ARTIFICIAL NEURAL NETWORK

ARTIFICIAL NEURAL NETWORK

PENGERTIAN ANN

Artificial Neural Network (Jaringan Saraf Tiruan) sudah mulai

banyak dimanfaatkan sebagai solusi terhadap berbagai macam kasus yang

muncul beberapa dekade terakhir, sejarah ANN (Artificial Neural Network)

menunjukan pembahasan terhadap masalah ini muncul sekitar awal tahun

1900-an namun implementasinya baru banyak muncul beberapa dekade terakhir.

Pemanfaatan ANN juga mulai merambah dunia security khususnya untuk

memecahkan masalah-masalah yang sifatnya tidak tetap sehingga sulit untuk

di pecahkan dengan menggunakan tehnik pemrograman konvensional yang ada

saat ini.

Artificial Neural Network merupakan suatu jaringan saraf tiruan yang

dibangun untuk meniru cara kerja otak manusia. Dengan jaringan saraf tiruan

maka kita dapat memberikan semacam kecerdasan pada sistem, dimana sistem

tersebut akan diberikan waktu untuk 'belajar' dan kemudian diharapkan dari

proses belajarnya, sistem bisa memberikan solusi dari suatu kasus.

Analoginya seperti mengajarkan seorang anak kecil untuk mengetahui bentuk

kursi, kita akan menunjukan pada anak tersebut berbagai macam bentuk kursi

dan bukan kursi. Kita akan memperlihatkan mana saja yang termasuk kursi dan

mana yang bukan, proses ini disebut proses training. Setelah proses training

selesai, maka tiba waktunya untuk melakukan test terhadap anak tersebut

dengan menunjukan suatu bentuk kursi dan menanyakan apakah itu termasuk kursi

atau bukan. Hal yang menarik adalah pada saat kita menunjukan suatu bentuk

kursi yang belum pernah diajarkan pada anak tersebut dan apabila itu memang

variasi dari kursi (dengan ciri misalnya: kakinya ada 4, ada pegangan

tangannya, bentuknya seperti angka 4, dll) maka dia dapat mengambil

kesimpulan bahwa benda tersebut adalah kursi, apabila jawaban si anak salah

maka kita kembali melatihnya (proses training) dengan memasukan bentuk kursi

yang baru tadi kedalam data latih, sehingga si anak dapat mengambil

kesimpulan bahwa benda tersebut (dan yang mirip benda tersebut dimasa yang

akan datang) adalah kursi.

PENERAPAN AAN PADA SECURITY

Pemanfaatan ANN juga sudah mulai banyak dibicarakan pada dunia

security, salah satu impelementasinya diterapkan pada IDS (Intrusion

Detection System).  Teknik IDS yang umumnya digunakan saat ini adalah

menggunakan signature serangan untuk menentukan apakah suatu paket termasuk

dalam jenis serangan tertentu atau bukan, misalnya rule Snort yang merupakan

salah satu IDS opensource yang sangat populer:

  "alert icmp $EXTERNAL_NET any <> $HOME_NET any (msg:"DDOS Stacheldraht

   handler->agent (ficken)"; content:"ficken"; itype:0;icmp_id:6667;

   reference:url,staff.washington.edu/dittrich/misc/stacheldraht.analysis;

   classtype:attempted-dos; sid:1856; rev:2;)"

apabila ada paket yang melintasi jaringan dan ditangkap oleh IDS (dalam hal

ini Snort) dan packet tersebut memenuhi kriteria rules diatas maka IDS akan

dapat langsung memutuskan bahwa telah terjadi suatu jenis serangan DDOS yang

memanfaatkan tools stacheldracht, dan snort akan langsung mengambil tindakan

yang telah ditetapkan sebelumnya (misal: mengirimkan pesan alert via sms/mail

ke administrator sistem).

        Yang menjadi masalah adalah jenis serangan akan terus berkembang dan

umumnya signature serangan tersebut baru akan diketahui apabila telah jatuh

'korban' oleh serangan baru tersebut, hal ini disebabkan jenis serangan baru

belum terdapat datanya di database signature IDS. Untuk mengatasi masalah

tersebut maka saat ini mulai banyak dikembangkan suatu IDS yang menggunakan

teknologi ANN sehingga diharapkan IDS dapat mengenali suatu jenis serangan

baru (walaupun sifatnya baru 'memperkirakan') dan mengambil langkah yang

sesuai, sehingga sistem dapat lebih terlindungi dari jenis serangan baru

tersebut.

        ANN sifatnya memperkirakan, yang artinya sistem akan diberikan suatu

kecerdasan sehingga apabila ada jenis serangan baru yang belum pernah

dilatihkan pada sistem, dia bisa berpikir "sepertinya ini termasuk dalam

kategori jenis serangan DOS stacheldracht" misalnya. Dan kecerdasan sistem

tergantung pada proses trainingnya, semakin baik jenis data yang dilatihkan

maka semakin baik kecerdasan sistem tersebut.

DASAR-DASAR ALGORITMA AAN

        Dasar teori yang menjelaskan implementasi ANN sangat banyak di

Internet, intinya...mesin ANN bekerja pada 2 mode, yang pertama adalah

'training' dan yang kedua adalah 'execution'. Pada saat proses training,

kita akan melatih sistem dengan memberikannya sebanyak mungkin contoh

data 'input' serta 'output' yang akan dihasilkan oleh data input tersebut.

Contoh paling mudah adalah mengajarkan sistem operasi penjumlahan:

        input ke-1 = 0.1

        input ke-2 = 0.2

        output = 0.3

pada contoh tersebut, kita mengajarkan pada sistem apabila inputan terdiri

dari angka "0.1" dan "0.2" maka outputnya adalah "0.3". Jika hanya diberikan

satu contoh maka sistem tidak akan belajar dengan baik, untuk itu sistem

sebaiknya diberikan contoh data dengan jumlah yang sangat besar sehingga

kecerdasan sistem bisa lebih handal.

        Konsep pertama yang harus di pahami sebelum masuk pada tahap coding

adalah layer. ANN umumnya terdiri dari 3 layer, yaitu "input layer", "hidden

layer", dan "output layer". Ketiga layer inilah yang akan membentuk topologi

ANN. Tiap layer terdiri dari unit-unit node yang jumlahnya dapat kita

tentukan sendiri, bisa dibayangkan bahwa tiap node pada ANN ibaratnya seperti

neuron pada otak manusia. Jumlah node pada input layer tergantung pada jumlah

data input yang akan masuk pada sistem, misalnya pada operasi penjumlahan

diatas maka jumlah node pada input layer sebanyak 2 buah.

        Jumlah node pada hidden layer bervariasi, dan terdapat banyak

teori yang dapat menjelaskan bagaimana mencari jumlah node yang tepat

pada hidden layer, namun pada umumnya 5 buah node pada hidden layer suatu

ANN sudah mencukupi  untuk memecahkan berbagai macam kasus. Node pada

output layer tergantung dari jumlah output pada sistem, pada contoh

operasi penjumlahan diatas dapat dilihat bahwa jumlah node di output

layernya sebanyak 1 buah.

        Konsep kedua yang penting adalah nilai Error minimum yang diharapkan.

Pada saat ANN di inisialisasi akan dibangkitkan nilai random untuk koneksi

antar node dari suatu layer dengan layer sesudahnya, jadi antar node-node

di hidden layer saling terkoneksi satu sama lain dengan node-node di hidden

layer, dan antar node-node di hidden layer akan saling terkoneksi satu sama

lain dengan node-node pada output layer. Nilai koneksi antar node tersebut

sering disebut 'bobot'. Nilai bobot inilah yang akan menentukan kecerdasan

suatu sistem. Pada saat proses training, nilai bobot tersebut akan terus

berubah sehingga didapatkan kesesuaian antara input dengan output dengan

Error minimum. Dengan kata lain, pada proses training kita akan menentukan

nilai minimum error yang bisa di tolerir oleh sistem....seperti yang

disampaikan diatas bahwa sistem tidak akan memberikan kepastian jawaban untuk

suatu kasus yang tidak pernah dilatihkan kepadanya, pasti ada nilai Error

dari jawaban sistem dengan jawaban yang seharusnya, nah nilai Error tersebut

yang harus di definisikan oleh kita sebelum melatih sistem sehingga sistem

bisa menjawab dengan tingkat kebenaran semaksimal mungkin (misal: tingkat

kebenaran sistem 99,9999% dengan nilai Error 0.0001).

SUMBER: http://ezine.echo.or.id/ezine13/echo13-04.txt