PAPER CRITICAL REVIEW SISTEM MULTIAGENT PADA … · dalam sub bab : (2) Teori multiagent system; (3...

Sistem Multiagent Pada Wireless Sensor Network 1

PAPER CRITICAL REVIEW :SISTEM MULTIAGENT PADA WIRELESS SENSOR NETWORK

Oleh :Seno Adi Putra (33213009)

Sekolah Teknik Elektro dan InformatikaInstitut Teknologi Bandung

Email : [email protected]

I. PendahuluanSaat ini perkembangan teknologi sensor semakin pesat, dengan pengembangan kapabilitas tidakhanya pada aspek pengindraan dan signal acquisition, namun memiliki kapabilitas dalam melakukankomputasi dan komunikasi dengan perangkat lainnya. Sensor ini dinamakan sebagai Wireless SensorNetwork (WSN) yang juga memanfaatkan teknologi internet sebagai media komunikasinya.

WSN memiliki beberapak karakteristik : alokasi energi dan bandwidth terbatas, unattended adhoc deployment, cakupan skala luas, high noise dan fault rate, lingkungan yang dinamis dan takmenentu, serta memberikan dampak pada pengembangan aplikasi yang variatif seperti structuralmonitoring, bio-habitat monitoring, industrial monitoring, disaster management, militarysurveillence, dan building security. Karakteristik ini memberikan tantangan bagi pengembangan WSNselanjutnya.

Paper ini menjelaskan critical review tentang beberapa paper terkait dengan implementasimultiagent system pada WSN yang dapat dijadikan state of the art penelitian. Paper ini dibagi kedalam sub bab : (2) Teori multiagent system; (3) Analisis perbandingan framework pengembanganSistem Multiagent; (4) Analisis perbandingan arsitektur sistem mobile agent pada WSN; (5) AnalisisPerbandingan Mobile Agent Platform pada WSN; (6) Analisis perbandingan metode Mobile AgentItinerary Planning di WSN; dan (7) Analisis perbandingan contoh aplikasi WSN berbasis multiagentyang sudah dikembangkan. Berdasarkan [6], untuk mendisain WSN berbasis mobile agent denganefisiensi tinggi, terdapat 4 katageori isu yang perlu dikaji, yaitu isu arsitektur, isu itinerary planning,isu middleware design, dan isu hardware Design.

II. Teori Multiagent SystemMenurut [8], Agent adalah sistem komputer yang memiliki kapabilitas melakukan aksi yang otonomdi lingkungan tertentu untuk mencapai tujuan yang didelegasikan kepadanya. Agent yang intelligentmemiliki perilaku reaktif, proaktif, dan sosial. Sistem reaktif adalah sistem yang memelihara interaksiyang sedang berjalan dengan lingkungannya dan memberikan respon terhadap perubahan yangterjadi. Sistem reaktif adalah sistem yang menjaga keberlangsungan interaksinya denganlingkungannya dan merespon perubahan yang terjadi di lingkungan sekitarnya. Proaktif (goaldirected behaviour) berarti agent menghasilkan dan berusaha untuk mencapai goal, tidak hanyadidorong oleh event, namun punya inisiatif dan mengenali opportunity. Kemampuan sosial adalahkemampuan untuk berinteraksi dengan agent lain (dapat juga manusia) melalui kerja sama,koordinasi, dan negosiasi. Istilah umumnya adalah kemampuan untuk berkomunikasi. Properti-properti agent lainnya adalah mobility, veracity (ketelitian), benevolence (dapat bekerja sama),rationality, dan learning/Adaption.

Sejalan dengan sistem komputer yang semakin komplek, diperlukan abstraksi dan metaforayang lebih powerful untuk menjelaskan operasi sistem komputer. Penjelasan low level menjadi tidakpraktis. Intentionalstance adalah salah satu bentuk abstraksi itu.

Intentional notion adalah bentuk tool abstraksi yang memberikan kenyamanan dan cara yangfamiliar untuk mendeskripsikan, menjelaskan, dan memprediksi perliku sistem komplek.Pengembangan terpenting dalam komputasi adalah berbasis pada abtraksi baru, yaitu abstraksiprosedural, tipe data abstrak, dan obyek-obyek. Menurut Daniel Dennett istilah intentional systemmendeskripsikan entitas-entitas yang perilakunya dapat diidentifikasi oleh metode pengatributanbelief, desire, dan rational acumen. Agent, sebagai intentional system, merepresentasikan abstraksipowerful lebih lanjut.


Arsitektur Belief, Desire, Intention (BDI) adalah arsitektur agent yang populer. Salah satuarsitektur BDI yang terkenal adalah Procedural Reasoning System (PRS). Arsitektur ini digambarkanseperti ditunjukkan pada Gambar 1 berikut ini.

Gambar 1. Arsitektur PRS menurut [9]

Pada sistem PRS, belief merepresentasikan informasi yang dimiliki agent terkait denganlingkungannya. Desire merepresentasikan tugas-tugas yang diberikan kepada agent sesuai denganobyektif atau tujuan yang harus dicapainya. Intention merepresentasikan desire yang agentkomitmen lakukan. Plan menentukan beberapa daftar aksi-aksi yang dapat dilakukan agent untukmendukung intention-nya. Empat struktur data ini dikelola oleh intrepeter agent yang bertanggungjawab dalam memperbaharui belief dari hasil observasi lingkungan, menghasilkan desire baru(pekerjaan) sebagai dasar belief baru, dan memilih beberapa set pekerjaan yang harus dilakukansebagai intention-nya. Selanjutnya intrepeter memilih aksi yang harus dilakukan.

Sistem Multiagent adalah sistem yang terdiri dari agent-agent yang berinteraksi satu samalain untuk melakukan kerja sama, koordinasi, dan negosiasi. Kerja sama adalah bekerja secarabersama-sama untuk meraih goal bersama, biasanya didorong oleh pernyataan bahwa “tidak adasatu agent yang bisa mencapai goalnya sendirian” atau “Kerja sama akan menghasilkan hasil yanglebih baik (misalnya, proses berjalan cepat)”. Koordinasi adalah mengelola ketergantungan antaraktifitas, sebagai contoh, jika agent ingin menggunakan resource yang tidak di-share, maka perludilakukan koordinasi. Beberapa alasan agent perlu koordinasi adalah : (1) tujuan agent (goal) dapatmenyebabkan konflik di antara aksi-aksi agent, (2) dalam mencapai tujuan, agent dapat salingketergantungan antar satu agent dengan agent lainnya, (3) agent memiliki kapabilitas danpengetahuan berbeda, (4) tujuan agent dapat tercapai dengan cepat jika agent berbeda pekerjaandan kapabilitas bekerja sama secara terkoordinir. Negosiasi adalah kemampuan untuk mencapaipersetujuan terkait dengan kepentingan umum, biasanya melibatkan offer dan counter-offer,dengan kompromi-kompromi yang dibuat oleh partisipan-partisipan.

Teknik koordinasi penting untuk alokasi pekerjaan dan sumber daya di antara agent danpenentuan struktur organisasi adalah protokol contact net. Pendekatan ini berdasarkan strukturterdesentralisasi di mana agent-agent berperan dalam dua peran, yaitu manajer dan kontraktor.Dasar pemikiran dari bentuk koordinasi ini adalah jika sebuah agent tidak dapat menyelesaikanmasalah yang diberikan kepadanya menggunakan sumber daya lokalnya, maka dilakukandekomposisi masalah ke dalam sub-masalah dan mencoba mencari agent lain yang dapatmenyelesaikan sub masalah tersebut. Secara umum penyelesaian sub masalah ini terdiri dari tigatahap, yaitu (1) pengumuman kontrak oleh agent manajer, (2) pengiriman penawaran oleh agentkontraktor sebagai respon pengumuman kontrak, dan (3) evaluasi penawaran yang telah dikirimoleh kontraktor dan menentukan agent kontraktor yang akan dipercaya untuk menyelesaikan submasalah. Gambaran umum tiga tahap ini diilustrasikan pada Gambar 2 berikut ini.


Gambar 2. Fase-fase pada protokol contract net

III. Analisis Perbandingan Framework Pengembangan Sistem MultiagentSaat ini bahasa komunikasi agent yang banyak digunakan dan dipelajari adalah FIFA (Foundation forIntelligent Physical Agents ) ACL (Agent Communication Language). Saat ini FIFA dikembangkansebagai standar aktifitas IEEE, bernama FIPA-IEEE. Beberapa kelompok kerja melakukan pekerjaanpada area agent dan interoperabilitas web service, komunikasi manusia-agent, mobile agent, danpeer-to-peer agent pengembara. FIPA menurut [9] secara umum memiliki kesuksesan sebagaiberikut:1. Set spesifikasi standar yang mendukung komunikasi antar agent dan layanan-layanan middleware

kunci.2. Arsitektur abstrak yang menyediakan tampilan luas terhadap standar-standar FIPA2000.

Arsitektur ini melengkapi Java Community Project bernama Java Agent Service (JAS) (JSR82).3. Bahasa komunikasi agent yang dispesifikasi secara baik bernama FIPA ACL.

JADE (Java Agent Development Environtment) merupakan agent platform yang mengikutstandar FIPA. JADE menerapkan spesifikasi manajemen agent secara lengkap sebagaimana didefinisikan oleh FIPA seperti Agent management System (AMS), Directory Facilitator (DF), MessageTransport Service (MTS), Agent Communication Channel (ACC). JADE juga menerapkan FIPA AgentCommunication Stack mulai dari FIPA ACL untuk struktur pesannya, FIPA SL untuk ekspresi kontenpesan, ditambah dukungan untuk interaksi FIPA dan protokol transport.

JADE juga mendefinisikan komponen-komponen di luar yang didefinisikan FIPA sepertiterdistribusi, fault tolerant, arsitektur kontainer, arsitektur service internal, persistent messagedelivery, semantic framework, mekanisme keamanan, mobilitas agent, interaksi web service,antarmuka grafis, dan sebagainya.

Beberapa agent framework telah dikembangkan untuk lingkungan desktop. Seiring denganperkembangan teknologi mobile phone, banyak pengembangan framework serupa untuk diterapkandi lingkungan yang serba memiliki keterbatasan misalnya Java ME CLDC. Jadi saat ini, frameworkagent dibagi ke dalam kedua kategori, yaitu untuk lingkungan desktop dan lingkungan CLDC. Salahsatu lingungan CLDC yang cukup terkenal adalah Agent Factory Micro Edition (AFME). Contohframework yang serupa adalah JADE LEAP, 3APL-M, SAGE LITE, dan CourgaarME. JADE LEAP,CougaarME, MicroFIPA-OS, dan SAGE Lite merupakan framework pengembangan teknologi agent,namun berbeda dengan AFME, framework tersebut tidak reflective (kemampuan melakukanpenalaran tentang dirinya) dan tidak menggunakan bahasa pemrograman abstrak yang berbasispada teori agent rasional. 3APL-M dengan AFME memiliki kesamaan di mana keduanya memilikikapabilitas penalaran, namun 3APL-M tidak memiliki komponen jaringan [10] sedangkan AFMEmemiliki komponen tersebut melalui message transport service. Ukuran kode program AFME relatifkecil dibandingkan dengan framework lainnya di mana infrastruktur intinya berukuran hanya 77 Kb.Menurut eksperimen yang dilakukan [10], diperoleh bahwa AFME waktu eksekusinya daripada 3APL-M, namun demikian 3APL-M memiliki fitur-fitur yang tidak didukung AFME di mana 3 APL-Mmenggabungkan prolog engine di dalamnya.


IV. Analisis Perbandingan Arsitektur Sistem Mobile Agent pada WSNBerdasarkan paper [1] dideskripsikan survey tentang aplikasi-aplikasi mobile agent di WSN besertaisu-isu penelitian terkait dengan pengembangannya. Paper ini mendeskripsikan aplikasi-aplikasi danarsitektur penyebaran data berbasis mobile agent di WSN. Paper ini juga menjelaskan fungsionalitasdisain agent ke dalam empat komponen, yaitu arsitektur, itinerary planning, middleware systemdesign, dan agent cooperation.

Hal penting dari paper [1] adalah penjelasan secara umum, namun jelas dan mudah dipahami,tentang aplikasi-aplikasi yang menerapkan mobile agent seperti visual sensor network dan targettracking. Pada bagian pendahuluan, paper ini menjelaskan secara singkat dan jelas dua pradigmapenyebaran data pada WSN, yaitu berbasis client-server dan berbasis mobile agent.

Menurut paper [1], paradigma client-server merupakan metode tradisional penyebaran datadi WSN. Kemunculan event me-trigger node-node sumber di sekitarnya untuk mengumpulkan danmengirim data ke sink sendiri-sendiri. Jumlah aliran data umumnya sama dengan jumlah node-nodesumber sehingga menyebabkan konsumsi bandwidth dan energi yang cukup tinggi. Pendekatan inimenyebabkan ketidakseimbangan konsumsi energi di jaringan karena node-node yang lebih dekatdengan sink akan mengirim lebih banyak data, yaitu data miliknya maupun data yang dititipkan darinode lain. Paradigma client-server, menurut [1], pada WSN ditunjukkan pada Gambar 3 berikut ini.

Gambar 3. Arsitektur client-server pada WSN menurut [1]

Lebih lanjut paper [1] mendeskripsikan pendekatan berbasis mobile agent sebagai alternatifpendekatan arsitektur dari WSN. Pada pendekatan ini sink node mengirimkan mobile agent ke areatarget untuk mengunjungi node satu per satu, data-data sensor dikurangi dan dikumpulkan olehagent, dan selanjutnya sesuai dengan instruksi mobile agent, data-data tersebut dikirim kembali kesink. Pendekatan ini menghasilkan satu aliran lalu lintas data daripada banyak aliran lalu lintas data.Gambar 4 berikut mendeskripsikan pendekatan arsitektur WSN berbasis mobile agent menurut [1].

Gambar 4. Arsitektur mobile agent pada WSN menurut [1]

Khusus penjelasan arsitektur mobile agent, paper [1] secara jelas mendeskripsikan tantangdua tipe arsitektur WSN berbasis mobile agent, yaitu : Architecture in Hierarchical Sensor Networkdan Architecture in Flat Sensor Network. Pada architecture in Hierarchical Sensor Network peranatau kapabilitas setiap node tidak sama. Sensor disegmentasi dalam bentuk cluster sehingga metodediseminasi data terdiri dari :1. Intra-cluster : Setiap cluster head memberangkatkan mobile agent yang akan mengunjungi semua

anggota cluster satu per satu untuk menghimpun dan melakukan aggregasi data. Setelah mobileagent kembali ke cluster head-nya, mobile agent ini akan mengirimkan data yang sudahdiaggregasi ke sink node.


2. Inter-cluster : Metode ini tidak melibatkan operasi mobile agent di dalam cluster, melainkanmobile agent bermigrasi di antara cluster head dan processing center.

Architecture in Flat Sensor Network dibagi ke dalam dua pendekatan arsitektur, yaitu Mobile Agent-Based Distributed Sensor Network (MADSN) dan Mobile Agent-Based WSN (MAWSN). MADSNmerupakan paradigma berbasis agent pertama yang bisa diadopsi baik hierichcal dan Flat WSN. Padaparadigma ini sink memberangkatkan beberapa mobile agent untuk secara langsung mengumpulkandata di area target. Node-node sumber diasumsikan dekat dengan sink. Namun, metode inimenyebabkan overhead yang besar ketika mengirimkan kode-kode mobile dari sink ke sensor nodesetiap saat. Pada MAWSN, dimungkinkan dilakukan pengurangan redudancy informasi di level :1. Node. Data mentah, yang dihasilkan oleh masing-masing sensor node, dikurangi oleh child agent.

Lalu, hanya informasi relevan yang dikirim ke sink.2. Child agent. Ketika node-node saling berdekatan, maka pengukuran node-node tersebut akan

menampilkan tingkat korelasi yang tinggi. Jadi, perlu dilakukan aggregasi data untuk mengurangiredudancy data sensor dari satu event tunggal ketika child agent mengunjungi node-node sumberyang mendeteksi event tersebut.

3. Mother Agent. Setelah agent-agent anak kembali ke mother agent, mother agent selanjutnyamengurangi redudancy yang terjadi di data yang terkumpul oleh berbagai child agent.

Menurut [1] MADSN dan MAWSN diilustrasikan dengan Gambar 5 berikut ini.

(a) (b)Gambar 5. Arsitektur berbasis mobile agent pada flat sensor network menurut [1]:

a) MSDSN; b) MAWSN

Penjelasan tentang itinerary planning pada [1] tidak terlalu detil yang hanya menjelaskanpembagian tipe mobile agent, yaitu static planning, dynamic planning, dan hybrid planning. Itinerariplanning mencakup dua isu yang harus diselesaikan oleh sink dan mobil agent secara otonom, yaitupemilihan set node-node sumber yang akan dikunjungi oleh mobile agent dan penentuan urutankunjungan ke sumber-sumber dengan mempertimbangkan efisiensi energi.

Pada static planning, Agent itinerari ditentukan sepenuhnya oleh sink node sebelum agentdiberangkatkan. Dispatcher menggunakan informasi network global terkini dan mendapatkan jaluragent efisien sebelum mobile agent dikirim. Ada dua pendekatan static planning, yaitu local closestfirst (LCF) dan global closest first (GCF). Misalkan LCF dan GCF berjalan pada sensor node yang samayang dekat dengan dispatcher, lalu LCF mencari node berikutnya dengan jarak terpendek dengannode yang saat ini berjalan, sedangkan GCF mencari node berikutnya yang dekat dengan dispatcher.Algoritma genetik dapat digunakan untuk mobile agent itinerary planning dimana setiap node tidakdikunjungi berulang-ulang dalam satu putaran. Meskipun optimasi global akan diperoleh, namunpenggunaan algoritma ini bukan solusi yang ringan untuk sensor node yang memiliki energi terbatas.

Pada dynamic planning dimungkinkan setiap mobile agent menentukan node berikutnyauntuk dikunjungi pada setiap titik pemberhentian di jalur migrasinya. Rute agent dinamis harusmemperhatikan trade-off antara biaya migrasi dan keakuratan migrasi. Pendekatan Dynamicplanning mencari sensor node yang memiliki sisa energi yang terbesar membutuhkan konsumsienergi paling sedikit untuk migrasi agent, dan menyediakan informasi yang lengkap atau akurat.


Pada Hybrid Planning, pemilihan set kunjungan node sumber adalah statik, sedangkankeputusan urutan kunjungan node sumber adalah dinamis. Pada Hybrid Planning diperkenalkankosep Mobile Agent-Based Directed Diffusion (MADD) di mana jika sumber di area target mendeteksievent yang diharapkan, sumber-sumber tersebut mengirim paket-paket exploratory ke sink.Berdasarkan paket-paket ini sink secara statistik memilih sumber-sumber yang akan dikunjungi olehmobile agent, lalu mobile agent secara otonom memutuskan urutan kunjungan ke sumber.

Paper [1] sangat membantu para peneliti yang ingin memulai penelitiannya di bidang mobileagent di WSN. Salah satu kelemahan paper ini adalah tidak terlalu membahas secara rinci tentangmiddleware system design dan agent cooperation sehingga perlu pendalaman paper lain.

Pada paper[6] dijelaskan lebih rinci tentang Multiple MA-based WSN. Jika dibandingkandnegan paper [1], konsep arsitektur yang ditawarkan sama, yaitu konsep MADSN. Paper[6] jugamendeskripsikan tiga tipe data fusion pattern, yaitu conventional pattern, single MA-based pattern,dan multiple MA-based pattern. Pada WSN yang konvensional, data yang dikumpulkan oleh sensorditransmisikan dari sensor ke sink. Konsep ini sama dengan konsep client-server yang diajukan padapaper[1]. Pattern arsitektur yang kedua adalah berbasis single mobile agent di mana hanya satumobile agent saja yang dikirimkan ke setiap sensor node. Terakhir, pattern yang dideskripsikanadalah Multiple mobile agent di mana pattern menurut paper[1] dikategorikan ke dalam dua tipe,yaitu MADSN dan MAWSN.

Paper[6] lebih lanjut lagi mendeskripsikan tiga isu-isu kritis dari implementasi WSN yang tidakdijelaskan dalam paper[1], yaitu delay scalability, potential route efficiency, dan traffic loadbalancing. Pattern pertama berpotensi untuk terciptanya isu traffic load di mana pada jaringan WSNdimungkinkan akan terjadi banjir data, khususnya jika setiap saat sensor harus mengirim data kesink. Pattern kedua berpotensi menyebabkan delay di mana semakin bertambah skalabilitas jaringanWSN maka akan semakin lama mobile agent bermigrasi. Pattern ketiga adalah salah satu solusiterbaik dalam mengimplementasikan mobile agent, namun demikian pattern ini juga berpotensiuntuk terjadinya potential route inefficiency karena jika tidak dikelola dengan baik maka mobileagent akan melakukan rute perjalanan yang membuang energi besar.

Sama halnya paper [1], paper[6] juga mendeskripsikan isu-isu penting dalam mendisain mobileagent yang efisien, yaitu isu arsitektur, isu itinerary planning, isu disain middleware, dan isu disainhardware. Keempat kategori isu ini dapat menjadi inspirasi bagi peneliti untuk memfokuskanpenelitiannya di masing-masing kategori ini.

V. Analisis Perbandingan Mobile Agent Platform pada WSNMenurut paper [2], mobile agent adalah entitas piranti lunak yang me-enkapsulasi perilaku

dinamis dan punya kemampuan untuk bermigrasi dari satu node komputasi ke node lainnya untukmenyelesaikan tugas-tugas terdistribusi. mobile agent dapat mendukung pemrograman WSN padatingkat aplikasi, middleware, dan network. mobile agent didukung oleh Mobile Agent System (MAS)yang menyediakan API untuk mengembangkan aplikasi berbasis agent, agent server yangmengeksekusi agent-agent dengan menyediakan layanan dasar seperti migrasi, komunikasi, danpengaksesan sumber daya node. Paper [2] melakukan perbandingan contoh mobile agent Agilla,ActorNet, MAPS, dan AFME dan membantu peneliti di WSN dalam mempertimbangkan penggunaanmiddleware platform.

Agilla[2] adalah middleware berbasis agent yang dikembangkan di atas TinyOS danmendukung multipe agent pada setiap node-nya. Agilla menyediakan dua sumber daya fundamentalpada setiap node-nya, yaitu tuplespace yang merepresentasikan ruang memory yang di-share dimana data terstruktur (tuple) disimpan dan diambil, memungkinkan agent bertukar informasi secaradecouple (Tuplespace dapat diakses secara remote); dan neighbour List yang mendaftarkan alamat-alamat node tetangga dalam satu hop. Neighbour List diperlukan jika sebuah agent harus bermigrasi.Pada Agilla, agent-agent dapat bermigrasi membawa kode dan state-nya, namun tidak membawatuple-nya yang disimpan di tuplespace.


ActorNet[2] adalah platform berbasis agent yang secara spesifik dirancang untuk sensor nodeberbasis Mica2/TinyOS. Untuk menangani kesulitan pada migrasi kode dan interoperabilitas yangdisebabkan oleh coupling yang ketat antara aplikasi dengan arsitektur-arsitektur sensor node,ActorNet menerbitkan service seperti virtual memory, context switching, dan multitasking. Fitur iniefektif mendukung pemrograman agent dengan menyediakan lingkungan komputasi yang seragamuntuk semua agent, tanpa memperhatikan perbedaan piranti lunak dan piranti keras.

MAPS[2] merupakan framework inovasi berbasis Java yang dikembangkan di atas teknologiSun Spot untuk memfasilitasi pemrograman berorientasi agent di aplikasi WSN. MAPS dirancangberdasarkan kebutuhan :1. Component-based lightweight agent server architecture untuk mencegah model kerja sama dan

concurency yang berat2. Lightweight agent architecture untuk mengeksekusi dan memigrasi agent secara efisien3. Core service yang minimal seperti migrasi agent, penamaan agent, komunikasi agent,

pengaksesan sumber daya sensor dan node (sensor, actuator, flash memory, dan radio)4. Plug-in based architecture extension5. Bahasa Java untuk mendefinisikan perilaku mobile agent.

MAPS menurut paper[7] biasa diinteroperasikan dengan JADE framework. JADE-MAPSgateway telah dikembangkan untuk memungkinkan agent-agent JADE berinteraksi dengan agent-agent MAPS. Meskipun JADE dan MAPS menggunakan platform Java, keduanya menggunakanmetode komunikasi yang berbeda. JADE mengirim pesan berdasarkan standar FIPA menggunakanspesifikasi Agent Communication Language (ACL), sedangkan MAPS membuat komunikasi pesannyasendiri berbasis event. Oleh sebab itu JADE-MAPS gateway memfasilitasi pertukaran pesan antaraagent-agent MAPS dengan JADE. Platform inter komunikasi MAPS dengan JADE memungkinkanpengembangan lebih lanjut aplikasi terdistribusi berbasis WSN di mana JADE digunakan pada basestation/koordinator/host dan MAPS diletakkan pada sensor node.

AFME menurut [2] merupakan agent paltform yang merujuk pada J2ME MIDP ringan opensource dan menerapkan Agent Factory Framework yang ada. AFME ditujukan untuk sistem wirelesspervasive sehingga secara spesifik AFME tidak dirancang untuk WSN. Namun, karena dukungan J2MEkepada platform sensor Sun Spot, AFME dapat diadopsi untuk pengembangan aplikasi WSN berbasisagent. AFME berbasis pada pradigma Believe-Desire-Intention di mana di dalamnya agent-agentmengikuti siklus sense-deliberate-act. AFME mendeskripsikan agent melalui mixeddeclarative/imperative programming model bernama Agent Factory Agent Programming Language(AFAPL), berbasis formalisme logik belief dan commitment. AFAPL digunakan untuk me-encodeperilaku agent dengan menentukan aturan-aturan yang mendefinisikan kondisi-kondisi dimanakomitmen diadopsi. Secara umum perbandingan platform middleware yang dijelaskan di paper[2]ditunjukkan pada Tabel I berikut ini.

Tabel IPerbandingan Mobile Agent Platform Menurut [2]


Berdasarkan eksperimen yang dideskripsikan di [2], dihasilkan AFME menunjukkan kinerjayang lebih baik dariada MAPS dengan diukur waktu komunikasi agent dihitung untuk dua agentyang berjalan di node berbeda dan mengukur waktu migrasi agent. Pada komunikasi agent,keduanya berkomunikasi seperti client-server.

Kelemahan paper [2] adalah tidak fokus pada obyek penelitian tentang multiagent sehinggaimplementasi sistem multiagent dengan menggunakan AFME tidak tergali secara lebih terperinci.Konsentrasi penjelasan paper ini lebih banyak pada perbandingan platform.

Sebagai pembanding paper [2], paper[3] mendeskripsikan MASPOT, mobile agent system forSun SPOT. Paper ini mendeskripsikan lebih detil daripada paper[2] terkait dengan implementasimobile agent pada WSN berbasis Sun SPOT. Paper ini juga lebih fokus membahas mobile agent padaplatform Sun SPOT. MASPOT menyediakan solusi terkait dengan isu kebutuhan akan reprogrammingjaringan dan penghematan konsumsi energi. MASPOT merupakan mobile agent berbasis Java yangmendukung migrasi kode. Paper ini mendeskripsikan eksperimen untuk mengevaluasi jumlah energiyang dihabiskan selama migrasi kode, yaitu hanya menghabiskan 0.03% dari baterai sensor node.Selain itu, MASPOT hanya menggunakan 1.5% saja alokasi Flash memory dari node Sun SPOT.

Paper [3] menjelaskan secara jelas tentang aspek-aspek utama dari Sun SPOT dan SQUAWKPlatform, arsitektur umum MASPOT, deskripsi rinci dari implementasi dari mobile agent, inter-agentcommunication service, khususnya deskripsi komunikasi antar base station dan mobile agent.Terakhir, paper ini menjelaskan evaluasi dari biaya, dalam hal energi, dari migrasi agent. Hasileksperimen, menurut [3], yang ditunjukkan pada Tabel II dan III menunjukkan bawa penerapanmigrasi isolation (weak) lebih baik dalam hal konsumsi energi daripada penerapan migrasi kuat.

Tabel IIHasil Penelitian [3] tentang Biaya Migrasi Agent

Tabel IIIHasil Penelitian [3] Tentang Presentase Mean dari Baterai yang Digunakan Per Migrasi

(Kapasitas Baterai : 720 mA)


Sehingga disimpulkan MASPOT yang menerapkan migrasi kuat mengkonsumsi 50% lebih bateraidaripada menerapkan migrasi isolasi.

Hal yang menarik dari paper [3] adalah dijelaskannya perbedaan dengan platform lain sepertiMAPS dan AFME yang tidak mendukung migrasi yang kuat, dengan kata lain isolate (weak)migration, di mana kedua platform ini hanya mendukung migrasi state obyek atau data, bukan kode.Konsekuensinya, jika ingin menerapkan platform mobile agent di MAPS dan AFME, kode-kode agentyang melakukan tugas spesifik harus diinstall terlebih dahulu di sensor node. Berbeda denganMASPOT, yang menurut [3] memungkinkan migrasi kode agent sehingga berdampak pada tidakhanya penghematan energi, namun juga adanya penghematan pada sumber daya memory. Namundemikian paper ini tidak membandingkan MASPOT dengan platform MAPS atau AFME.

Kelemahan paper [3] adalah tidak dideskripsikan mekanisme migrasi kode program dalambentuk algoritma atau sequence diagram seperti yang dijelaskan dalam paper [2]n danmenyelesaikan isu-isu CLDC yang tidak mendukung introspeksi kode program dan pencegahanloading secara dinamis obyek-obyek asing. Model agent seperti paradigma BDI yang merupakandomain menarik dalam sistem multiagent juga tidak dideskripsikan. Selain itu, contoh aplikasi terkaitdengan mekanisme perpindahan mobile agent yang digunakan dalam evaluasi migrasi agent jugatidak tergambarkan. Oleh sebab itu, perlu dilakukan riset terkait dengan implementasi konsepmultiagent, yaitu pradigma BDI dan konsep multiagent lain seperti cooperation , negotiation, dancoordination.

VI. Analisis Perbandingan Metode Mobile Agent Itinerary Planning di WSNSalah satu isu penting yang harus dipertimbangkan dalam merancang sistem multiagent pada WSNadalah itinerary. Itinerary adalah rute yang dilalui selama migrasi mobile agent. Pada paper [5]dideskripsikan secara singkat tentang teknik-teknik itinerary untuk mobile agent di WSN, sepertiLocal Closest First (LCF), Global Closest First (GCF), Genetic Algorithm (GA), Near-Optimal ItineraryDesign (NOID), dan Tree-Based Itinerary Design (TBID). Paper ini melakukan perbandingan antarteknik-teknik tersebut terkait dengan data aggregation cost, response time, dan estimated networklifetime. Paper[6] membahas hal yang sama, namun dengan penekanan pada multiple mobile agentitinerary planning (MIP), bukan pada single mobile agent itinerary planning (SIP). Pada paper inidijelaskan pembagian masalah MIP ke dalam empat bagian, yaitu pemilihan visiting central location(VCL) untuk setiap mobile agent, penentuan node-node sumber setiap mobile agent, penentuanurutan kunjungan ke sumber, dan iterative framework.

Paper [5] membahas secara singkat tentang algoritma NOID yang mengadopsi metode-metode yang biasanya diterapkan pada masalah mendisain jaringan, bernama Esau-Williams (E-W)heuristic untuk masalah Constrained Minimum Spanning Tree (CMST) pada reqirement spesifik WSN.Algoritma ini tidak hanya menyarankan jumlah mobile agent yang digunakan untuk meminimasibiaya aggregation secara keseluruhan, namun algoritma ini juga mengkonstruksi near-optimalitinerary untuk setiap mobile agent. Secara spesifik, NOID membuat mobile agent menjadi lebihberat ketika mengunjungi sensor node tanpa kembali lagi ke PE untuk mengirim data yangdikumpulkannya. Oleh sebab itu, NOID membatasi jumlah migrasi yang dilakukan oleh individumobile agent pada tiap kunjungan ke sensor node, dengan cara melakukan pekerjaan paralel daribeberapa mobile agent yang saling bekerja sama.

Paper[6] secara ringkas mendeskripsikan riset-riset teori terkait dengan MIP yang menjadidasar bagi penelitian di itinerary planning. Secara matematika masalah MIP dimodelkan.Didefinisikan sebuah WSN, S = {S0, S1, ...., Sn-1}, dengan graph G=(V,E), terdiri dari set n verticle, |V| =n, di mana setiap vertek i є [0, 1, ....., n-1] pada V berhubungan dengan sensor node si, i є [0, 1, .....,n-1], dan setiap edge lpq pada E berhubungan dengan wireless link antara sensor sp dengan sensor sq.Sensor so adalah sink yang mengirim keluar dan menerima mobile agent. Pada WSN terdapat m nodesumber S’, di mana S’ subset dari S, dimana S’ ≠ S.

Untuk merepresentasikan biaya transmisi wireless link, setiap edge lpq diberi nilai sebuah linkcost cpq, p,q є [0, 1, ..., n-1], di mana dapat berupa sebuah fungsi power loss dari transmisi signal


pada wireless link lpq atau matrik lain bergantung pada disain algoritma. Diberikan matrik cost C = {cpq

|| lpq є E}, masalah MIP mensyaratkan set k new-optimal itinerary, I = {I0, I1, ...., Ik-1} sehingga totalbiaya semua itinerary di I diminimasi. Jadi dalam satu interval tugas mobile agent, total biaya padasemua itinerary, menurut [6], dapat dihitung dengan persamaan :

Ctotal = ∑ ∑ ∑ +| | , , є [0, 1, … . , − 1] (1)

Dimana |Ii| adalah jumlah node yang dikunjungi mobile agent ke-i pada itinerary Ii, dir adalahjumlah data yang oleh mobile agent ke-i berhasil dikumpulkan dari node sumber ke-i yang telahdikunjungi pada itinerary Ii, dan L adalah ukuran awal dari mobile agent, atau panjang kode programinti, dan cpq adalah biaya yang dihabiskan pada jalur lpq yang dilalui mobile agent ke-i pada hop ke-j diitinerary ke Ii, di mana node sp seharusnya node ke-j yang dikunjungi dan sq adalah node ke j+1 yangharus dikunjungi. Ketika r = 0, node ke-0 berarti sink s0, dan hope ke-0 berarti link dari sink s0 ke nodepertama, sedangkan hop terakhir dari itinerary adalah link dari node terakhir ke sink.

Pada LCF, setiap mobile agent memulai rutenya dari sink, pada paper [5] istilahnya ProcessingElement (PE), dan mencari tujuan sensor node selanjutnya dengan jarak terpendek dengan dirinyasaat ini. Pada algoritma GCF, mobile agent juga memulai itinerari-nya dari PE dan memilih sensornode yang paling dekat dengan pusat area surveillence yang nantinya akan dijadikan tujuanberikutnya. Paper [6] mendeskripsikan solusi centre location-based MIP (CL-MIP) di mana ideutamanya adalah mempertimbangkan solusi MIP sebagai versi iteratif dari SIP yang terdiri dariempat tahap, yaitu pemilihan VCL untuk sebuah MA, pengelompokkan node sumber, MA routing,dan iterasi SIP.

Paper [6] selanjutnya membahas persfektif alternatif pada pengelompokkan node sumber,bernama angle gap-based MIP (AG-MIP) yang tidak dibahas dalam paper [5]. Ide utama dari AG-MIPadalah berbasis pada kriteria dimana node sumber yang memberikan informasi paling relevandiletakkan pada arah yang sama dengan sink. Oleh sebab itu metode pengelompokkan node sumberdisebut sebagai direction oriented. Paper ini juga membahas singkat tentang balance minimumspanning tree MIP (BST-MIP). Kontribusi utama dari BST-MIP adalah metode ini menganalisisdampak kritis posisi geografis dari node sumber ketika melakukan pengelompokannya, lalumengevaluasi pendekatan minimum spanning tree (MST). Algoritma ini menjadi generik dan dapatditerapkan di berbagai aplikasi sensor node. Namun, baik CL-MIP, AG-MIP, dan BST-MIPmenggunakan skema empat langkah sebagaimana dijelaskan di atas.

Paper [5] dan [6] juga membahas GA untuk mobile agent itinerary planning dimanamemastikan bahwa setiap node tidak dikunjungi berulang-ulang dalam satu putaran. Algoritma inimemberikan kinerja yang lebih baik daripada LCF dan GCF. Namun demikian, GA mengkonsumsiwaktu komputasi yang cukup lama karena algoritma ini memulai eksekusinya dengan vektor solusiyang random yang memerlukan waktu relatif lama. Meskipun optimasi global akan diperoleh,namun penggunaan algoritma ini bukan solusi yang ringan untuk sensor node yang memiliki energiterbatas dan sensor node yang ditujukan untuk aplikasi target location and tracking.

Pada bagian akhir di Paper [6] dilakukan perbandingan antar algoritma-algoritma di atas.Perbandingan yang dilakukan meliputi dampak kuantitas node-node sumber terhadap biaya energi,durasi pekerjaan, dan kinerja keseluruhan atau dikenal dengan energi-delay product (EDP = energy xdelay). Perbandingan ini juga membandingkan antara SIP dengan metode LCF dengan MIP. Hasilsimulasi menunjukkan bahwa algoritma BST-MIP memberikan kinerja yang terbaik ketika jumlahnode sumber bertambah dan LCF memberikan kinerja yang buruk. Hasil simulasi selengkapnyaditunjukkan pada Gambar 6 berikut ini.


(a) (b)

(c)Gambar 6. Hasil simulasi pengujian algoritma MIP menurut [6]: (a) dampak kuantitas node-node

sumber terhadap biaya energi; (b) dampak kuantitas node-node sumber terhadap delay; (c) dampakkuantitas node-node sumber terhadap EDP

Berbeda dengan paper[6], Paper[5] memfokuskan pada pengembangan algoritma NOID kedalam TBID yang memperbaiki mekanisme dalam penentuan itinerary mobile agent dengan biayayang lebih rendah. Secara spesifik, pengujian dilakukan berdasarkan formula akurat tentang totalenergi yang dihabiskan selama migrasi agent. Pada dasarnya, algoritma ini menentukan spanningtree dalam jaringan, menghitung urutan lintasan tree yang efisien (itinerary), dan memasukkanitinerary ini ke dalam mobile agent. TBID mengasumsikan model aggregasi umum di mana datasetelah aggregasi tidak memiliki ukuran yang tetap. Di sini TBID lebih memperhatikan kepada faktabahwa beban data dari mobile agent akan senantiasa bertambah selama agent-agent inimengunjungi sensor node sesuai dengan itinerary-nya. Jadi TBID selalu memilih jalur yang biayanyarendah pada setiap hop terakhir itinerary-nya, di mana dipertimbangkan bahwa konsumsi energiketika trafik data yang bertambah cukup besar. Lebih lanjut lagi, pertimbangan mempartisi sensornode pada multiple itenerary akan mengurangi beban maksimum yang harus dipikul oleh setiapmobile agent selama itinerary-nya.

Selain pertimbangan hemat konsumsi energi selama proses itinerary setiap mobile agent,paper[5] juga mendeskripsikan algoritma TBID yang memberikan solusi terbaik terhadap waktu delaymobile agent ketika berangkat dari PE dan kembali lagi ke PE (round-trip time). Simulasi ditunjukkanuntuk mengkonfirmasi bahwa metode yang diusulkan menghasilkan itinerary dengan konsumsienergi secara keseluruhan yang lebih rendah dan delay yang rendah daripada metode heuristiclainnya. Gambar 7 berikut ini adalah hasil simulasi yang dideskripsikan pada [5] terkait kinerjaalgoritma itinerary planning.

Gambar 7. Hasil simulasi pengujian algoritma itinerary planning menurut [5]: a) dampak biayaterhadap jumlah sensor node; b) dampak waktu respon terhadap jumlah sensor node


Secara umum paper [5] dan [6] memberikan inisiasi pengetahuan yang baik dalammempertimbangkan alternatif algoritma yang digunakan untuk menyelesaikan isu di itineraryplanning. Namun, paper tersebut hanya mendeskripsikan simulasi saja, belum masuk ke tataraneksperimen dengan menggunakan platform tertentu. Untuk itu, diperlukan kajian atau penelitianlain yang melakukan eksperimen langsung ke platform WSN spesifik. Selain itu metode optimasiterkait itinerary planning yang lainnya perlu dieksplorasi lebih lanjut.

VII. Analisis Perbandingan Contoh Aplikasi WSN Berbasis Multiagent yang Sudah DikembangkanPaper [4] mendeskripsikan tentang implementasi sistem multiagent pada sensor node pada studikasus kilang minyak. Lingkungan di kilang minyak merupakan lingkungan yang penuh tantanganuntuk komunikasi wireless. Struktur metal yang sangat tebal dan operasi mesin yang non stopmenyebabkan tingkat noise yang tinggi yang dapat mengganggu kinerja WSN dan kualitas data yangterkumpul dari transmiter sehingga menghasilkan outlier. Berdasarkan [4], arsitektur sistemmultiagent yang digunakan bertopologi hierarchical multiagent system (HMAS) sebagaimanaditunjukkan pada Gambar 8 berikut ini.

Gambar 8. Ilustrasi arsitektur HMAS menurut [4]

Topologi HMAS digunakan untuk monitoring dan kontrol di wireless sensor and actuatornetwork (WSAN) yang di dalamnya melibatkan beberapa agent yang bertanggung jawab dalammonitoring dan agent lainnya bertanggung jawab melakukan close-loop control, melalui port DACyang tersedia. Agent-agent ini dikoordinasi oleh master agent atau mother agent. Master agentberperan dalam pengelolaan agent-agent di bawahnya dan memonitor status komunikasi antaranode lokal dengan WSAN sync atau gateway. Agent ini bertangung jawab dalam mengkoordiniragent-agent di bawahnya dalam mencapai goal yang diinginkan. Agent yang berada pada layerterendah digunakan sebagai antarmuka secara langsung, secara terdistribusi, dengan sensor. Agent-agent ini melakukan query (pra proses) terhadap data-data yang dikumpulkan dari lingkungan danmelakukan ekstraksi informasi yang berguna dari data-data ini sebagaimana diperintahkan olehmaster agent yang menjadi atasannya.

Paper[4] mendeskripsikan skenario pengujian yang melibatkan 12 sensor node yang dipasangdi area water treatment dan sink diletakkan pada portable office yang terhubung dengan komputerserver Linux. Pada server ini, sebuah dispatcher software memproses paket-paket yang diterimaWSN dan mengirimkan setiap paket melalui koneksi TCP/IP melalui GINSENG middleware yangberjalan pada remote PC yang disimpan di ruang pegendali kilang minyak.

WSN yang digunakan adalah Crossbow’s TelosB (TPR2400). Perangkat ini adalah IEEE 802.15.4-compliant dan terdiri dari delapan 12-bit ADC port dan dua 12-bit ADC lainnya untuk memonitorinternal thremistor dan tegangan baterei. WSN ini juga terdiri dari dua tranduser cahaya dantranduser kelembapan dan temperatur on board yang terkoneksi dengan 14 bit ADC port. ArsitekturWSN yang diuji coba berdasarkan [4] ditunjukkan pada Gambar 9 berikut.


Gambar 9. Topologi logik WSN pada kilang minyak menurut penelitian [4]

Salah satu isu penting yang perlu dipertimbangkan dalam WSN adalah outlier. Ketikadigunakan untuk memonitoring lingkungan, khususnya lingkungan industri, WSN dapat digunakanuntuk melakukan deteksi dan klasifikasi suatu event atau bahkan WSN ini diintegrasikan dengansistem kontrol tertentu. Oleh sebab itu, diperlukan realibilitas dan jaminan kualitas informasi yangditerima WSN. Untuk menghindari pengiriman data yang tidak akurat ke base station, diperlukanimplementasi analisis data secara real time yang dilakukan di setiap sensor node. Paper [4]mendeskripsikan tentang metodologi dilakukannya deteksi dan akomodasi outlier.

Karena kondisi lingkungan yang keras dan tidak menentu, sensor node dapat tidak berfungsidengan baik, menghasilkan data yang tidak akurat ke base station. Selain itu, keterbatasan sumberdaya seperti pemrosesan yang terbatas, penyimpanan data yang terbatas, bandwidth yang terbatas,dan otonomi dapat juga menyebabkan ketidakakuratan data mentah yang dibaca oleh sensor node.Inilah dikenal dengan outlier di mana sensor node membaca data yang menyimpang dari pola datayang biasanya dibaca. Kemungkinan besar sumber outlier ini berasal dari noise, data error yangdisebabkan karena kegagalan hardware, atau serangan malicious.

Paper[4] mendeskripsikan secara jelas tentang teknik-teknik mendeteksi oulier, khususnyayang cocok diimplementasikan di WSN. Paper ini juga menjelaskan secara umum teknik-teknik yangbiasa digunakan. Sebagian besar teknik-teknik tersebut membutuhkan kapasitas memory yang besaruntuk penyimpanan data dan memerlukan konsumsi energi yang cukup besar. Selain itu teknik-teknik tersebut menyebabkan overhead pada komunikasi dan tidak mendukung kapabilitaskomputasi terdistribusi. Oleh sebab itu, paper ini ditujukan untuk memperkenalkan teknikmendeteksi outlier secara real-time lokal dan teknik mengakomodasi skema-skema yang dapatditerapkan berupa kode program di mana kode tersebut ditanam di sensor node, dapat menjalankanthread otonom yang kooperatif, dan diimplementasikan dalam bentuk mobile agent.

Teknik-teknik yang dideskripsikan pada paper [4] terkait dengan deteksi outlier danakomodasinya dikategorikan ke dalam pendekatan statistical-based, nearest-neighbour-based,clustering-based, classification-based, dan spectral-decomposition-based. Lebih lanjut dijelaskanpada paper ini tentang statistical-based yang dibagi ke dalam dua metode, yaitu parametik dan non-parametrik. Kedua metode ini menitik beratkan kepada distribusi probabilitas untuk melakukankarakteristik data set atau time seri ketika melakukan evaluasi sampel data mentah secara statistik.Metode nearest-neighbour menitik beratkan pada matrik-matrik yang meghitung jarak antaraobyek-obyek atau sample-sample dengan interpretasi geometrik. Eucledian norm dan Mahalanobisdistance adalah pilihan umum yang banyak digunakan untuk atribut yang univariate danmultivariate. Pada teknik berbasis clustering, data set dikelompokkan ke dalam cluster yangmemiliki atribut yang sama. Sebuah obyek dapat dikatakan sebagai outlier jika obyek tersebutberada di luar cluster yang ditentukan. Metode berbasis classification menitik beratkan pada teknikmachine learning yang mencoba memahami dataset yang tersedia. Kelemahan teknik ini adalahsecara komputasi terlalu komplek untuk diterapkan secara real time di sensor node. Terakhir,pendekatan spectral-decomposition yang menitik beratkan pada analisis komponen-komponen dasaruntuk mengidentifikasi mode-mode normal dari perilaku dataset. Pendekatan ini menghasilkankompleksitas komputasi yang tinggi.


Paper[4] sangat membatu menginisiasi para peneliti yang ingin megetahui teknik-teknik yangdapat dipertimbangkan dalam mendeteksi outlier dan akomodasinya. Paper ini mengusulkan tekniklain yang dapat diimplementasikan secara real time lokal, yang berasumsi frekuensi sampling tinggisehingga algoritma harus dibuat seefisien mungkin. Lebih lanjut lagi, karena pembacaan sensordapat digunakan untuk pengambilan keputusan, maka sample yang diidentifikasi sebagai outliertidak dihapus. Namun demikian, paper ini lebih memfokuskan kepada pencegahan ketidakakuratandata pada data-data time seri sementara.

Pendekatan yang diusulkan pada paper[4] adalah pendekatan statistika univariate yangditerapkan pada sensor yang melakukan penginderaan terbatas. Pendekatan ini mengasumsikanbahwa variabel lingkungan tunggal diobservasi melalui pembacaan sensor dan digunakan untukmenentukan batasan threshold untuk operasi kontrol. Penyimpangan dari batasan ini akandiindikasikan sebagai oulier. Metodologi ini biasanya diterapkan dalam bentuk grafik Shewhartcontrol. Batas atas (Δu) dan batas bawah (Δl) pada grafik Shewhart adalah garis kritis untukmeminimasi nilai false outlier dan missed detection. Gambar 10 berikut ini menunjukkan grafikShewhart menurut [4].

Gambar 10. Ilustrasi grafik Shewhart menurut [4]

Teori hipotesis statistik dapat digunakan untuk memprediksi suatu nilai false outer dan misseddetection. Misalkan variabel monitoring z, yang memiliki deviasi dari titik tengahnya, ź, adalahadditive error dan nilai z mengikuti distribusi Gaussian N(ź, σ2) dengan standar deviasi σ; laluprobabilitas P di mana z berada dalam interval yang ditentukan dihitung berdasarkan :

P{z < (ź - cα/2 σ)} = P{z > (ź + cα/2 σ)} = (1)P{(ź - cα/2 σ) ≤ z ≤ (ź + cα/2 σ)} = 1 – α (2)

di mana cα/2 adalah standard normal deviation dan α adalah tingkat signifikansi dimanamenentukan tingkat tradeoff antara nilai false outlier dan missed detection. Beberapa nilai yangumum digunakan pada standard normal deviation meliputi cα/2 = {1.0; 1.5; 3.0}. Pada kasus standardnormal deviation cα/2 = 1.5, probabilitas P{(ź - cα/2 σ) ≤ z ≤ (ź + cα/2 σ)} adalah 86.64%

Paper[4] menyinggung sedikit tentang metode-metode berbasis incorporation sample seperticumulative sum control chart dan exponentially weigthed moving average control chart. Meskipunpaper ini tidak membahas lebih rinci terkait dua metode ini, namun memberikan inisiasi kepadapembacanya untuk mengeksplorasi metode tersebut dan memilihnya dengan tepat sesuai dengankebutuhan.

Inti dari eksperimen yang dideskripsikan pada paper [4] adalah ingin mendeteksi outlier.Eksperimen ini mengevaluasi kinerja terkait dengan pembacaan data dari flow rate dan staticpressure transmitter yang dipasang pada ADC port dari beberapa node dan mengirimkan datatersebut ke base station. Hasil eksperimen ditunjukkan pada Gambar 11 berikut ini.


Gambar 11. Deteksi dan akomodasi outlier pada transmiter flow dan pressure menurut penelitian [4].

Outlier direpresentasikan dengan titik berwarna merah dan berdasarkan mekanisme akomodasiyang diterapkan, titik-titik ini diganti dengan first-order prediction based pada regresi linear daridataset yang disampling. Garis berwarna biru adalah data time seri yang dikirim ke sink. Darieksperimen ini disimpulkan bahwa implementasi real-time outlier detection dan accommodationframework membuktikan kelayakan dan efektifitas yang memberikan kontribusi secara meyakinkanpada perbaikan kualitas data yang dikirim ke sink. Data-data yang memperkuat pembuktian ini jugaditampilkan dalam paper [4].

Sebagai pembanding pada aplikasi WSN yang menerapkan konsep agent, paper [7]mendeskripsikan salah satu aplikasi menarik bernama body sensor network (BSN). Di antara domainWSN, BSN meliputi sensor psikologis wireless yang dapat ditempel pada tubuh manusia untuk tujuanmedis maupun non medis, dan secara khusus, melalui BSN dimungkinkan adanya pengawasan yangberkelanjutan, real time, terhadap makhluk hidup yang dipasang BSN. Aplikasi BSN dapatdimanfaatkan untuk mendeteksi atau pencegahan dini penyakit (misalnya serangan jantung,parkinson, diabetes, dsb), alat bantu untuk kaum lanjut usia, e-Sport, e-Entertainment, rehabilitasipasca trauma operasi, deteksi pergerakan dan gerak tubuh, pengenalan kognitif dan emosionaluntuk interaksi sosial, alat bantu medis ketika terjadi bencana alam, dan e-Factory.

Paper [7] memperkenalkan pemrosesan sinyal berorientasi MAPS dalam lingkungan sensornode yang ditujukan untuk monitoring aktifitas manusia secara real time. Sistem ini sanggupmengenali postur tubuh (misalnya berbaring, duduk, dan diam) dan adanya pergerakan (misalnyaberjalan) dari makhluk hidup yang dipasang BSN. Lebih lanjut lagi, paper ini juga menggambarkanarsitektur sistem, ditunjukkan pada Gambar 12, yang menerapkan satu entitas untuk koordinator(menggunakan PC/Smartphone) dengan Java dan JADE, serta dua sensor node yangdiimplementasikan dengan MAPS.

Gambar 12. Arsitektur sistem monitoring aktifitas berbasis agent menurut [7]


Sisi kordinator, agent JADE, terdiri dari beberapa modul koordinator berbasis Java yangdikembangkan dalam konteks SPINE framework. Secara khusus, koordinator digunakan untukaplikasi user, yaitu aplikasi pendeteksi aktifitas real-time, yang mengirimkan perintah ke sensor nodedan bertanggung jawab dalam menangkap pesan dan event-event di level bawahnya. Agentkoordinator JADE juga mengintegrasikan logik khusus untuk sinkronisasi dua sensor. Aplikasipendeteksian aktifitas yang dijalankan oleh agent JADE melakukan klasifikasi mengunakan algoritmaNeighbor K-Nearest yang dapat mengidentifikasi postur dan gerakan.

Dua sensor node di bawahnya juga mengunakan platform Java Sun SPOT dan masing-masingditempatkan pada pinggang dan paha atas pasien yang akan dimonitor. MAPS diimplementasikan disensor nodes dan mendukung eksekusi Agent Sensor Pinggang dan Agent Sensor Paha, yangperilakunya dibuat model melalui siklus berikut ini:1. pengaktifan sensor akselerometer 3 sumbu berdasarkan sampel waktu yang diberikan.2. penghitungan fitur-fitur spesifik (fungsi mean pada semua sumbu akselerometer dan fungsi max

dan min pada sumbu X akselerometer untuk Agent Sensor Pinggang dan max pada sumbu Xakselerometer untuk Agen Sensor Paha untuk setiap data mentah yang dihasilkan.

3. fitur agregasi dan transmisi data ke koordinator4. kembali ke langkah 1

Paper [7] selanjutnya menjelaskan bahwa kinerja sistem cukup baik sehingga disimpulkanbahwa MAPS cocok diterapkan untuk mendukung aplikasi BSN yang efisien. Lebih jauh lagi, tingkatakurasi deteksi juga baik apabila dibandingkan dengan hasil lain di dalam literatur yang jugamengimplementasikan lebih dari dua sensor pada tubuh manusia guna mendeteksi aktifitas yangdilakukan.

Paper [4] dan [7] memberikan insirasi bagi pengembangan multiagent untuk melakukan tugasspesifik di WSN. Beberapa properti agent seperti cooporation (agent yang melaksanakan fungsiberbeda saling bekerja sama mencapai untuk tujuannya), coordination (dalam satu sensor node,agent dikoordinir oleh master agent), veracity (keakuratan), benevolence (agent yang membantuketika diminta), rationality, dan learning/Adaption (agent melakukan penyesuaian/akomodasiterhadap outlier yang terdeteksi atau klasifikasi data) sudah diterapkan. Paper [4] cukup jelasmembahas, meski tidak terlalu rinci, metode-metode yang dapat digunakan untuk mendeteksi danmengakomodasi outlier. Metode yang diusulkan dalam paper ini, yaitu univariate statisticalapproach, dapat dijadikan bahan pertimbangan untuk mengembangkan mobile agent, yang mejadiantarmuka langsung dengan sensor, yang melakukan proses ekstraksi informasi dari data-data yangdihasilkan dari sensor. Sedangkan metode klasifikasi Neighbor K-Nearest pada paper [7] tidakdideskripsikan sehingga diperlukan tinjauan paper lain.

Salah satu kekurangan dari penelitian yang dideskripsikan di paper [4] dan [7] adalah tidakmengoptimalkan pembahasan mengenai konsep multiagent seperti negotiation atau mekanismekomunikasi standar agent seperti FIPA atau mengimplementasikan model mixeddeclarative/imperative programming bernama Agent Factory Agent Programming Language(AFAPL), berbasis formalisme logik belief dan commitment sebagaimana yang dijelaskan di [2]. Selainitu, model arsitektur sistem WSN masih berupa client server, belum menerapkan konsep mobileagent atau migrasi agent. Penelitian yang dilakukan menggunakan agent lokal yang ditanam disensor node dan data yang dikirim berbasis message payload. Hal ini dimaklumi mengingat fokuskajian dari paper[4] adalah lebih ke pendeteksian dan akomodasi outlier dan paper[7] lebihmembahas ke MAPS. Untuk itu, perlu dilakukan pengembangan penelitian implementasi konsepmultiagent secara lebih luas di WSN, salah satunya mempertimbangkan platform AFME atauMASPOT.


DAFTAR PUSTAKA1. Min Chen, Sergio Gonzalez, and Victor C. M. Leung. “Application and Design Issues For Mobile

Agent in Wireless Sensor Networks”. University of British Columbia. IEEE WirelessCommunication, December 2007

2. Stefano Galzarano , Francesco Aielo, Alesio Carbone, Giancarlo Fortino. Java-Based Mobile AgentPlatform for Wireless Network Sensor. the International Multiconference on Computer Scienceand Information Technology pp. 165–172. 2010

3. Ramon Lopes and Flavio Assis. “MASPOT: A Mobile Agent System for Sun SPOT”. LaSiD -Distributed Systems Laboratory DCC - Department of Computer Science UFBA - Federal Universityof Bahia. Salvador, Brazil. Tenth International Symposium on Autonomous Decentralized Systems.2011

4. Paulo Gil, Amâncio Santos, and Alberto Cardoso. “Dealing With Outliers in Wireless SensorNetworks: An Oil Refinery Application”. IEEE transactions on control systems technology.2013

5. Charalampos Konstantopoulos, Aristides Mpitziopoulos, Damianos Gavalas, and GrammatiPantziou. “Effective Determination of Mobile Agent Itineraries for Data Aggregation on SensorNetworks”. IEEE Transactions On Knowledge And Data Engineering, Vol. 22, No. 12, December2010.

6. X. Wang, M. Chen, T.Kwon, H.C. Chao, Multiple Mobile Agents Itinerary Planning in Wireles SensorNetwork : Survey and Evaluation, IET Communications, 2010, www.ietdl.org.

7. Giancarlo Fortino, Stefano Galzarano, Raffaele Gravina, Antonio Guerrieri. “Agent-basedDevelopment of Wireless Sensor Network Applications”, DEIS – University of Calabria. 2010.

8. Wooldridge, Michael. Introduction to MultiAgent System. John Wiley and Sons LTD. 20029. Bellefemine Fabio, Giovanni Caire, Dominic Greenwood. Chapter 2 Agent Technology Overview.

Developing MultiAgent System with JADE. John Wiley and Sons LTD. 2007.10. Conor Muldoon, Geogory M. P. O’here, Rem W. Collier, Michaerl J. O’Grady. Toward Pervasive

Intteligence : Reflection on The Evolution of Agent Factory Framework. Springer Science andBusiness Media, LC. 2009.

PAPER CRITICAL REVIEW SISTEM MULTIAGENT PADA … · dalam sub bab : (2) Teori multiagent system; (3...

Documents

Transcript of PAPER CRITICAL REVIEW SISTEM MULTIAGENT PADA … · dalam sub bab : (2) Teori multiagent system; (3...