ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK …repository.usd.ac.id/35151/2/155314013_full.pdfdisebutkan dalam kutipan daftar pustaka, sebagaimana layaknya karya ilmiah. Yogyakarta,

i

ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK

MENGGUNAKAN ALGORITMA TAXI PROBLEM

(KASUS : JUMLAH NODE STATIS)

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

Sarjana Komputer Program Studi Teknik Informatika

oleh:

LAYUNG INDRA APRILIA

155314013

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

ESTIMATION NUMBER OF NODE WITH TAXI PROBLEM

ALGORITHM IN OPPORTUNISTIC NETWORK

(CASE : TOTAL STATICS NODE)

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana

Komputer Degree in Informatics Engineering Department

by:

LAYUNG INDRA APRILIA

155314013

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULITY SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii

HALAMAN PERSETUJUAN

SKRIPSI




oleh :

Layung Indra Aprilia

(155314013)

Telah disetujui oleh :

Dosen Pembimbing,

Bambang Soelistijanto, Ph.D. Tanggal, ................ 2019


iv

HALAMAN PENGESAHAN

SKRIPSI




Dipersiapkan dan ditulis oleh:


(155314013)

Telah dipertahankan di depan panitia penguji

pada tanggal 17 Juli 2019

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : Vittalis Ayu, S.T., M.Cs …………………

Sekretaris : Henricus Agung Hernawan, S.T., M.Kom. …………………

Anggota : Bambang Soelistijanto, Ph.D. …………………

Yogyakarta, ….. Juli 2019

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si., M.Math.Si., Ph.D.


v

MOTTO

“Tak perlulah membandingkan dirimu dengan orang lain

karena memang tidak ada dari dirimu yang layak untuk dibandingkan.”

- LAYUNG INDRA APRILIA


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sebenar-benarnya bahwa skripsi yang saya tulis

ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah

disebutkan dalam kutipan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 07 Juni 2019

Penulis



vii

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata

Dharma :

Nama : Layung Indra Aprilia

NIM :155314013

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul:




Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk

menyimpan, mengalihkan dalam bentuk media lain, mengolahnya dalam

bentuk angkalan data, mendistribusikannya secara terbatas, dan

mempublikasikannya di Internet atau media lain untuk kepentingan

akademis tanpa meminta ijin dari saya maupun memberikan royalty kepada

saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 07 Juni 2019

Penulis,



viii

ABSTRAK

Routing protokol harus mengetahui global knowledge untuk mendapatkan

unjuk kerja jaringan yang optimal. Routing dapat bekerja dengan lebih efisien

dalam pemilihan jalur untuk pengiriman pesan sehingga beban pada jaringan

dapat berkurang dan memungkinkan node yang ada di jaringan dapat

menyesuaikan dengan topologi sehingga dapat menemukan jalur terbaik dalam

pengiriman pesan.

Pada jaringan OppNet untuk mengetahui global knowledge menjadi

tantangan karena dibutuhkan waktu yang lama dan karakteristik dari jaringan

OppNet yang bersifat dinamis. Beberapa contoh global knowledge antara lain

jumlah node atau total node yang ada di sebuah jaringan, sisa buffer, jumlah

replika pesan atau L copy. Jumlah node atau total node yang ada di sebuah

jaringan sangatlah penting untuk diketahui. Dengan mengetahui total node atau

jumlah node yang ada di jaringan, maka dapat meningkatkan unjuk kerja dan

dapat menggunakan resources secara optimal. Oleh karena itu, kami

mengusulkan algoritma yang dapat melakukan estimasi jumlah node di

jaringan. Taxi Problem adalah salah satu algoritma yang dapat digunakan untuk

melakukan estimasi jumlah node yang ada pada jaringan.

Pada penelitian ini, kami menganalisis dan mengevaluasi perbandingan

antara routing Spray and Wait tanpa menggunakan algoritma taxi problem

dengan routing Spray and Wait yang menggunakan algoritma taxi problem

yang sudah dimodifikasi. Untuk melihat unjuk kerja dari kinerja routing, pada

penelitian ini menggunakan beberapa metrik yang berupa average convergence

time, residu, delivery probability, overhead ratio dan average latency per total

contact. Dari hasil penelitian taxi problem terbukti dapat melakukan estimasi

jumlah node dengan cukup baik dan total node yang gagal untuk mengestimasi

lebih sedikit dari pada routing tanpa menggunakan taxi problem.

Kata Kunci : Spray and Wait, Algoritma Taxi Problem


ix

ABSTRACT

Protocol routing must know the global knowledge of the network in order

to get the optimal network performances. Routing can be more efficient in

choosing the route to send messages so that the overhead of the network can be

reduced and make the network nodes can suit with the topology in order to find

the best route in sending messages.

In the OppNet, to know the global knowledge is a challenge because it

takes more time and the Oppnet network characteristic is dynamic. Some

examples of the global knowledge are the number of nodes or total number of

nodes in a network, the buffer residual, the total of message copies or L copy.

The number of nodes or the total nodes in a network is important to know. By

knowing the total nodes or the number of nodes in a network can enhance the

performances and use the resources optimally. Therefore, we proposed an

algorithm which is able to estimate the total nodes in a network. The taxi

problem is an algorithm which can be used to estimate the total number of

nodes in a network.

In this research, we analyzed an evaluated the comparison before and after

the use of the taxi problem that a bit modified in spray and wait routing. In the

use performances of the routing we used some matriks as if the average of the

convergence time, residu, delivery probability, overhead ratio and average

latency of the total nodes. Based on the rearch result, the taxi problem is good

enough to estimate the total number of nodes and the total of the nodes that fail

to estimate is less than routing without the taxi problem algorithm.

Keywords : Spray and Wait, The Taxi Problem Algorithm


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, oleh karena

kasih dan karunia-Nya yang melimpah, penulis dapat menyelesaikan penulisan tugas

akhir dengan baik dan lancar. Saya selaku penulis menyadari tugas akhir dapat

terselesaikan dengan bantuan dan bimbingan dari berbagai pihak secara langsung

maupun tidak langsung. Maka pada kesempatan ini, selaku penulis mengucapkan

terimakasih kepada:

1. Keluarga tercinta, Bapak Serka Purn. Ruswinardi dan Ibu Anastasia N. serta

kedua saudara saya Marcelinus Ardi Hari Christiawan serta Marcelina Indah

Pawitrasari yang selalu memberikan dukungan berupa doa, motivasi,

penghiburan dan logistik selama saya menempuh perkuliahan hingga saat

saya menyelesaikan tugas akhir.

2. Bapak Bambang Soelistijanto, S.T., M.Sc., Ph.D. selaku dosen pembimbing

tugas akhir yang telah membimbing, memberi ilmu, serta pengalaman dalam

menyelesaikan tugas akhir.

3. Keluarga besar, The Karto’s Fam dan keluarga dari Ibu Waljinem yang selalu

mendukung dan memberikan bantuan berbentuk dukungan moril maupun

sokongan finansial.

4. Grup idola, WINNER dan Sheila on7 beserta jajaran band indie lainnya yang

selalu memberi saya semangat dan motivasi melalui karya yang saya

dengarkan di platform spotify maupun youtube saat mengerjakan tugas akhir.

5. Pasangan, Martinus Tri Nur Cahyono, S.Kom yang selalu memberi saya

motivasi, dorongan semangat dan bantuan berbentuk moril maupun fisik

selama saya menempuh perkuliahan hingga dalam menyelesaikan tugas akhir.

6. Sahabat, Luluk Umi Hanna, Ririn Dwi Wijayanti, S.Kom dan Giovanni

Osmond Indyaputra, S.Kom yang selalu memberi saya semangat, dukungan

dan motivasi dalam pengerjaan tugas akhir.


xi

7. Rekan, Kalorinda, S.Kom dan Gregorius Bima K. Wicaksana, S.Kom yang

telah banyak memberi dorongan dalam bentuk semangat maupun motivasi

serta membantu saya dalam menyelesaikan tugas akhir.

8. Teman-teman, Baper Ranger, TI 2015 Kelas A DPA Bapak Robertus Adi,

Marwoto Squad, Kos Denokan, INSADHA tahun 2015 Kelompok 15Airlines,

Jaringan Komputer angkatan 2015 maupun kakak tingkat yang telah banyak

memberikan dukungan, penghiburan dari saya memulai masa perkuliahan

hingga saat menyelesaikan tugas akhir.

9. OMK Paroki St. Petrus dan Paulus Klepu, Kapan Dolan? dan Multimedia

‘Sempak Teles Crew’, yang selalu memberikan dukungan sehingga saya dapat

menyelesaikan tugas akhir.

10. Serta seluruh pihak yang tidak dapat disebutkan satu persatu, yang telah

memberi dukungan dan doa sehingga saya dapat menyelesaikan tugas akhir

ini. Tuhan memberkati kalian semua.

Penulis sadar bahwa tugas akhir ini masih jauh dari kata sempurna, maka

penulis dengan senang hati dan berterimakasih bila ada kritik serta saran demi

menyempurnakan tulisan ini. Semoga tulisan ini bermanfaat bagi semua pihak.

Penulis



xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

TITLE PAGE .......................................................................................................... ii

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

MOTTO .................................................................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................. vi

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ............................ vii

ABSTRAK ............................................................................................................ viii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ............................................................................................. x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ................................................................................................ xiv

DAFTAR GAMBAR ............................................................................................. xv

DAFTAR RUMUS .............................................................................................. xvii

BAB I PENDAHULUAN ........................................................................................ 1

1.1. Latar Belakang............................................................................................ 1

1.2. Rumusan Masalah ....................................................................................... 3

1.3. Tujuan Penelitian ........................................................................................ 3

1.4. Manfaat Penelititan ..................................................................................... 3

1.5. Batasan Masalah ......................................................................................... 3

1.6. Metodologi Penelitian ................................................................................. 4

1.7. Sistematika Penulisan ................................................................................. 5

BAB II LANDASAN TEORI .................................................................................. 6

2.1. Mobile Ad Hoc Network (MANET) ............................................................ 6

2.2. Jaringan Oportunistik .................................................................................. 7

2.3. Estimasi Global Knowledge ........................................................................ 9

2.4. Spray and Wait Routing Protokol .............................................................. 10

2.5. Algoritma Taxi Problem ........................................................................... 12

2.6. The ONE Simulator ................................................................................... 16

BAB III METODE PENELITIAN ...................................................................... 17


xiii

3.1. Data .......................................................................................................... 17

3.2. Alat Penelitian .......................................................................................... 18

a. Hardware .................................................................................................. 18

b. Software ................................................................................................... 19

3.3. Pembuatan Alat Uji ................................................................................... 19

3.4. Langkah-Langkah Pengujian ..................................................................... 20

3.5. Cara Analisis Hasil ................................................................................... 23

3.6. Desain Alat Uji ......................................................................................... 24

BAB IV PENGUJIAN DAN ANALISIS .............................................................. 26

4.1.1. Hasil Simulasi Metrik Unjuk Kerja Average Convergence Time dan Residu

pada Dataset Random .......................................................................................... 26


pada Dataset Haggle3-Infocome5 ........................................................................ 29


pada Dataset Reality Minning by MIT................................................................. 31

4.1.4. Hasil Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead Ratio,

dan Latency Average........................................................................................... 34

BAB V KESIMPULAN DAN SARAN ................................................................. 43

5.1. Kesimpulan............................................................................................... 43

5.2. Saran ........................................................................................................ 43

DAFTAR PUSTAKA ............................................................................................ 44

LAMPIRAN .......................................................................................................... 45


xiv

DAFTAR TABEL

Tabel 3.1. Parameter Simulasi untuk Pergerakan Random ................................................17

Tabel 3.2. Parameter Simulasi untuk Pergerakan Manusia (Haggle3-Infocome5 dan

Reality Minning by MIT) ...................................................................................................18

Tabel 3.3.1. Skenario 1.1. : algoritma taxi problem dengan node yang

tidak saling bertukar informasi pada pergerakan random ...................................................20


saling bertukar informasi pada pergerakan random ...........................................................20

Tabel 3.3.3. Skenario 1.3. : algoritma spray and wait dengan jumlah node 100 dan

skenario ini bergerak pada pergerakan random ..................................................................20


tidak saling bertukar informasi pada pergerakan haggle3-infocome5 .................................21


saling bertukar informasi pada pergerakan haggle3-infocome5 ..........................................21


skenario ini bergerak pada pergerakan haggle-infocome5 ..................................................21


tidak saling bertukar informasi pergerakan reality minning by mit .....................................22


saling bertukar informasi pada pergerakan reality minning by mit .....................................22


skenario ini bergerak pada pergerakan reality minning by mit ...........................................22


xv

DAFTAR GAMBAR

Gambar 2.1. Topologi MANET ......................................................................................... 6

Gambar 2.2. Metode store-carry-forward di jaringan OppNet........................................... 7

Gambar 2.3. Strategi Routing Protokol Spray and Wait ...................................................10

Gambar 2.4. Ilustrasi Taxi Problem .................................................................................12

Gambar 2.6.1. Ilustrasi node di Taxi Problem ketika connection-up .................................14

Gambar 2.6.2. Ilustrasi node di Taxi Problem ketika koneksi terbangun ..........................15

Gambar 2.6.3. Ilustrasi node di Taxi Problem ketika connection-down ............................15

Gambar 2.6.4. Ilustrasi Taxi Problem ketika bertukar informasi

pada jaringan OppNet .......................................................................................................16

Gambar 4.4.1. Grafik Average Convergence Time disetiap interval waktu pada

skenario node tidak bertukar informasi dan bertukar informasi pada pergerakan

random .............................................................................................................................26

Gambar 4.4.2. zoom out dari grafik Average Convergence Time disetiap interval

waktu pada skenario node tidak bertukar informasi dan bertukar informasi pada

pergerakan random ...........................................................................................................27

Gambar 4.4.3. Grafik Residu disetiap interval waktu pada skenario

node tidak bertukar informasi dan bertukar informasi pada pergerakan random .................28



manusia (Haggle3-Infocome5) ..........................................................................................29

Gambar 4.4.5. zoom out dari grafik Average Convergence Time disetiap interval


pergerakan manusia (Haggle3-Infocome5) ........................................................................29

Gambar 4.4.6. Grafik Residu disetiap interval waktu pada skenario node tidak

bertukar informasi dan bertukar informasi pada pergerakan manusia (Haggle3-

Infocome5) ........................................................................................................................30



manusia (Reality Minning by MIT) ....................................................................................31


xvi

Gambar 4.4.8. zoom out dari grafik Average Convergen Time disetiap interval


pergerakan manusia (Reality Minning by MIT) ..................................................................32

Gambar 4.4.9. Grafik Residu disetiap interval waktu pada skenario node tidak

bertukar informasi dan bertukar informasi pada pergerakan manusia (Reality-MIT) ..........33

Gambar 4.4.10. Random Waypoint Delivery Probability ..................................................34

Gambar 4.4.11. Haggle3 – Infocome5 Delivery Probability .............................................35

Gambar 4.4.12. Reality MIT Delivery Probability ............................................................36

Gambar 4.4.13. Random Waypoint Overhead Ratio .........................................................37

Gambar 4.4.14. Haggle3-Infocome5 Overhead Ratio .......................................................38

Gambar 4.4.15. Reality Minning by MIT Overhead Ratio ................................................39

Gambar 4.4.16. Random Waypoint Latency Average .......................................................40

Gambar 4.4.17. Haggle3-Infocome5 Latency Average .....................................................41

Gambar 4.4.18. Reality Minning by MIT Latency Average ...............................................42


xvii

DAFTAR RUMUS

Rumus 2.5.1. Estimasi jumlah N menggunakan algoritma taxi problem............................13

Rumus 3.5.1. Delivery Probability per Total Contact .......................................................23

Rumus 3.5.2. Overhead Ratio ..........................................................................................23

Rumus 3.5.3. Average Latency per Total Contact .............................................................24


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

MANET atau Mobile Ad-hoc Network dirancang untuk perangkat mobile

agar dapat berkomunikasi satu dengan yang lainnya dengan menggunakan

jaringan wireless atau nirkabel. Setiap perangkat mobile mempunyai

kemampuan untuk saling terhubung dan membentuk sebuah jaringan antara

node source ke node destination. Dimana, perangkat ini tidak memerlukan

infrastruktur sehingga dapat bergerak secara aktif atau dinamis. Dikarenakan

perangkat yang dapat bergerak dengan bebas, pada jaringan MANET sering kali

terjadi perubahan topologi jaringan yang sangat cepat sehingga memungkinkan

terjadinya kegagalan transmisi atau pertukaran data.

Delay Tolerant Network (DTN) atau Opportunistic Network (OppNet)

diciptakan dengan kelebihan dimana jaringan ini tidak mempermasalahkan

delay atau penundaan dalam pengiriman pesan karena tidak tersedianya end-to-

end path atau setiap node yang tidak terhubung secara terus menerus tetapi

dapat melakukan pencarian jalur dari source ke destination tanpa adanya

topologi yang terbentuk. Meskipun delay dalam jaringan cukup tinggi,

perangkat masih tetap bisa saling bertukar pesan. Hal ini karena DTN

menggunakan metode pengiriman store-and-forward. Pada metode ini, pesan

akan di-forward atau diteruskan dari storage pada suatu node ke storage node

yang lainnya sehingga pesan tersebut sampai pada destination. Dengan

menggunakan metode store-and-forward, maka node memiliki storage untuk

menyimpan pesan apabila jalur koneksi belum tersedia. Tantangan dari DTN

sendiri adalah bagaimana cara untuk menemukan jalur komunikasi yang dapat

mengoptimalkan unjuk kerja.


2

Routing merupakan cara bagaimana pesan diarahkan dari source menuju ke

destination. Salah satu routing protokol yang ada di jaringan DTN adalah Spray

and Wait. Routing ini bekerja untuk membatasi jumlah replika dari L copies.

Routing algortima harus mengambil keputusan untuk mencari jalur terbaik agar

source bisa mengirimkan pesan dan sampai ke destination.

Keputusan yang paling naif adalah copy-nya disebar agar mendapat delay

yang cukup cepat untuk sampai ke destination sehingga dapat memberikan

unjuk kerja yang optimal. Namun, karena menyebarkan pesan ke seluruh node

yang ada pada jaringan, ini membuat beban jaringannya menjadi tinggi karena

jumlah L copies yang disebarkan. Routing algoritma yang menggunakan

metode flooding ini adalah Epidemic Routing.

Terdapat 2 strategi yang dapat digunakan untuk membatasi jumlah L copies

yaitu heuristic local knowledge dan qouta fixed. Perbedaan dua strategi ini ialah

dimana untuk heuristic local knowledge, pada saat node bertemu dengan node

lain, node tersebut akan memutuskan apakah node yang ia temui itu memiliki

bobot yang bagus atau tidak. Jika iya, maka node tersebut akan memberikan

copy pesan kepada node yang ia temui. Sedangkan untuk quota fixed, sejak awal

jumlah untuk copy sudah di-set atau nilai sudah ditentukan sedari awal sehingga

tidak membebani jaringan. Tantangan yang didapatkan adalah bagaimana untuk

menentukan nilai dari L copy yang paling optimal? Pada jaringan OppNet dapat

dilakukan dengan mengetahui total N atau total node yang ada di jaringan.

Hal ini menjadi tantangan karena pada jaringan OppNet untuk mengetahui

knowledge atau pengetahuan di jaringan dibutuhkan waktu yang sangat lama,

oleh karena itu ada banyak pendekatan. Pada penelitian ini akan digunakan

pendekatan estimator atau pendekatan matematika dengan menggunakan

algoritma Taxi Problem yang sudah dimodifikasi untuk melakukan estimasi

total node yang ada di sebuah jaringan. Dengan melakukan estimasi total node

di jaringan maka diharapkan dapat menentukan L copies yang tepat untuk

disebarkan dijaringan, sehingga dapat memberikan unjuk kerja jaringan yang

optimal.


3

1.2. Rumusan Masalah

Berdasarkan latar belakang, rumusan masalah yang didapatkan adalah

seberapa efektif kinerja dari algoritma Taxi Problem pada jaringan OppNet

dengan kasus node statis atau berjumlah tetap.

1.3. Tujuan Penelitian

Tujuan yang akan dicapai dalam penelitian ini adalah mengetahui trade-off

atau kelebihan dan kelemahan dan dapat mengatasi kelemahan dari algoritma

Taxi Problem pada jaringan OppNet dengan node statis.

1.4. Manfaat Penelititan

Hasil dari penelitian ini diharapkan dapat digunakan sebagai bahan

pertimbangan dalam menentukan estimasi jumlah total node yang ada di

jaringan sehingga dapat digunakan untuk menentukan nilai L copy yang optimal

pada jaringan OppNet.

1.5. Batasan Masalah

Batasan masalah yang ada dalam penelitian ini adalah :

a. Algoritma estimasi yang diuji adalah algoritma Taxi Problem pada

jaringan OppNet dengan node yang bersifat tetap atau statis.

b. Pergerakan yang digunakan yaitu pergerakan homogen dan heterogen

(random, pergerakan manusia (haggle3-infocome5) dan pergerakan

manusia (reality mining by mit)).

c. Performance metric yang digunakan untuk menilai unjuk kerja protokol

spray and wait yaitu delivery probability, overhead ratio, dan average

latency per total contact.

d. Performance metric yang digunakan untuk menilai unjuk kerja

algoritma taxi problem yaitu average convergence time dan residu.

e. Diterapkan pada routing protokol spray and wait.


4

f. The ONE Simulator versi 1.6.0 digunakan sebagai framework untuk

menyimulasikan jaringan yang akan diteliti.

g. Netbeans versi 8.2 digunakan sebagai tools untuk menjalankan

simulator The ONE Simulator dan menggunakan bahasa pemrograman

JAVA.

1.6. Metodologi Penelitian

Metode yang dilakukan dalam penelitian ini adalah sebagai berikut:

1. Studi Pustaka

Mencari, mengumpulkan referensi dan menerapkan teori untuk

mendukung tugas akhir antara lain: teori mengenai Spray and Wait,

teori mengenai Distributed Estimator of Global Parameters in Delay-

Tolerant Network, teori mengenai Estimators for Global Information

in Mobile Opportunistic Network, teori mengenai The Racing Car

Problem dan dokumentasi dari The ONE Simulator.

2. Pengumpulan Bahan Penelitian

Dataset yang akan digunakan untuk melakukan penelitian telah

tersedia di internet pada alamat

http://www.shigs.co.uk/index.php?page=traces.

3. Pembuatan Alat Uji

Perancangan sistem dilakukan dengan menerapkan Taxi Problem pada

routing protokol Spray and Wait sehingga unjuk kerja dapat

teridentifikasi dari hasil yang ditunjukan.

4. Analisis Data Simulasi

Mengolah data dari hasil simulasi, untuk diproses kemudian dianalisis

sesuai dengan parameter unjuk kerja.

5. Penarikan Kesimpulan

Penarikan kesimpulan terhadap hasil yang telah dianalisis dengan

acuan parameter unjuk kerja yang telah ditentukan.


http://www.shigs.co.uk/index.php?page=traces

5

1.7. Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan

penelitian, manfaat penelitian, batasan masalah, metodologi penelitian,

dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini berisi tentang penjelasan dari beberapa teori yang diantara lain

adalah MANET, jaringan oportunistik, estimasi global knowledge,

protokol spray and wait, algoritma taxi problem dan the one simulator.

BAB III PERANCANGAN SIMULASI

Bab ini berisi tentang perencanaan skenario simulasi yang dikerjakan

dalam tugas akhir ini.

BAB IV PENGUJIAN DAN ANALISIS

Bab ini berisi pelaksanaan simulasi dan analisis data hasil simulasi.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan yang dapat dari hasil analisis data simulasi.


6

BAB II

LANDASAN TEORI

2.1. Mobile Ad Hoc Network (MANET)

MANET atau Mobile Ad-hoc Network adalah jaringan yang bersifat

sementara sehingga tidak memerlukan infrastruktur. Setiap node yang ada pada

jaringan selalu bergerak secara bebas sehingga node mempunyai kemampuan

untuk langsung saling terhubung dan membentuk sebuah jaringan antara source

ke destination. Sebuah node tidak lagi hanya berfungsi sebagai end-device

tetapi dapat digunakan sebagai pencari jalur komunikasi (router).

Gambar 2.1.: Topologi MANET

Node source dapat mengirimkan pesan ke node destination bila jalur untuk

berkomunikasi tersedia. Ketika node ingin melakukan komunikasi syaratnya

ialah node source harus bisa saling mengenali node destination serta berada

dalam satu radio range dengan source, akan tetapi jika salah satu node berada di

luar jangkauan radio range maka membutuhkan node lain untuk meneruskan

pesan. Namun, ketersediaan jalur komunikasi dari node source ke node

destination sangat sulit untuk ditemui karena setiap node bebas bergerak

sehingga topologi dapat berubah dengan sangat cepat, sehingga dapat

menyebabkan kegagalan komunikasi.


7

Beberapa contoh penerapan MANET antara lain pembangunan pusat-pusat

komunikasi di daerah bencana alam yang mengalami kerusakan prasarana

jaringan komunikasi fisik, sarana koneksi internet pada booth suatu event yang

tidak dimungkinkan untuk membangun jaringan kabel atau ketersediaan

layangan jaringan [1].

2.2. Jaringan Oportunistik

Jaringan Oportunistik adalah sebuah jaringan yang dibuat untuk mengatasi

kelemahan dari MANET. Node tidak terhubung secara terus menerus dengan

node lain. Karena itu, jaringan ini menjadi toleran terhadap delay sehingga

disebut sebagai Delay Tolerant Network atau DTN. Pada jaringan lain, node

dapat memastikan bahwa pesan sampai ke tujuan karena koneksi dari source ke

destination terjamin. Sedangkan pada jaringan OppNet tidak. Hal ini

dikarenakan jalur antara source ke destination yang tidak tersedia atau diluar

jangkauan, pergerakan node dan koneksi jaringan yang bersifat kadang

tersambung dan kadang terputus (intermitten) dimana tidak tersedianya jalur

end-to-end antara source ke destination. Delay pengiriman pesan semakin

bertambah tinggi disaat node bergerak secara aktif dan kontak antar node yang

tidak terjadwal.

Asumsi yang ada pada jaringan OppNet maka jaringan OppNet dapat

diterapkan pada jaringan sebagai berikut [2]:

1. Jaringan Luar Angkasa (Interplanetary Network), konsep jaringan yang

memungkinkan akses internet di luar angkasa.

2. Military Ad-Hoc Network, pasukan militer sering sekali ditempatkan di

daerah terpencil yang tidak berpenghuni dan tidak ada koneksi yang

memadai. Misalkan di perbatasan Indonesia dengan Papua Nugini, atau

di pulau-pulau terluar Indonesia. Konsep DTN dapat digunakan untuk

membangun jaringan komputer dalam keadaan seperti ini.

3. Jaringan Sensor/Akuator, contohnya pada penerapan Wireless Sensor

Network atau WSN.


8

Gambar 2.2.: Metode store-carry-forward di jaringan OppNet

Pada jaringan OppNet, dalam mengirimkan pesan digunakan metode store-

carry-forward dimana saat sebuah paket data atau pesan melewati node

perantara maka paket data atau pesan tersebut akan disimpan terlebih dahulu

sebelum diteruskan menuju destination. Metode ini mengharuskan node

memiliki penyimpan atau storage yang dapat digunakan sebagai tempat

penyimpanan pesan apabila koneksi dengan node berikutnya terputus atau

belum tersedia.

Bundle layer mengimplementasikan mekanisme store-carry-forward

dimana setiap perangkat dapat menyimpan dan membawa pesan dalam memori

serta dapat meneruskan pesan tersebut ke perangkat lain yang terkoneksi [3].

Karena sifatnya yang dapat putus sewaktu-waktu (intermitten connectivity)

maka jaringan OppNet mempunyai nilai latency yang tinggi, sering terjadi

error, data rate yang terbatas dan resources yang terbatas.

Menemukan jalur agar source dapat mengirim pesan sampai ke destination

dengan delay yang cepat dan memberikan unjuk kerja yang optimal, merupakan

tantangan yang ada pada jaringan OppNet.


9

2.3. Estimasi Global Knowledge

Routing protokol harus mengetahui global knowledge untuk mendapatkan

unjuk kerja jaringan yang optimal. Routing dapat bekerja dengan lebih efisien

dalam pemilihan jalur untuk pengiriman pesan sehingga beban pada jaringan

dapat berkurang dan memungkinkan node yang ada di jaringan dapat

menyesuaikan dengan topologi sehingga dapat menemukan jalur terbaik dalam

pengiriman pesan.

Sebenarnya, ada beberapa cara untuk meningkatkan unjuk kerja yang ada

pada jaringan, salah satunya dengan menggunakan replika pesan. Jika replika

pesan semakin besar, maka semakin besar pula pesan dapat sampai ke

destination. Namun, hal ini memerlukan banyak resources, sedangkan setiap

node mempunyai resources yang terbatas.

Pada jaringan OppNet untuk mengetahui global knowledge menjadi

tantangan karena dibutuhkan waktu yang lama dan karakteristik dari jaringan

OppNet yang bersifat dinamis. Beberapa contoh global knowledge antara lain

jumlah node atau total node yang ada di sebuah jaringan, sisa buffer, jumlah

replika pesan atau L copy. Jumlah node atau total node yang ada di sebuah

jaringan sangatlah penting untuk diketahui. Dengan mengetahui total node atau

jumlah node yang ada di jaringan, maka dapat meningkatkan unjuk kerja dan

dapat menggunakan resources secara optimal.

Ada beberapa algoritma yang dapat digunakan untuk menghitung total

node atau jumlah node yang ada di sebuah jaringan, yaitu Gossip Based

Aggregation dan algoritma Mark and Recapture. Setiap algoritma

menggunakan informasi yang didapatkan secara langsung atau local knowledge.

Oleh karena itu untuk melakukan estimasi total node pada penelitian ini akan

digunakan algoritma Taxi Problem yang diterapkan di protokol Routing Spray

and Wait.


10

2.4. Spray and Wait Routing Protokol

Routing Spray and Wait digunakan untuk mengatasi masalah flooding yang

terjadi pada protokol routing Epidemic. Routing Spray and Wait mencoba

untuk mengontrol jumlah copy message (L copy) untuk mengurangi cost yang

ada di konsep flooding pada routing Epidemic. Routing Spray and Wait selalu

mengikuti dua fase pada routing itu sendiri (Binary Spray). Pada binary spray

and wait, baik node source maupun node relay membawa copy pesan n (𝑛 > 1)

dan kemudian bertemu dengan relay node lain yang tidak memiliki copy pesan.

Node yang memiliki copy pesan akan menyalin 𝑛2⁄ ke node relay.

Selanjutnya, ketika node hanya memiliki satu copy pesan maka node akan

masuk ke fase wait dengan menunggu sampai bertemu dengan node destination

dan mentransmisikan pesan secara langsung.

Gambar 2.3.: Strategi Routing Protokol Spray and Wait


11

Routing Spray and Wait terdiri dari dua fase yaitu :

• Fase Spray

Pada fase ini node source menghasilkan L copies yang akan disebarkan

ke relay node. Pesan yang disalin dibatasi untuk meminimalkan

penggunaan resource atau sumber daya jaringan. Proses multi-cast

dilakukan untuk mengirim beberapa salinan atau copy message dari

source ke relay node. Jika destination tidak ditemukan dalam fase ini

maka node akan memasuki tahap ‘wait’ dimana setiap relay node yang

memiliki salinan pesan akan menunggu sampai node destination atau

tujuan ditemukan untuk melakukan transmisi.

• Fase Wait

Jika destination tidak ditemukan dalam fase ‘spray’, maka setiap relay

node yang membawa salinan pesan atau L copy melakukan transmisi

langsung atau mengirimkan pesan ke node destination. Node

diperbolehkan untuk menyampaikan pesan ke node destination

menggunakan direct transmission ketika time-to-live-nya berakhir.

Sebuah node akan meneruskan pesan ke relay yang lain, hingga tersisa

satu pesan saja dan relay node hanya memegang satu copy pesan akan

masuk ke dalam fase ‘wait’.

Pada protokol routing spray and wait untuk menentukan L copy yang

optimal untuk disebarkan di jaringan merupakan hal yang sulit dilakukan, hal

ini karena setiap node hanya mempunyai local knowledge tanpa memperoleh

global knowledge dari jaringan. Oleh karena itu, untuk mengatasi masalah pada

protokol routing spray and wait, pada penelitian ini diterapkan algoritma taxi

problem untuk mendapatkan L copy yang optimal untuk disebarkan dengan

menggunakan 𝑛2⁄ dari jumlah node yang ada di jaringan. Setiap node akan

melakukan estimasi dari jumlah node yang ada di jaringan sebelum

menghasilkan L copy yang akan disebarkan.


12

2.5. Algoritma Taxi Problem

Routing algoritma yang efisien dapat diketahui dengan mengetahui dari

global knowledge-nya. Salah satu global knowledge yang dapat dicari ialah

jumlah dari node yang ada di sebuah jaringan. Berbeda dengan jaringan wired,

pada jaringan wireless node bergerak secara dinamis tanpa mengetahui jalur

untuk menuju ke destination dan ditambah node tidak mengetahui berapa

jumlah total node yang ada di jaringan tersebut.

Gambar 2.4: Ilustrasi Taxi Problem

Algoritma Taxi Problem adalah sebuah pendekatan matematis yang hadir

untuk mengestimasi jumlah total taxi yang ada di kota New York. Cara kerja

dari algoritma taxi problem yaitu dengan seseorang diam dan mengamati

kemudian mencatat nomor ID dari setiap taxi yang ditemui. Syaratnya, nomor

ID pada taxi harus urut (1,2,3. . . 𝑁) serta bersifat unique atau unik karena

menjadi identitas dari taxi tersebut. Dengan hal tersebut, maka total dari taxi

dapat diramalkan dengan melihat nomor ID tertinggi yang sudah tercatat.

Nomor ID akan disimpan sebagai local knowledge.


13

Gagasan yang sama diterapkan di jaringan OppNet dimana setiap node

akan mencatat nomor unique ID dari setiap kali bertemu dengan node lainnya.

Nomor ID atau unique id ini berfungsi sebagai identitas dari node dengan syarat

unique ID harus urut seperti nomor ID dari taxi jadi harus 1,2,3. . . . 𝑁. Setiap

node bertemu dan mencatat unique id, kemudian disimpan sebagai local

knowledge yang digunakan untuk mengestimasi total node yang ada di jaringan.

Pada awalnya rumus estimasi untuk algoritma taxi problem mengacu pada

teorema dari Rao-Blackwell The Uniformly Minimum Variance Unbiased

Estimators (UMVUE) dimana suatu estimator 𝑇(𝑥) dikatakan sebagai estimator

tak bias untuk 𝜃, jika

𝐸[𝑇(𝑥)] = 𝜃

Jika 𝑇1 dan 𝑇2 keduanya adalah estimator tak bias untuk 𝜃, jelas yang

mempunyai variansi lebih kecil akan lebih baik sebagai estimator. Sekarang,

jika {𝑇(𝑥)} mewakili himpunan semua estimator yang tidak bias untuk .

Seharusnya 𝑇0 ∈ {𝑇(𝑥)}, dan jika

𝐸{(𝑇0(𝑥) – 𝜃)2 } ≤ 𝐸{(𝑇(𝑥) − 𝜃)2 }

Untuk semua 𝑇(𝑥) di dalam {𝑇(𝑥)}, maka 𝑇0(𝑥) dikatakan sebagai

UMVUE untuk 𝜃. Meskipun 𝑇(𝑥1, 𝑥2, . . . , 𝑥𝑛) = 𝑚𝑎𝑥 (𝑥1, 𝑥2, . . . , 𝑥𝑛) cukup

untuk N tapi ini bukan sebuah UMVUE. Namun, UMVUE untuk jumlah N

yang ada di jaringan dapat ditulis dengan rumus sebagai berikut :

Rumus 2.5.1. Estimasi jumlah N menggunakan algoritma taxi problem

�̂�𝑛 =[max(𝑥1, 𝑥2, … , 𝑥𝑛)]𝑛+1 − [max(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛) − 1]𝑛+1

[max(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛)]𝑛 − [max(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛) − 1]𝑛

�̂�𝑛 = rata-rata total node yang ada di jaringan.

x = maximum id dari total n

n = total n yang sudah ditemui


14

Contoh : Node i bertemu dengan node 1, 4, 15, 20. Setelah sampai di waktu t,

node i melakukan estimasi dengan rumus 2.5.1.

�̂�4 =204+1− (20−1)4+1

204− (20−1)4 = 24

Hasil estimasi untuk node i untuk 4 node yang sudah ditemui adalah 24 yang

merupakan hasil estimasi terbaik dari jumlah total node yang ada di jaringan.

Kelebihan dari algoritma adalah ide yang sederhana karena node hanya

mengamati kemudian mencatat dari unique id sehingga node dapat

mengestimasi dengan menggunakan rumus 2.5.1. Kekurangan dari algoritma ini

adalah node hanya akan saling bertemu kemudian mencatat nomor ID-nya saja

tanpa ada pertukaran pesan. Sehingga, The Taxi Problem bersifat pasif. Node

hanya dapat melakukan estimasi dengan menggunakan local knowledge yang

dimiliki. Berikut adalah gambaran kegiatan yang dilakukan node ketika

bertemu :

1. Connection-Up : fase saat node saling menyadari bahwa ada node baru

yang berada pada satu radio range kemudian saling mencatat unique id

dari node yang ditemui.

Gambar 2.6.1. Ilustrasi node di Taxi Problem ketika connection-up


15

2. Setelah koneksi terbangun : node tidak akan melakukan apapun karena

tidak ada informasi yang akan ditukar.

Gambar 2.6.2. Ilustrasi node di Taxi Problem ketika koneksi terbangun

3. Setelah waktu koneksi habis : kedua node akan melakukan estimasi

dengan rumus 2.5.1. dengan informasi yang dimiliki.

Gambar 2.6.3. Ilustrasi node di Taxi Problem ketika connection-down


16

Gambar 2.6.4: Ilustrasi Taxi Problem ketika bertukar informasi

pada jaringan OppNet

Taxi Problem passive node hanya bisa melakukan estimasi dengan

menggunakan local knowledge yang dimiliki. Sehingga estimasi yang diperoleh

tentang total jumlah node antara node satu dengan lainnya berbeda dan

convergence time-nya lebih lama. Untuk mengatasi hal ini, maka dilakukan

improvisasi berupa pertukaran informasi atau set yang dimiliki. Sehingga,

diharapkan setiap node mempunyai informasi yang sama tentang jumlah total

node yang ada di jaringan dan memiliki waktu convergence yang lebih cepat.

2.6. The ONE Simulator

The ONE atau yang dikenal dengan Opportunistic Network Environment

merupakan sebuah simulator yang digunakan untuk melakukan simulasi

komunikasi pada jaringan DTN atau lebih dikenal dengan jaringan oportunistik

(OppNet). Pada simulator ONE, ada beberapa keadaan yang bisa diatur sesuai

kebutuhan, antara lain model pergerakan node, protokol routing OppNet yang

digunakan oleh penerima dan pengirim, dan visualisasi pergerakan dan

persebaran pesan secara real time pada tampilan grafis yang disediakan. Pada

simulator ONE juga tersedia fitur pelaporan pesan yang terkirim dan data

statistik secara umum setelah simulasi selesai dijalankan. Simulator ini

menggunakan platform pemrograman bahasa Java.


17

BAB III

METODE PENELITIAN

3.1. Data

Pada penelitian ini digunakan beberapa parameter simulasi yang bersifat

tetap dan digunakan dengan nilai yang sama pada simulasi yang berbeda.

Parameter-parameter berikut adalah :

a. Pergerakan Random

Pada penelitian ini menggunakan pergerakan random waypoint dimana

pada model pergerakan ini tidak memiliki jalur, node berpindah dan bergerak

secara random atau acak sesuai dengan area yang telah ditentukan pada

simulasi. Berikut adalah skenario yang digunakan :

Parameter Pergerakan Random

Waktu Simulasi 172800 detik atau 2 hari

Waktu TTL 1440 menit atau 24 jam

Kecepatan Transmisi 250k atau 2 Mbps

Jarak Transmisi 10 meter

Besar Pesan 10 k

Besar Buffer 10 M

Interval pembuatan pesan 290 detik sampai 310 detik

(kurang lebih 12 pesan/jam)

Pergerakan node 0.5 meter - 1.5 meter

Tabel 3.1.: Parameter Simulasi untuk Pergerakan Random


18

b. Pergerakan Manusia

Pada penelitian ini menggunakan pergerakan manusia yaitu haggle3-

infocome5 dan reality minning by MIT. Berikut adalah beberapa skenario

simulasi yang digunakan, diantara lain adalah :

Parameter Pergerakan Manusia

(Haggle3 - Infocome5)

Pergerakan Manusia

(Reality Mining by MIT)

Waktu Simulasi 274883 detik atau 3,1 hari 16981816 detik atau 196,5

hari atau 6,4 bulan

Waktu TTL 1440 menit atau 24 jam 30240 menit atau 3 minggu

Kecepatan Transmisi 250k atau 2 Mbps 250k atau 2 Mbps

Jarak Transmisi 10 meter 10 meter

Besar Pesan 10 k 10 k

Besar Buffer 10 M 20 M

Interval pembuatan pesan

290 detik sampai 310

detik

(kurang lebih 12

pesan/jam)

290 detik sampai 310 detik

(kurang lebih 12 pesan/jam)

Pergerakan node 0.5 meter - 1.5 meter 0.5 meter - 1.5 meter

Tabel 3.2.: Parameter Simulasi untuk Pergerakan Manusia (Haggle3-

Infocome5 dan Reality Minning by MIT)

3.2. Alat Penelitian

a. Hardware

PC dengan spesifikasi sistem operasi Windows 10 Pro, processor

Pentium(R) Dual-Core CPU E5400 @2.70GHz dengan system type

64-bit RAM sebesar 4,00 GB.


19

b. Software

• Netbeans

Netbeans merupakan salah satu aplikasi yang digunakan untuk

pemrograman. Semula, aplikasi Netbeans diperuntukkan bagi

pengembangan dalam bahasa pemrograman Java. Namun,

kemudian aplikasi ini juga mendukung program-program

pembuatan bahasa lain secara khusus seperti PHP, C/C++ dan

HTML5. Netbeans digunakan untuk menjalankan The ONE

Simulator.

• The ONE Simulator

Penjelasan tentang The ONE Simulator sudah ditulis dalam

landasan teori pada Bab II.

3.3. Pembuatan Alat Uji

1. Studi Pustaka

Studi pustaka dilakukan dengan membaca jurnal yang berkatian

dengan protokol routing simulator MANET, Jaringan Oportunistik,

protokol routing Spray and Wait dan simulator The ONE Simulator.

2. Pengumpulan Bahan Penelitian

Analisis kelas Java, Java Collection dan struktur data yang

dibutuhkan untuk mengimplementasikan estimator The Taxi

Problem pada routing Spray and Wait menggunakan The ONE

Simulator.

3. Implementasi

Implementasi dari kelas Java, Java Collection dan struktur data

yang sudah dianalisis dengan menggunakan bahasa Java.


20

3.4. Langkah-Langkah Pengujian

Skenario diuji dengan melakukan algoritma spray and wait tanpa taxi

problem dan routing spray and wait yang taxi problem dengan skenario yang

tidak saling bertukar informasi dari set node dan taxi problem dengan skenario

yang saling bertukar informasi dari set node yang dipunyai untuk

membandingkan ketepatan dari hasil estimasi dan menggunakan pergerakan

random, haggle3-infocome5 serta reality mining by MIT. Adapula skenarionya

dibagi sebagai berikut :

1. Pergerakan Random

Skenario Jumlah Node Model Pergerakan

1.1. 100 Random Waypoint

Tabel 3.3.1.: Skenario 1.1. : algoritma taxi problem dengan node yang

tidak saling bertukar informasi pada pergerakan random.




saling bertukar informasi pada pergerakan random.



Tabel 3.3.3.: Skenario 1.3. : algoritma spray and wait dengan jumlah node 100

dan skenario ini bergerak pada pergerakan random.

Pergerakan random merupakan pergerakan yang memiliki probabilitas atau

peluang pertemuan antar node yang sama. Pada penelitian ini, jumlah node

yang digunakan adalah 100. Pada pergerakan ini dibagi tiga skenario dimana

algoritma taxi problem yang tidak saling bertukar informasi akan set node yang

dipunyai, algoritma taxi problem node yang saling bertukar informasi akan set

node yang dipunyai dan spray and wait tanpa algoritma taxi problem.


21

2. Pergerakan Manusia (Haggle3-Infocome5)


2.1. 41 Haggle3-Infocome5


tidak saling bertukar informasi pada pergerakan haggle3-infocome5.




saling bertukar informasi pada pergerakan haggle3-infocome5.




dan skenario ini bergerak pada pergerakan haggle-infocome5.

Pada penelitian ini menggunakan pergerakan manusia yaitu haggle3-

infocome5 yang berisi data pertemuan antara partisipan pada konferensi IEEE

Infocome di Miami. Setiap partisipan diberi device (iMotes) yang digunakan

untuk mencatat data pertemuan antar partisipan. Dari 50 partisipan yang dipilih,

device yang menghasilkan data yang valid dan dapat digunakan untuk

melakukan penelitian sebanyak 41 devices. Durasi simulasi pda dataset ini

adalah 274883 atau sekitar 3,18 hari. Di pergerakan ini dibagi tiga skenario

algoritma taxi problem yang tidak saling bertukar informasi akan set node yang

dipunyai, algoritma taxi problem node yang saling bertukar informasi akan set

node yang dipunyai dan spray and wait tanpa algoritma taxi problem.


22

3. Pergerakan Manusia (Reality Minning by MIT)


3.1. 97 Reality Connection Final


tidak saling bertukar informasi pergerakan reality minning by mit.




saling bertukar informasi pada pergerakan reality minning by mit.




dan skenario ini bergerak pada pergerakan reality minning by mit.

Kemudian pada penelitian ini juga digunakan pergerakan manusia yaitu

reality minning by MIT. Dataset ini berisi data pertemuan antar pelajar dari 2

Fakultas di Universitas MIT. Jumlah partisipan yang digunakan dalam simulasi

ini sebanyak 75 pelajar dari fakultas Media Laboratory dan 25 pelajar dari

fakultas Business. Durasi simulasi pada dataset ini sekitar 1 semester akademik.

Dari 100 partisipan, device yang menghasilkan data yang valid dan dapat

digunakan untuk melakukan penelitian sebanyak 97 device. Di pergerakan ini

dibagi tiga skenario algoritma taxi problem yang tidak saling bertukar informasi

akan set node yang dipunyai, algoritma taxi problem node yang saling bertukar

informasi akan set node yang dipunyai dan spray and wait tanpa algoritma taxi

problem.


23

3.5. Cara Analisis Hasil

Setelah melakukan simulasi maka untuk mengetahui performa dari sebuah

protokol routing, dibutuhkan beberapa metrik unjuk kerja jaringan. Dalam

penelitian ini, ada 5 metrik unjuk kerja jaringan yang digunakan. Kelima metrik

unjuk kerja jaringan yang digunakan adalah average convergence time, residu,

delivered probability, overhead ratio, average latency per total contact.

Penjelasan kelima metrik sebagai berikut:

3.5.1. Average Convergence Time

Parameter ini digunakan untuk mengetahui rata-rata dari node yang

mendapatkan informasi yang sama tentang jumlah node yang ada di sebuah

jaringan.

3.5.2. Residu

Parameter ini digunakan untuk mengetahui rata-rata node yang memiliki

hasil counting yang tidak akurat.

3.5.3. Delivery Probability per Total Contact

Parameter ini digunakan untuk mengetahui probabilitas pesan yang berhasil

dikirim ke destination. Rasio antara jumlah pesan yang terkirim ke node

destination dengan jumlah pesan yang dibuat.

Rumus 3.5.1.

𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒

𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒 𝑀𝑒𝑠𝑠𝑎𝑔𝑒

3.5.4. Overhead Ratio

Parameter ini digunakan untuk mengetahui perbandingan antara total L

copy yang ada di sebuah jaringan dengan jumlah pesan yang sampai ke

node destination. Semakin tinggi nilai dari overhead ratio maka unjuk

kerja protokol routing dapat dianggap buruk.

Rumus 3.5.2.

𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠 𝑟𝑒𝑙𝑎𝑦𝑒𝑑 − 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑑𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠

𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑑𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠


24

3.5.5. Average Latency per Total Contact

Average latency atau average delay merupakan metrik unjuk kerja jaringan

yang digunakan untuk mengetahui rata-rata delay (waktu tunda) pesan

yang sampai ke destination sejak pesan dibuat. Semakin tinggi nilai

average latency yang dihasilkan maka unjuk kerja protokol routing dapat

dikatakan semakin buruk.

Rumus 3.5.3.

𝐴𝑣𝑒𝑟𝑎𝑔𝑒 𝐿𝑎𝑡𝑒𝑛𝑐𝑦 = (𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑠𝑎𝑛 𝑡𝑒𝑟𝑘𝑖𝑟𝑖𝑚 − 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑠𝑎𝑛 𝑑𝑖𝑏𝑢𝑎𝑡)

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑠𝑎𝑛 𝑡𝑒𝑟𝑘𝑖𝑟𝑖𝑚

3.6. Desain Alat Uji

Alat uji yang digunakan merupakan implementasi dari protokol Spray and

Wait dengan menggunakan algoritma Taxi Problem di Simulator ONE dengan

bahasa pemrograman Java. Berikut adalah pseudo-code dari algoritma yang

dipakai pada penelitian ini :

i. Perhitungan jumlah node (Tidak Bertukar Informasi)

Pseudo-Code Taxi Problem Passive

Ni bertemu dengan Nj

IF Koneksi Terhubung

Ni memasukan unique id Nj kepenyimpanan lokal

Nj memasukan unique id Ni kepenyimpanan lokal

End If

IF Koneksi terputus

Ni menghitung estimasi

Nj menghitung estimasi

End IF


25

Pada strategi passive atau tidak bertukar informasi, setiap node di

jaringan dapat memperoleh hasil dari estimasi sesuai dengan jumlah node

yang ada di jaringan. Namun, untuk mencapai perhitungan atau

mendapatkan informasi yang sama node memerlukan waktu yang cukup

lama dikarenakan setiap node harus bertemu dengan node yang memiliki

nilai tertinggi di jaringan untuk mendapatkan hasil estimasi yang akurat

atau valid.

ii. Perhitungan jumlah node (Bertukar Informasi)

Pseudo-Code Taxi Problem (Bertukar Informasi)

Ni bertemu dengan Nj

IF Koneksi Terhubung

Ni memasukan unique id Nj kepenyimpanan lokal

Nj memasukan unique id Ni kepenyimpanan lokal

Ni memasukan daftar tetangga yang dimiliki Nj

kepenyimpanan lokal

Nj memasukan daftar tetangga yang dimiliki Ni

kepenyimpanan lokal

End If

IF Koneksi terputus

Ni menghitung estimasi

Nj menghitung estimasi

End IF

Pada strategi node yang bertukar informasi setiap node di jaringan dapat

memperoleh hasil estimasi sesuai dengan jumlah node yang ada di

jaringan. Waktu yang dibutuhkanpun lebih efisien dari node yang tidak

bertukar informasi. Keakuratan dari hasil estimasi taxi problem yang

bertukar informasi atau set juga lebih baik daripada taxi problem yang

tidak bertukar informasi.


26

BAB IV

PENGUJIAN DAN ANALISIS

Untuk mengetahui dan mengevaluasi performa dari algoritma taxi problem,

maka dilakukan pengujian. Pengujian dilakukan dengan menggunakan

rancangan simulasi yang sudah dijabarkan pada Bab III, pada pergerakan

Random, Haggle3-Infocome5 dan Reality Minning by MIT. Data hasil simulasi

diperoleh dari report yang dibangkitkan ketika simulasi berjalan. Setelah

beberapa kali menjalankan simulasi maka didapatkan hasil sebagai berikut:

4.1.1. Hasil Simulasi Metrik Unjuk Kerja Average Convergence Time

dan Residu pada Dataset Random

Gambar 4.4.1.: Grafik Average Convergence Time disetiap interval waktu

pada skenario node tidak bertukar informasi dan bertukar informasi pada

pergerakan random

0

20

40

60

80

100

120

0 50000 100000 150000 200000

Nu

mb

er o

f N

od

es

Time

Average Convergence Time : Random Waypoint

Taxi Problem : Tidak Bertukar Informasi

Taxi Problem : Bertukar InformasiJumlah Node : 100


27

Gambar 4.4.2.: zoom out dari grafik Average Convergence Time disetiap

interval waktu pada skenario node tidak bertukar informasi dan bertukar

informasi pada pergerakan random

Berdasarkan hasil simulasi pada Gambar 4.4.1. dan Gambar 4.4.2.

dengan jumlah node tetap atau statis pada pergerakan random terlihat bahwa

dengan skenario bertukar informasi dan tidak bertukar informasi sama-sama

mendapat nilai average convergence time yang tidak jauh berbeda. Hal ini

dikarenakan untuk pergerakan random, probabilitas setiap node bertemu dengan

node lainnya adalah sama sehingga hal ini meminimalisir node yang tidak

mendapatkan hasil counting atau estimasi dari total node yang ada di jaringan.

Namun untuk skenario dimana node tidak bertukar informasi atau set,

memerlukan waktu yang sedikit lebih lama hingga mendekati interval atau

waktu sekitar ke-90000 sampai 100000 karena tidak bertukar informasi, hasil

dari perhitungan bisa mendapat nilai yang terlampau jauh dari nilai estimasi

yang sesungguhnya.

94

95

96

97

98

99

100

0 50000 100000 150000 200000

Nu

mb

er

of

No

de

s

Time

Average Convergence Time : Random Waypoint

Taxi Problem : Tidak Bertukar Informasi Taxi Problem : Bertukar Informasi


28

Gambar 4.4.3.: Grafik Residu disetiap interval waktu pada skenario

node tidak bertukar informasi dan bertukar informasi pada pergerakan random

Berdasarkan pada Gambar 4.4.3. dengan jumlah node tetap atau statis

dengan pergerakan random terlihat bahwa untuk skenario node bertukar

informasi memiliki nilai residu yang bergerak turun mendekati nilai 0 yang

artinya setiap node mendapatkan informasi yang sama dengan node lain yang

ada di jaringan. Berbeda dengan skenario dimana tidak bertukar informasi,

dapat terlihat pada grafik residu grafiknya bergerak naik turun menunjukkan

bahwa node memiliki pengetahuan yang berbeda dan memerlukan waktu yang

lebih lama untuk mendapat convergence time (ditunjukan pada Gambar 4.4.1.

dan Gambar 4.4.2. saat grafik bergerak naik). Grafik pada skenario dimana

tidak bertukar informasi menunjukan bahwa perolehan hasil estimasinya masih

kurang tepat dikarenakan pada akhir waktu simulasi masih ada 1 node yang

memiliki hasil estimasi atau counting yang tidak akurat.

0

5

10

15

20

25

30

35

40

45

50

0 50000 100000 150000 200000

Nu

mb

er

of

No

de

s

Time

Residu : Random Waypoint

Taxi Problem : Tidak Bertukar Informasi Taxi Problem : Bertukar Informasi


29


dan Residu pada Dataset Haggle3-Infocome5



pergerakan manusia (Haggle3-Infocome5)

Gambar 4.4.5.: zoom out dari grafik Average Convergence Time disetiap


informasi pada pergerakan manusia (Haggle3-Infocome5)

0

5

10

15

20

25

30

35

40

45

0 50000 100000 150000 200000 250000 300000

Nu

mb

er

of

No

de

s

Time

Average Convergence Time : Haggle3-Infocome5


Taxi Problem : Bertukar Informasi

30

32

34

36

38

40

42

0 50000 100000 150000 200000 250000 300000

Nu

mb

er o

f N

od

es

Time

Average Convergence Time : Haggle3-Infocome5



Total Nodes: 41


30


dengan jumlah node tetap atau statis pada pergerakan haggle3-infocome5

terlihat bahwa convergence time dengan skenario bertukar informasi lebih cepat

dibandingkan node yang tidak bertukar informasi. Hal ini terjadi dikarenakan

saat node bertemu dengan node lainnya maka node tersebut akan bertukar

informasi atau dataset yang dimiliki. Selain itu pada pergerakan haggle3-

infocome5, ruang gerak dari node cukup terbatas karena hanya sebatas ruang

konferensi saja. Sehingga probabilitas pertemuan antar node meningkat.

Sedangkan untuk skenario dimana node tidak bertukar informasi memerlukan

waktu yang sedikit lebih lama untuk mendapatkan hasil perhitungan yang sama

dengan node yang lainnya.

Gambar 4.4.6: Grafik Residu disetiap interval waktu pada skenario node

tidak bertukar informasi dan bertukar informasi pada pergerakan manusia

(Haggle3-Infocome5)

0

5

10

15

20

25

30

35

40

45

0 50000 100000 150000 200000 250000 300000

Nu

mb

er o

f N

od

es

Time

Residu : Haggle3-Infocome5




31


dengan pergerakan haggle3-infocome5 terlihat bahwa untuk skenario bertukar

informasi memiliki nilai residu yang bergerak turun mendekati nilai 0 hal

didukung dengan grafik dari average convergen time (ditunjukan pada Gambar

4.4.4. dan Gambar 4.4.5.) bahwa setiap node yang berada di jaringan

mendapatkan informasi yang sama. Sedangkan untuk skenario dimana tidak

bertukar informasi memiliki nilai yang juga bergerak turun namun (yang

ditunjukan oleh Gambar 4.4.5.) pengetahuan akan informasi antar node

berbeda serta memerlukan waktu convergence time yang lebih lama

dibandingkan dengan skenario bertukar informasi. Terlihat, pada skenario ini

masih ada node dengan hasil counting yang kurang tepat hingga akhir waktu

simulasi masih terdapat 2 node yang memiliki hasil estimasi atau counting yang

tidak akurat.


dan Residu pada Dataset Manusia (Reality Minning by MIT)



pergerakan manusia (Reality Minning by MIT)

0

10

20

30

40

50

60

70

80

90

100

0 5000000 10000000 15000000 20000000

Nu

mb

er o

f N

od

es

Time

Average Convergence Time : Reality Minning by MIT



Total Nodes : 97


32

Gambar 4.4.8.: zoom out dari grafik Average Convergen Time disetiap


informasi pada pergerakan manusia (Reality Minning by MIT)


dengan jumlah node tetap atau statis pada pergerakan reality dengan skenario

bertukar informasi terlihat bahwa convergence time yang didapatkan lebih cepat

dibandingkan dengan skenario node yang tidak saling bertukar informasi. Hal

ini dikarenakan ketika node bertemu tidak hanya mencatat unique id, tetapi juga

melakukan pertukaran informasi yang dimiliki sehingga setiap node dapat

memperoleh hasil estimasi yang sama tanpa harus bertemu dengan semua node

di jaringan. Untuk pergerakan reality probabilitas node bertemu dengan node

lainnya tidak sama, sehingga disaat skenario node tidak saling bertukar

informasi maka node mempunyai pengetahuan yang berbeda dengan node

lainnya sehingga ada kemungkinan bahwa node tidak mendapatkan nilai

maksimum yang sebenarnya dan melakukan estimasi dari total node yang ada

di jaringan.

80

82

84

86

88

90

92

94

96

98

100

0 5000000 10000000 15000000 20000000

Nu

mb

er

of

No

de

s

Time

Average Convergence Time : Reality Minning by MIT




33

Gambar 4.4.9.: Grafik Residu disetiap interval waktu pada skenario node

tidak bertukar informasi dan bertukar informasi pada pergerakan manusia

(Reality-MIT)


pada pergerakan reality terlihat bahwa dengan skenario bertukar informasi

memiliki nilai residu yang bergerak turun mendekati nilai 0. Hal didukung

dengan grafik dari average convergen time (ditunjukan pada Gambar 4.4.7.

dan Gambar 4.4.8.) bahwa setiap node yang berada di jaringan mendapatkan

informasi yang hampir sama walaupun ada 1 node yang tidak mendapat nilai

estimasi yang akurat. Sedangkan untuk skenario dimana tidak bertukar

informasi memiliki nilai yang juga bergerak turun namun perhitungannya atau

estimasi dari jumlah node yang ada di jaringan (ditunjukan pada Gambar

4.4.7.) bahwa setiap node memiliki informasi yang berbeda dan memerlukan

convergence time yang lebih lama dibanding skenario bertukar informasi. Hal

ini ditunjukan pada residu, dimana pad skenario ini masih ada node dengan

hasil counting yang kurang tepat hingga akhir waktu simulasi masih terdapat 9

node yang memiliki hasil estimasi atau counting yang tidak akurat.

0

20

40

60

80

100

120

0 5000000 10000000 15000000 20000000

Nu

mb

er o

f N

od

es

Time

Residu : Reality Minning by MIT




34

4.1.4. Hasil Simulasi Metrik Unjuk Kerja Delivery Probability,

Overhead Ratio, dan Latency Average Pada Dataset Random,

Haggle3-Infocome5 dan Reality MIT

Gambar 4.4.10.: Random Waypoint Delivery Probability

Berdasarkan pada Gambar 4.4.10. digunakan pergerakan random dengan

jumlah node 100, oleh karena itu peneliti mengambil ekstrim bawah yaitu

jumlah copy 5 dan ekstrim atas dengan jumlah copy 97 dan taxi problem

bekerja diantara kedua ekstrim. Terlihat bahwa pada algoritma taxi problem

dengan skenario yang tidak bertukar informasi maupun bertukar informasi,

sama-sama mendapat delivery probability yang sama dikarenakan ciri khas dari

dataset random yang setiap nodenya mempunyai probabilitas yang sama untuk

bertemu. Setiap node akan menghasilkan L copy dengan menggunakan 𝑁/2

jumlah node dari hasil estimasi. Spray and wait tanpa taxi problem dengan L

copy yang kecil akan menghasilkan delivery probability yang sedikit sehingga

node relay juga sedikit untuk membantu menyampaikan pesan ke destination.

Begitu juga dengan L copy yang besar maka akan menghasilkan delivery

probability yang besar dan akan lebih banyak node relay yang akan membantu

menyampaikan pesan ke destination.

0,9549

0,9827 0,98270,9879

0,93

0,94

0,95

0,96

0,97

0,98

0,99

1

Delivery Probability : Random Waypoint

Spray and Wait L=5 Taxi Problem : Tidak Bertukar Informasi

Taxi Problem : Bertukar Informasi Spray and Wait L=97

Jumlah Node : 100


35

Gambar 4.4.11.: Haggle3 – Infocome5 Delivery Probability

Pada Gambar 4.4.11. digunakan pergerakan manusia yaitu haggle3-

infocome5 dengan jumlah node 41. Sehingga peneliti mengambil ekstrim

bawah dengan jumlah copy 4 dan ekstrim atas dengan jumlah copy 40. Sama

seperti Gambar 4.4.9. algoritma taxi problem akan bekerja diantara kedua

ekstrim. Terlihat bahwa algoritma taxi problem dapat memberikan jumlah

delivered message yang cukup baik. Jumlah copy diperoleh dari hasil estimasi

setiap node. Setiap node akan menghasilkan L copy dengan menggunakan 𝑁/2







0,7843

0,8126 0,8115

0,8344

0,75

0,76

0,77

0,78

0,79

0,8

0,81

0,82

0,83

0,84

Delivery Probability : Haggle3-Infocome5



Jumlah Node : 41


36

Gambar 4.4.12.: Reality MIT Delivery Probability

Pada Gambar 4.4.12. digunakan pergerakan manusia yaitu reality minning

by mit dimana ada 97 total node yang digunakan. Peneliti mengambil ekstrim

bawah dengan jumlah copy 5 dan ekstrim atas dengan jumlah copy 95.

Sehingga protokol taxi problem akan bekerja diantara kedua ekstrim tersebut.

Terlihat bahwa algoritma taxi problem dapat memberikan jumlah delivered

message yang cukup baik bahkan hampir menyamai hasil dari spray and wait

dengan jumlah L copy 95. Jumlah copy diperoleh dari hasil estimasi setiap

node. Setiap node akan menghasilkan L copy dengan menggunakan 𝑁/2







0,3882

0,5589 0,5596 0,5798

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

Delivery Probability : Reality MIT



Jumlah Node : 97


37

Gambar 4.4.13.: Random Waypoint Overhead Ratio

Terlihat pada Gambar 4.4.13. bahwa taxi problem dengan skenario

bertukar informasi lebih meminimalisir beban di jaringan daripada taxi problem

yang tidak bertukar informasi karena cost atau biayanya lebih kecil. Dalam

catatan untuk kasus di pergerakan random. Terlihat pada spray and wait biasa

memiliki nilai overhead yang cukup tinggi. Overhead pada node yang

menggunakan L copy yang kecil maka juga akan menghasilkan overhead yang

kecil. Sedangkan, Hal ini karena setiap node akan menghasilkan L copy sesuai

dengan hasil estimasi yang diperoleh. Sebelum waktu convergence setiap node

akan mempunyai pengetahuan yang berbeda tentang jumlah node sehingga L

copy yang dihasilkan bervariasi. Ketika node sudah mencapai waktu

convergence maka setiap node akan menghasilkan L copy yang sama antar

node. Hal ini juga bergantung pada hasil estimasi sebelum waktu convergence.

Semakin besar hasil estimasi maka overhead-nya juga akan semakin

meningkat. Jika overhead semakin tinggi maka delivery probability-nya akan

menurun.

4,1887

48,5326 48,4603

95,2842

0

20

40

60

80

100

120

Overhead Ratio : Random Waypoint



Jumlah Node : 100


38

Gambar 4.4.14.: Haggle3-Infocome5 Overhead Ratio

Pada Gambar 4.4.14. terlihat bahwa taxi problem yang tidak bertukar

informasi lebih meminimalisir beban di jaringan daripada taxi problem yang

bertukar informasi. Sedangkan pada spray and wait biasa memiliki nilai

overhead yang tinggi dibandingkan spray and wait yang menggunakan taxi

problem. Overhead pada node yang menggunakan L copy yang kecil maka juga

akan menghasilkan overhead yang kecil. Sedangkan, Hal ini karena setiap node

akan menghasilkan L copy sesuai dengan hasil estimasi yang diperoleh.

Sebelum waktu convergen setiap node akan mempunyai pengetahuan yang

berbeda tentang jumlah node sehingga L copy yang dihasilkan bervariasi.

Ketika node sudah mencapai waktu convergence maka setiap node akan

menghasilkan L copy yang sama antar node. Hal ini juga bergantung pada hasil

estimasi sebelum waktu convergence. Semakin besar hasil estimasi maka

overhead-nya juga akan semakin meningkat. Jika overhead semakin tinggi

maka delivery probability-nya akan menurun.

4,2597

20,2292 20,302

36,9086

0

5

10

15

20

25

30

35

40

Overhead Ratio : Haggle3-Infocome5



Jumlah Node : 41


39

Gambar 4.4.15.: Reality Minning by MIT Overhead Ratio

Pada Gambar 4.4.15. terlihat bahwa taxi problem yang tidak bertukar

informasi lebih meminimalisir beban di jaringan daripada taxi problem yang

bertukar informasi. Sedangkan pada spray and wait biasa memiliki nilai

overhead yang tinggi dibandingkan spray and wait yang menggunakan taxi

problem. Overhead pada node yang menggunakan L copy yang kecil maka juga

akan menghasilkan overhead yang kecil. Sedangkan, Hal ini karena setiap node

akan menghasilkan L copy sesuai dengan hasil estimasi yang diperoleh.

Sebelum waktu convergence setiap node akan mempunyai pengetahuan yang

berbeda tentang jumlah node sehingga L copy yang dihasilkan bervariasi.

Ketika node sudah mencapai waktu convergence maka setiap node akan

menghasilkan L copy yang sama antar node. Hal ini juga bergantung pada hasil

estimasi sebelum waktu convergence. Semakin besar hasil estimasi maka

overhead-nya juga akan semakin meningkat. Jika overhead semakin tinggi

maka delivery probability-nya akan menurun.

10,4855

61,2652 61,1519

103,595

0

20

40

60

80

100

120

Overhead Ratio : Reality MIT



Jumlah Node : 97


40

Gambar 4.4.16.: Random Waypoint Latency Average

Pada Gambar 4.4.16. terlihat bahwa latency average yang dimiliki oleh

spray and wait dengan jumlah L copy=5 cukup tinggi dibandingkan dengan

taxi problem yang tidak bertukar informasi, taxi problem yang bertukar

informasi dan spray and wait dengan jumlah L copy=97. Sehingga bisa

dikatakan bahwa performa dari spray and wait dengan jumlah L copy=5 lebih

buruk dibandingkan performa dari taxi problem yang tidak bertukar informasi,

taxi problem yang bertukar informasi dan spray and wait dengan jumlah L

copy=97. Hal ini dikarenakan semakin banyak jumlah L copy semakin cepat

pesan sampai ke destination.

6679,5463

2044,7443 2044,7407 1877,4368

0

1000

2000

3000

4000

5000

6000

7000

8000

Latency Average : Random Waypoint


Taxi Problem : Bertukar Informasi SAW L=97

Jumlah Node : 100


41

Gambar 4.4.17.: Haggle3-Infocome5 Latency Average









pesan sampai ke destination.

24611,5583

22979,4611 22934,7611

22621,5901

21500

22000

22500

23000

23500

24000

24500

25000

Latency Average : Haggle3-Infocome5



Jumlah Node : 41


42

Gambar 4.4.18.: Reality Minning by MIT Latency Average









pesan sampai ke destination. Pada pergerakan manusia cenderung berkelompok

sehingga semakin besar L copy yang ada di jaringan maka akan semakin

banyak relay node yang akan meneruskan pesan. Dengan kata lain, jika nilai

dari latency average semakin tinggi maka delivery probability-nya akan turun.

571453,1302

489509,158 490449,57480580,847

420000

440000

460000

480000

500000

520000

540000

560000

580000

Latency Average : Reality MIT



Jumlah Node : 97


43

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Setelah dilakukan analisis dari beberapa kali pengujian simulasi dapat

diambil kesimpulan bahwa algoritma Taxi Problem dapat melakukan estimasi

sesuai dengan jumlah node di jaringan dengan waktu convergence yang cukup

cepat. Hal ini dipengaruhi oleh proses pertukaran informasi tentang daftar

tetangga yang dimiliki tiap node. Namun pada kasus node yang tidak bertukar

informasi, taxi problem memberikan hasil yang cukup bagus walau

memerlukan waktu yang lebih lama dibandingkan dengan node yang bertukar

informasi. Pada dataset Reality hasil estimasi memiliki beberapa node yang

gagal mengestimasi dikarenakan pada pergerakan manusia cenderung

membentuk kelompok, sehingga banyak dari node yang tidak pernah ditemui

secara langsung. Kemudian ketika informasi tentang node tidak pernah

diperbaharui maka node tidak mendapatkan nilai maksimum dari jumlah node

yang ada di jaringan maka tidak akan mendapat hasil estimasi yang akurat.

Penerapan taxi problem di protokol routing spray and wait bisa terlihat dari

hasil simulasi bahwa dengan mengetahui jumlah node yang ada di jaringan

dapat membantu meningkatkan unjuk kerja dari jaringan karena L copy tidak

perlu dibuat pada awal simulasi tetapi cukup menggunakan 𝑁/2 jumlah node.

Setiap node dapat menghasilkan L copy sesuai dengan informasi yang dimiliki.

Hasil dari simulasi yang telah diuji menunjukan hasil yang cukup bagus namun

belum sempurna. Hal ini ditunjukan dari metrik unjuk kerja yang sudah

dituangkan dalam grafik yang tersedia.

5.2. Saran

Pada penelitian selanjutnya algoritma taxi problem untuk mengestimasi

jumlah node yang dinamis.


44

DAFTAR PUSTAKA

[1] Keranen, J. Ott, T. Karkkainen, “The ONE Simulator for DTN Protocol

Evaluation”, SIMUTools 2009, Rome, Italy, 2009.

[2] K. Fall. “A Delay-Tolerant Network Architecture for Challenged Internet”. In

ACM SIGCOMM, Karlsruhe, Germany, August 2003.

[3] Puri, P., Singh, M.P. (2013) “A Survey Paper on Routing in Delay-tolerant

Networks”, International Conference on Information Systems and Computer

Networks, pp. 215-220.


45

LAMPIRAN

/*

* To change this license header, choose License Headers in Project Properties.

* To change this template file, choose Tools | Templates

* and open the template in the editor.

*/

package routing.sprayandwait;

import core.Connection;

import core.DTNHost;

import core.Message;

import core.Settings;

import java.util.HashSet;

import java.util.Iterator;

import java.util.Set;

import report.Report;

import routing.DecisionEngineRouter;

import routing.MessageRouter;

import routing.RoutingDecisionEngine;

/**

*

* @author Katarine Layung Indra Aprilia | 155314013

*/


46

public class SprayAndWaitRouterWithTaxiProblem extends Report implements

RoutingDecisionEngine, CountingTaxiProblem{

public static final String NROF_COPIES = "nrofCopies";

public static final String BINARY_MODE = "binaryMode";

public static final String SPRAYANDWAIT_NS =

"SprayAndWaitRouterWithTaxiProblem";

public static final String MSG_COUNT_PROPERTY = "."

+ "copies";

protected int initialNrofCopies;

protected boolean isBinary;

private int totalEstimationOfTheNode;

protected Set<DTNHost> theCollections;

public SprayAndWaitRouterWithTaxiProblem(Settings s) {

if (s.contains(BINARY_MODE)) {

isBinary = s.getBoolean(BINARY_MODE);

} else {

isBinary = false; // default value

}

if (s.contains(NROF_COPIES)) {

initialNrofCopies = s.getInt(NROF_COPIES);

} }

public SprayAndWaitRouterWithTaxiProblem(SprayAndWaitRouterWithTaxiProblem

proto) {

this.initialNrofCopies = proto.initialNrofCopies;

this.isBinary = proto.isBinary;

this.theCollections = new HashSet<>();

}


47

@Override

public void connectionUp(DTNHost thisHost, DTNHost peer) {

}

@Override

public void connectionDown(DTNHost thisHost, DTNHost peer) {

SprayAndWaitRouterWithTaxiProblem partner = getOtherDecisionEngine(peer);

if (thisHost.isRadioActive() == true && peer.isRadioActive() == true) {

this.totalEstimationOfTheNode = this.CountTotalEstimationOfTheNode();

System.out.println("" + this.totalEstimationOfTheNode);

}

}

@Override

public void doExchangeForNewConnection(Connection con, DTNHost peer) {

DTNHost thisHost = con.getOtherNode(peer);

SprayAndWaitRouterWithTaxiProblem partner = getOtherDecisionEngine(peer);

if (thisHost.isRadioActive() == true && peer.isRadioActive() == true) {

this.theCollections.add(peer);

partner.theCollections.add(thisHost);

this.theCollections.addAll(partner.theCollections);

partner.theCollections.addAll(this.theCollections);

}

}


48

@Override

public boolean newMessage(Message m

) {

initialNrofCopies = this.totalEstimationOfTheNode / 2;

m.addProperty(MSG_COUNT_PROPERTY, initialNrofCopies);

return false;

}

@Override

public boolean isFinalDest(Message m, DTNHost aHost

) {

return m.getTo() == aHost;

}

@Override

public boolean shouldSaveReceivedMessage(Message m, DTNHost thisHost) {

Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROPERTY);

if (isBinary) {

nrofCopies = (int) Math.ceil(nrofCopies / 2.0);

} else {

nrofCopies = 1;

}

m.updateProperty(MSG_COUNT_PROPERTY, nrofCopies);

return m.getTo() != thisHost;

}


49

@Override

public boolean shouldSendMessageToHost(Message m, DTNHost otherHost) {

if (m.getTo() == otherHost) {

return true;

}


if (nrofCopies > 1) {

return true;

}

return false;

}

@Override

public boolean shouldDeleteSentMessage(Message m, DTNHost otherHost) {

if (m.getTo() == otherHost) {

return false;

}


if (isBinary) {

nrofCopies /= 2;

} else {

nrofCopies--;

}

m.updateProperty(MSG_COUNT_PROPERTY, nrofCopies);

return false;

}


50

@Override

public boolean shouldDeleteOldMessage(Message m, DTNHost hostReportingOld

) {

return m.getTo() == hostReportingOld;

}

@Override

public RoutingDecisionEngine replicate() {

return new SprayAndWaitRouterWithTaxiProblem(this);

}

private SprayAndWaitRouterWithTaxiProblem getOtherDecisionEngine(DTNHost h) {

MessageRouter otherRouter = h.getRouter();

assert otherRouter instanceof DecisionEngineRouter : "This router only works "

+ "with other routers of same type";

return (SprayAndWaitRouterWithTaxiProblem) ((DecisionEngineRouter)

otherRouter).getDecisionEngine();

}

private int CountTotalEstimationOfTheNode() {

int tracehold = Integer.MIN_VALUE;

for (Iterator<DTNHost> iterator = theCollections.iterator(); iterator.hasNext();) {

DTNHost next = iterator.next();

if (next.getAddress() > tracehold) {

tracehold = next.getAddress();

} }

double atas = Math.pow(tracehold, (theCollections.size() + 1)) - Math.pow((tracehold -

1), (theCollections.size() + 1));


51

double bawah = Math.pow(tracehold, theCollections.size()) - Math.pow((tracehold - 1),

theCollections.size());

return (int) (Math.floor(atas / bawah)); }

@Override

public int getCountTotalEstimationOfTheNode() {

return this.totalEstimationOfTheNode; }

private int getTotalEstimationOfTheNode() {

return totalEstimationOfTheNode; }

private void setTotalEstimationOfTheNode(int totalEstimationOfTheNode) {

this.totalEstimationOfTheNode = totalEstimationOfTheNode;

}

}


Documents

ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK …repository.usd.ac.id/35151/2/155314013_full.pdfdisebutkan dalam kutipan daftar pustaka, sebagaimana layaknya karya ilmiah. Yogyakarta,