Average Convergence Counting - KESIMPULAN DAN SARAN

BAB V KESIMPULAN DAN SARAN

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

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

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

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.

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.

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.

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.

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.

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.

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.

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

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

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

rhe

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

ver

head

L Copy

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

rhe

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

L Copy

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 25832,9429 ^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 120000

L = 5 Mark = 15 Mark = 30 Mark = 45 L = 85

Sec

L Copy

Reality Latency

probability, overhead ratio, dan latency average lebih baik daripada Spray and Wait dengan copy pesan yang sudah ditentukan diawal.

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.

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.

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.

LAMPIRAN

Dalam dokumen Menghitung jumlah node di jaringan opportunistik dengan algoritma Mark (Halaman 38-62)