IDENTIFIKASI FILE DOKUMEN BERDASARKAN KONTEN MENGGUNAKAN DISTRIBUTED AUTONOMOUS NEURO-GEN LEARNING ENGINE SKRIPSI AARON 101402027 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
IDENTIFIKASI FILE DOKUMEN BERDASARKAN KONTEN MENGGUNAKAN DISTRIBUTED AUTONOMOUS NEURO-GEN LEARNING ENGINE SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi AARON 101402027 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
ii PERSETUJUAN Judul : IDENTIFIKASI FILE DOKUMEN BERDASARKAN KONTEN MENGGUNAKAN DISTRIBUTED AUTONOMOUS NEURO-GEN LEARNING ENGINE Kategori : SKRIPSI Nama : AARON Nomor Induk Mahasiswa : 101402027 Program Studi : S1 TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Romi Fadillah Rahmat, B.Comp.Sc M.Sc Prof. Dr. Opim Salim Sitompul, M.Sc NIP. 19860303 201012 1 004 NIP. 19610817 198701 1 001 Diketahui/disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar, ST., MM.IT NIP. 19800110 200801 1 010
iii PERNYATAAN IDENTIFIKASI FILE DOKUMEN BERDASARKAN KONTEN MENGGUNAKAN DISTRIBUTED AUTONOMOUS NEURO-GEN LEARNING ENGINE SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, 25 Mei 2014 Aaron 101402027
iv UCAPAN TERIMA KASIH Puji dan syukur penulis sampaikah kehadirat Tuhan Yang Maha Esa yang telah memberikan rahmat serta restu-nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi. Pertama, penulis ingin mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku pembimbing pertama dan Bapak Romi Fadillah Rahmat, B.Comp.Sc. M.Sc selaku pembimbing kedua yang telah membimbing penulis dalam penelitian serta penulisan skripsi ini. Tanpa inspirasi serta motivasi yang diberikan dari kedua pembimbing, tentunya penulis tidak akan dapat menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak Muhammad Fadly Syahputra, B.Sc. M. Sc. IT sebagai dosen pembanding pertama dan Bapak M. Anggia Muchtar, ST. MM.IT sebagai dosen pembanding kedua yang telah memberikan masukan serta kritik yang bermanfaat dalam penulisan skripsi ini. Ucapan terima kasih juga ditjukan kepada semua dosen serta semua pegawai pada program studi S1 Teknologi Informasi, yang telah membantu serta membimbing penulis selama proses perkuliahan. Penulis tentunya tidak lupa berterima kasih kepada kedua orang tua penulis, Bapak penulis Amin Maslim, serta Alm. Ibu Miwana Agus yang telah membesarkan penulis dengan sabar dan penuh cinta. Terima kasih juga penulis ucapkan kepada adik penulis, Vincent Maslim, yang selalu memberikan dukungan kepada penulis. Penulis juga berterima kasih kepada seluruh anggota keluarga penulis yang namanya tidak dapat disebutkan satu satu. Terima kasih juga penulis ucapkan kepada seluruh teman-teman angkatan 2010 yang telah bersama-sama penulis melewati perkuliahan pada program studi S1 Teknologi Informasi, serta teman-teman mahasiswa Teknologi Informasi lainnya. Secara khusus, penulis juga mengucapkan terima kasih kepada Eka Pratiwi Goenfi yang selalu menemani dan memberikan perhatiannya kepada penulis.
v ABSTRAK Identifikasi jenis file merupakan salah satu tahapan yang dilakukan pada forensik komputer terutama identifikasi jenis file dokumen, dimana identifikasi jenis file merupakan proses mengetahui format dari sebuah file sehingga dapat didapatkan jenis file sebenarnya dari file tersebut. Metode-metode identifikasi jenis file berdasarkan magic bytes dan ekstensi nama file sangat mudah dikelabui dengan melakukan pemalsuan file sederhana, seperti pengubahan ekstensi nama file ataupun pengubahan beberapa byte awal sebuah file. Atas dasar hal ini, metode identifikasi jenis file berdasarkan konten menjadi sangat penting. Metode yang diajukan pada penelitian ini adalah penggunaan fitur Byte Frequency Distribution, dilanjutkan dengan ekstraksi fitur dengan Principal Component Analysis dan implementasi mesin pembelajaran Distributed Autonomous Neuro-Gen Learning Engine dalam melakukan identifikasi jenis file dokumen berdasarkan konten. Pada penelitian ini ditunjukkan bahwa metode yang diajukan mampu melakukan identifikasi file dokumen dengan hasil akurasi yang cukup baik untuk lima jenis file dokumen. Kata kunci: forensik digital dan komputer, identifikasi file berbasis konten, Principal Component Analysis, Distributed Autonomous Neuro-Gen Learning Engine, Distributed Adaptive Neural Network, Gene Regulatory Engine.
vi CONTENT-BASED DOCUMENT FILE TYPE IDENTIFICATION USING DISTRIBUTED AUTONOMOUS NEURO-GEN LEARNING ENGINE ABSTRACT File type identification is one of the phases being done in computer forensics, especially document file type identification. File type identification is a process of knowing the format of a file to determine the real file type of the file. File identification methods based on magic bytes and file name extension are easily spoofed by simple file forgery such as changing the file name extension or editing the first few bytes of a file. A content-based file type identification method become very important because of the fact stated before. The method proposed in this research consists of using Byte Frequency Distribution of a file as features, using Principal Component Analysis for dimensionality reduction of features and finally implementing a Distributed Autonomous Neuro-Gen Learning Engine in identifying a document file based on its content. In this research, it is shown that the proposed method is capable of identifying document files with good accuracy for five types of document files. Keywords: digital and computer forensics, content-based file identification, Principal Component Analysis, Distributed Autonomous Neuro-Gen Learning Engine, Distributed Adaptive Neural Network, Gene Regulatory Engine.
vii DAFTAR ISI Hal. Persetujuan Pernyataan Ucapan Terima Kasih Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar ii iii iv v vi vii x xii BAB 1 Pendahuluan 1 1.1. Latar Belakang 1 1.2. Rumusan Masalah 3 1.3. Tujuan Penelitian 3 1.4. Batasan Masalah 3 1.5. Manfaat Penelitian 4 1.6. Metodologi Penelitian 4 1.7. Sistematika Penulisan 5 BAB 2 Landasan Teori 7 2.1. Forensik Digital 7 2.2. Dokumen 8
viii 2.3. File 8 2.3.1. Identifikasi Format File 8 2.3.2. File forgery 13 2.4. Normalisasi 14 2.5. Companding Function 16 2.6. Ekstraksi Fitur menggunakan Principal Component Analysis 16 2.7. Artificial Neural Network 19 2.7.1. Kelemahan Artificial Neural Network 21 2.7.1. Multilayer Perceptron 21 2.8. Distributed Autonomous Neuro-Gen Learning Engine 24 2.8.1. Gene Regulatory Engine 25 2.8.2. Distributed Adaptive Neural Network 30 BAB 3 Analisis dan Perancangan 32 3.1. Arsitektur Umum 32 3.2. Dataset 34 3.3. Pre-process 35 3.3.1. Kalkulasi Byte Frequency Distribution 36 3.3.2. Normalisasi Byte Frequency Distribution 36 3.3.3. Kompresi dan Ekspansi Byte Frequency Distribution 37 3.3.4. Principal Component Analysis 40 3.4. Implementasi Distributed Autonomous Neuro-Gen Learning Engine 40 3.4.1. Implementasi jaringan 41 3.4.2. Parameter pelatihan yang digunakan 42 3.4.3. Partisi data 42
ix 3.4.4. Modifikasi 43 3.4.5. Target output 44 BAB 4 Implementasi dan Pengujian 45 4.1. Hasil dari DANN 45 4.2. Hasil dari GRE 48 4.2.1. Hasil objective function 49 4.2.2. Hasil dari regulator mutasi 50 4.2.3. Hasil fitness function 53 4.3. Hasil pengujian 53 BAB 5 Kesimpulan dan Saran 57 5.1. Kesimpulan 57 5.2. Saran 58 Daftar Pustaka 59 Lampiran A: Source Code Aplikasi Client 62 Lampiran B: Source Code Aplikasi Server 70
x DAFTAR TABEL Tabel 2.1. Daftar magic bytes untuk beberapa jenis file dokumen 10 Tabel 3.1. Spesifikasi file-file yang digunakan sebagai data penelitian 34 Tabel 3.2. Spesifikasi training dataset 35 Tabel 3.3. Spesifikasi testing dataset 35 Tabel 3.4. Tabel BFD untuk file sampel 37 Tabel 3.5. Tabel BFD hasil normalisasi 37 Tabel 3.6. Tabel BFD hasil kompresi dan ekspansi 39 Tabel 3.7. Tabel fitur hasil ekstraksi metode PCA 40 Tabel 3.8. Nilai-nilai parameter DANGLE 42 Tabel 3.9. Partisi data untuk setiap node 43 Tabel 3.10. Target output untuk setiap jenis file 44 Tabel 4.1. Hasil akhir gen node 1 45 Tabel 4.2. Hasil akhir gen node 2 46 Tabel 4.3. Hasil akhir gen node 3 46 Tabel 4.4. Hasil akhir gen node 4 46 Tabel 4.5. Hasil akhir gen node 5 47 Tabel 4.6. Akurasi hasil pelatihan untuk setiap node pada generasi ke-6 48 Tabel 4.7. Hasil akurasi untuk setiap jenif file pada pengujian menggunakan dataset pelatihan 54 Tabel 4.8. Hasil akurasi untuk setiap jenif file pada pengujian menggunakan dataset pengujian 54 Tabel 4.9. Confusion Matrix untuk dataset pelatihan 55 Hal.
xi Tabel 4.10. Confusion Matrix untuk dataset pengujian 55 Tabel 4.11. Hasil akurasi untuk setiap jenis file pada pengujian menggunakan file-file yang telah dipalsukan 56
xii DAFTAR GAMBAR Gambar 2.1. Distribusi Frekuensi untuk dua file rtf yang berbeda (McDaniel, 2001) 12 Gambar 2.2. Distribusi Frekuensi untuk dua file gif yang berbeda (McDaniel, 2001) 12 Gambar 2.3. Arsitektur umum sebuah jaringan saraf tiruan (Negnetvisky, 2005) 20 Gambar 2.4. Fungsi aktivasi dari sebuah neuron (Negnetvisky, 2005) 20 Gambar 2.5. Arsitektur Multilayer Perceptron dengan dua hidden layer (Negnetvisky, 2005) 22 Gambar 2.6. Arsitektur Gene Regulatory Engine (Rahmat, 2008) 25 Gambar 2.7. Diagram lengkap model GRE (Rahmat, 2008) 26 Gambar 2.8. Node Behavior s Gene (Pasha, 2010) 27 Gambar 2.9. Neural Network s Gene (Rahmat, 2008) 27 Gambar 2.10.Arsitektur umum dari Distributed Autonomous Neural Network (Rahmat, 2008) 31 Gambar 3.1. Arsitektur umum metode yang diajukan 33 Gambar 3.2. Grafik BFD hasil normalisasi 38 Gambar 3.3. Grafik BFD hasil kompresi dan ekspansi 39 Gambar 3.4. Rancangan jaringan implementasi DANGLE 41 Gambar 4.1. Hasil output untuk setiap node pada setiap generasi 48 Gambar 4.2. Hasil RMSE untuk setiap node pada setiap generasi 49 Gambar 4.3. Mutasi Epoch pada setiap node untuk setiap generasi 50 Gambar 4.4. Mutasi jumlah hidden layer pada setiap node untuk setiap generasi 51 Gambar 4.5. Mutasi jumlah neuron hidden layer 1 pada setiap node untuk setiap generasi 51 Hal.
xiii Gambar 4.6. Mutasi jumlah neuron hidden layer 2 pada setiap node untuk setiap generasi 52 Gambar 4.7. Mutasi jumlah neuron hidden layer 3 pada setiap node untuk setiap generasi 52 Gambar 4.8. Hasil fitness function untuk setiap generasi 53