.674473
c. Distribusi Weibull α = 87.773, β = 0.863798
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.11.
44
Tabel 4.11. Hasil Distribusi Probabilitas UDP Attack D
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.006322 0.0048694789 0.0073551066 0.0042247847
2 0.000030 0.0010539088 0.0003380556 0.0009121432
3 0.000046 0.0002221919 0.0000326622 0.0002434947
4 0.000051 0.0000464819 0.0000051225 0.0000712796
5 0.000018 0.0000096871 0.0000010916 0.0000221004
6 0.000009 0.0000020143 0.0000002875 0.0000071399
7 0.000007 0.0000004182 0.0000000885 0.0000023810
8 0.000006 0.0000000867 0.0000000307 0.0000008147
9 0.000005 0.0000000181 0.0000000118 0.0000002858
10 0.000173 0.0000000037 0.0000000049 0.0000001014
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah UDP AttackD.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.4.
45
Gambar 4.4. Distribusi Probabilitas UDP Attack D
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah UDP Attack D. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.12.
Tabel 4.12. MSE UDP Attack D
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000021084 0.0000010683 0.0000043962
2 0.0000010481 0.0000000948 0.0000007779
3 0.0000000310 0.0000000002 0.0000000389
4 0.0000000000 0.0000000021 0.0000000004
5 0.0000000001 0.0000000003 0.0000000000
6 0.0000000000 0.0000000001 0.0000000000
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000298 0.0000000298 0.0000000298
Jumlah 0.0000032175 0.0000011958 0.0000052434
0
0.005
0.01
0.015
0.02
0.025
Histogram Data Mentah
Distribusi Gamma
Distribusi Lognormal
Distribusi Weibull
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.04437, β = 94.9713)
( α = 87.773, β = 0.863798)
( µ = 4.04707 , σ = 0.674473)
46
Hasil MSE pada Tabel 4.12, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.1.5 UDP ATTACK Rata-rata
UDP ATTACK Rata-rata terdiri atas UDP Attack A, UDP Attack B, UDP
Attack C dan UDP Attack D.
Langkah pertama adalah menjumlah semua nilai frekuensi relatif pada
UDP Attack A, UDP Attack B, UDP Attack C dan UDP Attack D, selanjutnya di
bagi dengan jumlah serangan yaitu dibagi empat. Hasil perhitungan UDP Attack
Rata-rata ditunjukan dalam Tabel 4.13.
Tabel 4.13. Hasil Nilai Tengah dan Frekuensi Relatif UDP Rata-rata
Interval
ke INTERVAL KELAS
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 74.5 0.916538094
2 INTERVAL 150-299 224.5 0.003782967
3 INTERVAL 300-449 374.5 0.004450181
4 INTERVAL 450-599 524.5 0.00667511
5 INTERVAL 600-749 674.5 0.002438023
6 INTERVAL 750-899 824.5 0.002381604
7 INTERVAL 900-1049 974.5 0.002102139
8 INTERVAL 1050-1199 1124.5 0.001356697
9 INTERVAL 1200-1349 1274 0.001005249
10 INTERVAL 1350-1499 1424.5 0.059269937
Langkah selanjutnya UDP Attack Rata-rata adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
47
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.79437075, β = 204.494325
b. Distribusi Lognormal µ = 4.1394775, σ = 0.86768475
c. Distribusi Weibull α = 108.7841, β = 0.7651995
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.14.
Tabel 4.14. Hasil Distribusi Probabilitas UDP Rata-rata
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0061102540 0.0035715710 0.0060523814 0.0036369840
2 0.0000252198 0.0013670622 0.0006964759 0.0010405697
3 0.0000296679 0.0005909189 0.0001475594 0.0004006049
4 0.0000445007 0.0002647789 0.0000439421 0.0001735864
5 0.0000162535 0.0001207422 0.0000161202 0.0000806676
6 0.0000158774 0.0000556370 0.0000068153 0.0000393392
7 0.0000140143 0.0000258152 0.0000031954 0.0000198905
8 0.0000090446 0.0000120372 0.0000016216 0.0000103481
9 0.0000067017 0.0000056478 0.0000008780 0.0000055225
10 0.0003951329 0.0000026441 0.0000004983 0.0000029934
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
49
Tabel 4.15. MSE UDP Attack Rata-rata
Interval
ke MSEGAMMA
MSELOGNORMAL MSEWEIBULL
1 0.0000064449 0.0000000033 0.0000061171
2 0.0000018005 0.0000004506 0.0000010309
3 0.0000003150 0.0000000139 0.0000001376
4 0.0000000485 0.0000000000 0.0000000167
5 0.0000000109 0.0000000000 0.0000000041
6 0.0000000016 0.0000000001 0.0000000006
7 0.0000000001 0.0000000001 0.0000000000
8 0.0000000000 0.0000000001 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000001540 0.0000001557 0.0000001538
Jumlah 0.0000087757 0.0000006239 0.0000074608
Hasil MSE pada Tabel 4.15, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah UDP Attack adalah distribusi Lognormal µ = 4.1394775, σ =
0.86768475.
4.2 Hasil Pengujian PING Flood Menggunakan HPING
Langkah pertama melakukan perhitungan interval kelas dengan menggunakan
metode sturgess, dikarenakan agar data tersebut bisa disajikan dengan baik, untuk
rumus interval interval kelas dengan metode sturgess bisa dilihat pada Bab 2.8.
4.2.1 PING FLOOD A
Langkah pertama PING Flood A adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
50
bagi dalam bentuk interval kelas. Hasil perhitunganPING FloodAdapat dilihat
pada Tabel 4.16.
Tabel 4.16. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood A
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 62399 74.5 0.955427959
2 INTERVAL 150-299 199 224.5 0.003047007
3 INTERVAL 300-449 309 374.5 0.004731282
4 INTERVAL 450-599 531 524.5 0.008130455
5 INTERVAL 600-749 76 674.5 0.001163681
6 INTERVAL 750-899 52 824.5 0.000796203
7 INTERVAL 900-1049 24 974.5 0.000367478
8 INTERVAL 1050-1199 41 1124.5 0.000627775
9 INTERVAL 1200-1349 23 1274 0.000352167
10 INTERVAL 1350-1499 1656 1424.5 0.025355994
TOTAL JUMLAH
PAKET 65310
Langkah selanjutnya PING Flood A adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.0322, β = 87.0158
b. Distribusi Lognormal µ = 3.94064, σ = 0.636327
c. Distribusi Weibull α = 78.1484, β = 0.853505
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
51
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.17.
Tabel 4.17. Hasil Distribusi Probabilitas PING Flood A
Interval
ke
PDF (DATA
MENTAH)
PDF (DISTRIBUSI
GAMMA)
PDF (DISTRIBUSI
LOGNORMAL)
1 0.006436 0.0057890346 0.0075124813
2 0.000016 0.0006128485 0.0000729485
3 0.000029 0.0000535751 0.0000021143
4 0.000054 0.0000044258 0.0000001270
5 0.000009 0.0000003556 0.0000000121
6 0.000007 0.0000000281 0.0000000016
7 0.000005 0.0000000022 0.0000000003
8 0.000005 0.0000000002 0.0000000001
9 0.000004 0.0000000000 0.0000000000
10 0.000100 0.0000000000 0.0000000000
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodA.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.6.
52
Gambar 4.6. Distribusi Probabilitas PING Flood A
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood A. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.18.
Tabel 4.18. MSE PING Flood A
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000004185 0.0000011589 0.0000034240
2 0.0000003561 0.0000000032 0.0000004304
3 0.0000000006 0.0000000007 0.0000000070
4 0.0000000024 0.0000000029 0.0000000011
5 0.0000000001 0.0000000001 0.0000000000
6 0.0000000000 0.0000000000 0.0000000000
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000101 0.0000000101 0.0000000101
Jumlah 0.0000007879 0.0000011761 0.0000038727
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.0322, β = 87.0158)
(α = 78.1484, β = 0.853505)
( µ = 3.94064 , σ = 0.636327)
53
Hasil MSE pada Tabel 4.18, MSELognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.2.2 PING FLOOD B
Langkah pertama PING Flood B adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood B dapat dilihat
pada Tabel 4.19.
Tabel 4.19. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood B
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 57410 74.5 0.965393153
2 INTERVAL 150-299 144 224.5 0.00242147
3 INTERVAL 300-449 262 374.5 0.004405731
4 INTERVAL 450-599 479 524.5 0.008054752
5 INTERVAL 600-749 84 674.5 0.001412524
6 INTERVAL 750-899 62 824.5 0.001042578
7 INTERVAL 900-1049 49 974.5 0.000823973
8 INTERVAL 1050-1199 49 1124.5 0.000823973
9 INTERVAL 1200-1349 33 1274 0.00055492
10 INTERVAL 1350-1499 896 1424.5 0.015066927
TOTAL JUMLAH
PAKET 59468
54
Langkah selanjutnya PING Flood B adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.32371, β = 57.6329
b. Distribusi Lognormal µ = 3.91147, σ = 0.544984
c. Distribusi Weibull α = 72.0963, β = 0.929062
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.20.
Tabel 4.20. Hasil Distribusi Probabilitas PING Flood B
Interval
ke
PDF (DATA
MENTAH)
(GAMMA)
(LOGNORMAL)
(WEIBULL)
1 0.006436 0.0057890346 0.0075124813 0.0045855378
2 0.000016 0.0006128485 0.0000729485 0.0006721791
3 0.000029 0.0000535751 0.0000021143 0.0001127963
4 0.000054 0.0000044258 0.0000001270 0.0000201552
5 0.000009 0.0000003556 0.0000000121 0.0000037509
6 0.000007 0.0000000281 0.0000000016 0.0000007192
7 0.000005 0.0000000022 0.0000000003 0.0000001412
8 0.000005 0.0000000002 0.0000000001 0.0000000283
9 0.000004 0.0000000000 0.0000000000 0.0000000058
10 0.000100 0.0000000000 0.0000000000 0.0000000012
55
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodB.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.7.
Gambar 4.7 Distribusi Probabilitas PING Flood B
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood B. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.21.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.32371, β = 57.6329)
(α = 72.0963, β = 0.929062)
( µ = 3.91147, σ = 0.544984)
56
Tabel 4.21. MSE PING Flood B
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000004185 0.0000011589 0.0000034240
2 0.0000003561 0.0000000032 0.0000004304
3 0.0000000006 0.0000000007 0.0000000070
4 0.0000000024 0.0000000029 0.0000000011
5 0.0000000001 0.0000000001 0.0000000000
6 0.0000000000 0.0000000000 0.0000000000
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000101 0.0000000101 0.0000000101
Jumlah 0.0000007879 0.0000011761 0.0000038727
Hasil MSE pada Tabel 4.21, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.2.3 PING FLOOD C
Langkah pertama PING Flood C adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood C dapat dilihat
pada Tabel 4.22.
57
Tabel 4.22. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood C
NO INTERVAL KELAS JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 62287 74.5 0.97018738
2 INTERVAL 150-299 141 224.5 0.002196227
3 INTERVAL 300-449 289 374.5 0.004501488
4 INTERVAL 450-599 481 524.5 0.007492095
5 INTERVAL 600-749 81 674.5 0.001261663
6 INTERVAL 750-899 92 824.5 0.001432999
7 INTERVAL 900-1049 31 974.5 0.000482859
8 INTERVAL 1050-1199 44 1124.5 0.000685348
9 INTERVAL 1200-1349 25 1274 0.000389402
10 INTERVAL 1350-1499 730 1424.5 0.011370539
TOTAL JUMLAH
PAKET 64201
Langkah selanjutnya PING Flood C adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.53903, β = 45.4235
b. Distribusi Lognormal µ = 3.88838, σ = 0.49532
c. Distribusi Weibull α = 68.5648, β = 0.973049
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.23.
58
Tabel 4.23. Hasil Distribusi Probabilitas PING Flood C
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.006468 0.0062773958 0.0075151227 0.0047888139
2 0.000015 0.0004186547 0.0000312684 0.0005766185
3 0.000030 0.0000203000 0.0000004563 0.0000734763
4 0.000050 0.0000008958 0.0000000158 0.0000096221
5 0.000008 0.0000000378 0.0000000009 0.0000012830
6 0.000010 0.0000000015 0.0000000001 0.0000001734
7 0.000003 0.0000000001 0.0000000000 0.0000000237
8 0.000005 0.0000000000 0.0000000000 0.0000000033
9 0.000003 0.0000000000 0.0000000000 0.0000000005
10 0.000076 0.0000000000 0.0000000000 0.0000000001
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodC.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.8.
59
Gambar 4.8 Distribusi Probabilitas PING Flood C
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood C. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.24.
Tabel 4.24. MSE PING Flood C
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000000363 0.0000010966 0.0000028194
2 0.0000001632 0.0000000003 0.0000003158
3 0.0000000001 0.0000000009 0.0000000019
4 0.0000000024 0.0000000025 0.0000000016
5 0.0000000001 0.0000000001 0.0000000001
6 0.0000000001 0.0000000001 0.0000000001
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000057 0.0000000057 0.0000000057
JUMLAH 0.0000002080 0.0000011062 0.0000031446
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.53903, β = 45.4235)
( α = 68.5648, β = 0.973049)
( µ = 3.88838, σ = 0.49532)
60
Hasil MSE pada Tabel 4.24, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.2.4 PING FLOOD D
Langkah pertama PING Flood D adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood D dapat dilihat
pada Tabel 4.25.
Tabel 4.25. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood D
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 63618 74.5 0.970763268
2 INTERVAL 150-299 201 224.5 0.00306711
3 INTERVAL 300-449 273 374.5 0.004165777
4 INTERVAL 450-599 451 524.5 0.006881924
5 INTERVAL 600-749 85 674.5 0.001297037
6 INTERVAL 750-899 64 824.5 0.000976592
7 INTERVAL 900-1049 32 974.5 0.000488296
8 INTERVAL 1050-1199 45 1124.5 0.000686666
9 INTERVAL 1200-1349 28 1274 0.000427259
10 INTERVAL 1350-1499 737 1424.5 0.011246071
TOTAL JUMLAH
PAKET 65534
Langkah selanjutnya PING Flood D adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
61
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.56536, β = 44.2477
b. Distribusi Lognormalµ = 3.88569, σ = 0.488572
c. Distribusi Weibull α = 68.1449, β = 0.977195
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.26.
Tabel 4.26 Hasil Distribusi Probabilitas PING Flood D
Interval
ke PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.006472 0.0063295983 0.0075063127 0.0048065455
2 0.000020 0.0003980672 0.0000273087 0.0005653991
3 0.000028 0.0000179200 0.0000003574 0.0000698089
4 0.000046 0.0000007308 0.0000000113 0.0000088237
5 0.000009 0.0000000284 0.0000000006 0.0000011327
6 0.000007 0.0000000011 0.0000000001 0.0000001471
7 0.000003 0.0000000000 0.0000000000 0.0000000193
8 0.000005 0.0000000000 0.0000000000 0.0000000025
9 0.000003 0.0000000000 0.0000000000 0.0000000003
10 0.000075 0.0000000000 0.0000000000 0.0000000000
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
62
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodD.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.9.
Gambar 4.9. Distribusi Probabilitas PING Flood D
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood D. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.27.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.56536, β = 44.2477)
( α = 68.1449, β = 0.977195)
( µ = 3.88569 ,σ = 0.488572)
63
Tabel 4.27. MSE PING Flood D
Interval
Ke
MSE
(DISTRIBUSI
GAMMA)
MSE
(DISTRIBUSI
LOGNORMAL)
MSE
(DISTRIBUSI
WEIBULL)
1 0.0000000202 0.0000010703 0.0000027729
2 0.0000001426 0.0000000000 0.0000002970
3 0.0000000001 0.0000000008 0.0000000018
4 0.0000000020 0.0000000021 0.0000000014
5 0.0000000001 0.0000000001 0.0000000001
6 0.0000000000 0.0000000000 0.0000000000
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000056 0.0000000056 0.0000000056
Jumlah 0.0000001707 0.0000010790 0.0000030788
Hasil MSE pada Tabel 4.27, MSE Gamma paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Gamma dari pada distribusi Gamma dan distribusi
Weibull.
4.2.5 PING FLOOD RATA-RATA
PING Flood Rata-rata terdiri atas PING Flood A, PING Flood B, PING
Flood C dan PING Flood D.
Langkah pertama adalah menjumlah semua nilai frekuensi relatif pada
PING Flood A, PING Flood B, PING Flood C dan PING Flood D, selanjutnya di
bagi dengan jumlah serangan yaitu dibagi empat. Hasil perhitungan PING Flood
Rata-rata frekuensi relatif ditunjukan dalam Tabel 4.28.
64
Tabel 4.28. Hasil Nilai Tengah dan Frekuensi Relatif PING Rata-rata
Interval
ke INTERVAL KELAS
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 74.5 0.965443052
2 INTERVAL 150-299 224.5 0.002682942
3 INTERVAL 300-449 374.5 0.004451054
4 INTERVAL 450-599 524.5 0.00763978
5 INTERVAL 600-749 674.5 0.001283721
6 INTERVAL 750-899 824.5 0.001062089
7 INTERVAL 900-1049 974.5 0.00054065
8 INTERVAL 1050-1199 1124.5 0.000705938
9 INTERVAL 1200-1349 1274 0.000430936
10 INTERVAL 1350-1499 1424.5 0.01575984
Langkah selanjutnya PING Flood Rata-rata adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.16704175, β = 158.63295
b. Distribusi Lognormal µ = 4.202285, σ = 0.71340275
c. Distribusi Weibull α = 129.227125, β = 0.89017475
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.29.
65
Tabel 4.29. Hasil Distribusi Probabilitas PING Flood Rata-rata
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0064362870 0.0037450164 0.0074198466 0.0039664931
2 0.0000178863 0.0017491094 0.0005888958 0.0012638746
3 0.0000296737 0.0007400819 0.0000807284 0.0004651492
4 0.0000509319 0.0003041285 0.0000164802 0.0001819595
5 0.0000085581 0.0001232096 0.0000043506 0.0000739114
6 0.0000070806 0.0000494940 0.0000013741 0.0000308389
7 0.0000036043 0.0000197705 0.0000004956 0.0000131357
8 0.0000047063 0.0000078658 0.0000001981 0.0000056893
9 0.0000028729 0.0000031297 0.0000000862 0.0000025055
10 0.0001050656 0.0000012348 0.0000000399 0.0000011106
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING Flood
Rata-rata. Hasil plot histogram data mentah dengan distribusi probabilitas
ditunjukan dalam Gambar 4.10.
66
Gambar 4.10. Distribusi Probabilitas PING Flood Rata-rata
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood Rata-rata. Hasil
perhitungan MSE secara teoritis ditunjukan dalam Tabel 4.30.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.365075, β = 58.579625)
( α = 71.7386, β = 0.93320275)
(µ = 3.906545, σ= 0.54130075)
67
Tabel 4.30. MSE PING Flood Rata-rata
Interval ke MSEGAMMA MSELOGNORMAL MSEWEIBULL
1 0.0000000202 0.0000010703 0.0000027729
2 0.0000001426 0.0000000000 0.0000002970
3 0.0000000001 0.0000000008 0.0000000018
4 0.0000000020 0.0000000021 0.0000000014
5 0.0000000001 0.0000000001 0.0000000001
6 0.0000000000 0.0000000000 0.0000000000
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000056 0.0000000056 0.0000000056
Jumlah 0.0000001707 0.0000010790 0.0000030788
Hasil MSE pada Tabel 30, MSE Gamma paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah Distribusi Gammadengan nilai parameter α = 1.16704175, β
= 158.63295.
4.3 Hasil Pengujian SYN Attack Menggunakan HPING
Langkah pertama melakukan perhitungan interval kelas dengan menggunakan
metode sturgess, dikarenakan agar data tersebut bisa disajikan dengan baik, untuk
rumus interval interval kelas dengan metode sturgess bisa dilihat pada Bab 2.8.
4.3.1 SYN ATTACK A
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
68
bagi dalam bentuk interval kelas. Hasil perhitungan SYN AttackA untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.31.
Tabel 4.31 Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack A
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 7144 74.5 0.696839641
2 INTERVAL 150-299 280 224.5 0.027311744
3 INTERVAL 300-449 551 374.5 0.053745611
4 INTERVAL 450-599 818 524.5 0.079789309
5 INTERVAL 600-749 149 674.5 0.01453375
6 INTERVAL 750-899 125 824.5 0.012192743
7 INTERVAL 900-1049 71 974.5 0.006925478
8 INTERVAL 1050-1199 70 1124.5 0.006827936
9 INTERVAL 1200-1349 44 1274.5 0.004291845
10 INTERVAL 1350-1499 1000 1424.5 0.097541943
TOTAL JUMLAH
PAKET 10252
Langkah selanjutnya SYN Attack A adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.798314, β = 359.719
b. Distribusi Lognormal µ = 4.91643, σ = 1.08098
c. Distribusi Weibull α = 247.43, β = 0.808293
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
69
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.32.
Tabel 4.32. Hasil Distribusi Probabilitas SYN Attack A
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0046455976 0.0026623136 0.0042342382 0.0028148461
2 0.0001820783 0.0014045659 0.0014787395 0.0013205373
3 0.0003583041 0.0008348778 0.0006373655 0.0007455665
4 0.0005319287 0.0005140675 0.0003240899 0.0004512756
5 0.0000968917 0.0003220263 0.0001835874 0.0002843089
6 0.0000812850 0.0002038004 0.0001121795 0.0001840477
7 0.0000461699 0.0001298575 0.0000725125 0.0001215649
8 0.0000455196 0.0000831437 0.0000489599 0.0000815711
9 0.0000286123 0.0000534274 0.0000342306 0.0000554429
10 0.0006502796 0.0000344287 0.0000246270 0.0000380921
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkan data mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack A. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.11.
70
Gambar 4.11 Distribusi Probabilitas SYN Attack A
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN AttackA. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.33.
Tabel 4.33. MSE SYN Attack A
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000039334 0.0000001692 0.0000033517
2 0.0000014945 0.0000016813 0.0000012961
3 0.0000002271 0.0000000779 0.0000001500
4 0.0000000003 0.0000000432 0.0000000065
5 0.0000000507 0.0000000075 0.0000000351
6 0.0000000150 0.0000000010 0.0000000106
7 0.0000000070 0.0000000007 0.0000000057
8 0.0000000014 0.0000000000 0.0000000013
9 0.0000000006 0.0000000000 0.0000000007
10 0.0000003793 0.0000003914 0.0000003748
JUMLAH 0.0000061093 0.0000023723 0.0000052324
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.798314, β = 359.719 )
( α = 247.43, β = 0.808293)
(µ = 4.91643, σ = 1.08098 )
71
Hasil MSE pada Tabel 4.33, MSE Gamma paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah untuk serangan PING Flood adalah distribusi Gamma dengan
parameter α = 0.798314, β = 359.719.
4.3.2 SYN ATTACK B
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan SYN Attack B untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.34.
Tabel 4.34 Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack B
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 4988 74.5 0.756904401
2 INTERVAL 150-299 130 224.5 0.019726859
3 INTERVAL 300-449 328 374.5 0.049772382
4 INTERVAL 450-599 492 524.5 0.074658574
5 INTERVAL 600-749 89 674.5 0.013505311
6 INTERVAL 750-899 60 824.5 0.009104704
7 INTERVAL 900-1049 19 974.5 0.002883156
8 INTERVAL 1050-1199 39 1124.5 0.005918058
9 INTERVAL 1200-1349 22 1274.5 0.003338392
10 INTERVAL 1350-1499 423 1424.5 0.064188164
TOTAL JUMLAH
PAKET 6590
Langkah selanjutnya SYN Attack B adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
72
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.856722, β = 275.415
b. Distribusi Lognormal µ = 4.77701, σ = 0.993042
c. Distribusi Weibull α = 207.221, β = 0.831768
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.35.
Tabel 4.35. Hasil Distribusi Probabilitas SYN Attack B
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0050460293 0.0030204786 0.0048297532 0.0031106481
2 0.0001315124 0.0014959120 0.0014568441 0.0013598969
3 0.0003318159 0.0008063687 0.0005495317 0.0007076694
4 0.0004977238 0.0004456994 0.0002502186 0.0003939694
5 0.0000900354 0.0002493790 0.0001290050 0.0002281826
6 0.0000606980 0.0001405510 0.0000725956 0.0001358048
7 0.0000192210 0.0000795980 0.0000436038 0.0000824889
8 0.0000394537 0.0000452337 0.0000275495 0.0000509182
9 0.0000222559 0.0000257715 0.0000181263 0.0000318488
10 0.0004279211 0.0000147125 0.0000123300 0.0000201446
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkan data mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
73
mendekati dengan paket data mentah serangan SYN Attack B. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.12.
Gambar 4.12. Distribusi Probabilitas SYN Attack B
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack B. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.36.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.856722, β = 275.415)
( α = 207.221, β = 0.831768)
(µ = 4.77701, σ =0.993042)
74
Tabel 4.36. MSE SYN Attack B
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000041029 0.0000000468 0.0000037457
2 0.0000018616 0.0000017565 0.0000015089
3 0.0000002252 0.0000000474 0.0000001413
4 0.0000000027 0.0000000613 0.0000000108
5 0.0000000254 0.0000000015 0.0000000191
6 0.0000000064 0.0000000001 0.0000000056
7 0.0000000036 0.0000000006 0.0000000040
8 0.0000000000 0.0000000001 0.0000000001
9 0.0000000000 0.0000000000 0.0000000001
10 0.0000001707 0.0000001727 0.0000001663
JUMLAH 0.0000063985 0.0000020871 0.0000056019
Hasil MSE pada Tabel 4.36, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.3.3 SYN ATTACK C
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan SYN Attack C untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.37.
75
Tabel 4.37. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack C
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 3658 74.5 0.683355128
2 INTERVAL 150-299 140 224.5 0.026153559
3 INTERVAL 300-449 242 374.5 0.045208294
4 INTERVAL 450-599 471 524.5 0.087988044
5 INTERVAL 600-749 76 674.5 0.014197646
6 INTERVAL 750-899 58 824.5 0.010835046
7 INTERVAL 900-1049 45 974.5 0.008406501
8 INTERVAL 1050-1199 43 1124.5 0.008032879
9 INTERVAL 1200-1349 29 1274.5 0.005417523
10 INTERVAL 1350-1499 591 1424.5 0.11040538
TOTAL JUMLAH
PAKET 5353
Langkah selanjutnya SYN AttackC adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.752399, β = 419.734
b. Distribusi Lognormal µ = 4.95984, σ = 1.15019
c. Distribusi Weibull α = 266.505, β = 0.785884
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.38.
76
Tabel 4.38. Hasil Distribusi Probabilitas SYN Attack C
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.004556 0.0025043157 0.0039704474 0.0026833507
2 0.000174 0.0013331219 0.0014291798 0.0012766555
3 0.000301 0.0008215626 0.0006510268 0.0007423516
4 0.000587 0.0005287066 0.0003482450 0.0004648552
5 0.000095 0.0003475075 0.0002063984 0.0003036195
6 0.000072 0.0002312958 0.0001313499 0.0002040051
7 0.000056 0.0001552354 0.0000880962 0.0001399594
8 0.000054 0.0001048074 0.0000615287 0.0000975922
9 0.000036 0.0000710761 0.0000443844 0.0000689517
10 0.000736 0.0000483677 0.0000328749 0.0000492545
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkandata mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN AttackC. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.13.
Gambar 4.13. Distribusi Probabilitas SYN Attack C
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.752399, β = 419.734)
( α = 266.505, β = 0.785884)
( µ = 4.95984, σ = 1.15019)
77
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack C. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.39.
Tabel 4.39. MSE SYN Attack C
Interval ke MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000042082 0.0000003425 0.0000035057
2 0.0000013427 0.0000015746 0.0000012151
3 0.0000002706 0.0000001222 0.0000001944
4 0.0000000034 0.0000000568 0.0000000148
5 0.0000000639 0.0000000125 0.0000000437
6 0.0000000253 0.0000000035 0.0000000174
7 0.0000000098 0.0000000010 0.0000000070
8 0.0000000026 0.0000000001 0.0000000019
9 0.0000000012 0.0000000001 0.0000000011
10 0.0000004729 0.0000004944 0.0000004717
JUMLAH 0.0000064007 0.0000026077 0.0000054728
Hasil MSE pada Tabel 4.39, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.3.4 SYN ATTACK D
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
78
bagi dalam bentuk interval kelas. Hasil perhitungan SYN Attack D untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.40.
Tabel 4.40. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack D
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 4101 74.5 0.636109819
2 INTERVAL 150-299 152 224.5 0.023576857
3 INTERVAL 300-449 265 374.5 0.04110439
4 INTERVAL 450-599 888 524.5 0.137738483
5 INTERVAL 600-749 67 674.5 0.010392431
6 INTERVAL 750-899 96 824.5 0.014890647
7 INTERVAL 900-1049 31 974.5 0.004808438
8 INTERVAL 1050-1199 65 1124.5 0.010082209
9 INTERVAL 1200-1349 32 1274.5 0.004963549
10 INTERVAL 1350-1499 750 1424.5 0.116333178
TOTAL JUMLAH
PAKET 6447
Langkah selanjutnya SYN Attack D adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.773227 , β = 444.461
b. Distribusi Lognormal µ = 5.06865, σ = 1.17698
c. Distribusi Weibull α = 298.099, β = 0.805083
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
79
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.41.
Tabel 4.41. Hasil Distribusi Probabilitas SYN Attack D
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.004241 0.0023858862 0.0036979025 0.0025505875
2 0.000157 0.0013256928 0.0014462477 0.0012877391
3 0.000274 0.0008423197 0.0006943487 0.0007767784
4 0.000918 0.0005568428 0.0003863663 0.0005002693
5 0.000069 0.0003753114 0.0002364334 0.0003344115
6 0.000099 0.0002558859 0.0001545934 0.0002292072
7 0.000032 0.0001757987 0.0001061599 0.0001600217
8 0.000067 0.0001214357 0.0000757150 0.0001133369
9 0.000033 0.0000842259 0.0000556599 0.0000812136
10 0.000776 0.0000586028 0.0000419435 0.0000587648
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkandata mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack D. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.14.
80
Gambar 4.14 Distribusi Probabilitas SYN Attack D
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack D. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.42.
Tabel 4.42. MSE SYN Attack D
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.0000034405 0.0000002947 0.0000028566
2 0.0000013654 0.0000016617 0.0000012782
3 0.0000003230 0.0000001767 0.0000002528
4 0.0000001306 0.0000002829 0.0000001747
5 0.0000000937 0.0000000279 0.0000000703
6 0.0000000245 0.0000000031 0.0000000169
7 0.0000000207 0.0000000055 0.0000000164
8 0.0000000029 0.0000000001 0.0000000021
9 0.0000000026 0.0000000005 0.0000000023
10 0.0000005140 0.0000005382 0.0000005138
JUMLAH 0.0000059179 0.0000029912 0.0000051840
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.773227, β = 444.461)
( α = 298.099, β = 0.805083)
( µ = 5.06865, σ = 1.17698)
81
Hasil MSE pada Tabel 4.42, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.3.5 SYN ATTACK RATA-RATA
SYN Attack Gabungan Gabungan terdiri atas SYN Attack A, SYN Attack B,
SYN Attack C dan SYN Attack D.
Langkah pertama adalah menjumlah semua nilai frekuensi relatif pada
SYN Attack A, SYN Attack B, SYN Attack C dan SYN Attack D, selanjutnya di bagi
dengan jumlah serangan yaitu dibagi empat. Hasil perhitungan SYN Attack Rata-
rata frekuensi relatif ditunjukan dalam Tabel 4.43.
Tabel 4.43. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack Rata-rata
Interval
ke INTERVAL KELAS
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 74.5 0.614835519
2 INTERVAL 150-299 224.5 0.023339145
3 INTERVAL 300-449 374.5 0.050714998
4 INTERVAL 450-599 524.5 0.070109525
5 INTERVAL 600-749 674.5 0.023782381
6 INTERVAL 750-899 824.5 0.136174119
7 INTERVAL 900-1049 974.5 0.004553784
8 INTERVAL 1050-1199 1124.5 0.005194718
9 INTERVAL 1200-1349 1274.5 0.00326194
10 INTERVAL 1350-1499 1424.5 0.068033872
Langkah selanjutnya SYN Attack Rata-rata adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
82
a. Distribusi Gammaα = 0.795165 , β = 374.83225
b. Distribusi Lognormalµ = 4.9304825, σ = 1.100298
c. Distribusi Weibull α = 254.81375, β = 0.807757
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.44.
Tabel 4.44 Hasil Distribusi Probabilitas SYN Attack Rata-rata
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0040989035 0.0026031347 0.0041530447 0.0027726214
2 0.0001555943 0.0013917872 0.0014664652 0.0013169600
3 0.0003381000 0.0008399544 0.0006431832 0.0007519149
4 0.0004673968 0.0005254049 0.0003322318 0.0004599251
5 0.0001585492 0.0003344438 0.0001908426 0.0002926811
6 0.0009078275 0.0002151118 0.0001180779 0.0001913107
7 0.0000303586 0.0001393155 0.0000771933 0.0001275555
8 0.0000346315 0.0000906709 0.0000526626 0.0000863789
9 0.0000217463 0.0000593127 0.0000372140 0.0000593129
10 0.0004535591 0.0000388007 0.0000269822 0.0000410600
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkandata mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack Rata-rata. Hasil plot
data mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.15.
83
Gambar 4.15 Distribusi Probabilitas SYN Attack Rata-rata
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack Rata-rata. Hasil perhitungan
MSE secara teoritis ditunjukan dalam Tabel 4.45.
Tabel 4.45. MSE SYN Attack Rata-rata
Interval
ke MSEGAMMA MSELOGNORMAL MSEWEIBULL
1 0.0000022373 0.0000000029 0.0000017590
2 0.0000015282 0.0000017184 0.0000013488
3 0.0000002519 0.0000000931 0.0000001712
4 0.0000000034 0.0000000183 0.0000000001
5 0.0000000309 0.0000000010 0.0000000180
6 0.0000004799 0.0000006237 0.0000005134
7 0.0000000119 0.0000000022 0.0000000094
8 0.0000000031 0.0000000003 0.0000000027
9 0.0000000014 0.0000000002 0.0000000014
10 0.0000001720 0.0000001820 0.0000001702
JUMLAH 0.0000047200 0.0000026421 0.0000039942
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.795165, β = 374.83225)
( α = 254.81375, β = 0.807757)
( µ = 4.9304825, σ = 1.100298)
84
Hasil MSE pada Tabel 4.45, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah untuk serangan SYN Attack adalah distribusi Lognormal dengan
parameter µ = 4.9304825, σ = 1.100298
Pada Tabel 4.46 akan diperjelas hasil dari perbandingan UDP Attack Rata-
rata, PING Flood Rata-rata dan SYN Attack Rata-rata dengan nilai estimasi
parameter dan nilai MSE pada masing-masing serangan. Untuk lebih jelasnya bisa
dilihat pada Tabel 4.46.
Tabel 4.46 Rekapitulasi Hasil Pengujian HPING
No Jenis
Serangan
Distribusi
Probabilitas Nilai Parameter MSE
1 UDP Attack
a. Gamma
b. Lognormal
c. Weibull
α = 0.79437075,
β = 204.494325
µ = 4.1394775,
σ = 0.86768475
α = 108.7841,
β = 0.7651995
0.0000087757
0.0000006239
0.0000074608
2 PING Flood
a. Gamma
b. Lognormal
c. Weibull
α= 1.16704175,
β = 158.63295
µ = 4.202285,
σ = 0.71340275
α = 129.227125,
β = 0.89017475
0.0000001707
0.0000010790
0.0000030788
85
3 SYN Attack
a. Gamma
b. Lognormal
c. Weibull
α = 0.795165,
β = 374.83225
µ = 4.9304825,
σ = 1.100298
α = 254.81375,
β = 0.807757
0.0000047200
0.0000026421
0.0000039942
Hasil pengujian seperti terlihat dalam Tabel 4.46, UDP Attackmemiliki
karakteristik distribusi statistik mendekati distribusiLognormal dengan hasil nilai
MSE terkecil yaitu nilai MSE = 0.0000006239 dengan nilai parameter µ =
4.1394775, σ = 0.86768475, SYN Attack memiliki karakteristik distribusi statistik
mendekati distribusi Lognormal dengan hasil nilai MSE terkecil yaitu nilai MSE =
0.0000026421 dengan nilai parameter µ = 4.9304825, σ = 1.100298. Sedangkan
PING Flood memiliki karakteristik distribusi statistik mendekati distribusi
Gammadengan nilai MSE terkecil yaitu nilai MSE = 0.0000001707 dengan nilai
parameter α = 1.16704175, β = 158.63295.
4.4 Hasil Pengujian UDP Attack Menggunakan NMAP
Langkah pertama melakukan perhitungan interval kelas dengan menggunakan
metode sturgess, dikarenakan agar data tersebut bisa disajikan dengan baik, untuk
rumus interval interval kelas dengan metode sturgess bisa dilihat pada Bab 2.8.
4.4.1 UDP ATTACK A
Langkah Selanjutnya adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
86
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack A untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.47.
Tabel 4.47. Hasil Nilai Tengah dan Frekuensi Relatif UDP Attack A.
INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
INTERVAL 0-149 5442 74.5 0.56347069787
INTERVAL 150-299 94 224.5 0.00973286395
INTERVAL 300-449 151 374.5 0.01563470698
INTERVAL 450-599 77 524.5 0.00797266515
INTERVAL 600-749 38 674.5 0.00393456202
INTERVAL 750-899 109 824.5 0.01128598053
INTERVAL 900-1049 43 974.5 0.00445226755
INTERVAL 1050-1199 31 1124.5 0.00320977428
INTERVAL 1200-1349 44 1274.5 0.00455580866
INTERVAL 1350-1499 3629 1424.5 0.37575067302
TOTAL JUMLAH
PAKET 9658
Langkah selanjutnya UDP Attack A adalah menghitung estimasi parameter
α, βpada distribusi Gamma dan estimasi parameter �, � pada distribusi Lognormal
dan estimasi parameter �, �untuk distribusi Weibull, menggunakan aplikasi
Matlabdiperoleh nilai estimasi parameter sebagai berikut:
a. Distribusi Gamma� = 0.650974, �= 957.015
b. Distribusi Lognormal µ = 5.49657, σ = 1.48026
c. Distribusi Weibull α = 519.054, β = 0.741201
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
87
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.48.
Tabel 4.48. Hasil Distribusi Probabilitas UDP Attack A
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00375647132 0.00170393682 0.00262466867 0.00186160816
2 0.00006488576 0.00099124018 0.00119861037 0.00103653720
3 0.00010423138 0.00070883111 0.00069004868 0.00070867147
4 0.00005315110 0.00053878104 0.00044946651 0.00051985592
5 0.00002623041 0.00042190607 0.00031550772 0.00039620162
6 0.00007523987 0.00033628500 0.00023297675 0.00030953748
7 0.00002968178 0.00027120714 0.00017848214 0.00024615559
8 0.00002139850 0.00022056132 0.00014062883 0.00019841172
9 0.00003037206 0.00018050075 0.00011329359 0.00016165275
10 0.00250500449 0.00014843728 0.00009293629 0.00013286779
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah UDP Attack
A. Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan
dalam Gambar 4.16.
89
Tabel 4.49 MSE UDP Attack A
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000421290 0.0000012810 0.0000035905
2 0.00000085813 0.0000012853 0.0000009441
3 0.00000036554 0.0000003432 0.0000003653
4 0.00000023584 0.0000001571 0.0000002178
5 0.00000015656 0.0000000837 0.0000001369
6 0.00000006814 0.0000000249 0.0000000549
7 0.00000005833 0.0000000221 0.0000000469
8 0.00000003967 0.0000000142 0.0000000313
9 0.00000002254 0.0000000069 0.0000000172
10 0.00000555341 0.0000058181 0.0000056270
Jumlah 0.00001157106 0.0000090364 0.0000110320
Hasil MSE pada Tabel 4.49, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.4.2 UDP ATTACK B
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
90
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack B untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.50.
Tabel 4.50 Hasil Nilai Tengah dan Frekuensi Relatif UDP Attack B
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 3109 74.5 0.68935698448
2 INTERVAL 150-299 62 224.5 0.01374722838
3 INTERVAL 300-449 100 374.5 0.02217294900
4 INTERVAL 450-599 110 524.5 0.02439024390
5 INTERVAL 600-749 52 674.5 0.01152993348
6 INTERVAL 750-899 30 824.5 0.00665188470
7 INTERVAL 900-1049 32 974.5 0.00709534368
8 INTERVAL 1050-1199 30 1124.5 0.00665188470
9 INTERVAL 1200-1349 13 1274.5 0.00288248337
10 INTERVAL 1350-1499 972 1424.5 0.21552106430
TOTAL JUMLAH
PAKET 4510
Langkah selanjutnya UDP Attack B adalah menghitung estimasi parameter
α,β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi Lognormal
dan estimasi parameter α,β untuk distribusi Weibull, menggunakan aplikasi
Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.625623, β = 662.132
b. Distribusi Lognormal µ = 5.04487, σ = 1.334
91
c. Distribusi Weibull α = 318.158, β = 0.707064
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.51.
Tabel 4.51. Hasil Distribusi Probabilitas UDP Attack B
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00459571323 0.00213344604 0.00345020181 0.00237637585
2 0.00009164819 0.00112550418 0.00128210197 0.00112660282
3 0.00014781966 0.00074090374 0.00064217370 0.00068978280
4 0.00016260163 0.00052072368 0.00037593302 0.00046215728
5 0.00007686622 0.00037785592 0.00024177666 0.00032540132
6 0.00004434590 0.00027944209 0.00016568787 0.00023668141
7 0.00004730229 0.00020928103 0.00011889730 0.00017622881
8 0.00004434590 0.00015814903 0.00008837036 0.00013358907
9 0.00001921656 0.00012031570 0.00006753060 0.00010272462
10 0.00143680710 0.00009201231 0.00005278318 0.00007992602
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
92
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah UDP Attack
B. Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan
dalam Gambar 4.17.
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah UDP AttackB. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.52.
Gambar 1.17. Distribusi Probabilitas UDP Attack B
0
0.005
0.01
0.015
0.02
0.025
Histogram Data Mentah
Distribusi Gamma
Distribusi Lognormal
Distribusi Weibull
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.625623, β = 662.132)
( α = 318.158, β = 0.707064)
(μ= 5.04487, σ = 1.334)
93
Tabel 4.52. MSE UDP Attack B
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000606276 0.0000013122 0.0000049255
2 0.00000106886 0.0000014172 0.0000010711
3 0.00000035175 0.0000002444 0.0000002937
4 0.00000012825 0.0000000455 0.0000000897
5 0.00000009059 0.0000000272 0.0000000618
6 0.00000005527 0.0000000147 0.0000000370
7 0.00000002624 0.0000000051 0.0000000166
8 0.00000001295 0.0000000019 0.0000000080
9 0.00000001022 0.0000000023 0.0000000070
10 0.00000180847 0.0000019155 0.0000018411
Jumlah 0.00000961537 0.0000049861 0.0000083515
Hasil MSE pada Tabel 4.52, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.4.3 UDP ATTACK C
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
94
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack C untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.53.
Tabel 4.53 Hasil Nilai Tengah dan Frekuensi Relatif UDP ATTACK C
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 3049 74.5 0.68516853933
2 INTERVAL 150-299 62 224.5 0.01393258427
3 INTERVAL 300-449 100 374.5 0.02247191011
4 INTERVAL 450-599 110 524.5 0.02471910112
5 INTERVAL 600-749 52 674.5 0.01168539326
6 INTERVAL 750-899 30 824.5 0.00674157303
7 INTERVAL 900-1049 32 974.5 0.00719101124
8 INTERVAL 1050-1199 30 1124.5 0.00674157303
9 INTERVAL 1200-1349 13 1274.5 0.00292134831
10 INTERVAL 1350-1499 972 1424.5 0.21842696629
TOTAL JUMLAH
PAKET 4450
Langkah selanjutnya UDP Attack C adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gammaα = 0.626076, β = 669.165
b. Distribusi Lognormal µ = 5.05698, σ = 1.33853
c. Distribusi Weibull α = 322.464, β = 0.707698
95
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.54.
Tabel 4.54. Hasil Distribusi Probabilitas UDP Attack C
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00456779026 0.00212118150 0.00342486877 0.00236258741
2 0.00009288390 0.00112226221 0.00128123259 0.00112517556
3 0.00014981273 0.00074070235 0.00064474403 0.00069116140
4 0.00016479401 0.00052190274 0.00037880604 0.00046435106
5 0.00007790262 0.00037965752 0.00024435224 0.00032774074
6 0.00004494382 0.00028146937 0.00016788112 0.00023891154
7 0.00004794007 0.00021131782 0.00012074165 0.00017825546
8 0.00004494382 0.00016007923 0.00008992131 0.00013538662
9 0.00001947566 0.00012208138 0.00006884081 0.00010429760
10 0.00145617978 0.00009358991 0.00005389693 0.00008129169
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
96
probabilitas yang paling mendekati dengan histogram data mentah UDP Attack
C. Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan
dalam Gambar 4.18.
Gambar 4.18. Distribusi Probabilitas UDP Attack C
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah UDP Attack C. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.55.
0
0.005
0.01
0.015
0.02
0.025
Histogram Data Mentah
Distribusi Gamma
Distribusi Lognormal
Distribusi Weibull
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.626076, β = 669.165)
( α = 322.464, β = 0.707698)
( µ = 5.05698, σ = 1.33853)
97
Tabel 4.55. MSE UDP Attack C
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000598589 0.0000013063 0.0000048629
2 0.00000105962 0.0000014122 0.0000010656
3 0.00000034915 0.0000002450 0.0000002931
4 0.00000012753 0.0000000458 0.0000000897
5 0.00000009106 0.0000000277 0.0000000624
6 0.00000005594 0.0000000151 0.0000000376
7 0.00000002669 0.0000000053 0.0000000170
8 0.00000001326 0.0000000020 0.0000000082
9 0.00000001053 0.0000000024 0.0000000072
10 0.00000185665 0.0000019664 0.0000018903
Jumlah 0.00000957632 0.0000050282 0.0000083341
Hasil MSE pada Tabel 4.55, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.4.4 UDP ATTACK D
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
98
bagi dalam bentuk interval kelas. Hasil perhitungan UDP Attack D untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.56.
Tabel 4.56 Hasil Nilai Tengah dan Frekuensi Relatif UDP Attack D
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 5442 74.5 0.56347069787
2 INTERVAL 150-299 94 224.5 0.00973286395
3 INTERVAL 300-449 151 374.5 0.01563470698
4 INTERVAL 450-599 77 524.5 0.00797266515
5 INTERVAL 600-749 38 674.5 0.00393456202
6 INTERVAL 750-899 109 824.5 0.01128598053
7 INTERVAL 900-1049 43 974.5 0.00445226755
8 INTERVAL 1050-1199 31 1124.5 0.00320977428
9 INTERVAL 1200-1349 44 1274.5 0.00455580866
10 INTERVAL 1350-1499 3629 1424.5 0.37575067302
TOTAL JUMLAH
PAKET 9658
Langkah selanjutnya UDP Attack D adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.650974, β = 957.015
b. Distribusi Lognormal µ = 5.49657, σ = 1.48026
c. Distribusi Weibull α = 519.054, β = 0.741201
99
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.57.
Tabel 4.57 Hasil Distribusi Probabilitas UDP Attack D
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00375647132 0.00170393682 0.00262466867 0.00186160816
2 0.00006488576 0.00099124018 0.00119861037 0.00103653720
3 0.00010423138 0.00070883111 0.00069004868 0.00070867147
4 0.00005315110 0.00053878104 0.00044946651 0.00051985592
5 0.00002623041 0.00042190607 0.00031550772 0.00039620162
6 0.00007523987 0.00033628500 0.00023297675 0.00030953748
7 0.00002968178 0.00027120714 0.00017848214 0.00024615559
8 0.00002139850 0.00022056132 0.00014062883 0.00019841172
9 0.00003037206 0.00018050075 0.00011329359 0.00016165275
10 0.00250500449 0.00014843728 0.00009293629 0.00013286779
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
101
Tabel 4.58. MSE UDP Attack D
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000421290 0.0000012810 0.0000035905
2 0.00000085813 0.0000012853 0.0000009441
3 0.00000036554 0.0000003432 0.0000003653
4 0.00000023584 0.0000001571 0.0000002178
5 0.00000015656 0.0000000837 0.0000001369
6 0.00000006814 0.0000000249 0.0000000549
7 0.00000005833 0.0000000221 0.0000000469
8 0.00000003967 0.0000000142 0.0000000313
9 0.00000002254 0.0000000069 0.0000000172
10 0.00000555341 0.0000058181 0.0000056270
Jumlah 0.00001157106 0.0000090364 0.0000110320
Hasil MSE pada Tabel 4.58, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.4.5 UDP ATTACK Rata-rata
UDP ATTACK Rata-rata terdiri atas UDP Attack A, UDP Attack B, UDP
Attack C dan UDP Attack D.
Langkah pertama adalah menjumlah semua nilai frekuensi relatif pada
UDP AttackA, UDP Attack B, UDP Attack C dan UDP Attack D, selanjutnya di
102
bagi dengan jumlah serangan yaitu dibagi empat. Hasil perhitungan UDP Attack
Rata-rata ditunjukan dalam Tabel 4.59.
Tabel 4.59. Hasil Nilai Tengah dan Frekuensi Relatif UDP Rata-rata
Interval
ke INTERVAL KELAS
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 74.5 0.62536673
2 INTERVAL 150-299 224.5 0.011786385
3 INTERVAL 300-449 374.5 0.018978568
4 INTERVAL 450-599 524.5 0.016263669
5 INTERVAL 600-749 674.5 0.007771113
6 INTERVAL 750-899 824.5 0.008991355
7 INTERVAL 900-1049 974.5 0.005797723
8 INTERVAL 1050-1199 1124.5 0.004953252
9 INTERVAL 1200-1349 1274 0.003728862
10 INTERVAL 1350-1499 1424.5 0.296362344
Langkah selanjutnya UDP Attack Rata-rata adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.63841175, β = 811.33175
b. Distribusi Lognormal µ = 5.2737475, σ = 1.4082625
c. Distribusi Weibull α = 419.6825, β = 0.724291
103
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.60.
Tabel 4.60. Hasil Distribusi Probabilitas UDP Rata-rata
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL DISTRIBUSI
WEIBULL
1 0.0041691115 0.0018946497 0.0030098204 0.0036369840
2 0.0000785759 0.0010568505 0.0012556254 0.0010405697
3 0.0001265238 0.0007300673 0.0006795960 0.0004006049
4 0.0001084245 0.0005372445 0.0004221324 0.0001735864
5 0.0000518074 0.0004077373 0.0002849881 0.0000806676
6 0.0000599424 0.0003151766 0.0002035475 0.0000393392
7 0.0000386515 0.0002466113 0.0001514501 0.0000198905
8 0.0000330217 0.0001946423 0.0001162593 0.0000103481
9 0.0000248591 0.0001546255 0.0000914762 0.0000055225
10 0.0019757490 0.0001234569 0.0000734354 0.0000029934
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
105
Tabel 4.61. MSE UDP Attack Rata-rata
Interval
ke
MSE
GAMMA
MSE
LOGNORMAL
MSE
WEIBULL
1 0.0000051732 0.0000013440 0.0000043293
2 0.0000009570 0.0000013854 0.0000010150
3 0.0000003643 0.0000003059 0.0000003394
4 0.0000001839 0.0000000984 0.0000001542
5 0.0000001267 0.0000000544 0.0000001010
6 0.0000000651 0.0000000206 0.0000000486
7 0.0000000432 0.0000000127 0.0000000319
8 0.0000000261 0.0000000069 0.0000000190
9 0.0000000168 0.0000000044 0.0000000123
10 0.0000034310 0.0000036188 0.0000034840
Jumlah 0.0000103874 0.0000068516 0.0000095347
Hasil MSE pada Tabel 4.61, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah UDP Attack adalah distribusi Lognormal µ = 5.2737475, σ =
1.4082625.
4.5 Hasil Pengujian PING Flood Menggunakan NMAP
Langkah pertama melakukan perhitungan interval kelas dengan menggunakan
metode sturgess, dikarenakan agar data tersebut bisa disajikan dengan baik, untuk
rumus interval interval kelas dengan metode sturgess bisa dilihat pada Bab 2.8.
106
4.5.1 PING FLOOD A
Langkah selanjutnya PING Flood A adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood A dapat dilihat
pada Tabel 4.62.
Tabel 4.62. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood A
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 57966 74.5 0.96558502132
2 INTERVAL 150-299 144 224.5 0.00239872068
3 INTERVAL 300-449 262 374.5 0.00436433902
4 INTERVAL 450-599 481 524.5 0.00801239339
5 INTERVAL 600-749 85 674.5 0.00141591151
6 INTERVAL 750-899 62 824.5 0.00103278252
7 INTERVAL 900-1049 50 974.5 0.00083288913
8 INTERVAL 1050-1199 51 1124.5 0.00084954691
9 INTERVAL 1200-1349 34 1274.5 0.00056636461
10 INTERVAL 1350-1499 897 1424.5 0.01494203092
TOTAL JUMLAH
PAKET 60032
107
Langkah selanjutnya PING Flood A adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.32904, β = 57.2601
b. Distribusi Lognormal µ = 3.91086, σ = 0.543481
c. Distribusi Weibull α = 71.9951, β = 0.930219
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.63.
108
Tabel 4.63. Hasil Distribusi Probabilitas PING Flood A
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
1 0.00643723348 0.00580248978 0.00751585894
2 0.00001599147 0.00060751296 0.00007140480
3 0.00002909559 0.00005235898 0.00000203296
4 0.00005341596 0.00000426029 0.00000012038
5 0.00000943941 0.00000033705 0.00000001135
6 0.00000688522 0.00000002622 0.00000000148
7 0.00000555259 0.00000000202 0.00000000024
8 0.00000566365 0.00000000015 0.00000000005
9 0.00000377576 0.00000000001 0.00000000001
10 0.00009961354 0.00000000000 0.00000000000
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING Flood
A. Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan
dalam Gambar 4.21
109
Gambar 4.21. Distribusi Probabilitas PING Flood A
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood A. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.64.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.32904, β = 57.2601)
(α = 71.9951, β = 0.930219)
( µ = 3.91086, σ = 0.543481)
110
Tabel 4.64. MSE PING Flood A
Hasil MSE pada Tabel 4.63, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.5.2 PING FLOOD B
Langkah pertama PING Flood B adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000040290 0.0000011634 0.0000034084
2 0.00000034990 0.0000000031 0.0000004274
3 0.00000000054 0.0000000007 0.0000000068
4 0.00000000242 0.0000000028 0.0000000011
5 0.00000000008 0.0000000001 0.0000000000
6 0.00000000005 0.0000000000 0.0000000000
7 0.00000000003 0.0000000000 0.0000000000
8 0.00000000003 0.0000000000 0.0000000000
9 0.00000000001 0.0000000000 0.0000000000
10 0.00000000992 0.0000000099 0.0000000099
Jumlah 0.00000076588 0.0000011802 0.0000038537
111
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood B dapat dilihat
pada Tabel 4.65.
Tabel 4.65. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood B
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 62946 74.5 0.96999676390
2 INTERVAL 150-299 151 224.5 0.00232690737
3 INTERVAL 300-449 292 374.5 0.00449971492
4 INTERVAL 450-599 489 524.5 0.00753548148
5 INTERVAL 600-749 85 674.5 0.00130984852
6 INTERVAL 750-899 92 824.5 0.00141771840
7 INTERVAL 900-1049 35 974.5 0.00053934939
8 INTERVAL 1050-1199 18 1124.5 0.00027737969
9 INTERVAL 1200-1349 26 1274.5 0.00040065955
10 INTERVAL 1350-1499 759 1424.5 0.01169617678
TOTAL JUMLAH
PAKET 64893
Langkah selanjutnya PING Flood B adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.51246, β = 46.6535
112
b. Distribusi Lognormal µ = 3.89082, σ = 0.50094
c. Distribusi Weibull α = 68.941, β = 0.968089
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.66.
Tabel 4.66. Hasil Distribusi Probabilitas PING Flood B
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00646664509 0.00622293081 0.00752209207 0.00476660841
2 0.00001551272 0.00043969708 0.00003488172 0.00058765981
3 0.00002999810 0.00002294562 0.00000055583 0.00007741830
4 0.00005023654 0.00000109479 0.00000002062 0.00001052919
5 0.00000873232 0.00000005000 0.00000000131 0.00000146241
6 0.00000945146 0.00000000222 0.00000000012 0.00000020632
7 0.00000359566 0.00000000010 0.00000000001 0.00000002947
8 0.00000184920 0.00000000000 0.00000000000 0.00000000425
9 0.00000267106 0.00000000000 0.00000000000 0.00000000062
10 0.00007797451 0.00000000000 0.00000000000 0.00000000009
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
113
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodB.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.22.
Gambar 4.22. Distribusi Probabilitas PING Flood B
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood B. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.67.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.51246, β = 46.6535)
(α = 68.941, β = 0.968089)
( µ = 3.89082, σ = 0.50094)
114
Tabel 4.67. MSE PING Flood B
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000005940 0.0000011140 0.0000028901
2 0.00000017993 0.0000000004 0.0000003274
3 0.00000000005 0.0000000009 0.0000000022
4 0.00000000241 0.0000000025 0.0000000016
5 0.00000000008 0.0000000001 0.0000000001
6 0.00000000009 0.0000000001 0.0000000001
7 0.00000000001 0.0000000000 0.0000000000
8 0.00000000000 0.0000000000 0.0000000000
9 0.00000000001 0.0000000000 0.0000000000
10 0.00000000608 0.0000000061 0.0000000061
Jumlah 0.00000024806 0.0000011240 0.0000032275
Hasil MSE pada Tabel 4.67, MSELognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.5.3 PING FLOOD C
Langkah pertama PING Flood C adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
115
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood C dapat dilihat
pada Tabel 4.68.
Tabel 4.68. Hasil Nilai Tengah dan Frekuensi Relatif PING Flood C
NO INTERVAL KELAS JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 62287 74.5 0.97018738
2 INTERVAL 150-299 141 224.5 0.002196227
3 INTERVAL 300-449 289 374.5 0.004501488
4 INTERVAL 450-599 481 524.5 0.007492095
5 INTERVAL 600-749 81 674.5 0.001261663
6 INTERVAL 750-899 92 824.5 0.001432999
7 INTERVAL 900-1049 31 974.5 0.000482859
8 INTERVAL 1050-1199 44 1124.5 0.000685348
9 INTERVAL 1200-1349 25 1274 0.000389402
10 INTERVAL 1350-1499 730 1424.5 0.011370539
TOTAL JUMLAH
PAKET 64201
Langkah selanjutnya PING Flood C adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.58739, β = 43.3476
b. Distribusi Lognormal µ = 3.88442, σ = 0.484694
c. Distribusi Weibull α = 67.9069, β = 0.981324
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
116
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.69.
Tabel 4.69. Hasil Distribusi Probabilitas PING Flood C
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00647406046 0.00637288009 0.00750320542 0.00482514665
2 0.00002042484 0.00038273534 0.00002523720 0.00055735467
3 0.00002767565 0.00001624072 0.00000030971 0.00006700824
4 0.00004575163 0.00000062188 0.00000000930 0.00000821419
5 0.00000868056 0.00000002265 0.00000000050 0.00000102001
6 0.00000653595 0.00000000080 0.00000000004 0.00000012789
7 0.00000316585 0.00000000003 0.00000000000 0.00000001616
8 0.00000459559 0.00000000000 0.00000000000 0.00000000205
9 0.00000275735 0.00000000000 0.00000000000 0.00000000026
10 0.00007301879 0.00000000000 0.00000000000 0.00000000003
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodC.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.23.
117
Gambar 4.23. Distribusi Probabilitas PING Flood C
d. Distribusi Gamma α = 1.58739, β = 43.3476
e. Distribusi Lognormalµ = 3.88442, σ = 0.484694
f. Distribusi Weibull α = 67.9069, β = 0.981324
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood C. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.70.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.58739, β = 43.3476)
( α = 67.9069, β = 0.981324)
( µ = 3.88442, σ = 0.484694)
118
Tabel 4.70. MSE PING Flood C
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000001024 0.0000010591 0.0000027189
2 0.00000013127 0.0000000000 0.0000002883
3 0.00000000013 0.0000000007 0.0000000015
4 0.00000000204 0.0000000021 0.0000000014
5 0.00000000007 0.0000000001 0.0000000001
6 0.00000000004 0.0000000000 0.0000000000
7 0.00000000001 0.0000000000 0.0000000000
8 0.00000000002 0.0000000000 0.0000000000
9 0.00000000001 0.0000000000 0.0000000000
10 0.00000000533 0.0000000053 0.0000000053
JUMLAH 0.00000014916 0.0000010675 0.0000030156
Hasil MSE pada Tabel 4.70, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.5.4 PING FLOOD D
Langkah pertama PING Flood D adalah melakukan proses perhitungan
dengan memakai rumus dan diperoleh hasil berupa nilai tengah dan frekuensi
relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik dan
proses perhitungan nilai distribusi probabilitas sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
119
bagi dalam bentuk interval kelas. Hasil perhitungan PING Flood D dapat dilihat
pada Tabel 4.71.
Tabel 4.71 Hasil Nilai Tengah dan Frekuensi Relatif PING Flood D
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 59405 74.5 0.94103949182
2 INTERVAL 150-299 182 224.5 0.00288307697
3 INTERVAL 300-449 140 374.5 0.00221775152
4 INTERVAL 450-599 287 524.5 0.00454639061
5 INTERVAL 600-749 25 674.5 0.00039602706
6 INTERVAL 750-899 47 824.5 0.00074453087
7 INTERVAL 900-1049 18 974.5 0.00028513948
8 INTERVAL 1050-1199 24 1124.5 0.00038018597
9 INTERVAL 1200-1349 15 1274.5 0.00023761623
10 INTERVAL 1350-1499 2984 1424.5 0.04726978947
TOTAL JUMLAH
PAKET 63127
Langkah selanjutnya PING Flood D adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.51248, β = 46.6497
b. Distribusi Lognormal µ = 3.89076, σ = 0.500871
c. Distribusi Weibull α = 68.9352, β = 0.968069
120
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.72.
Tabel 4.72 Hasil Distribusi Probabilitas PING Flood D
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00627359661 0.00622294026 0.00752164423 0.00476648023
2 0.00001922051 0.00043959230 0.00003482944 0.00058757508
3 0.00001478501 0.00002293438 0.00000055437 0.00007740142
4 0.00003030927 0.00000109397 0.00000002054 0.00001052633
5 0.00000264018 0.00000004995 0.00000000131 0.00000146196
6 0.00000496354 0.00000000222 0.00000000012 0.00000020625
7 0.00000190093 0.00000000010 0.00000000001 0.00000002946
8 0.00000253457 0.00000000000 0.00000000000 0.00000000425
9 0.00000158411 0.00000000000 0.00000000000 0.00000000062
10 0.00031513193 0.00000000000 0.00000000000 0.00000000009
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
121
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
probabilitas yang paling mendekati dengan histogram data mentah PING FloodD.
Hasil plot histogram data mentah dengan distribusi probabilitas ditunjukan dalam
Gambar 4.24.
Gambar 4.24. Distribusi Probabilitas PING Flood D
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING FloodD. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.73.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.51248, β = 46.6497)
( α = 68.9352, β = 0.968069)
( µ = 3.89076,σ = 0.500871)
122
Tabel 4.73. MSE PING Flood D
Interval
Ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000000257 0.0000015576 0.0000022714
2 0.00000017671 0.0000000002 0.0000003230
3 0.00000000007 0.0000000002 0.0000000039
4 0.00000000085 0.0000000009 0.0000000004
5 0.00000000001 0.0000000000 0.0000000000
6 0.00000000002 0.0000000000 0.0000000000
7 0.00000000000 0.0000000000 0.0000000000
8 0.00000000001 0.0000000000 0.0000000000
9 0.00000000000 0.0000000000 0.0000000000
10 0.00000009931 0.0000000993 0.0000000993
Jumlah 0.00000027955 0.0000016583 0.0000026981
Hasil MSE pada Tabel 4.73, MSE Gamma paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Gamma dari pada distribusi Gamma dan distribusi
Weibull.
4.5.5 PING FLOOD RATA-RATA
PING Flood Rata-rata terdiri atas PING Flood A, PING Flood B, PING
Flood C dan PING Flood D.
Langkah pertama adalah menjumlah semua nilai frekuensi relatif pada
PING Flood A, PING Flood B, PING Flood C dan PING Flood D, selanjutnya di
123
bagi dengan jumlah serangan yaitu dibagi empat. Hasil perhitungan PING Flood
Rata-rata frekuensi relatif ditunjukan dalam Tabel 4.74.
Tabel 4.74. Hasil Nilai Tengah dan Frekuensi Relatif PING Rata-rata
Interval
ke INTERVAL KELAS
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 74.5 0.961932586
2 INTERVAL 150-299 224.5 0.002668108
3 INTERVAL 300-449 374.5 0.003808288
4 INTERVAL 450-599 524.5 0.006739253
5 INTERVAL 600-749 674.5 0.001105968
6 INTERVAL 750-899 824.5 0.001043856
7 INTERVAL 900-1049 974.5 0.000533064
8 INTERVAL 1050-1199 1124.5 0.000549113
9 INTERVAL 1200-1349 1274 0.000404561
10 INTERVAL 1350-1499 1424.5 0.021215204
Langkah selanjutnya PING Flood Rata-rata adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 1.4853425, β = 48.477725
b. Distribusi Lognormal µ = 3.894215, σ = 0.5074965
c. Distribusi Weibull α = 69.44455, β = 0.96192525
124
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.75.
Tabel 4.75. Hasil Distribusi Probabilitas PING Flood Rata-rata
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0064128839 0.0061695624 0.0075336272 0.0047388795
2 0.0000177874 0.0004774925 0.0000395541 0.0006018087
3 0.0000253886 0.0000277352 0.0000006965 0.0000826273
4 0.0000449284 0.0000014799 0.0000000280 0.0000117755
5 0.0000073731 0.0000000758 0.0000000019 0.0000017198
6 0.0000069590 0.0000000038 0.0000000002 0.0000002558
7 0.0000035538 0.0000000002 0.0000000000 0.0000000386
8 0.0000036608 0.0000000000 0.0000000000 0.0000000059
9 0.0000026971 0.0000000000 0.0000000000 0.0000000009
10 0.0001414347 0.0000000000 0.0000000000 0.0000000001
Selanjutnya nilai distribusi probabilitas dibandingkan dengan histogram
dari data mentah. Dalam uji distribusi probabilitas digunakan tiga buah distribusi
yaitu distribusi Gamma, Lognormal dan Weibull, pengujian tersebut dilakukan
dengan cara plot grafik dengan membandingkan histogram data mentah dengan
distribusi probabilitas, dengan hal tersebut bisa diketahui bentuk distribusi
125
probabilitas yang paling mendekati dengan histogram data mentah PING Flood
Rata-rata. Hasil plot histogram data mentah dengan distribusi probabilitas
ditunjukan dalam Gambar 4.25.
Gambar 4.25. Distribusi Probabilitas PING Flood Rata-rata
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah PING Flood Rata-rata. Hasil
perhitungan MSE secara teoritis ditunjukan dalam Tabel 4.76.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 1.4853425, β = 48.477725)
( α = 69.44455, β = 0.96192525)
(µ = 3.894215, σ= 0.5074965)
126
Tabel 4.76. MSE PING Flood Rata-rata
Interval ke
MSE
GAMMA
MSE
LOGNORMAL
MSE
WEIBULL
1 0.0000000592 0.0000012561 0.0000028023
2 0.0000002113 0.0000000005 0.0000003411
3 0.0000000000 0.0000000006 0.0000000033
4 0.0000000019 0.0000000020 0.0000000011
5 0.0000000001 0.0000000001 0.0000000000
6 0.0000000000 0.0000000000 0.0000000000
7 0.0000000000 0.0000000000 0.0000000000
8 0.0000000000 0.0000000000 0.0000000000
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000000200 0.0000000200 0.0000000200
Jumlah 0.0000002926 0.0000012793 0.0000031679
Hasil MSE pada Tabel 4.76, MSE Gamma paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah Distribusi Gamma dengan nilai parameter α = 1.4853425, β
= 48.477725.
4.6 Hasil Pengujian SYN Attack Menggunakan NMAP
Langkah pertama melakukan perhitungan interval kelas dengan menggunakan
metode sturgess, dikarenakan agar data tersebut bisa disajikan dengan baik, untuk
rumus interval interval kelas dengan metode sturgess bisa dilihat pada Bab 2.8.
127
4.6.1 SYN ATTACK A
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
bagi dalam bentuk interval kelas. Hasil perhitungan SYN AttackA untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.77.
Tabel 4.77. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack A
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 16505 74.5 0.89419222018
2 INTERVAL 150-299 60 224.5 0.00325062304
3 INTERVAL 300-449 159 374.5 0.00861415105
4 INTERVAL 450-599 125 524.5 0.00677213133
5 INTERVAL 600-749 50 674.5 0.00270885253
6 INTERVAL 750-899 43 824.5 0.00232961318
7 INTERVAL 900-1049 78 974.5 0.00422580995
8 INTERVAL 1050-1199 38 1124.5 0.00205872792
9 INTERVAL 1200-1349 35 1274.5 0.00189619677
10 INTERVAL 1350-1499 1365 1424.5 0.07395167407
TOTAL JUMLAH
PAKET 18458
Langkah selanjutnya SYN Attack A adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
128
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.749584, β = 242.476
b. Distribusi Lognormal µ = 4.40399, σ = 0.911257
c. Distribusi Weibull α = 141.5, β = 0.760066
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.78.
129
Tabel 4.78. Hasil Distribusi Probabilitas SYN Attack A
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00596128147 0.00332473368 0.00584577242 0.00339028614
2 0.00002167082 0.00135872074 0.00105525284 0.00116196722
3 0.00005742767 0.00064389720 0.00028998299 0.00052316107
4 0.00004514754 0.00031880117 0.00010431299 0.00026181310
5 0.00001805902 0.00016125122 0.00004447142 0.00013935350
6 0.00001553075 0.00008260421 0.00002131741 0.00007735998
7 0.00002817207 0.00004267385 0.00001113865 0.00004431053
8 0.00001372485 0.00002217835 0.00000621946 0.00002601209
9 0.00001264131 0.00001157842 0.00000366119 0.00001557950
10 0.00049301116 0.00000606577 0.00000225033 0.00000948933
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkan data mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack A. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.26.
130
Gambar 4.26. Distribusi Probabilitas SYN Attack A
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack A. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.79.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α 0.749584, β = 242.476)
( α = 141.5, β = 0.760066)
(µ = 4.40399, σ = 0.911257)
131
Tabel 4.79. MSE SYN Attack A
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000695138 0.0000000133 0.0000066100
2 0.00000178770 0.0000010683 0.0000013003
3 0.00000034395 0.0000000541 0.0000002169
4 0.00000007489 0.0000000035 0.0000000469
5 0.00000002050 0.0000000007 0.0000000147
6 0.00000000450 0.0000000000 0.0000000038
7 0.00000000021 0.0000000003 0.0000000003
8 0.00000000007 0.0000000001 0.0000000002
9 0.00000000000 0.0000000001 0.0000000000
10 0.00000023712 0.0000002408 0.0000002338
JUMLAH 0.00000942032 0.0000013812 0.0000084269
Hasil MSE pada Tabel 4.79, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.6.2 SYN ATTACK B
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
132
bagi dalam bentuk interval kelas. Hasil perhitungan SYN Attack B untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.80.
Tabel 4.80. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack B
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 20575 74.5 0.91988196897
2 INTERVAL 150-299 72 224.5 0.00321902803
3 INTERVAL 300-449 128 374.5 0.00572271650
4 INTERVAL 450-599 127 524.5 0.00567800778
5 INTERVAL 600-749 31 674.5 0.00138597040
6 INTERVAL 750-899 39 824.5 0.00174364018
7 INTERVAL 900-1049 66 974.5 0.00295077570
8 INTERVAL 1050-1199 40 1124.5 0.00178834891
9 INTERVAL 1200-1349 17 1274.5 0.00076004829
10 INTERVAL 1350-1499 1272 1424.5 0.05686949524
TOTAL JUMLAH
PAKET 22367
Langkah selanjutnya SYN Attack B adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.749584, β = 242.476
b. Distribusi Lognormal µ = 4.40399, σ = 0.911257
c. Distribusi Weibull α = 141.5, β = 0.760066
133
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.81.
Tabel 4.81. Hasil Distribusi Probabilitas SYN Attack B
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00613254646 0.00332473368 0.00584577242 0.00339028614
2 0.00002146019 0.00135872074 0.00105525284 0.00116196722
3 0.00003815144 0.00064389720 0.00028998299 0.00052316107
4 0.00003785339 0.00031880117 0.00010431299 0.00026181310
5 0.00000923980 0.00016125122 0.00004447142 0.00013935350
6 0.00001162427 0.00008260421 0.00002131741 0.00007735998
7 0.00001967184 0.00004267385 0.00001113865 0.00004431053
8 0.00001192233 0.00002217835 0.00000621946 0.00002601209
9 0.00000506699 0.00001157842 0.00000366119 0.00001557950
10 0.00037912997 0.00000606577 0.00000225033 0.00000948933
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkan data mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack B. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.27.
134
Gambar 4.27. Distribusi Probabilitas SYN Attack B
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN AttackB. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.82.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.749584, β = 242.476)
( α = 141.5, β = 0.760066)
(µ = 4.40399, σ =0.911257)
135
Tabel 4.82. MSE SYN Attack B
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000788381 0.0000000822 0.0000075200
2 0.00000178827 0.0000010687 0.0000013008
3 0.00000036693 0.0000000634 0.0000002352
4 0.00000007893 0.0000000044 0.0000000502
5 0.00000002311 0.0000000012 0.0000000169
6 0.00000000504 0.0000000001 0.0000000043
7 0.00000000053 0.0000000001 0.0000000006
8 0.00000000011 0.0000000000 0.0000000002
9 0.00000000004 0.0000000000 0.0000000001
10 0.00000013918 0.0000001420 0.0000001366
JUMLAH 0.00001028594 0.0000013623 0.0000092649
Hasil MSE pada Tabel 4.82, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.6.3 SYN ATTACK C
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
136
bagi dalam bentuk interval kelas. Hasil perhitungan SYN Attack C untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.82.
Tabel 4.83. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack C
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 16483 74.5 0.89411445620
2 INTERVAL 150-299 60 224.5 0.00325467860
3 INTERVAL 300-449 159 374.5 0.00862489829
4 INTERVAL 450-599 124 524.5 0.00672633577
5 INTERVAL 600-749 50 674.5 0.00271223217
6 INTERVAL 750-899 43 824.5 0.00233251966
7 INTERVAL 900-1049 78 974.5 0.00423108218
8 INTERVAL 1050-1199 38 1124.5 0.00206129645
9 INTERVAL 1200-1349 35 1274.5 0.00189856252
10 INTERVAL 1350-1499 1365 1424.5 0.07404393816
TOTAL JUMLAH
PAKET 18435
Langkah selanjutnya SYN Attack C adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.749207, β = 242.756
b. Distribusi Lognormal µ = 4.40418, σ = 0.911662
c. Distribusi Weibull α = 141.556, β = 0.759892
137
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.84.
Tabel 4.84. Hasil Distribusi Probabilitas SYN Attack C
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00596076304 0.00332315376 0.00584307801 0.00338926270
2 0.00002169786 0.00135847939 0.00105560323 0.00116188711
3 0.00005749932 0.00064411807 0.00029031429 0.00052331056
4 0.00004484224 0.00031909763 0.00010450383 0.00026198936
5 0.00001808155 0.00016150106 0.00004457913 0.00013950324
6 0.00001555013 0.00008278498 0.00002138017 0.00007747468
7 0.00002820721 0.00004279507 0.00001117665 0.00004439447
8 0.00001374198 0.00002225602 0.00000624332 0.00002607211
9 0.00001265708 0.00001162671 0.00000367666 0.00001562190
10 0.00049362625 0.00000609516 0.00000226065 0.00000951908
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkandata mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack C. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.28.
138
Gambar 4.28. Distribusi Probabilitas SYN Attack C
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack C. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.85.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.749207, β = 242.756)
( α =141.556, β = 0.759892)
( µ = 4.40418, σ = 0.911662)
139
Tabel 4.85. MSE SYN Attack C
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000695698 0.0000000138 0.0000066126
2 0.00000178698 0.0000010690 0.0000013000
3 0.00000034412 0.0000000542 0.0000002170
4 0.00000007522 0.0000000036 0.0000000472
5 0.00000002057 0.0000000007 0.0000000147
6 0.00000000452 0.0000000000 0.0000000038
7 0.00000000021 0.0000000003 0.0000000003
8 0.00000000007 0.0000000001 0.0000000002
9 0.00000000000 0.0000000001 0.0000000000
10 0.00000023769 0.0000002414 0.0000002344
JUMLAH 0.00000942637 0.0000013832 0.0000084301
Hasil MSE pada Tabel 4.85, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.6.4 SYN ATTACK D
Langkah pertama adalah untuk mencari hasil berupa nilai tengah dan
frekuensi relatif, nilai tengah ini akan digunakan untuk plot histogram atau grafik
dan perhitungan nilai distribusi probabilitas, sedangkan frekuensi relatif
digunakan dalam proses perhitungan frekuensi pada data mentah yang sudah di
140
bagi dalam bentuk interval kelas. Hasil perhitungan SYN Attack D untuk mencari
nilai tengah dan frekuensi relatif ditunjukan dalam Tabel 4.86.
Tabel 4.86. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack D
Interval
ke INTERVAL KELAS
JUMLAH
PAKET
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 20575 74.5 0.91988196897
2 INTERVAL 150-299 72 224.5 0.00321902803
3 INTERVAL 300-449 128 374.5 0.00572271650
4 INTERVAL 450-599 127 524.5 0.00567800778
5 INTERVAL 600-749 31 674.5 0.00138597040
6 INTERVAL 750-899 39 824.5 0.00174364018
7 INTERVAL 900-1049 66 974.5 0.00295077570
8 INTERVAL 1050-1199 40 1124.5 0.00178834891
9 INTERVAL 1200-1349 17 1274.5 0.00076004829
10 INTERVAL 1350-1499 1272 1424.5 0.05686949524
TOTAL JUMLAH
PAKET 22367
Langkah selanjutnya SYN Attack D adalah menghitung estimasi parameter
α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.846944 , β = 179.833
b. Distribusi Lognormal µ = 4.33034, σ = 0.803889
c. Distribusi Weibull α = 124.873, β = 0.799633
141
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.87.
Tabel 4.87. Hasil Distribusi Probabilitas SYN Attack D
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.00613254646 0.00377014036 0.00665931257 0.00366448734
2 0.00002146019 0.00138288589 0.00089124312 0.00115125624
3 0.00003815144 0.00055529494 0.00018499280 0.00046308310
4 0.00003785339 0.00022902582 0.00005267492 0.00020570804
5 0.00000923980 0.00009570111 0.00001838724 0.00009694693
6 0.00001162427 0.00004030148 0.00000739743 0.00004760314
7 0.00001967184 0.00001705934 0.00000330568 0.00002410799
8 0.00001192233 0.00000724766 0.00000160212 0.00001251243
9 0.00000506699 0.00000308764 0.00000082849 0.00000662661
10 0.00037912997 0.00000131820 0.00000045179 0.00000356985
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkandata mentah dengan distribusi probabilitas (Gamma, Lognormal
dan Weibull), dengan hal tersebut bisa diketahui bentuk distribusi yang paling
mendekati dengan paket data mentah serangan SYN Attack D. Hasil plot data
mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.29.
142
Gambar 4.29. Distribusi Probabilitas SYN Attack D
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN Attack D. Hasil perhitungan MSE
secara teoritis ditunjukan dalam Tabel 4.88.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.846944 , β = 179.833)
( α =124.873, β = 0.799633)
( µ = 4.33034, σ = 0.803889)
143
Tabel 4.88. MSE SYN Attack D
Interval
ke
MSE
(GAMMA)
MSE
(LOGNORMAL)
MSE
(WEIBULL)
1 0.00000558096 0.0000002775 0.0000060913
2 0.00000185348 0.0000007565 0.0000012764
3 0.00000026744 0.0000000216 0.0000001806
4 0.00000003655 0.0000000002 0.0000000282
5 0.00000000748 0.0000000001 0.0000000077
6 0.00000000082 0.0000000000 0.0000000013
7 0.00000000001 0.0000000003 0.0000000000
8 0.00000000002 0.0000000001 0.0000000000
9 0.00000000000 0.0000000000 0.0000000000
10 0.00000014274 0.0000001434 0.0000001410
JUMLAH 0.00000788950 0.0000011997 0.0000077266
Hasil MSE pada Tabel 4.88, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah adalah distribusi Lognormal dari pada distribusi Gamma dan
distribusi Weibull.
4.6.5 SYN ATTACK RATA-RATA
SYN Attack Gabungan terdiri atas SYN Attack A, SYN Attack B, SYN
Attack C dan SYN Attack D.
Langkah pertama adalah menjumlah semua nilai frekuensi relatif pada
SYN Attack A, SYN Attack B, SYN Attack C dan SYN Attack D, selanjutnya di bagi
144
dengan jumlah serangan yaitu dibagi empat. Hasil perhitungan SYN Attack Rata-
rata frekuensi relatif ditunjukan dalam Tabel 4.89.
Tabel 4.89. Hasil Nilai Tengah dan Frekuensi Relatif SYN Attack Rata-rata
Interval
ke INTERVAL KELAS
NILAI
TENGAH
FREKUENSI
RELATIF
1 INTERVAL 0-149 74.5 0.907017654
2 INTERVAL 150-299 224.5 0.003235839
3 INTERVAL 300-449 374.5 0.007171121
4 INTERVAL 450-599 524.5 0.006213621
5 INTERVAL 600-749 674.5 0.002048256
6 INTERVAL 750-899 824.5 0.002037353
7 INTERVAL 900-1049 974.5 0.003589611
8 INTERVAL 1050-1199 1124.5 0.001924181
9 INTERVAL 1200-1349 1274 0.001328714
10 INTERVAL 1350-1499 1424.5 0.065433651
Langkah selanjutnya SYN Attack Rata-rata adalah menghitung estimasi
parameter α, β pada distribusi Gamma dan estimasi parameter µ, σ pada distribusi
Lognormal dan estimasi parameter α, β untuk distribusi Weibull, menggunakan
aplikasi Matlab diperoleh nilai estimasi sebagai berikut:
a. Distribusi Gamma α = 0.77382975 , β = 226.88525
b. Distribusi Lognormal µ = 4.385625, σ = 0.88451625
c. Distribusi Weibull α = 137.35725, β = 0.76991425
145
Langkah selanjutnya adalah melakukan proses perhitungan dengan
memakai rumus distribusi probabilitas seperti ditunjukan dalam persamaan pada
bab 2.7 nomor lima sampai nomor tujuh dan diperoleh hasil berupa nilai distribusi
probabilitas teoritis, nilai distribusi probabilitas teoritis ini diperoleh setelah
melakukan proses estimasi parameter. Hasil distribusi probabilitas secara teoritis
ditunjukan dalam Tabel 4.90.
Tabel 4.90. Hasil Distribusi Probabilitas SYN Attack Rata-rata
Interval
ke
PDF (DATA
MENTAH)
DISTRIBUSI
GAMMA
DISTRIBUSI
LOGNORMAL
DISTRIBUSI
WEIBULL
1 0.0060467844 0.0034168167 0.0060324537 0.0034559379
2 0.0000215723 0.0013745124 0.0010221943 0.0011629093
3 0.0000478075 0.0006320650 0.0002645703 0.0005108550
4 0.0000414241 0.0003023783 0.0000905312 0.0002490562
5 0.0000136550 0.0001474758 0.0000369790 0.0001290682
6 0.0000135824 0.0000727567 0.0000170732 0.0000697452
7 0.0000239307 0.0000361685 0.0000086270 0.0000388840
8 0.0000128279 0.0000180777 0.0000046731 0.0000222181
9 0.0000088581 0.0000090724 0.0000026755 0.0000129531
10 0.0004362243 0.0000045674 0.0000016028 0.0000076803
Setelah nilai distribusi probabailitas diperoleh, plot grafik dengan
membandingkandata mentah dengan distribusi probabilitas (Gamma,
LognormaldanWeibull), dengan hal tersebut bisa diketahui bentuk distribusi yang
paling mendekati dengan paket data mentah serangan SYN AttackRata-rata. Hasil
plot data mentah dengan distribusi probabilitas dapat dilihat pada Gambar 4.30.
146
Gambar 4.30. Distribusi Probabilitas SYN Attack Rata-rata
Langkah terakhir adalah menghitung MSE pada setiap distribusi
probabilitas, hal ini dilakukan agar bisa diketahui lebih detail selisih yang paling
mendekati dengan histogram data mentah SYN AttackRata-rata.Hasil perhitungan
MSE secara teoritis ditunjukan dalam Tabel 4.90.
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
( α = 0.77382975, β = 226.88525)
( α = 137.35725, β = 0.76991425)
( µ = 4.385625, σ = 0.88451625)
147
Tabel 4.91. MSE SYN Attack Rata-rata
Interval
ke
MSE
GAMMA
MSE
LOGNORMAL
MSE
WEIBULL
1 0.0000069167 0.0000000002 0.0000067125
2 0.0000018304 0.0000010012 0.0000013027
3 0.0000003414 0.0000000470 0.0000002144
4 0.0000000681 0.0000000024 0.0000000431
5 0.0000000179 0.0000000005 0.0000000133
6 0.0000000035 0.0000000000 0.0000000032
7 0.0000000001 0.0000000002 0.0000000002
8 0.0000000000 0.0000000001 0.0000000001
9 0.0000000000 0.0000000000 0.0000000000
10 0.0000001863 0.0000001889 0.0000001837
JUMLAH 0.0000093645 0.0000012406 0.0000084731
Hasil MSE pada Tabel 4.90, MSE Lognormal paling terkecil terlihat pada
jumlah keseluruhan sehingga distribusi yang paling mendekati dengan histogram
data mentah untuk serangan SYN Attack adalah distribusi Lognormal dengan
parameter µ = 4.385625, σ = 0.88451625
Pada Tabel 4.91 akan diperjelas hasil dari perbandingan UDP Attack Rata-
rata, PING Flood Rata-rata dan SYN Attack Rata-rata dengan nilai estimasi
parameter dan nilai MSE pada masing-masing serangan menggunakan tool NMAP
pada OS Backtrack. Untuk lebih jelasnya bisa dilihat pada Tabel 4.92.
148
Tabel 4.92. Rekapitulasi Hasil Pengujian NMAP
No Jenis
Serangan
Distribusi
Probabilitas Nilai Parameter MSE
1 UDP Attack
d. Gamma
e. Lognormal
f. Weibull
α = 0.63841175,
β = 811.33175
µ = 5.2737475,
σ = 1.4082625
α = 419.6825,
β = 0.724291
0.0000103874
0.0000068516
0.0000095347
2 PING Flood
d. Gamma
e. Lognormal
f. Weibull
α= 1.4853425,
β = 48.477725
µ = 3.894215,
σ = 0.5074965
α = 69.44455,
β = 0.96192525
0.0000002926
0.0000012793
0.0000031679
3 SYN Attack
d. Gamma
e. Lognormal
f. Weibull
α = 0.77382975,
β = 226.88525
µ = 4.385625,
σ = 0.88451625
α = 137.35725,
β = 0.76991425
0.0000093645
0.0000012406
0.0000084731
Hasil pengujian seperti terlihat dalam Tabel 4.91, UDP Attack memiliki
karakteristik distribusi statistik mendekati distribusi Lognormal dengan hasil nilai
MSE terkecil yaitu nilai MSE = 0.0000068516 dengan nilai parameter µ =
5.2737475, σ = 1.4082625, SYN Attack memiliki karakteristik distribusi statistik
149
mendekati distribusi Lognormal dengan hasil nilai MSE terkecil yaitu nilai MSE =
0.0000012406 dengan nilai parameter µ = 4.385625, σ = 0.88451625. Sedangkan
PING Flood memiliki karakteristik distribusi statistik mendekati distribusi
Gamma dengan nilai MSE terkecil yaitu nilai MSE = 0.0000002926 dengan nilai
parameter α = 1.4853425, β = 811.33175.
Pada Gambar 4.31 adalah hasil estimasi parameter PING flood Rata-rata.
PING Flood Rata-rata ini menggunakan aplikasi HPING dan aplikasi NMAP,
dengan menggunakan kedua pengujian aplikasi tersebut menghasilkan
karakteristik mendekati distribusi gamma yang sama dengan nilai MSE terkecil
dari pada distribusi lognormal dan distribusi weibull. Untuk perbedaannya hanya
pada nilai estimasi parameter α dan β. Untuk lebih jelasnya bisa dilihat pada
Gambar 4.31.
Gambar 4.31. Hasil Estimasi Parameter PING Flood Rata-rata
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
Gamma PING NMAP
Gamma PING HPING
α= 1.4853425, β = 48.477725
α= 1.16704175, β = 158.63295
150
Pada Gambar 4.32 adalah hasil estimasi parameter SYN Attack Rata-rata.
SYN Attack Rata-rata ini menggunakan aplikasi HPING dan aplikasi NMAP,
dengan menggunakan kedua pengujian aplikasi tersebut menghasilkan
karakteristik mendekati distribusi lognormal yang sama dengan nilai MSE terkecil
dari pada distribusi gamma dan distribusi weibull. Untuk perbedaannya hanya
pada nilai estimasi parameter µ dan σ. Untuk lebih jelasnya bisa dilihat pada
Gambar 4.32.
Gambar 4.32. Hasil Estimasi Parameter SYN Attack Rata-rata
Pada Gambar 4.33 adalah hasil estimasi parameter UDP Attack Rata-rata.
UDP Attack Rata-rata ini menggunakan aplikasi HPING dan aplikasi NMAP,
dengan menggunakan kedua pengujian aplikasi tersebut menghasilkan
karakteristik mendekati distribusi lognormal yang sama dengan nilai MSE terkecil
Lognormal SYN HPING
Lognormal SYN NMAP
µ = 5.2737475, σ = 1.4082625
µ = 4.9304825, σ = 1.100298
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
151
dari pada distribusi gamma dan distribusi weibull. Untuk perbedaannya hanya
pada nilai estimasi parameter µ dan σ. Untuk lebih jelasnya bisa dilihat pada
Gambar 4.33.
Lognormal UDP HPING
Lognormal UDP NMAP
74.5 224.5 374.5 524.5 674.5 824.5 974.5 1124.5 1274.5 1424.5
µ = 5.2737475,σ = 1.4082625
µ = 4.1394775, σ = 0.86768475
Top Related