MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK...
Transcript of MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK...
MENGHITUNG JUMLAH NODE DI JARINGAN
OPPORTUNISTIK DENGAN ALGORITMA MARK &
RECAPTURE (KASUS : NODE DINAMIS)
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Untuk Mendapatkan Gelar Sarjana Komputer
Program Studi Informatika
Oleh:
Geraldev Manoah
155314015
PROGRAM STUDI INFORMATIKA
JURUSAN INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2020
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
COUNTING TOTAL NODE IN OPPORTUNISTIC NETWORK WITH
MARK & RECAPTURE ALGORITHM ( CASE : DYNAMIC NODE )
A THESIS
Presented as Partial Fullfillment of Requirements
To Obtain Sarjana Komputer Degree
In Informatics Department
By:
Geraldev Manoah
155314015
INFORMATICS STUDY PROGRAM
DEPARTMENT OF INFORMATICS
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2020
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN
SKRIPSI
MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK
DENGAN ALGORITMA MARK & RECAPTURE (KASUS : NODE
DINAMIS)
Oleh :
GERALDEV MANOAH
(155314015)
Telah disetujui oleh
Dosen Pembimbing,
Bambang Soelistijanto, Ph.D Tanggal, … Desember 2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
SKRIPSI
MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK
DENGAN ALGORITMA MARK & RECAPTURE (KASUS : NODE
DINAMIS)
Dipersiapkan dan ditulis oleh:
GERALDEV MANOAH
155314015
Telah dipertahankan di depan panitia penguji
Pada tanggal, 26 November 2019
dan dinyatakan memenuhi syarat
Susunan Panitia Penguji
Nama Lengkap Tanda Tangan
Ketua : Vittalis Ayu S.T., M.Cs. ………………..
Sekretaris : Henricus Agung H., S.T., M.Kom . ……………….
Anggota : Bambang Soelistijanto, Ph.D. ………………..
Yogyakarta, ..... Desember 2019
Fakultas Sains dan Teknologi
Universitas Sanata Dharma
Dekan,
Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN MOTTO
Study your best! Let God do the rest, just hold on to His
promises.
Don’t be ever lose againts the situation
Geraldev Manoah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PERNYATAAN LEMBAR KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahawa skripsi yang saya tulis ini
tidak memuat karya atau bagian karya orang lain, kecuali yang sudah tertulis di
dalam kutipan daftar pustaka, sebagaimana layaknya sebuah karya ilmiah.
Yogyakarta, 2019
Penulis,
Geraldev Manoah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Geraldev Manoah
Nim : 155314015
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah yang berjudul:
MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK
DENGAN ALGORITMA MARK & RECAPTURE (KASUS : NODE
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,
mengalihkan dalam bentuk media lain, mengolahnya dalam bentuk pangkalan 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, …………2019
Penulis,
Geraldev Manoah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Jaringan Oportunistik adalah jenis jaringan yang tidak mementingkan delay
dan error rate sebagai masalah utamanya tetapi lebih mementingkan pada sampai
nya pesan dari source menuju destination. Pada jaringan Oportunistik infrastruktur
seperti yang biasanya kita gunakan sudah tidak ada,sehingga semua node dalam
jaringan akan berfungsi sebagai pembawa dan pengirim pesan (relay node) agar
memungkinkan terjadinya komunikasi dalam jaringan tersebut. Pada penelitian ini
algoritma yang diuji oleh penulis adalah algoritma Mark & Recapture , algoritma
yang menggunakan metode ”tandai, lepas dan tangkap kembali” ini digunakan
sebagai pendekatan bagaimana mengestimasi total node pada peer-to-peer network
(menggunakan kabel), penulis menguji bagaimana jika algoritma ini diterapkan
pada jaringan oportunistik yang notabenenya tidak menggunakan infrasturktur dan
pergerakan node yang cenderung mobile dalam hal mengestimasi total node dalam
jaringan.
Parameter yang digunakan dalam penelitian ini adalah Average
Convergence Time dan delivery probability. Dari hasil penelitian diketahui bahwa
algoritma ini cocok digunakan pada node yang pergerakannya random dan tidak
berkelompok, juga cocok digunakan pada dataset yang pergerakannya cenderung
membentuk kelompok tetapi hanya akan cocok ke node inisiator yang lebih populer
karena akan lebih banyak bertemu dengan node lain sehingga kedua fase baik mark
maupun recapture dapat berjalan dengan maksimal sedangkan pada node inisiator
yang kurang populer akan cenderung mendapatkan sedikit node pada kedua fase
karena ketidakpopuleran node sehingga fase mark dan recapture menghasilkan
hasil yang kurang maksimal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Opportunistic network is a type of network that not concerned with delay
and error rate as the main problem but is more concerned with the delivered
message from the source to the destination. In the opportunistic network,
infrastructure that we usually use is not in there, so all nodes in network will be a
carriers and message senders (relay node) in order to allow communication in the
network. In this research, the algorithm tested by the writer is Mark & Recapture
algorithm, a algorithm that use “mark, release and recapture” method is used an
approximation of how to estimate total nodes on a peer-to-peer network (wired
connection), the writer gonna test how if this algorithm is applied to opportunistic
network which notabene does not use the infrastructure and movement of nodes
that tent to mobile in terms of estimating the total nodes in the network.
The parameters used in this research are Average Convergence Time and
delivery probability. From this research result it is known this algorithm is suitable
for use on nodes that are have random movement and ungrouped, and also suitable
for the dataset that have the movements tends to form a group but will only fit into
the initiator node that more popular because the node will meet more the other nodes
so that both phases mark and recapture can run with the maximum result. While on
the less popular initiator nodes will likely get a little nodes at both of phase, because
the unpopularity of nodes so the mark and recapture phase will produce less
maximal result.
Keywords: Opportunistic Network, Mark & Recapture
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji Syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena atas
rahmat dan berkat-Nya penulis dapat menyelesaikan penyusunan tugas akhir
dengan tepat waktu. Dalam pelaksanaan penyusunan skripsi ini mendapatkan
banyak bimbingan dan bantuan dari berbagai pihak. Pada kesempatan ini penulis
mengucapkan banyak terimakasih kepada :
1. Tuhan Yesus Kristus atas berkatNya yang melimpah hingga penulis dapat
menyelesaikan tugas akhir ini.
2. Keluarga tercinta Papah Berth Penny Pahan, Mamah Septi Sundari, Adik
Chirstian Natalius dan Agustin Dio Revaldo, serta keluarga besar yang selalu
mendukung saya dan menjadi motivasi saya untuk menyelesaikan tugas akhir.
3. Bapak Bambang Soelistijanto, S.T, M.Sc., Ph.D. selaku dosen pembimbing
tugas akhir yang sudah memberikan banyak bimbingan dan ilmu dalam
mengerjakan tugas akhir.
4. Bapak Robertus Adi Nugroho S. T., M. Eng. selaku dosen pembimbing
akademik yang memberikan bimbingan selama perkuliahan.
5. Diri saya sendiri yang selalu mau berusaha, mau bertanya, tidak kalah dengan
keadaan hingga tugas akhir ini bisa terselesaikan.
6. Teman – teman angkatan 2015 T. Informatika yang senantiasa membantu saya
dan selalu mendukung saya dalam menyelesaikan tugas akhir.
7. Teman – teman Jaringan Komputer 2015 T. Informatika yang senantiasa
membantu saya dan selalu mendukung saya dalam menyelesaikan tugas akhir.
8. Kakak tingkat dan adik tingkat yang sudah memberikan dukungan sehingga
penulis dapat termotivasi mengerjakan tugas akhir.
9. Sahabat Savior, Sembada, 07 – 08 Ks. Tubun, Masa Depan, Aliansi Ayam,
PUBG TI Sanata Dharma, Raminten Klub, Sob Meja Kotak AU, Kost Ibu
Katrin yang selalu mendukung saya dan memotivasi saya dalam menyelesaikan
tugas akhir.
10. Yoo Jeongyeon Twice, yang selalu membuat saya bersemangat dalam
menyelesaikan tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
Penulis sadar bahwa masih banyak kekurangan dalam tugas akhir ini. Saran
dan kritik yang membangun akan sangat membantu untuk hasil yang lebih baik ke
depannya
Penulis,
Geraldev Manoah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN PERSETUJUAN ............................................................................ iii
HALAMAN PENGESAHAN ............................................................................. iv
HALAMAN 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 ........................................................................................... xvi
BAB I PENDAHULUAN .................................................................................... 1
1.1. Latar Belakang....................................................................................... 1
1.2. Rumusan Masalah .................................................................................. 3
1.3. Tujuan ................................................................................................... 3
1.4. Manfaat Penelitian ................................................................................. 3
1.5. Batasan Masalah .................................................................................... 3
1.6. Metodologi Penelitian ............................................................................ 4
1.7. Sistematika Penulisan ............................................................................ 5
BAB II LANDASAN TEORI ............................................................................. 7
2.1. Mobile Ad hoc Network (MANETs) ....................................................... 7
2.2. Jaringan Oportunistik ............................................................................. 7
2.3. Spray and Wait ...................................................................................... 9
2.4. Algoritma Mark and Recapture............................................................ 12
BAB III METODE PENELITIAN ..................................................................... 17
3.1. Alat Penelitian ..................................................................................... 17
3.2. Parameter Simulasi .............................................................................. 18
3.3. Pergerakan Node.................................................................................. 19
3.4. Metriks Unjuk Kerja ............................................................................ 20
3.5. Skenario Simulasi ................................................................................ 22
3.6. Topologi Jaringan ................................................................................ 23
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
3.7. Desain Tahap Pengujian....................................................................... 23
BAB IV PENGUJIAN DAN ANALISIS ........................................................... 26
4.1. RandomWayPoint ................................................................................ 26
4.2. Haggle 3 – Infocom 5 .......................................................................... 28
4.3. Reality MIT ......................................................................................... 30
4.4. Perbandingan Delivery Probabilty, Overhead Ratio dan Latency Average
RandomWayPoint , Haggle 3 - Infocom 5 dan Reality .................................... 32
BAB V KESIMPULAN DAN SARAN.............................................................. 38
5.1. Kesimpulan.......................................................................................... 38
5.2. Saran ................................................................................................... 39
DAFTAR PUSTAKA ........................................................................................ 40
LAMPIRAN ...................................................................................................... 41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR GAMBAR
Gambar 2.2.1 Ilustrasi Store- Carry- Forward ...................................................... 8
Gambar 2.3. 1 Ilustrasi Source Spray ................................................................. 10 Gambar 2.3. 2 Ilustrasi Binary Spray.................................................................. 11
Gambar 2.3. 3 Ilustrasi Spray and Wait .............................................................. 11
Gambar 2.4.1 Ilustrasi Mark and Recapture ....................................................... 12
Gambar 2.4.2 Ilustrasi Mark & Recapture pada node (Source Mark) .................. 14
Gambar 2.4.3 Ilustrasi Mark & Recapture pada node (Binary Mark) .................. 15
Gambar 2.4.4 Ilustasi Mark & Recapture pada node (Recapture)........................ 16
Gambar 4. 1 Grafik RandomWayPoint Convergence Counting dengan Mark = 20
.......................................................................................................................... 26 Gambar 4. 2 Grafik RandomWayPoint, Average Convergence Counting dengan
Node Initiator 50 node ...................................................................................... 27 Gambar 4. 3 Grafik Haggle3 Convergence Counting dengan Mark = 5 ............. 28
Gambar 4. 4 Grafik Haggle3 Average Convergence Counting dengan Inisiator 41
node ................................................................................................................... 29
Gambar 4. 5 Grafik Reality Convergence Counting dengan Mark = 30 .............. 30 Gambar 4. 6 Grafik Reality, Average Convergence Counting dengan Node Inisiator
97 node .............................................................................................................. 31 Gambar 4. 7 Grafik RandomWayPoint Delivery Probabilty ............................... 32
Gambar 4. 8 Grafik Haggle3 Delivery Probabilty ............................................... 32 Gambar 4. 9 Grafik Reality Delivery Probabilty ................................................. 33
Gambar 4. 10 Grafik RandomWayPoint Overhead Ratio .................................... 34 Gambar 4. 11 Grafik Haggle3 Overhead Ratio ................................................... 34
Gambar 4. 12 Grafik Reality Overhead Ratio ..................................................... 35 Gambar 4. 13 Grafik RandomWayPoint Latency ............................................... 35
Gambar 4. 14 Grafik Haggle3 Latency ............................................................... 36 Gambar 4. 15 Grafik Reality Latency ................................................................. 36
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR TABEL
Tabel 3.2. 1 Tabel Simulasi RandomWayPoint .................................................. 18
Tabel 3.2. 2 Tabel Simulasi Reality .................................................................... 18
Tabel 3.2.3 Tabel Simulasi Haggle3 ................................................................... 19
Tabel 3.5. 1 Tabel Skenario Simulasi ................................................................. 22
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
DAFTAR RUMUS
Rumus 3.3.1 Total Node .................................................................................... 20
Rumus 3.3.2 Delivery Probability ...................................................................... 21
Rumus 3.3 3 Overhead Ratio ............................................................................. 21
Rumus 3.3 4 Latency ......................................................................................... 21
Rumus 3.3.5 Average Convergence Counting .................................................... 22
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Desain jaringan yang biasa kita kenal dan gunakan saat ini
merupakan jaringan yang berbasis infrastruktur atau alat. Infrastruktur ini
mengacu pada organisasi dan berbagai bagian konfigurasi, dari jaringan
komputer individu sampai pada router, switch, kabel, access point,
backbone, network protocol, network access methodologies dan perangkat
jaringan lainnya, sebagai media transmisi maupun stebagai media
komunikasinya. Pada jaringan sendiri ada dua jenis komunikasi, yaitu yang
menggunakan kabel (wired) maupun nirkabel (wireless). Jaringan Berkabel
(Wired Network) adalah suatu media transmisi data yang digunakan dalam
jaringan ini berupa kabel. Kabel tersebut digunakan untuk menghubungkan
satu komputer dengan komputer lainnya untuk bisa saling bertukar
informasi atau data yang terhubung dalam suatu internet. Salah satu media
trasmisi yang digunakan dalan wired network ini adalah kabel UTP.
Sedangkan Jaringan Nirkabel (Wireless Network) adalah suata media
transmisi data jaringan yang tidak menggunakan sebuah kabel, karena
jaringan ini tanpa kabel tetapi dalam jaringan ini diperlukan gelombang
elektromagnetik sebagai media trasmisi datanya.
Dari penjelasan di atas, sebuah tantangan kemudian muncul,
bagaimana komunikasi akan terus berjalan tanpa adanya infrastruktur
jaringan seperti saat ini ? Solusinya ialah dengan menggunakan skema
jaringan ad hoc. Jaringan ad hoc merupakan jaringan yang tidak
menggunakan infrastruktur dan mengandalkan transimisi nirkabel untuk
berkomunikasi. Tetapi, pada jaringan ad hoc pun terdapat masalah yaitu
adanya mobilitas dari pengguna dan perangkatnya. Ini disebut dengan
Mobile Ad Hoc Network (MANET). Pada MANET setiap node dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
jaringan berperan sebagai pengirim pesan (relay node), karena adanya
mobilitas dari setiap node maka akan menyebabkan perubahan topologi
jaringan secara terus menerus sehingga akan ada node yang terputus atau
keluar dari jangkauan node yang lainnya. Permasalahan inilah yang
dihadapi oleh MANET.
Untuk mengatasi masalah tersebut maka dikembangkanlah jaringan
bernama Opportunistic Network (Jaringan Opportunistik). Jaringan
Opportunistik adalah jaringan yang tidak mementingkan delay pada saat
komunikasi yang penting pesan dapat tersampaikan, pada Jaringan
Opportunistik yang berperan dalam pembawa pesan adalah node. Akan
tetapi, dalam menentukan jumlah node dalam jaringan juga penting untuk
mengetahui ukuran node (jumlah node) dan juga untuk mengetahui status
node tersebut dalam lingkupnya. Namun menentukan ukuran node (jumlah
node) di jaringan cukup sulit dilakukan karena adanya aktivitas dan luasnya
wilayah jangkauan node tersebut. Untuk mengatasi masalah tersebut
dikembangkanlah suatu langkah bernama algoritma Mark and Recapture.
Algoritma ini diharapkan bisa mengestimasi jumlah node dalam jaringan
dengan mengambil sampling pada dua fase antara mark and recapture
kemudian menghitungnya dengan rumus.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.2. Rumusan Masalah
Berdasarkan latar belakang diatas, rumusan masalah yang diambil
adalah seberapa efektif algoritma Mark & Recapture dalam mengestimasi
jumlah node di jaringan.
1.3. Tujuan
Tujuan yang akan dicapai dalam tugas akhir ini adalah untuk
mengetahui serta menganalisis kelebihan dan kekurangan algoritma Mark
and Recapture jika diterapkan pada jaringan oportunisitk.
1.4. Manfaat Penelitian
Hasil penelitian ini diharapkan dapat digunakan sebagai
pertimbangan dalam menentukan algoritma yang digunakan dalam
menentukan total node pada jaringan oportunistik.
1.5. Batasan Masalah
Dalam pelaksanaan tugas akhir ini , masalah dibatasi sebagai berikut:
1. Estimator yang digunakan adalah Mark and Recapture.
2. Menggunakan pergerakan Random way point dan manusia
3. Node yang digunakan adalah dynamic.
4. Pengujian dilakukan dengan dengan ONE Simulator.
5. Parameter unjuk kerja yang digunakan adalah Convergence Counting,
Delivery Probabilty, Overhead Ratio, Avergae Latency.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.6. Metodologi Penelitian
Adapun metodologi penelitian dan langkah-langkah yang digunakan
dalam pelaksanaan tugas akhir ini adalah sebagai berikut :
1. Studi Literatur
Mengumpulkan berbagai macam referensi dan mempelajari teori-teori
yang mendukung penulisan, seperti:
a. Teori jaringan oportunistik
b. Teori algoritma Mark and Recapture
c. Teori Estimator pada Global Informartion di Mobile Opportunistic
Network
d. Dokumentasi ONE Simulator
e. Tahap – tahap membangun simulasi
2. Perancangan
Tahapan ini merupakan rancangan scenario yang digunakan dalam
penelitian yang terdiri dari :
a. Luas jaringan tetap
b. Jumlah node tetap
c. Kerapatan node (density)
d. Pergerakan node menggunakan Random way point dan manusia
3. Pembangunan Simulasi dan Pembangunan Data
Simulasi jaringan oportunistik pada tugas akhir ini menggunakan
ONE Simulator serta menggunakan report sebagai media pengumpulan
data berdasarkan parameter unjuk kerja yang telah ditentukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
4. Analisis Data Simulasi
Dalam tahap ini, penulis menganalisis hasil pengukuran dari proses
simulasi. Analisis didapatkan berdasarkan pengamatan dari beberapa kali
pengukuran dengan menggunakan parameter simulasi yang berbeda.
5. Penarikan Kesimpulan
Penarikan kesimpulan dilakukan berdasarkan performance metric
yang diperoleh dari proses menganalisis data.
1.7. Sistematika Penulisan
Sistematika penulisan dibagi menjadi beberapa bab dengan susunan
sebagai berikut :
BAB I : PENDAHULUAN
Bab ini membahas tentang latar belakang, rumusan masalah, manfaat dan
tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika
penulisan,
BAB II : LANDASAN TEORI
Bab ini membahas teori – teori yang mendukung dan menjadi dasar dari
penelitian.
BAB III : METODE PENELITIAN
Bab ini membahas tentang metodologi penelitian yang dilakukan.
BAB IV: PENGUJIAN DAN ANALISIS
Bab ini berisi tentang tahap pengujian, yaitu simulasi, dan analisis hasil data
simulasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB V: KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan hasil penelitian dan saran dari penulis
untuk penelitian selanjutnya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
BAB II
LANDASAN TEORI
2.1. Mobile Ad hoc Network (MANETs)
Mobile Ad hoc Network (MANET) adalah sebuah jaringan nirkabel
yang terdiri dari beberapa node yang tidak memerlukan infrastruktur. Setiap
user dan perangkat pada jaringan ini bersifat mobile (bebas bergerak). Setiap
node dalam jaringan dapat berperan sebagai host, router, maupun relay
yang berfungsi sebagai penghubung antar tiap node dengan node yang
lainnya.
MANET melakukan komunikasi secara peer to peer menggunakan
routing dengan cara multi-hop. Informasi yang akan dikirimkan disimpan
dahulu dan diteruskan ke node tujuan melalui node perantara (relay). Ketika
topologi mengalami perubahan karena adanya mobilitas tiap node, maka
perubahan topologi harus diketahui oleh setiap node.
2.2. Jaringan Oportunistik
Jaringan Oportunistik adalah jenis jaringan yang tidak
mementingkan delay dan error rate sebagai masalah utamanya tetapi lebih
mementingkan pada sampai nya pesan dari source menuju destination. Pada
jaringan Oportunistik infrastruktur seperti yang biasanya kita gunakan
sudah tidak ada,sehingga semua node dalam jaringan akan berfungsi
sebagai pembawa dan pengirim pesan (relay node) agar memungkinkan
terjadinya komunikasi dalam jaringan tersebut. Oleh karena itu, pada
jaringan Oportunistik komunikasi tidak selalu dapat terjadi seperti pada
jaringan komunikasi pada umumnya. Jaringan Oportunistik ini termasuk
dalam non-deterministic network yang berarti pertemuan antar tiap node
tidak dapat diprediksikan. Ini dikarenkan antara source dan destination
tidak selalu diketahui arahnya karena topologi yang berubah – ubah. Selain
itu juga karena jangkauan transmisi tiap node yang terbatas dan pergerakan
node yang bisa menyebabkan koneksi terputus. Pergerakan node yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
mobilitas juga akan menyebabkan perubahan topologi sehingga node tidak
dapat terus menerus terhubung ke node lain.
Karenanya, jaringan Oportunistik memiliki beberapa karakteristik
seperti Intermitten Connectivity, yaitu konektivitas tiap node yang tidak
selalu terjadi, terkadang terputus kemudian terhubung kembali. Latency,
yaitu berapa lama waktu pesan dapat sampai dari source menuju
destination. Low data rate, yaitu berapa jumlah pesan yang dapat
disampaikan pada jangka waktu tertentu. High error rate, yaitu seberapa
tinggi kemungkinan pesan untuk gagal ditransmisikan karena pergerakan
node dalam jaringan. Keterbatasan sumber daya pada node, karena
komunikasi pada jaringan dilakukan oleh node, mulai dari mengirim hingga
menerima, sehingga sumber daya antar node menjadi terbatas karena tidak
dapat terus bekerja untuk membantu melancarkan transmisi dalam jaringan.
Gambar 2.2.1 Ilustrasi Store- Carry- Forward
Karena kondisi ini, koneksi end-to-end path tidak dapat
diimplementasikan sehingga pengangan pada jaringan Oportunistik menjadi
berbeda. Yaitu dengan mekanisme store-carry-forward. Cara kerjanya
pesan akan dikirim secara bertahap melalui antar node di jaringan, pada
node pesan akan disimpan, kemudian dibawa dan diteruskan ke node lain
yang terkoneksi hingga sampai ke destination. Dalam jaringan Oportunistik
proses store-carry-forward dilakukan pada sebuah layer tambahan yang
disebut bundle layer dan data yang tersimpan sementara disebut dengan
bundle. Forwarding data dalam jaringan Oportunistik terjadi jika tidak ada
koneksi yang tersedia pada waktu tertentu maka node source perlu
menyimpan dan membawa pesan sampai ke node berikutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Pada jaringan oportunistik terdapat protocol routing untuk
menyebarkan pesan, salah satunya protocol Epidemic, yaitu dengan
menyebarkan pesan ke semua jaringan atau menyebarkan jumlah copy
pesan yang sama dengan jumlah node yang ada di jaringan. Akan tetapi,
apabila jumlah copy pesan sama dengan jumlah node maka akan sangat
membebani jaringan. Maka dari itu, muncul beberapa routing untuk
memperbaiki kekurangan routing Epidemic, salah satunya adalah routing
Spray and Wait.
2.3. Spray and Wait
Routing Spray and Wait merupakan protokol yang digunakan untuk
mengatasi flooding yang terjadi pada routing protocol Epidemic. Routing
Spray and Wait akan mengontrol pengiriman pesan dengan mengendalikan
jumlah copy message untuk mengurasi cost. Penyebaran message yang
dilakukan routing ini menggunakan cara yang sama dengan Routing
Epidemic. Setelah message disebar oleh relay node ketika salah satu relay
node bertemu dengan node destination dengan probabilitas delivery yang
tinggi. Pada saat node destination tidak dapat ditemukan maka relay node
dapat melakukan transmisi secara langsung ke node destination.
Routing Spray and Wait memperbaiki Routing Epidemic, dimana
routing ini bertujuan untuk mengontrol flooding dengan cara membatasi
pesan yang dikirim atau mengurangi jumloah copy message (L copies) yang
dibuat dan mengurangi overhead di Epidemic yang berhubungan dengan
jumlah node (N). Pada routing Spray and Wait memanfaatkan dari Routing
Epidemic dimana transmisi message akan lebih cepat dan delivery ratio
yang tingg serta proses forwarding ke node destination secara langsung.
Dalam Routing Spray and Wait memiliki dua fase yaitu :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Fase Spray
Pada fase ini dilakukan proses multi-cast untuk mengirimkan copy
message dari source ke relay node. Jika destination tidak ditemukan dalan
fase ini maka akan ada fase wait dimana setiap relay node yang sudah
memiliki copy message akan menunggu sampai destination ditemukan.
Source Spray
Source Spray adalah dimana hanya souce node saja yang
menyebarkan message ke relay node hingga bertemu dengan destination.
Gambar 2.3. 1 Ilustrasi Source Spray
Binary Spray
Binary Spray adalah dimana jika copy message pada relay node
lebih dari satu relay node dapat menyebarkan copy message n/2 ke relay node
lainnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Gambar 2.3. 2 Ilustrasi Binary Spray
Fase Wait
Pada fase ini node dapat menyampaikan pesan ke destination secara
langsung ketika TTL(Time-To-Live) masih belum berakhir. Fase ini node
akan meneruskan pesan ke relay node yang memegang satu message copy
dan akan masuk ke fase wait. Relay node akan menunggu hingga bertemu
dengan destination dan melakukan forward pesan.
Gambar 2.3. 3 Ilustrasi Spray and Wait
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Pada spray and wait untuk menentukan copy pesan (L copy) yaitu diset
di awal. Apabila nilai copy pesan diset diawal maka akan mengakibatkan nilai
delivery yang kecil apabila diset terlalu kecil, kemudian apabila terlalu besar
maka akan mengakibatkan beban di jaringan menjadi tinggi. Copy pesan yang
baik adalah ½ dari jumlah node yang ada di jaringan. Oleh sebab itu, untuk
mengatasi masalah tersebut pada penelitian ini akan menerapkan algoritma
Mark & Recapture untuk menghitung jumlah total node sehingga node dapat
menentukan nilai copy pesan.
2.4. Algoritma Mark and Recapture
Metode mark and recapture merupakan metode penandaan paling
sederhana, dikenal juga dengan Metode Petersen (sensus tunggal). Prinsip
metode ini pertama kali dipakai oleh John Graunt untuk memperkirakan
penduduk kota London pada tahun 1662. Penggunaan dalam studi biologi
pertama kali digunakan oleh C.G.J. Petersen untuk memperkirakan populasi
ikan, pada tahun 1896. Setelah itu banyak ahli biologi yang menggunakan
metode ini pada berbagai jenis bintang.
Prinsip metode ini adalah dengan menangkap individu tersebut
kemudian memberinya tanda (mark), kemudian individu tersebut
dilepaskan kembali dan dibiarkan selama beberapa waktu sebelum
penangkapan periode kedua. Kemudian pada penangkapan kedua dilakukan
perhitungan terhadap individu yang telah tertangkap ulang (recapture).
Gambar 2.4.1 Ilustrasi Mark and Recapture
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Contoh impelementasi mark and recapture pada gambar 2.4.1.
Ilustrasi Mark and Recapture, seorang peneliti ingin menentukan populasi
ikan pada sebuah danau. Pada penangkapan pertama, peneliti tersebut
berhasil menangkap sebanyak 60 ekor ikan dan ditandai. Individu yang telah
ditandai dilepaskan kembali dan dibiarkan selama beberapa hari hingga
stress ikan hilang. Setelah itu dilakukan penangkapan kedua dan diperoleh
40 ekor ikan dan di dalamnya terdapat 20 individu yang telah bertanda.
Berapakah perkiraan ukuran populasi (jumlah individu) ikan di danau
tersebut?
Diketahui:
M : 60 ekor
C : 40 ekor
m : 20 ekor
Jawab:
N = ( 60 x 40) : 20
= 120 ekor ikan
Jadi di dalam danau tersebut diperkirakan terdapat 120 ekor ikan.
Perkiraan ukuran populasi akan menjadi lebih teliti apabila dilakukan
pengulangan beberapa kali dan dicari nilai rata-rata dari pengulangan
tersebut. Metode mark and recapture sering digunakan untuk menentukan
ukuran populasi hewan-hewan kecil seperti serangga dan hewan air yang
sulit diamati langsung secara visual. Untuk hewan-hewan besar seperti rusa
dan gajah dapat dilakukan dengan pengamatan udara dan perekaman dengan
hasil yang lebih meyakinkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Gambar 2.4.2 Ilustrasi Mark & Recapture pada node (Source Mark)
Algoritma mark and recapture ini akan digunakan untuk
mengetahui jumlah node dalam jaringan dengan menggunakan source mark
dan binary mark. Untuk mengestimasi jumlah node pada jaringan
dibutuhkan node yang bernama “initiator” , kemudian semua node yang
tersisa dalam jaringan adalah “non-initiator”. Pada gambar 2.4.2 Ilustrasi
Mark & Recapture pada node (Source Mark), initiator bertindak sebagai node
awal yang melakukan kedua fase mark dan recapture dengan pergerakan
random. Pada fase mark, initiator akan menentukan berapa jumlah mark
yang diinginkan kemudian initiator akan mencari node lain secara acak
untuk ditandai dan diberi dengan status 1, node yang tertanda akan
melakukan update total estimasi dari initiator, node non-initiator juga akan
melakukan update estimasi ke initiator, akan seperti ini hingga jumlah mark
yang ditentukan kurang dari 1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Gambar 2.4.3 Ilustrasi Mark & Recapture pada node (Binary Mark)
Pada gambar 2.4.3 Ilustrasi Mark & Recapture pada node Binary’s
Mark), initiator bertindak sebagai node awal yang melakukan kedua fase
mark dan recapture dengan pergerakan random. Pada fase mark, initiator
akan menentukan berapa jumlah mark yang diinginkan kemudian initiator
akan mencari node lain secara acak untuk ditandai kemudian membagi 2
jumlah mark ke node non initiator dan diberi dengan status 1 kemudian
node yang tertanda memiliki hak untuk menandai node lain dan akan
melakukan update total estimasi dari initiator, node non-initiator juga akan
melakukan update estimasi ke initiator, akan seperti ini hingga jumlah mark
yang ditentukan kurang dari 1.
M = Jumlah Copy
Mark
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Gambar 2.4.4 Ilustasi Mark & Recapture pada node (Recapture)
Pada Gambar 2.4.4 Ilustasi Mark & Recapture pada node (Recapture),
ketika total mark pada node initiator kurang dari 1 maka fase recapture akan
dijalankan. Pada fase recapture, ketika node initiator bertemu dengan node
lain akan melakukan cek apakah sudah tertanda pada fase mark sebelumnya,
jika ya maka akan dimasukan ke dalam set newComer (set untuk node yang
tertanda pada fase mark) dan juga dimasukan kedalam set recapture. Untuk
mengetahui berapa node yang tertanda pada kedua fase (marked node) ,
maka set recapture akan dikurangi dengan set newComer. Node initiator
akan menghitung dengan rumus mark * recapture / marked node. Kemudian
akan menyebarkan hasil estimasi nya ke node lain di jaringan.
Setelah melihat implementasi di atas maka ada beberapa asumsi jika
digunakan pada jaringan oportunistik diantaranya :
1. Populasi nya harus tertutup, sehingga node konstan.
2. Semua non-initiator node memiliki kemungkinan yang sama untuk
bertemu dan dicatat id nya pada fase mark maupun recapture.
3. Non-initiator node tidak boleh kehilangan tanda diantara dua fase.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
BAB III
METODE PENELITIAN
3.1. Alat Penelitian
a. Hardware
Sistem Operasi : Windows 10 Pro 64-bit (10.0, Build 17134)
Manufaktur Sistem : Acer
Sistem Model : Aspire E5 – 475G
Prosesor : Intel(R) Core(TM) i3-6006U CPU @
2.00Ghz (4 CPUs), ~ 2,0 Ghz
Memory : 4096 MB RAM
b. Software
1. ONE Simulator (Opportunistic Network Environment)
Simulator ONE adalah suatu simulator dengan bahasa
pemrograman java, yang digunakan untuk melakukan simulasi
komunikasi pada jaringan opportunistik. Simulator ONE dapat
disesuaikan sesuai keb
utuhan simulasi yang ingin kita gunakan, seperti lama simulasi,
jumlah node, pergerakan node, visualisasi pergerakan, report
message, data statistik dan penyebaran message secara real time
pada tampilan grafis.
2. NetBeans IDE
NetBeans adalah suatu tools dengan bahasa pemrograman
java yang digunakan sebagai media ONE Simulator bekerja.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
3.2. Parameter Simulasi
Parameter simulasi yang digunakan pada penelitian ini dan yang
akan digunakan pada beberapa skenario adalah sebagai berikut :
Parameter Nilai
Luas Area 1000, 1000
Waktu Simulasi 864000
Ukuran Buffer 10M
Ukuran Pesan 10k
TTL 1440
Jumlah Node 50
Kecepatan Node 1.5, 2.5
Interval Pembuatan Pesan 25, 35
Pergerakan RandomWayPoint
Tabel 3.2. 1 Tabel Simulasi RandomWayPoint
Parameter Nilai
Luas Area 150, 150
Waktu Simulasi 8490908
Ukuran Buffer 10M
Ukuran Pesan 10k
TTL 1440
Jumlah Node 97
Kecepatan Node 1.5, 2.5
Interval Pembuatan Pesan 25, 35
Pergerakan Reality
Tabel 3.2. 2 Tabel Simulasi Reality
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Parameter Nilai
Luas Area 150, 150
Waktu Simulasi 274883
Ukuran Buffer 10M
Ukuran Pesan 10k
TTL 1440
Jumlah Node 36
Kecepatan Node 1.5, 2.5
Interval Pembuatan Pesan 25, 35
Pergerakan Haggle3
Tabel 3.2.3 Tabel Simulasi Haggle3
3.3. Pergerakan Node
3.3.1. Random Way Point
Pergerakan ini merupakan model umum yang biasanya
digunakan pada Ad Hoc Network dengan menggunakan mobilitas node.
Ini adalah model dasar yang menggambarkan pola pergerakan node
independen dengan sederhana. Setiap node bergerak dengan zigzag dari
satu waypoint ke waypoint selanjutnya. Waypoint terdistribusi secara
seragam pada area yang ditentukan, kecepatannya juga bisa secara acak
tetapi dalam kasus dasar kecepatannya konstan. Secara opsional, setiap
node memiliki fase bernama “waktu berpikir” ketika mereka berapa di
waypoint dan ingin melanjutkan ke waypoint selanjutnya.
3.3.2. Haggle 3 – Infocom 5
Dataset ini merupakan data pertemuan antar partisipan yang
hadir pada konferensi IEEE Infocom di Miami. Setiap partisipan
diberikan device (iMotes) yang digunakan untuk mencatat data
pertemuan antar para partisipan. Tercatat dari 50 partisipan yang
dipilih, device yang mengahasilkan data yang valid dan juga dapat
digunakan untuk melakukan penelitian yaitu 41 device. Durasi dari
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
simulasi dataset Haggle 3 – Infocom 5 adalah 274883 atau sekitar 3,18
hari.
3.3.3. Reality MIT
Dataset ini merupakan data pertemuan antar mahasiswa dari 2
fakultas di Universitas MIT. Jumlah partisipan yang digunakan dalam
simulasi ini sebanyak 75 mahasiswa Fakultas Media Laboratory dan 25
mahasiswa dari Fakultas Business. Dari 100 mahasiswa yang hadir
dalam pertemuan, device yang menghasilkan data yang valid dan dapat
digunakan untuk melakukan penelitian sebanyak 97. Durasi simulasi
pada dataset Reality Mining ini adalah 1 tahun akademik.
3.4.Metriks Unjuk Kerja
Ada beberapa metriks unjuk kerja untuk membuktikan algoritma
Mark & Recapture diantaranya :
a. Total node
Total node adalah estimasi total node pada jaringan oportunistik.
Rumus 3.3.1 Total Node
�̂� = 𝑀𝐶
𝑚
Dengan keterangan : 𝑁 ̂ = Estimasi jumlah node
M = Jumlah node yang ditemui dan ditandai pada fase mark
C = Jumlah node yang ditemui pada fase recapture
m = Jumlah node bertanda yang ditemui pada fase recapture
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
b. Delivery Probabilty
Delivery Probabilty adalah metrik unjuk kerja yang menunjukan
seberapa probabilitas pesan sampai dari source ke destination. Semakin
tinggi delivery probability nya maka semakin baik.
Rumus 3.3.2 Delivery Probability
𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑦 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
c. Overhead Ratio
Overhead Ratio adalah metrik unjuk kerja yang menunjukan banyaknya
jumlah pesan yang terkirm dari jumlah copy yang dibuat. Unjuk kerja
jaringan dapat dikatakan baik jika memiliki overhead ratio yang rendah.
Rumus 3.3 3 Overhead Ratio
𝑂𝑣𝑒𝑟ℎ𝑒𝑎𝑑 𝑅𝑎𝑡𝑖𝑜
=𝑆𝑢𝑚 𝑜𝑓 𝑅𝑒𝑙𝑎𝑦𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 − 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
d. Latency
Latency adalah metrik unjuk kerja yang menunjukan jumlah rata – rata
waktu yang dibutuhkan sebuah pesan untuk mencapai tujuan sejak
pertama pesan dibuat.
Rumus 3.3 4 Latency
𝐿𝑎𝑡𝑒𝑛𝑐𝑦 =𝑆𝑢𝑚 𝑜𝑓 𝐿𝑎𝑡𝑒𝑛𝑐𝑦 𝑜𝑓 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Metrik yang digunakan untuk mengukur kinerja algoritma Mark &
Recapture yaitu :
e. Average Convergence Counting
Average Convergence Counting adalah metrik untuk menentukan
rata – rata hasil counting setiap node untuk mencapai jumlah total node
dalam jaringan.
Rumus 3.3.5 Average Convergence Counting
ACC = 𝑆𝑢𝑚 𝑜𝑓 𝐶𝑜𝑢𝑛𝑡𝑖𝑛𝑔
𝑇𝑜𝑡𝑎𝑙 𝑜𝑓 𝑁𝑜𝑑𝑒𝑠
3.5. Skenario Simulasi
Skenario simulasi dilakukan dengan membuat code algoritma Mark
& Recapture, menggunakan beberapa pergerakan salah satunya
Random way point dan manusia, kemudian mengubah jumlah node,
lama simulasi, pemilihan node populer dan node tidak populer
berdasarkan penelitian total contact frequency untuk melihat unjuk kerja
algoritma Mark & Recapture.
Tabel 3.5. 1 Tabel Skenario Simulasi
PERGERAKAN SCENARIO TIME(SECOND)
ACTIVE TIME TOTAL
NODE ACTIVE
TOTAL
NODE INACTIVE
RESTART COUNTING(SECOND)
RandomWayPoint 864000 0 – 432000 50 0 172000
432000 – 864000 25 25
Haggle3-infocom5 274883 0 – 154800 41 0 174960
154800 – 274883 20 21
Reality MIT 8490908 0 – 4611600 97 0 5226000
4611600 –
8490908
49 48
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
3.6. Topologi Jaringan
Pada jaringn oportunistik, karena pergerakan node yang mobility
maka topologi jaringannya pun akan ikut berubah seiring dengan
mobilitas node. Karenanya, bentuk topologi pada jaringan oportunisitik
tidak dapat digambarkan secara spesifik.
3.7. Desain Tahap Pengujian
1. Studi Pustaka
Studi pustaka dilakukan dengan membaca jurnal yang
berkaitan dengan algoritma Mark & Recapture dan mempelajari
penggunaan ONE Simulator.
2. Desain Alat Uji
Alat uji yang digunkan merupakan implementasi dari
algoritma Mark & Recapture di ONE Simulator dengan bahasa
pemrograman java.
i. Perhitungan Mark & Recapture
Masukan : Himpunan node yang ditemui oleh source node pada
dua fase Mark & Recapture
Luaran : Nilai estimasi jumlah node dengan algoritma Mark &
Recapture
ii. Pseudo-code Mark & Recapture
Pseudo New Mark Message
1. Inisiator membuat pesan Mark dengan label MARK
2. Tambahkan properti copy ke pesan Mark
3. Inisiasi jumlah copy pesan Mark
4. Inisiator menyebarkan pesan Mark
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Pseudo Mark & Recapture
Node I bertemu node J
Mark :
1. Cek apakah node I masih memiliki copy pesan Mark
2. Cek apakah node J tidak memiliki copy pesan Mark
dari node I
a. Jika ya, beri copy
Recapture :
1. Ambil semua pesan yang ada pada node J
2. Cek semua pesan yang ada pada node J
3. Cek apakah node J memiliki pesan Mark dari node I
a. Jika ya, simpan node J ke dalam
recaptureNode dan markNode
b. Jika tidak, simpan node J ke dalam
recaptureNode
Pseudo Counting
Counting :
1. Cek apakah waktu simulasi sudah melebihi batas
rentan waktu
2. Cek apakah copy pesan Mark tersisa 1
3. Cek apakah markNode memiliki isi atau tidak
a. Jika ya maka masuk ke rumus totalEstimation
= nrofMark * recaptureNode / markedNode
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Pseudo Delete Mark Message
1. Cek apakah TTL pesan Mark kurang dari 0, jika ya :
a. Hapus properti copy pesan Mark pada node J
b. Estimasi diset menjadi 0 pada node I
c. Hapus isi markNode pada node I
d. Hapus isi recaptureNode pada node I
Algoritma mark & recapture jika diterapkan pada jaringan
oportunistik akan mengalami beberapa masalah karena adanya
sifat mobilitas dari setiap node, delay yang tinggi, dan jalur end-to-
end path yang tidak tersedia. Maka tantangan yang akan dihadapi
dalam penelitian adalah :
Apabila menggunakan pergerakan reality (manusia) maka
probabilitas setiap node untuk ditandai tidak sama karena
pola pergerakan node sendiri tidak bisa diprediksi dan
cenderung berkelompok.
Semakin lama interval untuk fase recapture maka hasil
estimasi akan semakin bagus.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
BAB IV
PENGUJIAN DAN ANALISIS
Untuk mengevaluasi unjuk kerja algoritma Mark & Recapture, dilakukan
simulasi dengan skenario yang telah dirancang seperti pada parameter simulasi
BAB III, pada dataset Random Way Point, Haggle 3 – Infocom 5 dan Reality
Mining oleh MIT. Data hasil simulasi diperoleh dari report yang dipanggil ketika
simulasi dijalankan.
4.1. RandomWayPoint
Gambar 4. 1 Grafik RandomWayPoint Convergence Counting dengan Mark = 20
Pada gambnar 4.1, berdasarkan hasil simulasi, digunakan 3 node inisiator
yang dipilih secara random yaitu node initiator 33, node initiator 35 dan node
initiator 37 dan total node active selama simulasi. Terlihat bahwa algoritma
Mark & Recapture pada pergerakan Random Way Point, node inisiator dapat
menghasilkan estimasi yang mendekati total node pada jaringan. Ketika ada
beberapa node yang mati dan counting direstart, perhitungan node initiator
akan adaptif mengikuti jumlah node.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Gambar 4. 2 Grafik RandomWayPoint, Average Convergence Counting dengan Node Initiator 50 node
Pada gambar 4.2 digunakan Mark = 15, Mark = 20, Mark = 25 dan Total
Node Active, terlihat bahwa rata – rata perhitungan tiap node initiator
cenderung sama, bergantung pada Mark message yang diset oleh tiap initiator.
Ini dikarenakan pada pergerakan randomwaypoint tiap node memiliki peluang
yang sama untuk ditandai, sehingga tiap node initiator akan menghasilkan
hitungan yang mendekati total node pada jaringan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
4.2. Haggle 3 – Infocom 5
Gambar 4. 3 Grafik Haggle3 Convergence Counting dengan Mark = 5
Berdasarkan hasil simulasi, digunakan 3 node inisiator yaitu node
21 dengan keterangan paling populer di jaringan, node 28 dengan keterangan
node standar dan node 34 dengan keterangan node paling tidak populer di
jaringan dan total node active selama simulasi, terlihat bahwa algoritma Mark
& Recapture pada dataset Haggle 3 – Infocom 5 inisiator node 21 yang paling
populer dapat menghasilkan hasil yang tinggi dan mendekati total node pada
jaringan, node 28 menghasilkan hasil yang agak kurang tetapi lebih baik dari
node 35, sedangkan node 35 yang paling tidak populer memiliki hasil yang
sangat kurang dalam mengestimasi karena lebih sedikit bertemu dengan node
lain. Semakin populer node inisiatornya, maka hasil estimasi juga akan
semakin akurat, sebaliknya semakin tidak populernya node inisiator maka
estimasi akan semakin tidak akurat. Ketika setengah node dimatikan dan
counting di restart, perhitungan node initiator ppopuler akan adaptif
mengikuti jumlah node sedangkan node yang tidak populer tidak melakukan
counting karena tidak bertemu node lainnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Gambar 4. 4 Grafik Haggle3 Average Convergence Counting dengan Inisiator 41 node
Pada gambar 4.3 dan 4.4 menujukan bahwa rata – rata perhitungan tiap
node initiator berbeda, tergantung dari Mark message yang diset oleh setiap
node initiator. Terlihat ketika Mark = 20 rata – rata yang dihasilkan cenderung
lebih baik walaupun tidak mendekati total node yang sebenarnya, kemudian
Mark = 10 dan Mark = 15 yang tidak menghasilkan grafik yang baik, hal ini
dikarenakan tidak semua node mengestimasi total node di jaringan sehingga
ketika dirata – ratakan, grafik cenderung rendah. Kemudian, semakin tinggi
total Mark yang ditentukan juga maka semakin tinggi rata – rata estimasi
tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
4.3. Reality MIT
Gambar 4. 5 Grafik Reality Convergence Counting dengan Mark = 30
Berdasarkan hasil simulasi, digunakan 3 node inisiator yaitu node 95 dengan
keteranga node yang paling populer di jaringan, node 84 dengan keterangan
node yang standar dan node 87 dengan keterangan node yang paling tidak
populer di jaringan dan total node active selama simulasi, terlihat bahwa
algoritma Mark & Recapture pada dataset Reality ketiga node inisiator
menghasilkan hasil yang sangat jauh berbeda. Semakin populer node
inisiatornya, maka hasilnya juga semakin baik, sebaliknya semakin tidak
populernya node inisiator cenderung menghasilkan grafik yang tidak baik.
Ketika setengah node dimatikan dan counting di restart, perhitungan node
initiator ppopuler akan adaptif mengikuti jumlah node sedangkan node yang
tidak populer tidak melakukan counting karena tidak bertemu node lainnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Gambar 4. 6 Grafik Reality, Average Convergence Counting dengan Node Inisiator 97 node
Pada gambar 4.3 dan 4.4 menujukan bahwa rata – rata perhitungan
dengan MessageEventGenerator cenderung lebih baik daripada tanpa
MessageEventGenerator, hal ini dikarenakan ketika melakukan penyebaran
message, jika dengan MessageEventGenerator node akan cenderung lebih
mementingkan menyebarkan message yang berupa informasi terlebih dahulu
dibandingkan dengan MARK message, sehingga perhitungan rata - rata akan
cenderung tidak maksimal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
4.4. Perbandingan Delivery Probabilty, Overhead Ratio dan Latency Average
RandomWayPoint , Haggle 3 - Infocom 5 dan Reality
Setelah dilakukan simulasi dengan skenario pada Bab III, hasil pengiriman
pesan dengan menentukan copy message secara adaptif akan dibandingkan
dengan copy message yang sudah ditentukan diawal, maka didapatkan hasil
sebagai berikut :
Gambar 4. 7 Grafik RandomWayPoint Delivery Probabilty
Gambar 4. 8 Grafik Haggle3 Delivery Probabilty
0,8231
0,8184
0,82
0,8212
0,8245
0,815
0,816
0,817
0,818
0,819
0,82
0,821
0,822
0,823
0,824
0,825
L = 5 Mark 15 Mark 20 Mark 25 L = 40
Pro
bab
ilty
L Copy
RandomWayPoint Delivery Probabilty
0,5843
0,5241 0,5254 0,5299
0,6194
0,46
0,48
0,5
0,52
0,54
0,56
0,58
0,6
0,62
0,64
L = 5 Mark 5 Mark 10 Mark 15 L= 40
Pro
bab
ilty
L Copy
Haggle3 Delivery Probability
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Gambar 4. 9 Grafik Reality Delivery Probabilty
Pada gambar menunjukan bahwa copy pesan yang diset kecil mendapatkan
delivery yang lebih rendah sehingga untuk mengirim pesan membutuhkan waktu
yang agak lama karena sedikitnya relay node yang mendapatkan copy pesan
sedangkan copy pesan yang diset besar mendapatkan delivery yang lebih tinggi
sehingga untuk mengirim pesan hanya membutuhkan waktu yang singkat karena
banyaknya relay node yang mendapatkan copy pesan. Kemudian jika mark yang
diset kecil akan mendapatkan delivery probability yang rendah, sedangkan jika
mark diset besar maka delivery probability akan meningkat.
0,0661
0,07650,0826 0,0795
0,1078
0
0,02
0,04
0,06
0,08
0,1
0,12
L = 5 Mark = 15 Mark = 30 Mark = 45 L = 85
Pro
bab
ilty
L Copy
Reality Delivery Probabilty
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Gambar 4. 10 Grafik RandomWayPoint Overhead Ratio
Gambar 4. 11 Grafik Haggle3 Overhead Ratio
4,693
9,003912,335
14,905
39,5913
0
5
10
15
20
25
30
35
40
45
L = 5 Mark 15 Mark 20 Mark 25 L = 40
Ove
rhe
ad
L Copy
RandomWayPoint Overhead Ratio
6,5986 7,0199 8,357311,1007
35,1361
0
5
10
15
20
25
30
35
40
L = 5 Mark 5 Mark 10 Mark 15 L= 40
Ove
rhea
d
L Copy
Haggle3 Overhead Ratio
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Gambar 4. 12 Grafik Reality Overhead Ratio
Pada gambar menunjukan bahwa node dengan jumlah copy pesan yang kecil
akan menghasilkan overhead ratio yang rendah dibandingkan dengan node dengan
copy pesan yang banyak menghasilkan overhead ratio yang tinggi. Kemudian jika
mark mark yang diset kecil akan mendapatkan overhead ratio yang rendah,
sedangkan jika mark diset besar maka overhead ratio akan meningkat.
Gambar 4. 13 Grafik RandomWayPoint Latency
30,0692
41,6647
51,715654,581
75,0781
0
10
20
30
40
50
60
70
80
L = 5 Mark = 15 Mark = 30 Mark = 45 L = 85
Ove
rhe
ad
L Copy
Reality Overhead Ratio
4128,3888
3340,0217
2921,9633 2770,4294
2093,9406
00
500
1000
1500
2000
2500
3000
3500
4000
4500
L = 5 Mark 15 Mark 20 Mark 25 L = 40
Seco
nd
L Copy
RandomWayPoint Latency
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Gambar 4. 14 Grafik Haggle3 Latency
Gambar 4. 15 Grafik Reality Latency
Pada gambar menunjukkan bahwa semakin besar jumlah copy pesan maka
semakin rendah latency yang dihasilkan karena banyaknya relay node yang
membantu dalam penyebaran pesan.
Untuk copy pesan adaptif algoritma Mark & Recapture cukup baik dalam
memperbaiki copy pesan terlihat dari grafik delivery probability, overhead ratio,
dan latency average, karena node menentukan jumlah copy pesannya sendiri
dengan cara ½ dari pengetahuan yang dimiliki setiap node sehingga delivery
21120,0481
25832,942927268,0298 26460,9509
20186,6213
0
5000
10000
15000
20000
25000
30000
L = 5 Mark 5 Mark 10 Mark 15 L= 40
Seco
nd
L Copy
Haggle 3 Latency
37892
104641,6832
91498,2106 91688,068
42246,354
0
20000
40000
60000
80000
100000
120000
L = 5 Mark = 15 Mark = 30 Mark = 45 L = 85
Seco
nd
L Copy
Reality Latency
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
probability, overhead ratio, dan latency average lebih baik daripada Spray and
Wait dengan copy pesan yang sudah ditentukan diawal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Setelah melakukan proses pengujian dan analisis melalui simulasi, ada
beberapa kesimpulan, yaitu algoritma Mark & Recapture jika diterapkan pada
pergerakan RandomWayPoint akan cocok karena pada situasi ini semua node
memiliki peluang yang sama untuk ditandai sehingga baik fase mark maupun
fase recapture dapat berjalan dengan maksimal karena tiap node inisiator
memiliki peluang yang sama untuk bertemu dengan node lain.
Sedangkan algoritma Mark and Recapture jika diterapkan pada dataset
manusia seperti Haggle 3 dan Reality, node inisiator yang populer pada
jaringan cenderung akan lebih dominan karena kepopulerannya sehinggan
node lain akan condong menuju ke node inisiator tersebut sehingga baik fase
mark dan fase recapture dapat berjalan dengan maksimal, sedangkan node
yang tidak populer akan menghasilkan hasil yang cenderung tidak bagus
seperti pada dataset Reality ada node inisiator yang lebih sedikit bertemu
dengan node lain sehingga kedua fase baik fase mark maupun recapture akan
berjalan kurang maksimal.
Kelebihan dari algoritma Mark & Recapture ini adalah hasil estimasi adaptif
terhadap total node di jaringan karena adanya skema recounting.
Kekurangannya adalah jika pada pergerakan manusia, karena tidak semua node
memiliki peluang yang sama untuk menandai dan ditandai maka tidak semua
node initiator dapat menghitung hasil estimasi dengan baik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
5.2. Saran
Karena pada penelitian ini tidak semua inisiator memiliki estimasi yang
baik, di penelitian selanjutnya mungkin bisa diteliti bagaimana caranya jika ada
inisiator yang tidak dapat mengestimasi dengan baik mendapatkan nilai
estimasi dari node lain.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
DAFTAR PUSTAKA
[1] Alessio Guerrieri, Iacopo Carreras, Francesco De Pellegrini, Alberto Montresor,
& Daniele Miorandi., “Distributed Estimation of Global Parameters in Delay-
Tolerant Networks”. University of Trento, via Sommarive 14, I-38050,
CREATE-ne. Via alla Cascata 56/D, I-38100, Povo, Trento, Italy.
[2] Suvadip Batabyal & Parama Bhaumik., “Estimators for Global Information in
Mobile Opportunistic Network”. School of mobile Computing and
Communication, Dept. of Information Technology. Jadavpur University,
Kolkata.
[3] Estimators of Population Size and Other Parameters – Closed and Open
Population Models.
[4] Sandeep Mane, Sandeep Mopuru, Kriti Mehra & Jaideep Srivastava.,
“Network Size Estimation In A Peer-to-Peer Network”. University of
Minnesota. Minneapolis, Minnesota, USA.
[5] Thrasyvoulos Spyropoulos, Konsrantinos Psounis, & Cauligi S.Raghavendra.,
“Spray and Wait: An Efficient Routing Scheme for Intermittently Connected
Mobile Networks”. Department of Electrical Engineering, USC.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
LAMPIRAN
1. Listing MarkAndRecapture.java
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI