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


iii

HALAMAN PERSETUJUAN

SKRIPSI




Oleh :

Kalorinda

(155314083)

Telah Disetujui Oleh :

Dosen Pembimbing,

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


iv

HALAMAN PENGESAHAN

SKRIPSI




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.


v

MOTTO

“ Bertahanlah, bertahan saja maka kamu akan

melihat ujungnya “

- Kalorinda


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


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:




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


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


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


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.


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


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


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


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


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


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


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


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


xvii

DAFTAR RUMUS

Rumus 2.3.1 ...................................................................................................... 10

Rumus 3.3.1 ...................................................................................................... 15

Rumus 3.3.2 ...................................................................................................... 15

Rumus 3.3.3 ...................................................................................................... 15


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


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.


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.


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.


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


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.


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.


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


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


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


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


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


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


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


14


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


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


Reality MIT 0, 4001400 (active) 97

4001401, 16981816 (inactive) 65

Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sebelum waktu

convergence


Reality MIT 0, 7950600 (active) 97

7950601, 16981816 (inactive) 65

Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sesudah waktu

convergence


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


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


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


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


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.


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


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


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


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


With Interval (6 Jam)


N = 41


21


Infocom 5 beberapa node mati sesudah waktu convergence


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


Without Interval


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




N = 41


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.


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


Without Interval



23


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





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


Overhead Ratio : Haggle 3 Infocom 5

N = 41

N = 41


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


Average Latency : Haggle 3 Infocom 5 N = 41


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



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


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


Without Interval


0

20

40

60

80

100

120

0 5000000 10000000 15000000 20000000

Nu

mb

er o

f N

od

es

Time


With Interval (192 Jam/8 hari)


N = 97

N = 97


28


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


With Interval (192 Jam/8 Hari)


0

20

40

60

80

100

120

0 5000000 10000000 15000000 20000000

Nu

mb

er o

f N

od

es

Time




N = 97

N = 97


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.


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


Without Interval



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





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


Overhead Ratio : Reality MIT

N = 97

N = 97


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


Average Latency : Reality MIT N = 97


33

relay node yang akan meneruskan pesan yang lebih banyak. Sehingga

probabilitas pesan sampai kedestination semakin besar dan latency juga

akan semakin menurun.


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.


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.


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 {


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()) {


Double lastRecord = entry.getValue();

if (SimClock.getTime() - lastRecord > IntervalLive) {

partner.theTombstonenodes.add(key);

} else {

partner.theTombstonenodes.remove(key);


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()) {


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()) {


Double value = entry.getValue();

if (!partner.theCollections.containsKey(key)) {

partner.theCollections.put(key, value);


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;

}


if (nrofCopies > 1) {

return true;

}


40

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;

}

@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()) {


if (key.getAddress() > tracehold) {

tracehold = key.getAddress();


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;

}

}


ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK …repository.usd.ac.id/35142/2/155314083_full.pdf ·...

Documents

Transcript of ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK …repository.usd.ac.id/35142/2/155314083_full.pdf ·...