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


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


iv

HALAMAN PENGESAHAN

SKRIPSI



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.


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


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


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:



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


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.


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


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.


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


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


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


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


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


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


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


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.


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.


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


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.


6

BAB V: KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan hasil penelitian dan saran dari penulis

untuk penelitian selanjutnya


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


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.


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 :


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.


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


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


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.


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.


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


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.


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.


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


Ukuran Buffer 10M

Ukuran Pesan 10k

TTL 1440

Jumlah Node 97



Pergerakan Reality

Tabel 3.2. 2 Tabel Simulasi Reality


19

Parameter Nilai

Luas Area 150, 150


Ukuran Buffer 10M

Ukuran Pesan 10k

TTL 1440

Jumlah Node 36



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


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


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


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


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


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


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.


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.


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.


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.


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.


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.


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.


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


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


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


Ove

rhea

d

L Copy

Haggle3 Overhead Ratio


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


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


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


37

probability, overhead ratio, dan latency average lebih baik daripada Spray and

Wait dengan copy pesan yang sudah ditentukan diawal.


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.


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.


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.


41

LAMPIRAN

1. Listing MarkAndRecapture.java


42


43


44


45


46


MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK...

Documents

Transcript of MENGHITUNG JUMLAH NODE DI JARINGAN OPPORTUNISTIK...