BAB V KESIMPULAN DAN SARAN
Rumus 3.3.5 Average Convergence Counting
ACC =
ππ’π ππ πΆππ’ππ‘ππππππ‘ππ ππ πππππ
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 β 432000 50 0 172000 432000 β 864000 25 25 Haggle3-infocom5 274883 0 β 154800 41 0 174960 154800 β 274883 20 21 Reality MIT 8490908 0 β 4611600 97 0 5226000 4611600 β 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
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 :
ο· Apabila menggunakan pergerakan reality (manusia) maka probabilitas setiap node untuk ditandai tidak sama karena pola pergerakan node sendiri tidak bisa diprediksi dan cenderung berkelompok.
ο· 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 β 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 β 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 β 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 β 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 β rata perhitungan tiap node initiator berbeda, tergantung dari Mark message yang diset oleh setiap node initiator. Terlihat ketika Mark = 20 rata β 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 β ratakan, grafik cenderung rendah. Kemudian, semakin tinggi total Mark yang ditentukan juga maka semakin tinggi rata β 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 β 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
P ro ba bi lty 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
P ro ba bi lty L Copy
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 0,0765 0,0826 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
P ro ba bi lty L Copy
34
Gambar 4. 10 Grafik RandomWayPoint Overhead Ratio
Gambar 4. 11 Grafik Haggle3 Overhead Ratio 4,693 9,0039 12,335 14,905 39,5913 0 5 10 15 20 25 30 35 40 45
L = 5 Mark 15 Mark 20 Mark 25 L = 40
O
ve
rhe
ad
L Copy
RandomWayPoint Overhead Ratio
6,5986 7,0199 8,3573 11,1007 35,1361 0 5 10 15 20 25 30 35 40
L = 5 Mark 5 Mark 10 Mark 15 L= 40
O
ver
head
L Copy
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 51,7156 54,581 75,0781 0 10 20 30 40 50 60 70 80
L = 5 Mark = 15 Mark = 30 Mark = 45 L = 85
O
ve
rhe
ad
L Copy
Reality Overhead Ratio
4128,3888 3340,0217 2921,9633 2770,4294 2093,9406 0 0 500 1000 1500 2000 2500 3000 3500 4000 4500
L = 5 Mark 15 Mark 20 Mark 25 L = 40
Sec
o
nd
L Copy
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 Β½ dari pengetahuan yang dimiliki setiap node sehingga delivery
21120,0481 25832,9429 27268,0298 26460,9509 20186,6213 0 5000 10000 15000 20000 25000 30000
L = 5 Mark 5 Mark 10 Mark 15 L= 40
Sec o nd L Copy
Haggle 3 Latency
37892 104641,6832 91498,2106 91688,068 42246,354 0 20000 40000 60000 80000 100000 120000L = 5 Mark = 15 Mark = 30 Mark = 45 L = 85
Sec
o
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., βDistributed Estimation of Global Parameters in
Delay-Tolerant Networksβ. 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., βEstimators for Global Information in Mobile Opportunistic Networkβ. School of mobile Computing and Communication, Dept. of Information Technology. Jadavpur University, Kolkata.
[3] Estimators of Population Size and Other Parameters β Closed and Open Population Models.
[4] Sandeep Mane, Sandeep Mopuru, Kriti Mehra & Jaideep Srivastava., βNetwork Size Estimation In A Peer-to-Peer Networkβ. University of Minnesota. Minneapolis, Minnesota, USA.
[5] Thrasyvoulos Spyropoulos, Konsrantinos Psounis, & Cauligi S.Raghavendra., βSpray and Wait: An Efficient Routing Scheme for Intermittently Connected Mobile Networksβ. Department of Electrical Engineering, USC.
41
LAMPIRAN
46