BAB V KESIMPULAN DAN SARAN
4.2. BusMovement di kota Helsinky
4.3.1. Haggle4-Cam-Imote
Haggle4Cam Duration Frequency Recent
Relayed 3188 2996 3167 Drop 1389 1401 1403 Deliv Prob 0.4861 0.4566 0.451 Overhead_ratio 11.1217 11.1296 11.9795 Delay 32829.8943 31106.6502 31400.9291 AvgHp count 3.0837 2.9838 2.9467
Table 4.3.1 Hasil pengujian terhadap dataset Haggle4-Cam-imote Average Average
35 4.3.1.1 Delivery Probability
Gambar 4.3.1.1 Grafik Delivery Probabability terheadap Haggle4-Cam-imote
4.3.1.2 Delay
Gambar 4.3.1.2 Grafik Delay terheadap Haggle4- Cam-imote Penerapan Spray and Focus pada pergerakan manusia menggunakan data set Haggle4-Cam-Imote menampilkan hasil yang berbeda dari sebelumnya. Jika pada pergerakan Random Waypoint dan BusMovement Spray and Focus dengan pendekatan Frequency Encounter Transtivity tercatat lebih optimal sementara pada Haggle4-Cam-Imote, Spray and Focus dengan pendekatan
Haggle4-36
Cam-Imote adalah data set yang direkam pada saat konferensi di Laboratorium riset perusahaan Intel di Cambrige Dimana data set ini memiliki pola, Node datang kedalam ruangan, duduk, istirahat, break/makan, kemudian akan kembali ke dalam ruangan untuk waktu yang cukup lama, selain itu manusia memiliki kecenderungan bergerak berdasarkan point of interest(tidak random) sehingga setiap node akan memiliki probabilitas yang berbeda. Dalam hal ini node yang memiliki durasi kontak lebih banyak dengan destination dianggap memiliki probabilitas yang lebih baik.
Optimal nya kinerja Spray and Focus Dengan Duration Encounter
Transtivity pada data set ini bisa dilihat dari grafik Delivery Probability yang
lebih tinggi, hal ini disebabkan karena pergerakan ini terdapat beberapa node Populer atau Hub Node, disini Hub Node berperan sebagai relay yang banyak dipilih oleh node lain karena memiliki probabilitas yang lebih baik. Bisa dilihat pada grafik Buffer Occupancy, ada beberapa node yang menonjol dalam hal penggunaan Buffer(lihat grafik 4.3.1.6- 4.3.1.8). meskipun memiliki probabilitas yang bagus, namun Duration Encounter Transtifity tercatat memiliki Delay cukup tinggi, ini dikarenakan untuk mendapatkan probabilitas yang bagus, node harus memiliki waktu kontak yang lama sebelum node akan merelay pesan kepada node lain. Proses untuk mendapatkan probabilitas ini yang membuat Delay pada Duration Encounter Transtivity lebih tinggi dari
Encounter Transitivity lainnya. Dan hal lain yang menyebabkan Encounter
trasitivity lain cukup kompetitif adalah karena jumlah node dalam jaringan yang sedikit, sehingga meskipun dengan relay yang lebih sedikit pesan sudah bisa sampai ke destination.
37 4.3.1.3 Message Drop
Gambar 4.3.1.3 Grafik Message Drop terheadap Haggle4- Cam-imote
4.3.1.4 Hop Count
Gambar 4.3.1.4 Grafik Hop Count terheadap Haggle4- Cam-imote Grafik Drop menampilkan, pendekatan Duration Encounter Transitivity tercatat memiliki drop yang lebih rendah dari yang lainnya. Hal ini sesuai dengan grafik (lihat grafik 4.3.1.1. – 4.3.1.2) sekalipun kecepatan pesan untuk sampai ke tujuan lebih lambat, namun pendekatan Durasi memiliki probabilitas untuk mengantarkan pesan ke destination paling tingggi karena pesan yang didistribusikan lebih akurat sampai ke destination dari pada di drop, dan gafik ini membuktikan drop message pada Duration Ecounter Transitifity lebih kecil dari Encounter Transitivity lainnya.
38
Pada penjelasan sebelumnya kita mendapatkan grafik delay yang lebih tinggi untuk Duration Encounter Transitivity, ini disebabkan node harus memiliki waktu kontak yang lama sebelum node akan me-relay pesan kepada node lain. Kemudian hal lain yang mempengaruhi adalah pola dari data set ini yang hanya memiliki sedikit node untuk berinteraksi dalam sebuah konferensi, pola itu memungkinkan tiap node pernah mengalami kontak dengan destination, sehingga tiap node juga memiliki probabilitas untuk mendapatkan pesan. Hal ini memungkinkan distribusi pesan menjadi lebih luas dan mengakibatkan Hop Count yang tinggi pada Duration Encounter Transitivity. Untuk penyebab pada Encounter
Transitivity lainnya yang memiliki hop count rendah adalah Encounter Transitivity
lain tidak mengambil keuntungan untuk banyak merelay pesan dari pergerakan ini, Node cenderung lebih naif untuk tidak merelay karena pendekatan Frequency
Encounter Transitivity dan Last Encounter Transitivity pada pergerakan manusia
tidak membuat node peer memiliki probabilitas yang bagus. Kembali lagi ini disebabkan karena manusia memiliki pola untuk diam pada waktu yang cukup lama dari pada bergerak terus menerus secara frekuentif[9].
4.3.1.5 Overhead
Gambar 4.3.1.5 Grafik Overhead terheadap Haggle4- Cam-imote Hasil pengujian pada overhead menunjukan Overhead yang lebih rendah disebabkan karena Duration Encounter Transitivity mampu mengontrol jumlah pesan yang sampai ke destination sehingga Drop juga menjadi lebih sedikit. Dan jika dilihat pada grafik Buffer Occupancy (grafik 4.3.1.6 - 4.3.1.8) Duration -
39 Encounter Transitifity terlihat memiliki konsumsi buffer yang lebih sedikit namun
memiliki probabilitas yang paling tinggi, ini dikarenakan lebih banyak pesan yang sampai sebelum di drop dari buffer karena kehabisan TTL.
4.3.1.6 BufferOccupancy
Gambar 4.3.1.6 Grafik Buffer Occupancy terheadap Haggle4- Cam-imote menggunakan Duration Encounter Transtivity
Gambar 4.3.1.7 Grafik Buffer Occupancy terheadap Haggle4- Cam-imote menggunakan Frequency Encounter Transtivity
Gambar 4.3.1.8 Grafik Buffer Occupancy terheadap Haggle4- Cam-imote menggunakan Last Encounter Transtivity
(% ) Average (% ) Average (% ) Average
40 4.3.2. MIT Reality Mining
Setelah mendapatkan kinerja yang bagus dari pendekatan Duration Encounter
Transitivity pada data set Haggle4-Cam-imote, maka dilakukan simulasi kembali
pada pergerakan manusia lainnya yakni MIT Reality Mining. Hal yang membedakan dengan pergerakan sebelumnya adalah selain perbedaan lokasi pengambilan data, pada data set ini juga memiliki waktu simulasi yang lebih lama dan jumlah node yang lebih banyak. Percobaan ini dilakukan untuk mencari tau apakah pendekatan Duration Encounter Transitivity bisa scalable jika diterapkan pada data set yang berbeda.
Duration Frequency Recent
Relayed 13178 13371 12064 Drop 5853 5856 5872 Deliv Prob 0.4371 0.4287 0.4084 Overhead_ratio 24.4402 25.3209 23.9256 Delay 238844.296 242510.307 245843.85 AvgHp count 3.7162 3.5453 3.3595
Table 4.3.2 Hasil pengujian terhadap dataset MIT Reality Mining
4.3.2.1. Deliver Probability
Gambar 4.3.2.1 Grafik Delivery Probability terhadap MIT Reality Mining
41 4.3.2.2. Delay
Gambar 4.3.2.2 Grafik Delay terhadap MIT Reality Mining
Hasil pengujian terhadap data set MIT Reality Mining, Spray and Focus dengan Duration Encounter Transitivity secara konsisten memberikan hasil yang lebih baik dari Encounter Transitivity lainnya jika diterapkan pada pergerakan manusia yang memiliki node dan waktu simulasi yang lebih besar. Ini bisa dilihat dari angka Delivery Probability yang lebih baik(grafik 4.3.2.1). Penjelasannya sama seperti pada penjelasan data set Haggle4-Cam-imote diatas hal ini disebabkan karena data set Reality memiliki pola pergerakan mahasiswa di laboratorium MIT dan sekitarnya. Artinya node bergerak berdasarkan point of interest(tidak random) dan pola ini membuat masing-masing node memiliki probabilitas yang berbeda. Pendekatan Duration Encounter Transitivity berhasil mendapatkan hasil yang optimal dan mampu memberikan Delay dan Drop (grafik 4.3.2.2 dan 4.3.2.3)yang lebih kecil dari pendekatan Encounter Transitivity lainnya.
42 4.3.2.3. Message Drop
Gambar 4.3.2.3 Grafik Message Drop terhadap MIT Reality Mining
4.3.2.4. Hop Count
Gambar 4.3.2.4 Grafik Hop Count terhadap MIT Reality Mining
4.3.2.5. Overhead
43
Untuk Overhead pada kasus reality, Duration Encounter Transitivity berhasil mengontrol jumlah pesan sampai ke destination sehingga tidak memberika overhead yang paling tinggi. hal ini disebabkan pembuatan pesan baru dilakukan dengan syarat node harus kontak dengan node lain, sementara pada data set ini frekuensi kontak node tidak mendominasi Hal ini yang menyebabkan pembuatan pesan dapat dikontrol sehingga memberikan angka yang kecil pada Overhead. Sedangkan untuk Hop Count pada kasus ini mejelaskan semakin tinggi Hop Count maka akan membuat pesan sampai
destination lebih cepat sehingga memberikan angka Delay yang kecil.
Sama seperti hasil Hop Count pada dataset Haggle, Hop Count Duration
Encounter Transitivity pada reality juga tercatat memiliki angka paling tinggi,
disini bisa disimpulkan penggunaan Duration Encounter Transitivity gagal memotong jalur menuju destination menjadi lebih pendek, namun bisa memberikan akurasi peluang untuk bertemu dengan destination lebih baik.
4.3.2.5. Buffer Occupancy
Gambar 4.3.2.6 Grafik Average Buffer Occupancy terheadap Reality menggunakan Duration Encounter Transtivity
0 10 20 30 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 Bu ff e r O c c u p a n c y (% ) Node