ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK …repository.usd.ac.id/35142/2/155314083_full.pdf ·...
Transcript of ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK …repository.usd.ac.id/35142/2/155314083_full.pdf ·...
ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK
MENGGUNAKAN ALGORITMA TAXI PROBLEM
(KASUS : JUMLAH NODE DINAMIS)
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana
Komputer Program Studi Teknik Informatika
Disusun Oleh :
KALORINDA
155314083
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 NODES WITH TAXI PROBLEM
ALGORITHM IN OPPORTUNISTIC NETWORK
(CASE : TOTAL DYNAMIC NODES)
A THESIS
Presented as Partial Fulfillment of Requirements to Obtain Sarjana
Komputer Degree in Informatics Engineering Department
By :
KALORINDA
155314083
INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN
SKRIPSI
ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK
MENGGUNAKAN ALGORITMA TAXI PROBLEM
(KASUS : JUMLAH NODE DINAMIS)
Oleh :
Kalorinda
(155314083)
Telah Disetujui Oleh :
Dosen Pembimbing,
Bambang Soelistijanto, Ph.D. Tanggal,........................2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
SKRIPSI
ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK
MENGGUNAKAN ALGORITMA TAXI PROBLEM
(KASUS : JUMLAH NODE DINAMIS)
Dipersiapkan dan ditulis oleh :
Kalorinda
(155314083)
Telah dipertahankan di depan panitian 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.Sc., Ph.D.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
MOTTO
“ Bertahanlah, bertahan saja maka kamu akan
melihat ujungnya “
- Kalorinda
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PERNYATAAN LEMBAR KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa di dalam 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, 26 Juli 2019
Penulis
Kalorinda
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertada tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Kalorinda
Nim : 155314083
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah yang berjudul:
ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK
MENGGUNAKAN ALGORITMA TAXI PROBLEM
(KASUS : JUMLAH NODE DINAMIS)
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,
mengalihkan dalam bentuk media lain, mengelohnya 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, 26 Juli 2019
Kalorinda
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Global Knowledge pada jaringan oportunistik merupakan hal penting untuk
dimiliki setiap node. Pada jaringan oportunistik setiap node bergerak dengan bebas
sehingga delay pengiriman pesan menjadi tinggi. Strategi routing dengan flooding
pada protokol routing epidemic dapat memberikan delay yang rendah, akan tetapi
membuat overhead dijaringan tinggi. Untuk mengatasi masalah flooding maka
dibuatlah protokol routing spray and wait. Spray and wait bekerja dengan
membatasi jumlah L copy secara manual. Namun hal ini, kurang efektif dan efisien
karena semua node tidak memiliki global knowledge dari jaringan. Jumlah node
(global knowledge) yang ada dijaringan sangat penting untuk dimiliki semua node,
hal ini dapat membantu setiap node untuk membuat L copy yang optimal dengan
menggunakan hasil estimasi dari jumlah node yang ada dijaringan. Tantangannya
adalah bagaimana mengetahui jumlah node yang ada dijaringan dengan
menggunakan informasi yang dimiliki setiap node. Oleh sebab itu, kami
mengusulkan algoritma yang dapat melakukan estimasi jumlah node dijaringan.
Taxi Problem adalah salah satu algoritma yang dapat digunakan untuk melakukan
estimasi jumlah node. Algoritma ini memiliki strategi bertukar informasi sehingga
setiap node dapat memperoleh informasi yang sama tentang jumlah node di
jaringan.
Pada penelitian ini, kami menganalisis dan mengevaluasi algoritma taxi
problem menggunakan metrik unjuk kerja average convergence time dan untuk
protokol routing spray and wait menggunakan metrik unjuk kerja delivery
probability, overhead ratio, dan average latency. Dari penelitian hasil estimasi
algoritma taxi problem dapat diterapkan pada protokol routing spray and wait dan
dapat memberikan unjuk kerja yang cukup optimal.
Kata Kunci : Algoritma Taxi Problem
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Global Knowledge of opportunistic networks is important to have each node. On
the opportunistic network, each node moves freely so the delay in sending the
message to high. Routing strategies with flooding in the epidemic routing protocol
can provide a low delay, but make the overhead in high networks. To solve the
problem flooding then make the routing protocol spray and wait. Spray and wait for
work by limiting the number of L copies manually. This, however, is less effective
and efficient because all nodes do not have global knowledge of the network. The
number of nodes (global knowledge) on the network is very important to have all
nodes, it can help each node to create an optimal L copy by using the estimated
result of the number of existing nodes networked. The challenge is how to know
the number of existing nodes in the network using the information owned by each
node. Therefore, we propose algorithms that can estimate the number of nodes in
the network. Taxi Problem is one algorithm that can be used to estimate the number
of nodes. This algorithm has an information exchanging strategy so that each node
can obtain the same information about the number of nodes in the network.
In this study, we analyzed and evaluated the taxi problem algorithms using
the average convergence time performance metric, while for the spray and wait for
routing protocol using the delivery metric probability, overhead ratio, and average
latency. From the research result of the taxi algorithm problem can be applied to
the routing protocol spray and wait and can provide optimal performance.
Keywords : Taxi Problem Algorithm
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, oleh
karena rahmatnya yang melimpah penulis dapat menyelesaikan tugas akhir dengan
tepat waktu. 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
sebesar-besarnya kepada:
1. Tuhan Yesus Kristus, karena atas anugerah dan kemurahan-NYA penulis
dapat menyelesaikan tugas akhir.
2. Keluarga tercinta, Bapak Johai dan Ibu Nerai serta saudara-saudara saya
terkhusus kakak saya Rudok yang selalu mendukung saya selama
perkuliahan.
3. Kepada orang tua angkat saya Bapak Alius Ngeban dan Ibu Rusina dan kk
Amie yang selalu mendukung saya selama perkuliahan.
4. Bapak Bambang Soelistijanto, S.T., M.Sc., Ph.D. selaku dosen pembimbing
tugas akhir yang telah membimbing, memberi ilmu, serta pengelaman
dalam menyelesaikan tugas akhir.
5. Seluruh teman-teman konsentrasi Jaringan Komputer angkatan 2015 yang
selalu mengingatkan dan membantu saya dalam mengerjakan tugas akhir .
6. Seluruh teman-teman Teknik Informatika angkatan 2015 yang selalu
memberikan semangat dan dorongan untuk menyelesaikan tugas akhir.
7. Kepada Family Squad yaitu Trinanda Monica Silalahi, Yein Viwandi,
Clinton Lumban Gaol, Bondan, Natanael Simamora, dan Arnold Audri yang
sudah memberi saya semangat untuk terus menyelesaikan tugas akhir serta
menjadi saudara saya selama di Yogyakarta dan hidup ini.
8. Kepada Preman Squad yaitu Kintan Mayang Sari, Alberto Siregar, dan
Trinanda Monica Silalahi yang sudah banyak membantu dan mengingatkan
saya untuk terus semangat dalam menyelesaikan tugas akhir dan sudah
menjadi saudara dalam suka dan duka.
9. Serta Seluruh pihak lain yang sudah memberikan dukungan baik secara
langsung maupun tidak langsung.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
Saya selaku penulis menyadari bahwa tulisan ini belumlah sempurna, maka
kritik dan saran sangat kami harapkan demi menyempurnakan tulisan ini. Akhir
kata penulis ucapkan terimakasih semoga tulisan ini bermanfaat bagi semua pihak.
Penulis
Kalorinda
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL ............................................................................................ i
HALAMAN PERSETUJUAN SKRIPSI ............................................................. iii
HALAMAN PENGESAHAN SKRIPSI .............................................................. iv
MOTTO............................................................................................................... v
PERNYATAAN LEMBAR KEASLIAN KARYA ............................................. vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ............................ vii
ABSTRAK ....................................................................................................... viii
ABSTRACT ....................................................................................................... ix
KATA PENGANTAR ......................................................................................... x
DAFTAR ISI ..................................................................................................... xii
DAFTAR GAMBAR ........................................................................................ xiv
DAFTAR TABEL ............................................................................................. xv
DAFTAR RUMUS .......................................................................................... xvii
BAB I PENDAHULUAN ............................................................................................ 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Rumusan Masalah ...................................................................................... 2
1.3 Tujuan Penelitian ........................................................................................ 2
1.4 Manfaat Penelitian ...................................................................................... 2
1.5 Batasan Masalah ......................................................................................... 2
1.6 Metodologi Penelitian ................................................................................. 3
1.7 Sistematika Penulisan ................................................................................. 3
BAB II LANDASAN TEORI
2.1 Jaringan Oportunistik ................................................................................. 5
2.2 Estimasi Global Knowledge ....................................................................... 6
2.3 Protokol Routing Spray and Wait ............................................................... 7
2.4 Algoritma Taxi Problem ............................................................................. 8
BAB III PERANCANGAN SIMULASI ............................................................ 13
3.1 Parameter Simulasi ................................................................................... 13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
3.2 Skenario Simulasi ..................................................................................... 13
3.3 Metrik Unjuk Kerja .................................................................................. 14
3.4 Desain Alat Uji ......................................................................................... 16
3.5 The One Simulator .................................................................................... 16
BAB IV PENGUJIAN DAN ANALISIS ........................................................... 18
4.1 Haggle 3 Infocom 5 ................................................................................... 19
4.1.1 Hasi Simulasi Metrik Unjuk Kerja Average Convergence Time Pada
Dataset Haggle 3 Infocom 5.................................................................... 19
4.1.2 Hasi Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead
Ratio, dan Latency Average Pada Dataset Haggle 3 Infocom 5 ............... 24
4.2 Reality MIT .............................................................................................. 26
4.2.1 Hasi Simulasi Metrik Unjuk Kerja Average Convergence Time Pada
Dataset Reality MIT ................................................................................ 26
4.2.2 Hasi Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead
Ratio, dan Latency Average Pada Dataset Haggle 3 Infocom 5 ............... 31
BAB V KESIMPULAN DAN SARAN.............................................................. 34
5.1 Kesimpulan .............................................................................................. 34
5.2 Saran ........................................................................................................ 35
DAFTAR PUSTAKA ........................................................................................ 36
LAMPIRAN ...................................................................................................... 37
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR TABEL
Tabel 3.1.1 Parameter Utama Simulasi ............................................................... 13
Tabel 3.2.1 Skenario Haggle 3-Infocom 5 dan Reality MIT untuk semua node
hidup ................................................................................................................. 13
Tabel 3.2.2 Skenario Haggle 3-Infocom 5 untuk jumlah node berubah dinamis
sebelum waktu convergence ............................................................................... 13
Tabel 3.2.3 Skenario Haggle 3-Infocom 5 jumlah node berubah dinamis sesudah
waktu convergence ............................................................................................ 14
Tabel 3.2.4 Skenario Haggle 3-Infocom 5 node mati kemudian hidup kembali
sebelum convergence ......................................................................................... 14
Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sebelum waktu
convergence ....................................................................................................... 14
Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sesudah waktu
convergence ....................................................................................................... 14
Tabel 3.2.6 Skenario Reality MIT node mati kemudian hidup kembali sebelum
waktu convergence ............................................................................................ 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 2.1.1 Mekanisme Store-Carry-Forward pada jaringan OppNet ............... 5
Gambar 2.3.1 Strategi Protokol Routing Spray and Wait ...................................... 8
Gambar 2.4.1 Ilustrasi Taxi Problem (Seorang Pengamat).................................... 9
Gambar 2.4.2 Ilustrasi Taxi Problem Pasif ......................................................... 11
Gambar 2.4.3 .................................................................................................... 11
Gambar 2.4.4 .................................................................................................... 12
Gambar 2.4.5 .................................................................................................... 12
Gambar 2.4.6 .................................................................................................... 12
Gambar 4.1.1.1 Grafik average convergence time untuk dataset Haggle 3 Infocom
5 (Skenario semua node hidup) .......................................................................... 19
Gambar 4.1.1.2 Grafik average convergence time dataset Haggle 3 Infocom 5
beberapa node mati sebelum waktu convergence ................................................ 20
Gambar 4.1.1.3 Grafik average convergence time beberapa node mati sebelum
waktu convergence dataset Haggle 3 Infocom menggunakan interval ................. 20
Gambar 4.1.1.4 Grafik average convergence time dataset Haggle 3 Infocom 5
beberapa node mati sesudah waktu convergence ................................................ 21
Gambar 4.1.1.5 Grafik average convergence time beberapa node mati sesudah
waktu convergence dataset Haggle 3 Infocom 5 menggunakan interval .............. 21
Gambar 4.1.1.6 Grafik average convergence time dataset Haggle 3 Infocom 5
beberapa node mati kemudian hidup sebelum waktu convergence) .................... 22
Gambar 4.1.1.7 Grafik average convergence time beberapa node mati kemudian
hidup sebelum waktu convergence dataset Haggle 3 Infocom 5 menggunakan
interval .............................................................................................................. 23
Gambar 4.1.2.1 Grafik delivery probability dataset Haggle 3 Infocom 5 ............. 24
Gambar 4.1.2.2 Grafik overhead ratio dataset Haggle 3 Infocom 5 .................... 25
Gambar 4.1.2.3 Grafik latency average dataset Haggle 3 Infocom 5 ................... 25
Gambar 4.2.1.1 Grafik convergence time untuk dataset Reality MIT................... 26
Gambar 4.2.1.2 Grafik convergence time dataset Reality MIT beberapa node mati
sebelum waktu convergence ............................................................................... 27
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 4.2.1.3 Grafik average convergence time beberapa node mati sebelum
waktu convergence dataset Reality MIT menggunakan interval .......................... 27
Gambar 4.2.1.4 Grafik average convergence time dataset Reality MIT beberapa
node mati sesudah waktu convergence ............................................................... 28
Gambar 4.2.1.5 Grafik average convergence time beberapa node mati sesudah
waktu convergence dataset Reality MIT menggunakan interval .......................... 28
Gambar 4.2.1.6 Grafik average convergence time dataset Reality MIT beberapa
node mati kemudian hidup sebelum waktu convergence..................................... 29
Gambar 4.2.1.7 Grafik average convergence time beberapa node mati kemudian
hidup sebelum waktu convergence dataset Reality MIT menggunakan interval... 30
Gambar 4.2.2.1 Grafik delivery probability dataset Reality MIT ......................... 31
Gambar 4.2.2.2 Grafik overhead ratio dataset Reality MIT ................................ 31
Gambar 4.2.2.3 Grafik latency average dataset Reality MIT ............................... 32
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
DAFTAR RUMUS
Rumus 2.3.1 ...................................................................................................... 10
Rumus 3.3.1 ...................................................................................................... 15
Rumus 3.3.2 ...................................................................................................... 15
Rumus 3.3.3 ...................................................................................................... 15
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Delay Tolerant Network (DTN) atau lebih dikenal dengan jaringan
Oportunistik adalah kelas turunan dari MANET. Pada jaringan oportunistik
setiap node dapat melakukan pencarian jalur dari node source ke destiantion
tanpa adanya end-to-end path atau topologi yang terbentuk, serta dapat
mentolerir adanya delay selama pengiriman pesan karena node yang terus
menerus bergerak. Protokol routing epidemic adalah salah satu protokol
routing ada di jaringan oportunistik yang menggunakan strategi flooding,
strategi routing ini dapat mengurangi delay pengiriman pesan namun
meningkatkan overhead dijaringan. Protokol routing spray and wait adalah
salah satu protokol routing yang dibuat untuk mengatasi masalah flooding
pada epidemic. Pada spray and wait jumlah L copy dibuat secara manual.
Namun untuk menentukan L copy yang optimal merupakan hal yang sulit
karena setiap node tidak memiliki pengetahuan tentang global knowledge
khususnya jumlah node dijaringan. Selain L copy, jumlah node pada
jaringan dapat berubah dinamis juga merupakan tantangan karena setiap
node memiliki power (baterai) yang terbatas. Oleh sebab itu, untuk
mengetahui global knowledge khususnya jumlah node yang ada dijaringan
dibutuhkan algoritma yang dapat melakukan estimasi jumlah node.
Algoritma taxi problem awalnya digunakan untuk memperkirakan jumlah
taxi yang ada dikota New York dengan mengamati nomor pada taxi.
Gagasan yang sama diterapkan di jaringan oportunistik algoritma ini
digunakan untuk melakukan estimasi global knowledge khususnya jumlah
node yang ada dijaringan .
Pada penelitian ini, akan digunakan algoritma untuk melakukan
estimasi jumlah node dinamis dijaringan. Dari hasil pengujian akan diambil
kesimpulan untuk menggunakan metode yang dapat memperkirakan jumlah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
node dijaringan, sehingga setiap node dapat memperoleh L copy yang
optimal dengan informasi jumlah node yang dimiliki .
1.2. Rumusan Masalah
Berdasarkan latar belakang, rumusan masalah yang ditemukan
adalah untuk mengetahui seberapa efektif algoritma taxi problem dalam
memperkirakan jumlah node dinamis.
1.3. Tujuan Penelitian
Tujuan penelitian ini adalah mengetahui unjuk kerja algoritma taxi
problem ketika diterapkan dengan protokol routing spray and wait dengan
menggunakan metrik unjuk kerja average convergence time, delivered
probability, Overhead ratio, dan latency average.
1.4. Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat digunakan sebagai bahan
pertimbangan dalam mengembakan protokol routing untuk memperkirakan
global knowledge khususnya jumlah node dinamis yang ada dijaringan yang
dapat membantu node untuk memperoleh L copy yang optimal berdasarkan
pengetahuan yang dimiliki.
1.5. Batasan Masalah
Batasan masalah pada penelitian ini adalah sebagai berikut :
1. Protokol routing spray and wait digunakan sebagai landasan
untuk penelitian
2. Algoritma taxi problem di terapkan pada protokol routing spray
and wait dengan kondisi jumlah node yang berubah dinamis
3. Metrik unjuk kerja yang digunakan menilai unjuk kerja protokol
routing spray and wait adalah delivery probability, overhead
ratio, latency average.
4. Metrik unjuk kerja yang digunakan untuk menilai unjuk kerja
algoritma taxi problem adalah average convergence time.
5. Menggunakan The One Simulator.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.6. Metodologi Penelitian
Metode yang dilakukan didalam penelitian ini meliputi :
1. Studi Literatur
Mencari dan mengumpulkan referensi dan menerapkan teori untuk
mendukung tugas akhir antara lain : Teori jaringan oportunistik,
teori algoritma taxi problem, teori protokol routing spray and wait
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 algoritma taxi
problem pada protocol routing 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.
1.7. Sistematika Penulisan
BAB 1 PENDAHULUAN
Bab ini berisi tentang latar belakang masalah, Rumusan
masalah, Tujuan penelitian, Batasan masalah, Metodologi
penelitian, dan Sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini berisi penjelasan teori yang dibutuhkan sebagai
acuan dalam proses melakukan penelitian tugas akhir.
BAB III PERANCANGAN SIMULASI
Bab ini berisi tentang perencanaan skenario simulasi yang
akan dikerjakan dalam tugas akhir ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
BAB IV PENGUJIAN DAN ANALISIS
Bab ini berisi pelaksanaan simulasi dan analisis data hasil
simulasi.
BAB V KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan yang didapat dari hasil
analisis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
LANDASAN TEORI
2.1. Jaringan Oportunistik
Delay Tolerant Network atau lebih dikenal dengan Jaringan
Oportunistik atau OppNet merupakan turunan khusus dari MANET dan
dibuat untuk mengatasi kekurangan dari MANET. Pada Mobile Ad-Hoc
Network (MANET) node dapat bergerak dengan bebas. Untuk dapat
berkomunikasi harus terdapat jalur dari node source ke destination. Namun
pada MANET sering mengalami kegagalan pengiriman pesan karena node
yang bergerak terus menerus menyebabkan topologi berubah.
Pada jaringan oportunistik memiliki beberapa keunggulan tidak
membutuhkan infrastruktur dan juga dimungkinkan adanya komunikasi
tanpa adanya jalur end-to-end path. Komunikasi ini juga dapat mentolerir
adanya delay selama pengiriman pesan karena node yang terus menerus
bergerak. Tantangan dari oportunistik adalah bagaimana menemukan jalur
agar node source bisa mengirim pesan sampai ke destination dengan delay
yang cepat dan dapat memberikan unjuk kerja yang optimal. Dijaringan
oportunistik terdapat metode komunikasi store-carry-forward. Sebuah node
dijaringan oportunistik akan menyimpan informasi, kemudian membawa
sampai bertemu dengan node lainnya, selanjutnya meneruskan informasi
sehingga informasi bisa sampai ke destination .
Gambar 2.1.1 Mekanisme Store-Carry-Forward pada jaringan OppNet
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
2.2. Estimasi Global Knowledge
Pada jaringan oportunistik salah satu cara untuk memperoleh unjuk
kerja jaringan yang optimal adalah protokol routing harus mengetahui
global knowledge dari jaringan. Dengan global knowledge protokol routing
dapat bekerja dengan lebih efisien dalam memilih jalur untuk mengirimkan
pesan sehingga dapat mengurangi beban pada jaringan dan memungkinkan
setiap node dijaringan untuk dapat lebih cepat beradaptasi dengan topologi
jaringan serta dapat menemukan jalur yang lebih cepat untuk mengirim
pesan. Global knowledge dapat berupa jumlah node yang berpartisipasi
dalam jaringan, sisa buffer, jumlah replika pesan. Namun untuk mengetahui
global knowledge di jaringan sangat sulit karena karakteristik di jaringan
oportunistik yang sangat dinamis. Beberapa usaha telah dilakukan untuk
meningkatkan unjuk kerja pada jaringan, salah satunya dengan
menggunakan replika pesan untuk mengirimkan paket ke destination dan
semakin besar replika pesan semakin besar pula kesempatan pesan berhasil
dikirim ke destination. Akan tetapi, usaha ini memakan banyak resources,
karena setiap node mempunyai resources seperti buffer dan power(baterai)
yang terbatas.
Jumlah node merupakan salah satu global knowledge yang penting
untuk diketahui setiap node. Dengan global knowledge tentang jumlah node
yang ada dijaringan dapat meningkatkan unjuk kerja jaringan dan resources
dapat dimanfaatkan secara optimal. Terdapat beberapa algoritma yang dapat
digunakan untuk memperkirakan jumlah node yang ada dijaringan anatara
lain yaitu Gossip Based Aggregation yang digunakan untuk melakukan
counting jumlah node dan Mark and Recapture yang digunakan untuk
melakukan estimasi jumlah node yang berpartisipasi dalam jaringan.
Masing-masing algoritma menggunakan local knowledge atau informasi
yang diperoleh setiap node secara langsung untuk memperkirakan global
knowlegde dari jaringan. Oleh sebab itu, untuk melakukan estimasi jumlah
node yang ada dijaringan digunakan algoritma taxi problem. Hasil dari
estimasi akan diterapkan di protokol routing spray and wait.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
2.3. Protokol Routing Spray and Wait
Spray and Wait adalah protokol routing yang awalnya dibuat untuk
mengatasi masalah flooding pada protokol routing epidemic. Spray and wait
bekerja dengan mengontrol jumlah pesan dan mengurangi cost pada
epidemic. Ketika akan mentransmisikan pesan, spray and wait selalu
mengikuti dua fase pada routing itu sendiri (Binnary Spray). Pada binary
spray and wait, baik node source maupun relay node membawa copy pesan
n (n>1) dan kemudian bertemu dengan node relay lain yang tidak memiliki
copy pesan. Node yang memiliki copy pesan akan mengcopy n/2 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. Berikut adalah
fase yang terdapat pada protokol routing spray and wait yaitu :
2.3.1. Fase Spray
Fase spray adalah fase pertama yang akan dijalankan,
dimana setiap node menggenarate L copy untuk disebarkan ke
relay node. Fase spray membatasi pesan yang dicopy untuk
meminimalkan resources pada jaringan. Pada fase ini proses
multi-cast dilakukan untuk mengirimkan beberapa copy pesan
dari source ke relay node. Jika node destination tidak ditemukan
dalam fase spray maka selanjutnya akan masuk ke fase wait.
2.3.2. Fase Wait
Pada fase wait setiap relay node diperbolehkan untuk
mentransmisikan pesan secara langsung ke node destination.
Pada fase ini sebuah node akan meneruskan pesan ke relay node
yang lain sampai tersisa satu pesan, node yang hanya memegang
satu copy pesan akan masuk ke fase wait. Pada fase wait, relay
node akan menunggu sampai betemu dengan node destination
untuk meneruskan pesan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
Gambar 2.3.1 Strategi Protokol Routing Spray and Wait
Pada protokol routing spray and wait L copy dibuat secara manual,
tantangannya adalah bagaimana menentukan L copy yang optimal untuk
disebarkan dijaringan merupakan hal yang sulit dilakukan mengingat setiap
node hanya mempunyai local knowledge tanpa pernah tahu global
knowledge dari jaringan, L copy yang terlalu sedikit atau terlalu banyak
sangat mempengaruhi unjuk kerja dijaringan. Oleh sebab itu, untuk
mengatasi masalah pada protokol routing spray and wait maka pada
penelitian ini diterapkan algoritma taxi problem untuk mendapatkan L copy
yang optimal untuk disebarkan dengan menggunakan ½ dari jumlah node
yang ada dijaringan dari hasil estimasi yang sudah diperoleh dengan
menggunakan local knowledge yang dimiliki setiap node.
2.4. Algoritma Taxi Problem
Salah satu faktor penting yang membantu dalam merancang routing
algoritma yang efisien adalah dengan mengetahui global knowledge salah
satunya adalah jumlah node yang berpastisipasi dalam jaringan. Tidak
seperti pada jaringan wired, pada jaringan wireless node bergerak secara
dynamic tanpa tahu jalur untuk menuju ke destination. Selain itu node tidak
dapat mengetahui jumlah node yang berpartisipasi dalam jaringan dengan
benar. Taxi problem adalah suatu pendekatan matematika statistik untuk
melakukan estimasi terhadap suatu populasi yang diamati berdasarkan
informasi sample, algoritma ini sendiri pada awalnya digunakan untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
memperkirakan jumlah taxi yang ada dikota New York. Taxi problem
mengasumsikan ada seorang pengamat yang mengamati setiap taxi yang
lewat yang diamati oleh pengamat adalah nomor taxi, dengan syarat nomor
pada taxi haruslah urut (1,2,3,...,N) sehingga pengamat dapat
memperkirakan jumlah taxi dari beberapa taxi yang sudah diamati. Berikut
adalah gambar ilustrasi taxi problem untuk melakukan estimasi total taxi.
Gambar 2.4.1 Ilustrasi Taxi Problem (Seorang Pengamat)
Gagasan yang sama diterapkan dijaringan oportunistik. Setiap node
yang berpartisipasi dalam jaringan mempunyai unique id. Ketika node
bertemu dengan node lainnya maka keduanya mencatat unique id, fungsi
unique id sebagai identitas dari node dengan syarat unique id harus urut
(1,2,3,...,N ). Selanjutnya unique id akan disimpan sebagai local knowledge
yang digunakan untuk melakukan estimasi total node yang ada dijaringan.
Pada awalnya rumus estimasi untuk algoritma taxi problem mengacu pada
teorema Rao-Blackwell The Uniformly Minimum Variance Unbiased
Estimators (UMVUE) ,Suatu estimator T(x) dikatakan sebagai estimator tak
bias untuk 𝜃, jika
E[T(x)] = 𝜃
Jika T1 and 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 𝜃.
Seharusnya T0 ∈ {T(x)}, dan jika
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
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 2.3.1
�̂�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 dari sample.
x = Maximum id dari total node
n = Total node yang sudah ditemui
Contoh : Node i bertemu dengan node 2, 13, 3, 7, 35. Setelah sampai
diwaktu t. Node i melakukan estimasi dengan rumus 2.3.1
�̂�5 =355+1 − (35 − 1)5+1
355 − (35 − 1)5= 41
Hasil estimasi untuk node i dengan untuk 5 sample node yang sudah ditemui
adalah 41 yang merupakan hasil estimasi terbaik dari jumlah node yang ada
dijaringan.
Kelebihan dari taxi problem adalah ide yang sederhana, karena
setiap kali node bertemu hanya mencatat unique id kemudian dapat
melakukan estimasi dengan menggunakan rumus 2.3.1. Kekurangan dari
algoritma ini adalah masih bersifat pasif, karena belum ada data yang
dikirimkan atau dipertukarkan.
Gambar 2.4.2 Ilustrasi Taxi Problem Pasif
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Pada taxi problem yang bersifat pasif node hanya dapat melakukan
estimasi dengan menggunakan local knowledge yang dimiliki. Sehingga
estimasi yang diperoleh tentang jumlah node antara node satu dengan node
lainnya berbeda dan membuat waktu convergence menjadi lebih lama.
Untuk mengatasi kekurangan pada algoritma taxi problem pasif, maka
setiap kali node bertemu, keduanya tidak hanya mencatat unique id tetapi
juga melakukan pertukaran tentang informasi daftar tetangga yang sudah
ditemui, sehingga diharapkan setiap node akan mempunyai informasi yang
sama tentang jumlah node yang berpartisipasi dalam jaringan dan waktu
convergence menjadi lebih cepat. Berikut adalah algoritma taxi problem
aktif dengan bertukar informasi yang mempresentasikan komunikasi antara
node A dan B. Algoritma taxi problem dapat dibagi 3 fase yaitu :
1. Connection Up : fase saat kedua node menyadari ada node baru
dalam radio rangenya. Pada fase ini kedua node tidak melakukan
apapun.
ConnectionUp
Gambar 2.4.3
2. Setelah koneksi terbangun: pada fase ini kedua akan mencatat unique
id node yang ditemui, lalu melakukan pertukaran informasi daftar
tetangga yang sudah mereka peroleh.
Setelah terbangun koneksi baru,
akan dilakukan:
Gambar 2.4.4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Gambar 2.4.5
3. Setelah waktu koneksi habis kedua node akan melakukan
perhitungan estimasi dengan Rumus 2.3.1
ConnectionDown
Gambar 2.4.6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
BAB III
PERANCANGAN SIMULASI
3.1. Parameter Simulasi
Pada penelitian ini digunakan beberapa parameter simulasi yang
digunakan dengan dataset Haggle 3 Infocom 5 dan Reality MIT. Parameter-
parameter berikut adalah :
Parameter Haggle 3 Infocom 5 Reality MIT
Luas Area 150, 150 500, 500
Waktu Simulasi 274883 16981816
Buffer Size 10 MB 20 MB
TTL 1440 menit 30240 menit
Interval Pembuatan Pesan 290, 310 290, 310
Tabel 3.1.1 Parameter Utama Simulasi
3.2. Skenario Simulasi
Dalam penelitian ini, ada beberapa skenario simulasi pergerakan
real atau pergerakan manusia yang digunakan. Pergerakan manusia ini
menggunakan dataset Haggle 3 Infocom 5 dan Reality MIT. Berikut adalah
beberapa skenario simulasi yang digunakan, antara lain adalah :
Movement Model Interval Hidup Jumlah Node Hidup
Haggle 3 Infocom 5 0, 274883 41
Reality MIT 0, 16981816 97
Tabel 3.2.1 Skenario Haggle 3 Infocom 5 dan Reality MIT untuk semua node hidup
Movement Model Interval Hidup Jumlah Node Hidup
Haggle 3 Infocom 5 0, 44100 (active) 41
44101, 274883 (inactive) 30
Tabel 3.2.2 Skenario Haggle 3 Infocom 5 untuk jumlah node berubah dinamis
sebelum waktu convergence
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Movement Model Interval Hidup Jumlah Node Hidup
Haggle 3 Infocom 5 0, 91800 (active) 41
91801, 274883 (inactive) 30
Tabel 3.2.3 Skenario Haggle 3 Infocom 5 jumlah node berubah dinamis sesudah
waktu convergence
Movement Model Interval Hidup Jumlah Node Hidup
Haggle 3 Infocom 5 0, 32400 (active)
63000, 274883 (active)
41
32401, 62999 (inactive) 30
Tabel 3.2.4 Skenario Haggle 3 Infocom 5 node mati kemudian hidup kembali
sebelum waktu convergence
Movement Model Interval Hidup Jumlah Node Hidup
Reality MIT 0, 4001400 (active) 97
4001401, 16981816 (inactive) 65
Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sebelum waktu
convergence
Movement Model Interval Hidup Jumlah Node Hidup
Reality MIT 0, 7950600 (active) 97
7950601, 16981816 (inactive) 65
Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sesudah waktu
convergence
Movement Model Interval Hidup Jumlah Node Hidup
Reality MIT 0, 2419200 (active)
5500800, 16981816 (active)
97
2419201, 5500799(inactive) 65
Tabel 3.2.6 Skenario Reality MIT node mati kemudian hidup kembali sebelum
waktu convergence
3.3. Metrik Unjuk Kerja
Untuk mengetahui dan mengevaluasi suatu protokol routing, maka
dibutuhkan beberapa metrik unjuk kerja, khususnya untuk protokol routing
spray and wait dengan algoritma taxi problem baik pada node yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
jumlahnya statis atau dinamis. Berikut adalah beberapa metrik unjuk kerja
yang digunakan :
Average Convergency Time
Average Convergency Time adalah rata-rata semua node
mendapatkan informasi yang sama tentang jumlah node yang ada
dijaringan.
Delivered Probability
Delivered Probability adalah metrik unjuk kerja yang digunakan
untuk mengetahui probabilitas pesan berhasil dikirimkan ke tujuan. Rasio
antara jumlah pesan yang terkirim ke node tujuan dengan jumlah pesan yang
dibuat. Rumus 3.3.1
𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
Overhead Ratio
Overhead ratio merupakan metrik unjuk kerja yang digunakan
untuk mengetahui perbandingan antara total copy dalam jaringan dengan
jumlah pesan yang sampai ke node destination. Semakin tinggi nilai
overhead ratio maka unjuk kerja protokol routing dapat dianggap buruk.
Rumus 3.3.2
𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠 𝑟𝑒𝑙𝑎𝑦𝑒𝑑 − 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑑𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠
𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑑𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠
Latency Average
Latency average adalah metrik unjuk kerja yang digunakan untuk
mengetahui jumlah rata-rata waktu yang dibutuhkan sebuah pesan untuk
sampai ke destination.
Rumus 2.3.3
𝑆𝑢𝑚 𝑜𝑓 𝐿𝑎𝑡𝑒𝑛𝑐𝑦 𝑜𝑓 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
3.4. Desain Alat Uji
Alat uji yang digunakan adalah algoritma taxi problem di The One
Simulator dengan menggunakan bahasa pemrograman Java.
i. Perhitungan Jumlah node (Bertukar Informasi)
Pseudo-Code Taxi Problem aktif
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
ii. Perhitungan Jumlah Node (Interval node dianggap hidup)
Pseudo-Code Taxi Problem With Interval
Ni bertemu dengan Nj
IF Koneksi Terhubung
IF Ni sudah pernah bertemu Nj
Update unique id dan waktu bertemu dengan
informasi yang baru
Else
Mencatat unique id dan waktu bertemu saat ini
For each unique id dalam penyimpanan lokal Nj
IF unique id belum ada dipenyimpanan lokal Ni
Masukan unique id dan waktu bertemu ke
penyimpanan lokal Ni
Else
IF waktu bertemu Ni < waktu bertemu Nj
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Update waktu bertemu dengan waktu yang
baru
End For
For each unique id dalam penyimpanan lokal Ni
IF unique id belum ada dipenyimpanan lokal Nj
Masukan unique id dan waktu bertemu ke
penyimpanan lokal Nj
Else
IF waktu bertemu Nj < waktu bertemu Ni
Update waktu bertemu dengan waktu yang
baru
End For
End IF
IF Koneksi terputus
For each unique id dalam penyimpan lokal Ni
IF waktu saat ini – waktu bertemu > interval
Masukan unique id ke Tombstone Ni
Else
Remove unique id dari Tombstone Ni
End For
For each unique id dalam penyimpanan lokal Nj
IF waktu saat ini – waktu bertemu > interval
Masukan unique id ke Tombstone Nj
Else
Remove unique id dari Tombstone Nj
End For
Ni menghitung estimasi
Nj menghitung estimasi
Hasil estimasi Ni – Jumlah isi Tombstone Ni
Hasil estimasi Nj – Jumlah isi Tombstone Nj
End IF
3.5. The One Simulator
The One simulator (The Opportunistic Network Environment
Simulator) adalah simulator untuk melakukan simulasi pada jaringan
Opportunistik. Pada The One Simulator dimungkinkan untuk mengatur
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
beberapa keadaan yang sesuai dengan simulasi yang dibutuhkan, antara lain
luas area, pergerakan node, kecepatan pergerakan node, interval pembuatan
pesan, protokol routing yang digunakan di oportunistik. Pada The One
Simulator juga tersedia tampilan grafis yang dapat digunakan untuk
visualisasi pergerakan dan persebaran pesan secara real time, tidak hanya
itu pada The One Simulator juga tersedia fitur untuk pelaporan pesan dan
data statistik setelah simulasi selesai dijalankan. Untuk pergerakan pada The
One Simulator juga dapat diambil dari kejadian sehari-hari. Simulator ini
dapat digunakan di beberapa platform pemrograman salah satunya bahasa
Java.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
BAB IV
PENGUJIAN DAN ANALISIS
Untuk melakukan evaluasi unjuk kerja dari routing protokol spray
and wait dengan algoritma taxi problem. Maka digunakan dua dataset
berbeda yaitu Haggle 3-Infocom 5 dan Reality MIT yang telah dirancang
pada BAB III. Data hasil yang diperoleh dari report yang dibuat ketika
simulasi dijalankan.
4.1. Haggle 3-Infocom 5
Dataset Haggle 3 Infocom 5 berisi data pertemuan antar partisipan
konferensi IEEE Infocom 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 device. Durasi simulasi
pada dataset ini adalah 274883 atau sekitar 3,18 hari. Pada dataset Haggle
3 Infocom 5 dengan 4 skenario berbeda yang sudah dijelaskan di BAB III
diperolehlah hasil simulasi sebagai berikut :
4.1.1. Hasil Simulasi Metrik Unjuk Kerja Average Convergence Time
Pada Dataset Haggle 3 Infocom 5
Gambar 4.1.1.1 Grafik average convergence time dataset Haggle 3 Infocom 5
0
10
20
30
40
50
900
117
00
225
00
333
00
441
00
549
00
657
00
765
00
873
00
9810
0
10
89
00
11
97
00
1305
00
14
13
00
15
21
00
16
29
00
17
37
00
18
45
00
19
53
00
20
61
00
21
69
00
22
77
00
2385
00
24
93
00
26
01
00
2709
00
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Haggle 3 Infocom 5
Rata-rata Hitung #Node Hidup N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Berdasarkan hasil simulasi terlihat pada Gambar 4.1.1.1 terbukti
bahwa algoritma taxi problem dapat melakukan estimasi jumlah node
dengan tepat sesuai dengan jumlah node yang ada dijaringan dengan waktu
convergence yang cukup cepat. Pada dataset ini ruang gerak dari node
terbatas karena hanya terbatas pada ruang konferensi saja. Hal ini
menyebabkan probabilitas pertemuan node dengan node lainnya meningkat.
Gambar 4.1.1.2 Grafik average convergence time dataset Haggle 3
Infocom 5 beberapa node mati sebelum waktu convergence
Gambar 4.1.1.3 Grafik average convergence time beberapa node mati
sebelum waktu convergence dataset Haggle 3 Infocom 5 menggunakan
interval
0
10
20
30
40
50
90
0
11
70
0
22
50
0
33
30
0
44
10
0
5490
0
65
70
0
76
50
0
87
30
0
98
10
0
10
89
00
11
97
00
13
05
00
1413
00
15
21
00
16
29
00
17
37
00
18
45
00
19
53
00
20
61
00
21
69
00
2277
00
23
85
00
24
93
00
26
01
00
27
09
00
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Haggle 3 Infocom 5
Without Interval
Rata-rata Hitung #Node Hidup
0
10
20
30
40
50
90
0
117
00
225
00
333
00
441
00
549
00
6570
0
765
00
8730
0
981
00
10
890
0
11
970
0
13
050
0
14
130
0
15
210
0
1629
00
17
370
0
18
450
0
19
530
0
20
610
0
21
690
0
22
770
0
2385
00
24
930
0
26
010
0
27
090
0Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Haggle 3 Infocom 5
With Interval (6 Jam)
Rata-rata Hitung #Node Hidup N = 41
N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Gambar 4.1.1.4 Grafik average convergence time dataset Haggle 3
Infocom 5 beberapa node mati sesudah waktu convergence
Gambar 4.1.1.5 Grafik average convergence time beberapa node mati
sesudah waktu convergence dataset Haggle 3 Infocom 5 menggunakan
interval
Pada skenario beberapa node mati sebelum dan sesudah waktu
convergence yang ditunjukan oleh garis putus-putus. Hasil simulasi pada
Gambar 4.1.1.2 dan Gambar 4.1.1.4 terlihat bahwa rata-rata hitung estimasi
tidak dapat adaptif. Hal ini terjadi karena ketika banyak node sudah
mendapatkan informasi keseluruhan tentang jumlah node, maka informasi
akan terus disebarkan dijaringan. Taxi problem dengan strategi interval
0
10
20
30
40
50
90
0
11
70
0
22
50
0
33
30
0
44
10
0
5490
0
65
70
0
76
50
0
87
30
0
98
10
0
10
89
00
11
97
00
13
05
00
1413
00
15
21
00
16
29
00
17
37
00
18
45
00
19
53
00
20
61
00
21
69
00
2277
00
23
85
00
24
93
00
26
01
00
27
09
00
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Haggle 3 Infocom 5
Without Interval
Rata-rata Hitung #Node Hidup
0
10
20
30
40
50
90
0
11
70
0
22
50
0
33
30
0
44
10
0
54
90
0
6570
0
76
50
0
8730
0
98
10
0
10
89
00
11
97
00
13
05
00
14
13
00
15
21
00
1629
00
17
37
00
18
45
00
19
53
00
20
61
00
21
69
00
22
77
00
2385
00
24
93
00
26
01
00
27
09
00N
um
ber
of
Nod
es
Time
Average Convergence Time : Haggle 3 Infocom 5
With Interval (6 Jam)
Rata-rata Hitung #Node Hidup N = 41
N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
waktu node dianggap hidup dapat membuat rata-rata hitung semua node
adaptif, dengan hasil rata-rata hitung semua node mendekati jumlah node
yang hidup dengan variasi yang cukup kecil seperti terlihat pada Gambar
4.1.1.3 dan Gambar 4.1.1.5. Pada strategi bertukar informasi setiap node
akan mendapatkan informasi tentang semua node yang ada dijaringan
walaupun tidak semua node dijaringan pernah ditemui secara langsung.
Sehingga ketika menggunakan strategi interval, terdapat beberapa dari node
yang tidak pernah ditemui kembali dan informasinya tidak pernah
diperbaharui yang menyebabkan node dianggap mati. Pada strategi interval
setiap node dapat hidup kembali ketika waktu bertemu mereka diperbaharui,
hal ini yang menyebabkan hasil rata-rata hitung bergerak naik turun.
Gambar 4.1.1.6 Grafik average convergence time dataset Haggle 3
Infocom 5 beberapa node mati kemudian hidup kembali sebelum waktu
convergence
Pada hasil simulasi pada Gambar 4.1.1.6 terlihat bahwa rata-rata
hitung estimasi tidak dapat adaptif. Hal ini terjadi karena ketika node sudah
mendapatkan informasi keseluruhan tentang jumlah node maka informasi
akan terus disebarkan dijaringan.
0
10
20
30
40
50
90
0
11
70
0
22
50
0
33
30
0
44
10
0
5490
0
65
70
0
76
50
0
87
30
0
98
10
0
10
89
00
11
97
00
13
05
00
1413
00
15
21
00
16
29
00
17
37
00
18
45
00
19
53
00
20
61
00
21
69
00
2277
00
23
85
00
24
93
00
26
01
00
27
09
00
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Haggle 3 Infocom 5
Without Interval
Rata-rata Hitung #Node Hidup N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Gambar 4.1.1.7 Grafik average convergence time beberapa node mati
kemudian hidup kembali sebelum waktu convergence dataset Haggle 3
Infocom 5 menggunakan interval
Hasil simulasi pada Gambar 4.1.1.7 taxi problem dengan strategi
interval waktu node dianggap hidup dapat membuat rata-rata hitung semua
node adaptif. Hasil rata-rata hitung pada Gambar 4.1.7 hanya mendekati
jumlah node, hal ini sebabkan karena strategi interval waktu node dianggap
hidup. Pada pergerakan manusia tidaklah random, sehingga ada beberapa
dari node yang tidak pernah ditemui kembali dan tetap dianggap mati.
Walapun node yang mati kembali hidup namun karena beberapa dari node
tidak pernah ditemui kembali, sehingga informasi tentang mereka tidak
pernah diperbaharui maka node ini dianggap mati. Pada strategi interval
setiap node dapat hidup kembali ketika waktu bertemu diperbaharui, hal ini
yang menyebabkan hasil rata-rata hitung bergerak naik turun.
4.1.2. Hasil Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead
Ratio, dan Latency Average Pada Dataset Haggle 3 Infocom 5
0
10
20
30
40
50
90
0
11
70
0
22
50
0
33
30
0
44
10
0
54
90
0
6570
0
76
50
0
8730
0
98
10
0
10
89
00
11
97
00
13
05
00
14
13
00
15
21
00
1629
00
17
37
00
18
45
00
19
53
00
20
61
00
21
69
00
22
77
00
2385
00
24
93
00
26
01
00
27
09
00N
um
ber
of
No
des
Time
Average Convergence Time : Haggle 3 Infocom 5
With Interval (6 Jam)
Rata-rata Hitung #Node Hidup N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Gambar 4.1.2.1 Grafik delivery probability dataset Haggle 3 Infocom 5
Pada dataset Haggle 3 Infocom 5 dengan jumlah node 41. Pada
penelitian ini peneliti menggunakan 2 ekstrim yaitu ekstrim bawah jumlah
L copy pesan 6 dan ekstrim atasnya 41. Kemudian ditengahnya
menggunakan jumlah copy pesan yang diperoleh dari hasil estimasi setiap
node pada skenario beberapa node mati sebelum waktu convergence. Hasil
simulasi untuk terlihat pada Gambar 4.1.2.1 bahwa taxi problem dapat
memberikan jumlah pesan yang terkirim cukup bagus. Setiap node
dijaringan akan menggenerate L copy menggunakan ½ dari jumlah node
dari hasil estimasi. Spray and wait tanpa taxi problem dengan L copy yang
kecil akan menghasilkan delivery probability yang sedikit. Begitu pula
dengan L copy yang besar akan menghasilkan delivered probability yang
besar.
Gambar 4.1.2.2 Grafik overhead ratio dataset Haggle 3 Infocom 5
0.4641
0.4739
0.5054
0.44
0.45
0.46
0.47
0.48
0.49
0.5
0.51
L=3 TP-SebelumConvergence L=41
Delivery Probability : Haggle 3 Infocom 5
4.0822
15.6713
36.2091
0
5
10
15
20
25
30
35
40
L=3 TP-SebelumConvergence L=41
Overhead Ratio : Haggle 3 Infocom 5
N = 41
N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Pada Gambar 4.1.2.2 terlihat bahwa overhead pada node yang
menggunakan L copy besar akan menghasilkan overhead yang besar
dibandingkan dengan node yang menggunakan L copy yang kecil
menghasilkan overhead yang kecil pula. Sedangkan pada spray and wait
menggunakan taxi problem memiliki overhead cukup tinggi. Hal ini
disebabkan setiap node akan menggenerate L copy sesuai dengan hasil
estimasi yang diperoleh, sebelum mencapai 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 yang diperoleh maka overhead
semakin meningkat.
Gambar 4.1.2.3 Grafik latency average dataset Haggle 3 Infocom 5
Hasil dari latency average yang ditunjukan Gambar 4.1.2.3
menunjukan bahwa semakin banyak jumlah L copy semakin cepat pula
pesan sampai kedestination. Hal ini terlihat dari jumlah L copy yang diset
besar, pada L copy yang kecil delay pengiriman pesan semakin tinggi. Pada
spray and wait menggunakan taxi problem menghasilkan delay yang cukup
bagus karena L copy yang dihasilkan.
24742.5657
22823.5724
22190.2155
20500
21000
21500
22000
22500
23000
23500
24000
24500
25000
L=3 TP-SebelumConvergence L=41
Average Latency : Haggle 3 Infocom 5 N = 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
4.2. Reality MIT
Dataset Reality Mining berisi pertemuan antar pelajar dari 2 fakultas
di Universitas MIT. Jumlah partisipan dalam simulasi sebanyak 75 pelajar
Fakultas Media Laboratory dan 25 pelajar Fakultas Business. Durasi
simulasi pada dataset ini adalah 1 tahun akademik. Dari 100 partsipan yang
dipilih, device yang menghasilkan data yang valid dan dapat digunakan
untuk melakukan penelitian sebanyak 97. Durasi simulasi pada dataset ini
adalah 16981816 detik. Pada dataset Reality MIT dengan 4 skenario berbeda
yang sudah dijelaskan di BAB III diperolehlah hasil simulasi sebagai
berikut :
4.2.1. Hasil Simulasi Metrik Unjuk Kerja Average Convergence Time
Pada dataset Reality MIT
Gambar 4.2.1.1 Grafik average convergence time untuk dataset Reality MIT
Berdasarkan hasil simulasi terlihat pada Gambar 4.2.1.1 pada
dataset Reality MIT, terbukti bahwa algoritma taxi problem dapat
melakukan estimasi jumlah node sesuai dengan jumlah node yang ada
dijaringan dengan waktu convergence yang cukup cepat. Hal ini dapat
terjadi karena strategi bertukar informasi yang dilakukan setiap kali node
bertemu, sehingga informasi node satu dengan node lainnya sama.
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
Rata-rata Hitung #Node Hidup N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Walaupun ada beberapa dari node yang tidak pernah ditemui secara
langsung, namun karena ada dari beberapa node yang sudah bertemu maka
informasi akan disebarkan dijaringan sehingga semua node dapat
memperoleh informasi yang sama.
Gambar 4.2.1.2 Grafik average convergence time dataset Reality MIT
beberapa node mati sebelum waktu convergence
Gambar 4.2.1.3 Grafik average convergence time beberapa node mati
sebelum waktu convergence dataset Reality MIT menggunakan interval
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
Without Interval
Rata-rata Hitung #Node Hidup
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
With Interval (192 Jam/8 hari)
Rata-rata Hitung #Node Hidup
N = 97
N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Gambar 4.2.1.4 Grafik average convergence time dataset Reality MIT
beberapa node mati sesudah waktu convergence
Gambar 4.2.1.5 Grafik average convergence time sesudah waktu
convergence dataset Reality MIT menggunakan interval
Pada skenario beberapa node mati sebelum dan sesudah waktu
convergence yang ditunjukan garis putus-putus. Hasil simulasi pada
Gambar 4.2.1.2 dan Gambar 4.2.1.4 terlihat bahwa rata-rata hitung estimasi
tidak dapat adaptif. Hal ini terjadi karena ketika node sudah mendapatkan
informasi keseluruhan tentang jumlah node maka akan terus disebarkan
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
With Interval (192 Jam/8 Hari)
Rata-rata Hitung #Node Hidup
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
With Interval (192 Jam/8 hari)
Rata-rata Hitung #Node Hidup
N = 97
N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
dijaringan. Taxi problem dengan strategi interval dapat membuat rata-rata
hitung adaptif yang terlihat di Gambar 4.2.1.3 dan Gambar 4.2.1.5. Namun
hasil rata-rata hitung semua node memiliki variasi yang cukup besar, hal ini
terjadi karena banyak dari node yang tidak pernah ditemui kembali, hal ini
terjadi karena Pada dataset Reality MIT pergerakan yang cenderung
membentuk kelompok tertentu dan membutuhkan beberapa node
penghubung atau hub node sebagai penghubung antar kelompok. Pada
strategi bertukar informasi setiap node akan mendapatkan informasi tentang
semua node yang ada dijaringan walaupun tidak semua node dijaringan
pernah ditemui secara langsung. Sehingga ketika menggunakan strategi
interval, ada beberapa dari node yang tidak pernah ditemui kembali dan
informasinya tidak pernah diperbaharui yang menyebabkan node dianggap
mati. Pada strategi interval setiap node juga dapat hidup kembali ketika
waktu bertemu diperbaharui, hal ini yang menyebabkan hasil rata-rata
hitung bergerak naik turun.
Gambar 4.2.1.6 Grafik average convergence time dataset Reality MIT
beberapa node mati kemudian hidup kembali sebelum waktu convergence
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
Without Interval
Rata-rata Hitung #Node Hidup N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Gambar 4.2.1.7 Grafik average convergence time node mati kemudian
hidup kembali sebelum waktu convergence dataset Reality MIT
menggunakan interval
Pada skenario beberapa node mati kemudian hidup kembali sebelum
waktu convergence yang ditunjukan garis putus-putus. Taxi problem
dengan strategi interval dapat membuat rata-rata hitung semua node adaptif.
Hasil rata-rata hitung pada Gambar 4.2.1.7 hanya mendekati jumlah node
dengan variasi yang cukup besar, hal ini sebabkan karena strategi interval,
pada pergerakan manusia cenderung membentuk kelompok sehingga
membutuhkan node penghubung atau hub node sebagai penghubung antar
kelompok dan durasi simulasi yang panjang. Dengan strategi bertukar
informasi semua node dijaringan akan mendapatkan informasi dijaringan
walaupun banyak dari node tidak pernah bertemu secara langsung. Hal ini
yang menyebabkan banyak node yang tidak pernah ditemui kembali
sehingga informasi tentang node tidak pernah diperbaharui dan walaupun
node yang mati kemudian hidup kembali karena informasi node tidak
diperbaharui maka node tetap dianggap mati. Pada strategi interval setiap
node juga dapat hidup kembali ketika waktu bertemu mereka diperbaharui,
hal ini yang menyebabkan hasil rata-rata hitung bisa naik dan turun.
0
20
40
60
80
100
120
0 5000000 10000000 15000000 20000000
Nu
mb
er o
f N
od
es
Time
Average Convergence Time : Reality MIT
With Interval (192 Jam/8 hari)
Rata-rata Hitung #Node Hidup N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
4.2.2. Hasil Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead
Ratio, dan Latency Average Pada Dataset Reality MIT
Gambar 4.2.2.1 Grafik delivery probability dataset Reality MIT
Pada pergerakan manusia pada dataset Reality MIT dengan jumlah
node 97. Pada penelitian ini peneliti menggunakan 2 ekstrim yaitu ekstrim
bawah jumlah L copy pesan 10 dan ekstrim atasnya 90. Kemudian
ditengahnya menggunakan jumlah L copy yang diperoleh dari hasil estimasi
setiap node. Hasil simulasi untuk terlihat pada Gambar 4.2.2.1 bahwa taxi
problem dapat memberikan jumlah pesan yang terkirim cukup bagus. Setiap
node dijaringan akan menggenerate L copy dengan menggunakan ½ dari
jumlah node dari hasil estimasi. Spray and wait tanpa taxi problem dengan
L copy yang kecil akan menghasilkan delivery probability yang sedikit
begitu pula dengan L copy yang besar akan menghasilkan delivered
probability yang besar pula.
Gambar 4.2.2.2 Grafik overhead ratio dataset Reality MIT
0.2576
0.32750.3541
0
0.1
0.2
0.3
0.4
L6 TP-SebelumConvergence L90
Delivery Probability : Reality MIT
14.1465
48.1678
102.1086
0
20
40
60
80
100
120
L6 TP-SebelumConvergence L90
Overhead Ratio : Reality MIT
N = 97
N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Pada Gambar 4.2.2.2 terlihat bahwa overhead pada node yang
menggunakan L copy besar akan menghasilkan overhead yang besar
dibandingkan dengan node yang menggunakan L copy yang kecil
menghasilkan overhead yang kecil. Sedangkan pada spray and wait
menggunakan taxi problem memiliki overhead cukup tinggi. Hal ini
dikarenakan setiap node akan menggenerate L copy sesuai dengan hasil
estimasi yang diperoleh, sebelum mencapai 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 yang diperoleh maka overhead
semakin meningkat. Semakin besar hasil estimasi yang diperoleh oleh node
sebelum convergence maka semakin banyak pula L copy yang dihasilkan
sehingga overhead dijaringan semakin besar.
Gambar 4.2.2.3 Grafik latency average dataset Reality MIT
Hasil dari latency average yang ditunjukan Gambar 4.2.2.3
menunjukan bahwa semakin banyak jumlah L copy semakin cepat pula
pesan sampai kedestination. Hal ini terlihat dari jumlah L copy yang diset
besar, pada L copy yang kecil delay pengiriman pesan semakin tinggi. Pada
spray and wait menggunakan taxi problem menghasilkan delay yang cukup
bagus karena L copy yang dihasilkan. Hal ini karenakan pergerakan manusia
yang cenderung berkelompok semakin besar L copy maka akan banyak
571946.6961
514206.4828502248.0328
460000
480000
500000
520000
540000
560000
580000
L6 TP-SebelumConvergence L90
Average Latency : Reality MIT N = 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
relay node yang akan meneruskan pesan yang lebih banyak. Sehingga
probabilitas pesan sampai kedestination semakin besar dan latency juga
akan semakin menurun.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
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 jumlah node dengan tepat sesuai jumlah node yang ada dijaringan
dengan waktu convergence yang cukup cepat. Hal ini dipengaruhi oleh
pertukuran informasi tentang daftar tetangga yang sudah ditemui. Namun
pada kasus jumlah node berubah dinamis, taxi problem belum memberikan
hasil yang optimal, ini terlihat pada kedua dataset hasil estimasi memiliki
variasi yang cukup besar karena pada pergerakan manusia cenderung
membentuk kelompok, ketika menggunakan algoritma taxi problem dengan
strategi interval waktu node dianggap hidup, banyak dari node yang tidak
pernah ditemui secara langsung kemudian ketika informasi tentang node
tidak pernah diperbaharui maka node akan dianggap mati walaupun
sebenarnya node masih hidup.
Untuk penerapan taxi problem di protokol routing spray and wait
bisa terlihat dari hasil simulasi bahwa dengan mengetahui jumlah yang ada
dijaringan dapat membantu meningkatkan unjuk kerja dari jaringan karena
L copy yang sudah tidak perlu dibuat diawal simulasi, tetapi cukup
menggunakan ½ dari jumlah node. Setiap node dapat membuat node L copy
sesuai dengan informasi yang mereka miliki. Hasil dari semua simulasi yang
telah diuji menunjukan hasil yang cukup bagus namun belum sempurna
yang dapat terlihat dari metrik unjuk kerja yang sudah dituangkan dalam
grafik.
5.2. Saran
Pada penelitian selanjutnya algoritma untuk mengestimasi jumlah
dinamis dijaringan. Setiap node dapat memperkirakan interval waktu node
dianggap hidup yang optimal secara dinamis tanpa dibuat secara manual
berdasarkan pengetahuan yang diperoleh setiap node.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
DAFTAR PUSTAKA
[1]. Ari Keränen, Jörg Ott and Teemu Kärkkäinen. The ONE Simulator for DTN
Protocol Evaluation. SIMUTools'09: 2nd International Conference on Simulation
Tools and Techniques. Rome, March 2009.
[2]. Parama Bhaumik, Suvadip Batabyal. Estimator for Global Information in
Mobile Opportunistic Network. IEEE International Conference on Advanced
Networks and Telecommunications System (ANTS), 2013.
[3]. T. Spyropoulos, K. Psounis and C. C. Raghavendra, Spray and Wait: An
Efficient Routing Scheme for, USA, 2005.
[4]. Aaron Tenenbein. The Racing Car Problem. The American Statistician, Vol.
25, No 1 . Pp. 38-40, Feb., 1971.
[5]. Allesio Guerrieri, Alberto Montresor, Franscesco De Pellegrini, Lacopo
Carreras dan Daniele Miorandi. Distributed Estimation of Global Parameters in
Delay-Tolerant Network. IEEE Internal Symposium on a World of Wireless,
Mobile and Multimedia Networks & Workshops, 2009.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
LAMPIRAN
package routing.sprayandwait;
import core.*;
import java.util.*;
import routing.*;
/**
* @author Kalorinda
*/
public class SprayAndWaitRouterWithTaxiProblemDiTambah implements
RoutingDecisionEngine, CountingTaxiProblem {
public static final String NROF_COPIES = "nrofCopies";
public static final String BINARY_MODE = "binaryMode";
public static final String SPRAYANDWAIT_NS =
"SprayAndWaitRouterWithTaxiProblemDiTambah";
public static final String MSG_COUNT_PROPERTY = SPRAYANDWAIT_NS + "."
+ "copies";
public static final String LIVE_INTERVAL = "live_Interval";
private static double IntervalLive = 691200;
private double interval;
protected int initialNrofCopies;
protected boolean isBinary;
private int totalEstimationOfTheNode;
protected Map<DTNHost, Double> theCollections;
protected Set<DTNHost> theTombstonenodes;
public SprayAndWaitRouterWithTaxiProblemDiTambah(Settings s) {
if (s.contains(LIVE_INTERVAL)) {
interval = s.getInt(LIVE_INTERVAL);
} else {
interval = IntervalLive;
}
if (s.contains(BINARY_MODE)) {
isBinary = s.getBoolean(BINARY_MODE);
} else {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
isBinary = false; // default value
}
if (s.contains(NROF_COPIES)) {
initialNrofCopies = s.getInt(NROF_COPIES);
}
theCollections = new HashMap<DTNHost, Double>();
theTombstonenodes = new HashSet<>();
}
publicSprayAndWaitRouterWithTaxiProblemDiTambah(SprayAndWaitRouter
WithTaxiProblemDiTambah proto) {
this.initialNrofCopies = proto.initialNrofCopies;
this.isBinary = proto.isBinary;
theCollections = new HashMap<DTNHost, Double>();
theTombstonenodes = new HashSet<>();
}
@Override
public void connectionUp(DTNHost thisHost, DTNHost peer) {
}
@Override
public void connectionDown(DTNHost thisHost, DTNHost peer) {
SprayAndWaitRouterWithTaxiProblemDiTambah partner =
getOtherDecisionEngine(peer);
if (thisHost.isRadioActive() == true && peer.isRadioActive() == true) {
for (Map.Entry<DTNHost, Double> entry : this.theCollections.entrySet()) {
DTNHost key = entry.getKey();
Double lastRecord = entry.getValue();
if (SimClock.getTime() - lastRecord > IntervalLive) {
this.theTombstonenodes.add(key);
} else {
this.theTombstonenodes.remove(key);
}
}
for (Map.Entry<DTNHost, Double> entry : partner.theCollections.entrySet()) {
DTNHost key = entry.getKey();
Double lastRecord = entry.getValue();
if (SimClock.getTime() - lastRecord > IntervalLive) {
partner.theTombstonenodes.add(key);
} else {
partner.theTombstonenodes.remove(key);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
}
}
this.totalEstimationOfTheNode = this.CountTotalEstimationOfTheNode() -
theTombstonenodes.size();
partner.totalEstimationOfTheNode = partner.CountTotalEstimationOfTheNode() -
theTombstonenodes.size();
}
}
@Override
public void doExchangeForNewConnection(Connection con, DTNHost peer) {
DTNHost thisHost = con.getOtherNode(peer);
SprayAndWaitRouterWithTaxiProblemDiTambah partner =
getOtherDecisionEngine(peer);
if (thisHost.isRadioActive() == true && peer.isRadioActive() == true) {
if (this.theCollections.containsKey(peer) && partner.theCollections.containsKey
(thisHost)) {
this.theCollections.replace(peer, SimClock.getTime());
partner.theCollections.replace(thisHost, SimClock.getTime());
} else {
this.theCollections.put(peer, SimClock.getTime());
partner.theCollections.put(thisHost, SimClock.getTime());
}
for (Map.Entry<DTNHost, Double> entry : partner.theCollections.entrySet()) {
DTNHost key = entry.getKey();
Double value = entry.getValue();
if (!this.theCollections.containsKey(key)) {
this.theCollections.put(key, value);
} else {
Double myValue = this.theCollections.get(key);
if (myValue < value) {
this.theCollections.put(key, value);
}
}
}
for (Map.Entry<DTNHost, Double> entry : this.theCollections.entrySet()) {
DTNHost key = entry.getKey();
Double value = entry.getValue();
if (!partner.theCollections.containsKey(key)) {
partner.theCollections.put(key, value);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
} else {
Double myValue = partner.theCollections.get(key);
if (myValue < value) {
partner.theCollections.put(key, value);
}
}
}
}
}
@Override
public boolean newMessage(Message m) {
initialNrofCopies = (int) Math.ceil(this.totalEstimationOfTheNode / 2);
m.addProperty(MSG_COUNT_PROPERTY, initialNrofCopies);
return true;
}
@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;
}
@Override
public boolean shouldSendMessageToHost(Message m, DTNHost otherHost) {
if (m.getTo() == otherHost) {
return true;
}
Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROPERTY);
if (nrofCopies > 1) {
return true;
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
return false;
}
@Override
public boolean shouldDeleteSentMessage(Message m, DTNHost otherHost) {
if (m.getTo() == otherHost) {
return false;
}
Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROPERTY);
if (isBinary) {
nrofCopies /= 2;
} else {
nrofCopies--;
}
m.updateProperty(MSG_COUNT_PROPERTY, nrofCopies);
return false;
}
@Override
public boolean shouldDeleteOldMessage(Message m, DTNHost hostReportingOld) {
return m.getTo() == hostReportingOld;
}
@Override
public RoutingDecisionEngine replicate() {
return new SprayAndWaitRouterWithTaxiProblemDiTambah(this);
}
private SprayAndWaitRouterWithTaxiProblemDiTambah
getOtherDecisionEngine(DTNHost h) {
MessageRouter otherRouter = h.getRouter();
assert otherRouter instanceof DecisionEngineRouter : "This router only works "
+ "with other routers of same type";
return (SprayAndWaitRouterWithTaxiProblemDiTambah) ((DecisionEngineRouter)
otherRouter).getDecisionEngine();
}
private int CountTotalEstimationOfTheNode() {
int tracehold = Integer.MIN_VALUE;
for (Map.Entry<DTNHost, Double> entry : theCollections.entrySet()) {
DTNHost key = entry.getKey();
if (key.getAddress() > tracehold) {
tracehold = key.getAddress();
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
}
}
double atas = Math.pow(tracehold, (theCollections.size() + 1)) -
Math.pow((tracehold - 1), (theCollections.size() + 1));
double bawah = Math.pow(tracehold, theCollections.size()) - Math.pow((tracehold -
1), theCollections.size());
return (int) (atas / bawah);
}
@Override
public int getCountTotalEstimationOfTheNode() {
return this.totalEstimationOfTheNode;
}
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI