KESIMPULAN DAN SARAN - Analisis unjuk kerja protokol gossip berbasis game of life di jaringan

Bab ini berisi tentang kesimpulan dari hasil pengujian dan analisis simulasi serta saran dari penulis untuk penelitian selnajutnya.

5 BAB II

LANDASAN TEORI

2.1. Jaringan Oportunistik

Salah satu kunci dapat berjalannya routing di MANET bahwa jalur dari ujung ke ujung itu ada. Dengan adanya asumsi seperti itu MANET gagal pada skenario jaringan yang dapat putus sewaktu-waktu. Jaringan Oportunistik atau OppNet adalah suatu jaringan yang tidak memiliki infrastuktur yang tetap serta mampu menoleransi adanya delay. OppNet merupakan arsitektur yang cocok pada jaringan yang menantang (Challenged

Network). Maksud dari menantang adalah jaringan yang memiliki delay yang

tinggi, dan error rate yang tinggi, serta tidak selalu ada jalur end-to-end yang tetap. Karena asumsi tersebut jaringan opportunsitik dapat diterapkan pada jaringan luar angkasa (Interplanetary Network) dan Military Ad-Hoc

Networks [4]. Dimana keduanya terdapat pada lingkungan yang tidak

bersahabat yang mana jaringan dapat putus sewaktu-waktu.

Gambar 2.1.1 Mekanisme Store-Carry-Forward

Jaringan Oportunistik memiliki system store-carry-forward seperti ilustrasi gambar 2.1, dimana setiap node menyimpan pesan dalam buffer atau penyimpanan yang mana untuk mengantisipasi jika node berikutnya mati, kemudian meneruskan pesan yang masih terkoneksi sampai menuju tujuan (destination). Node yang tidak menjadi destinati akan menjadi node relay yang menjadi penghubung node.

2.2. Protokol Epidemic

Karakteristik pada jaringan oportunsitik membuat munculnya protokol routing Epidemic. Protokol routing ini diterbitkan oleh Vahdat dan Becker et al (2000), yang dirancang sebagai algoritma flooding-based

forwarding yang artinya bekerja dengan membanjiri jaringan dengan salinan

pesan. Algoritma Epidemic sendiri merupakan dasar penyebaran informasi pada jaringan oportunistik. Tujuan Epidemic routing untuk memaksimalkan pengiriman pesan dan meminimalkan delay [2].

Gambar 2.2.1 Mekanisme penyebaran pesan di Epidemic

Susceptible-Infective (SI) class ini mendefinisikan algoritma epidemic,

dimana node tidak mengetahui informasi tetapi bisa mendapatkan informasi dan Infective ketika node mengetahui informasi dan aktif menyebarkan pesan. Dengan menerima informasi yang diperbarui suatu node menjadi

infective dan tetap, hingga seluruh populasi infective. Cara kerja pada

protokol Epidemic adalah dengan menginfeksi seluruh node yang masih susceptible sehingga pesan akan sampai ketujuan.

Dapat dilihat bagaimana gambar 2.2.1 bagian 1 ketika node S ingin mengirim pesan ke node D maka node S yang menyebarkan pesan pada node tetangganya. Node tetangga seperti N1 dan N8 yang telah ter-infective pun akan mulai menyebarkan. Node N8 yang akhirnya bertemu dengan node tujuan yaitu D mengirimkan pesan dan node D akan menjadi infective sehingga pesan dari node S sampai ke node D.

Gambar 2.2.2 Sesi Anti-Entropy

Ketika setiap node bertemu dengan node lainnya, maka node akan melakukan sesi Anti-Entropy [2]. Sesi anti-entropy merupakan sesi dimana setiap node yang bertemu akan melakukan pertukaran summary vector untuk pada akhirnya saling bertukar pesan. Node memiliki hak dalam menentukan apakah akan menerima pesan. Sebagai contoh pesan memiliki buffer yang terlalu besar untuk disimpan pada node penerima..

Pada gambar 2.2.2. Ketika node A bertemu dengan node B maka di mulai sesi anti-entropy. Pada langkah pertama A mengirim summary vector ke B, summary vector adalah representasi semua pesan pada buffer. Setelah itu B akan membandingkan summary vector milik A dengan miliknya sendiri

untuk melihat pesan apa saja yang belum dimiliki B. Pesan yang belum dimiliki oleh B akan dikirim sebagai bentuk permintaan (request) ke A. Pada bagian 3 A kemudian mengirim pesan yang diminta B. Proses ini akan diulang ketika B bertemu dengan node yang lainnya.

Setiap pesan memiliki ID dan TTL (Time To Live.) yang merupakan identitas dari pesan sedangkan TTL merupakan waktu hidup yang diberikan pada pesan. TTL berfungsi mengurangi beban jaringan. Ketika waktu hidupnya sudah habis pesan akan dibuang atau di drop. Namun pemberian TTL pada pesan tidak sepenuhnya mengurangi beban jaringan pada epidemic. Karena tidak terbatasnya jumlah salinan pesan yang disebarkan. Untuk mengurangi beban jaringan adalah dengan mengontrol jumlah salinan pesan. 2.3. Protokol Gossip

Protokol Gossip pertama kali dijelaskan oleh Alan Demers pada tahun 1987 yang bertujuan untuk penerapan pada masalah persebaran informasi [3]. Protokol gossip memiliki sifat seperti kecepatan (speed) dan kekuatan (robutsness) yang memunculkan ide untuk menggunakan konsep penyebaran

gossip atau rumor[3, 5, 6]. Ketika informasi baru didapatkan maka akan

dianggap sebagai gossip hangat untuk disebarkan, lalu node akan kehilangan ketertarikan pada informasi yang sudah banyak tersebar [3, 6] . Untuk lebih jelasnya mekanisme gossip diterangkan dengan pengunaan model

Susceptible-Infective-Removed atau S-I-R. Model S-I-R tidak jauh berbeda

dengan S-I yang sudah dijelaskan pada protokol epidemic, satu-satunya perbedaannya yaitu terdapat fase Removed dimana suatu node yang sudah pernah terinfeksi menjadi sembuh karena penghapusan agar tidak mendapatkan sebaran kembali.

Gambar 2.3. 2. Model Penyebaran Susceptible-Infective-Removed

Pada gambar 2.3.1 bagian (a) node yang infective mencoba menyebarkan informasi kepada node yang susceptible secara aktif, setelahnya node yang terkena informasi masuk ke fase susceptible dan mencoba menyebarkan ke node yang lainnya seperti gambar bagian (b) . Pada gambar (c) terlihat node source beserta tetangganya yang telah terinfective sebelumnya tadi memasuki fase removed atau penghapusan pesan. Node yang Infective tidak dapat menginfeksi node removed dikarenakan node tersebut sudah pernah mendapatkan informasi seperti pada gambar (d). Pesan yang dihapus tersebut dikarenakan node tidak memiliki ketertarikan lagi dengan rumor yang sudah diketahui dan menghapus pesan miliknya.

Supaya dari fase Infective tidak kembali ke fase Susceptible lagi, harus ada mekanisme untuk menyimpan informasi yang telah dihapus. Tombstone atau batu nisan berfungsi untuk mencatat seluruh ID pesan yang pernah dimiliki sebelumnya oleh node. Sehingga node receiver tidak akan mendapatkan pesan yang sama kembali.

10 2.4. Protokol Gossip Game of Life

Dalam pengembangan persebaran informasi yang efisien dengan konsep gossip memunculkan ide dengan menggunakan aturan yang sederhana. Aturan tersebut menentukan bagaimana gosip atau informasi dipertukarkan antar kedua node .

Algoritma Game of Life pertama kali digagas oleh seorang matematikawan Inggris, yaitu John Horton Conway tahun 1970. Algoritma

Game of Life merupakan permainan zero-player-game dimana terdapat sel

yang akan berevolusi (hidup atau mati) sesuai dengan keadaan sekitarnya. Keadaan sel berevolusi dikarenakan aturan pada Game of Life yaitu kelahiran (birth), kematian (death), dan bertahan (survival) [5]. Berikut penjelasan beberapa aturan pada Game of Life :

1. Kelahiran (birth) setiap sel yang kosong namun diduduki dengan 3 tetangga akan melahirkan satu sel hidup. Pada gambar (a) terdapat sel kosong yang letaknya berada diantara tiga sel hidup, maka selanjutnya dia akan terisi seperti gambar (b).

2. Kematian (death) jika sel ditempati 1 tetangga dikarenakan kurangnya populasi (under population) seperti pada gambar a dan sel yang ditempati lebih dari tiga juga mati dikarenakan kelebihan populasi (over

population) seperti gambar b.

Gambar 2.4. 3 Model Kematian (Death) pada Game of Life

3. Bertahan (Survival) sel akan bertahan hidup dan menyebar jika tetangga yang dimiliki kurang dari tiga seperti gambar a dan lebih dari dua (b).

Gambar 2.4. 4 Model Bertahan (Survival) pada Game of Life

2.4.1. Mekanisme penyebaran pesan Gossip Game Of life pada jaringan oportunistik

Algoritma game of life diterapkan di protokol gossip pada jaringan sebagai nilai counter pada setiap pesan. Counter ini dipakai untuk mengontrol persebaran pesan di jaringan.

Mekanisme persebaran pesan yang digunakan pada protokol

gossip game of life adalah dengan melihat nilai counter yang terdapat

pada tiap pesannya. Terdapat dua sistem pada counter yaitu copy (c) dan delete (d). Sebuah pesan dapat dikirimkan apabila nilai counter yang terdapat pada suatu pesan mencapai threshold atau nilai batas

copy (c). Dan sebuah pesan dihapus apabila nilai counter mencapai threshold delete (d). Hal ini dapat dilakukan ketika terjadi perjumpaan

antar node yang selanjutnya dilakukan perhitungan counter. Dan karena itu nilai counter bersifat fluktuatif.

Gambar 2.4.1. 1 Sistem counter pada pesan yang berbeda

Seperti pada gambar 2.4.1.1. ini menunjukan kondisi dimana perjumpaan antar dua node, yang mana node A yang menjadi initial

sender. Pada sistem ini menunjukan pesan milik A tidak terdapat

pada node B. Sehingga nilai counter milik pesan M4 pada node A mengalami penaikan satu nilai. Hal ini diasumsikan pesan atau gosip millik A belum tersebar pada sebagian node. Begitu juga ketika node A bertemu node lain yang tidak memiliki pesan yang sama maka

counter akan bertambah nilainya.

Sedangkan pada gambar 2.4.1.2. sistem ini menunjukan kondisi dimana initial sender A yang bertemu dengan yang memiliki pesan yang sama. Sehingga nilai counter pada pesan M6 milik node A mengalami pengurangan nilai sebesar satu. Dengan penggunaan tombstone pesan yang hilang akan mengurangi nilai counter.

BAB III

PERANCANGAN SIMULASI JARINGAN

3.1. Model pergerakan

Pada penelitian ini menggunakan tiga dataset pergerakan node, yaitu RandomWaypoint, haggle3-Infocom5, dan Reality MIT. Berikut penjelasan tiap

dataset :

3.1.1. RandomWaypoint

Model pergerakan Random Waypoint merupakan model pergerakan yang standar, dimana node bergerak dan berpindah secara random (acak) dimana kecepatan akselerasi dan arah gerak berubah seiring dengan berjalannya waktu. Pergerakan random untuk pergerakan pada pengguna ponsel tetapi ada pause time. Setiap node mobilitas mulai bergerak secara random dan berhenti beberapa saat untuk jangka waktu tertentu (pause time), ketika waktu jeda berakhir, node akan menentukan destinasi secara acak dengan kecepatan yang acak. Probabilitas dalam pengiriman pesan menggunakan pola pergerakan random mengasumsikan semua node memiliki probabilitas yang sama.

3.1.2. Haggle3-Infocom5

Dataset ini berisi data pertemuan antar partisipan di konferensi IEEE Infocom yang bertempat di Miami. Setiap anggota yang hadir diberi sebuah perangkat untuk mencatat data pertemuan antar partisipan. Hasil yang didapatkan dari 50 partisipan yang dipilih data yang valid digunakan adalah 41 device.

3.1.3. MIT Reality Mining

Dataset ini berisi data pertemua antar pelajar pada dua fakultas di Universitas MIT. Fakultas Busines diambil 25 pelajar dan dari Fakultas Media Laboratory 75 pelajar. 100 pelajar ini di beri perangkat yang sama untuk mencatat pertemuan dan hasil valid yang didapatkan sebagai penelitian adalah 97 data

3.2. Parameter Simulasi

Pada penelitian ini digunakan parameter-parameter yang konstan untuk dilakukan beberapa kali simulasi.

Tabel 3.2.1 Parameter simulasi

Parameter Pergerakan RandomWayPoint Pergerakan manusia Haggle3-Infocom5 Pergerakan manusia MIT Reality TTL(Time To Live)

6jam 6jam 3minggu

Kecepatan transmisi

250kbps 250kbps 250kbps

Jarak transmisi 10meter 10meter 10meter

Besar pesan 250k 250k 20k Besar Buffer 10M 10M 20M Interval pembuatan pesan 1160 – 1240 (3 pesan 1 jam) 1160 – 1240 (3 pesan 1 jam) 1160 – 1240 (3 pesan 1 jam) Kecepatan node

0,5 – 1,5 perdetik 0,5 – 1,5 perdetik 0,5 – 1,5 perdetik

3.3. Alat Penelitian

a. Hardware

Sistem Operasi : Windows 10 Enterprise 64-bit (10.0, Build 17763) Manufaktur Sistem : Acer

Model Sistem : Aspire TC-605

Prosesor : Intel(R) Pentium(R) CPU G3220 @ 3.00GHz (2 PUs), ~3.00GHz

b. Software

1. Netbeans IDE

Netbeans IDE merupakan Integrated Development Enviroment java yang digunakan untuk menjalankan The One Simulator.

2. Simulator ONE (Opportunistic Network Environment Simulator)

Simulator ONE digunakan untuk menjalankan routing pada jaringan oportunistik. Simulator dibangun dalam pemograman bahasa java dan dapat melakukan model pergerakan node, routing, visualisasi, dan report.

3.3.Desain Alat Uji

Pseudo-code Gossip-based Game of Life

if Connection Up

For every Message ID thisHost in message Collection

if (Peer == message thisHost or peer.tombstone.contains message ThistHost )

Then decrement msgCounter Else Increment msgCounter End if if (msgCounter == thresholdDelete) deleteMessage End if End For if Delivery Message if (msgCounter == ThresholdCopy) UpdateProperty meesage ThisHost Then send Message

End if End if

3.5. Skenario Simulasi

Tabel 3.5.1 Skenario pada Simulasi

Pergerakan Routing protokol Jumlah Node

RandomWaypoint Epidemic, Gossip based Game of Life

100

Haggle3 -Infocom 5 41

Reality MIT 97

Nilai counter yang digunakan pada penelitian ini: Routing Protokol

Counter

Threshold Copy Threshold Delete

Gossip Based Game of Life 1 -1 2 -2 3 -3 4 -4 5 -5

3.6. Metriks Unjuk Kerja

Terdapat tiga metrik unjuk kerja yang digunakan untuk menganalisis unjuk kerja protokol gossip based Game of Life , yaitu :

a. Total Message Relayed

Total Message Relayed digunakan untuk mengetahu jumlah total dari message yang dititipkan kepada setiap node yang ditemui.

b. Delivery Probability

Delivery probability digunakan untuk mengetahui probabilitas pesan terkirim

sampai ke destinasi. Semakin tinggi nilai delivery probability yang dihasilkan maka unjuk kerja protokol routing dapat dikatan baik.

Rumus 3.6.1 Delivery Probability

c. Latency Average

Latency Average digunakan untuk mengetahui jumlah rata-rata waktu

yang dibutuhkan sebah pesan untuk sampai ke node destinasi sejak pesan dibuat. Semakin rendah nilai Latency Average yang dihasilkan maka unjuk kerja protokol routing dapat dikatan baik.

Rumus 3.6.2 Average Latency

d. Total Message Relayed per Time

Total Message Relayed adalah jumlah pesan yang dititipkan kepada setiap node yang ditemui dalam satuan waktu.

e. Total Message Deeleted per Time

Total Message Deleted adalah jumlah pesan yang dihapus ketika nilai counter delete terpenuhi dalam satuan waktu.

19 BAB IV

PENGUJIAN DAN ANALISIS

Untuk mengetahui evaluasi terhadap unjuk kerja protokol Gossip based

Game of Life dibandingkan dengan protokol Epidemic , maka dilakukan simulasi dan

pengujian dengan rancangan skenario yang sudah dijelaskan pada bab III. Data diperoleh dari report yang dihasilkan ketika simulasi dijalankan yang kemudian dijadikan bahan untuk dilakukan penelitian.

4.1. Hasil Simulasi

4.1.1. Perbandingan Total Relayed Message pada Protokol Gossip based Game of Life dengan Epidemic

Gambar 4.1.1.1 Grafik Total relayed message RandomWaypoint

Gambar 4.1.1.2 Grafik Total relayed message Haggle3-Infocom5

20889 16735 15346 13919 11207 7963 5000 10000 15000 20000 25000 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Total Relayed

4042 1632 ₁₅₃₅ ¹⁷⁶¹ ¹⁷⁵⁹ ¹⁶⁸⁷ 500 1500 2500 3500 4500 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Total Relayed

Gambar 4.1.1.3 Grafik Total relayed message Reality MIT

Pada Grafik 4.1.1.1, Grafik 4.1.1.2 , 4.1.1.3. Dapat dilihat jumlah relayed yang dimiliki Epidemic mempunyai nilai yang paling tinggi. Hal ini disebabkan cara kerja epidemic yang menyebarkan pesan secara flooding dengan Salinan yang tak terbatas. Maka jumlah relayed epidemic menjadi yang tertinggi.

Protokol Gossip based Game of Life, memiliki jumlah relayed pesan lebih rendah dibanding Epidemic dikarenakan mekanismenya yang mana ketika node sender bertemu node receiver, node sender tidak langsung merelay copy pesannya namun harus ditunda terlebih dahulu sampai nilai thershold terpenuhi. Pengaruh nilai counter pada jumlah total relayed dapat dilihat pada grafik 4.1.1.1, Grafik 4.1.1.2 , 4.1.1.3. Pada pergerakan Random terlihat semakin tinggi nilai counter maka jumlah relayed pesan juga semakin sedikit karena node menunda mengirim pesan sampai nilai threshold terpenuhi. Namun nyantanya pada pergerakan manusia yang digunakan seperti haggle3 dan Reality Total Relayed semakin meningkat dengan meningkatnya juga nilai counter Hal ini dikarenakan pergerakan manusia yang probabilitas bertemu tiap node yang tidak merata.

819617 79584 ¹²⁷⁸²¹ 152631 154132 149548 50000 230000 410000 590000 770000 950000 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Total Relayed

4.1.2. Perbandingan Delivery Probability Protokol Gossip based Game of Life dengan Epidemic

Grafik 4.1.2.1, 4.1.2.2., 4.1.2.3. menunjukan Delivery

probability milik Epidemic memiliki presentase yang tinggi karena

mekanisme pengiriman pesannya yang secara flooding yang mana membuat copy pesan banyak tersebar di jaringan dan presentase

delivery probability milik epidemic juga yang paling tinggi dari

semua protokol di DTN.

Gambar 4.1.2.1 Grafik Delivery probability RandomWaypoint

Gambar 4.1.2.2 Grafik Delivery probability Haggle3-Infocom5

1 0.8294 0.7109 _0.6967 0.4976 0.3649 0 0.2 0.4 0.6 0.8 1 1.2 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Delivery Probability

0.5071 0.1469 ^0.1801 ^0.1659 0.2085 0.1801 0 0.1 0.2 0.3 0.4 0.5 0.6 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Delivery Probability

Gambar 4.1.2.3 Grafik Delivery Probability Reality MIT

Kemudian pada grafik menunjukan presentase delivery

probability milik protokol Gossip based Game of Life terlihat pada counter c = 2 dan d = 2 yang mampu mendekati pada pergerakan

random walaupun penyebaran pesannya ditunda sampai nilai

threshold terpenuhi hal ini dikarenakan pergerakannya yang memiliki

probabilitas pertemuan antar node sama.

Pada pergerakan Random seiring meningkatnya nilai counter maka semakin menurun hal ini disebabkan penyebaran pesan yang ditahan lebih lama menyebabkan informasi yang tersebar semakin sedikit di jaringan. Dapat dilihat pada counter c = 5 dan d = 5 delivery

probability lebih sedikit dikarenakan pesan yang disebar lebih sedikit.

Tidak seperti pergerakan random pergerakan manusia memiliki pola tertentu sehingga penyebaran pesan delivery probability sedikit lebih lama.

Protokol Gossip based Game of Life menggunakan tombstone untuk mencegah node receiver terinfeksi pesan pernah yang di miliki sebelumnya. Oleh karena itu penggunaan tombstone dalam penyebaran pesan membuat kinerja lebih efisien.

0.6545 0.0479 0.0924 ^0.118 ^0.1161 ^0.1159 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Delivery Probability

4.1.3. Perbandingan Latency Protokol Gossip based Game of Life dengan Epidemic

Gambar 4.1.3.1 Grafik Latency average RandomWaypoint

Gambar 4.1.3.2 Grafik Latency Average Haggle3-Infocom5

1767.6398 3479.5886 7144.62 11274.6279 13583.6191 15460.1026 500 3500 6500 9500 12500 15500 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Latency Average

7575.8224 5824.3548 5947.1053 8441.1429 7982.8409 10222.6579 2000 4000 6000 8000 10000 12000 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Latency Average

Gambar 4.1.3.3 Grafik Latency average Reality MIT

Pada Grafik 4.1.3.1, 4.1.3.2, 4.1.3.3 dengan menunda persebaran pesan dapat menyebabkan pesan ketujuan lebih lama atau delay. Dapat dilihat pada grafik sebelumnya jumlah salinan pesan milik epidemic yang begitu tingg. Hal ini dikarenakan mekanisme flooding yang dimiliki oleh protokol routing Epidemic sehingga delay yang didapat rendah.

Dengan meningkatnya nilai counter jumlah salinan pesan yang tersebar akan lebih rendah. Hal ini dikarenakan sistem counter yang menunda persebaran pesan untuk mengefisienkan pesan yang tersebar di jaringan. Sehingga pesan mencapai tujuan sedikit lama yang mana menghasilkan delay.

473966.76 430067.8794 526913.0477 631819.7719 699654.1062 782795.7388 100000 280000 460000 640000 820000 Epidemic C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5

Latency Average

4.1.4. Pergerakan Relayed pesan pada Protokol Gossip based Game of Life

Gambar 4.1.4.1 Grafik Message Relayed Pertime RandomWaypoint

Gambar 4.1.4.2 Grafik Message Relayed Pertime Haggle3-Infocom5

0 100 200 300 400 3600 ₁₄₄₀₀ ₂₅₂₀₀ ₃₆₀₀₀ ₄₆₈₀₀ ₅₇₆₀₀ ₆₈₄₀₀ ₇₉₂₀₀ ₉₀₀₀₀ 100800 111600 122400 133200 144000 154800 165600 176400 187200 198000 208800 219600 230400 241200 252000 262800 273600 Me ss age time (second)

Total Message Relayed per Time Interval (3600s)

C = 1 D = -1 C = 2 D = -2 C = 3 D = -3 C = 4 D = -4 C = 5 D = -5 0 100 200 300 400 3600 ₁₄₄₀₀ ₂₅₂₀₀ ₃₆₀₀₀ ₄₆₈₀₀ ₅₇₆₀₀ ₆₈₄₀₀ ₇₉₂₀₀ ₉₀₀₀₀ 100800 111600 122400 133200 144000 154800 165600 176400 187200 198000 208800 219600 230400 241200 252000 262800 273600 Me ss age time (second)

Total Message Relayed per Time Interval (3600s)

Gambar 4.1.4.3 Grafik Message Relayed Pertime Reality MIT

Pada Gambar 4.1.4.1, 4.1.4.2, dan 4.1.4.3, dapat dilihat bagaimana pergerakan relay pesan per waktu di simulasi pada setiap nilai threshold (c). Semakin tinggi nilai threshold (c) pesan ditahan lebih lama dan pesan yang tersebar di jaringan semakin sedikit. Pada grafik dapat dilihat bagaimana jumlah pesan dengan threshold (c) yang tinggi memiliki jumlah relayed pesan per waktunya yang rendah dibanding dengan threshold (c) yang nilainya lebih rendah menunjukan bahwa jumlah relayed pesan lebih banyak perwaktunya karena penundaan pesan yang lebih singkat. Pada setiap pergerakan memiliki pola yang berbeda yang dapat dilihat pada grafik.

0 5000 10000 86400 ₆₉₁₂₀₀ 1296000 1900800 2505600 3110400 3715200 4320000 4924800 5529600 6134400 6739200 7344000 7948800 8553600 9158400 9763200 _1.04E +07 1.10E +07 1.16E +07 1.22E +07 1.28E +07 1.34E +07 1.40E +07 1.46E +07 1.52E +07 1.58E +07 1.64E +07 Me ss age time (second)

Total Message Relayed per Time Interval (86400s)

4.1.5. Pergerakan delete pesan pada Protokol Gossip based Game of Life

Gambar 4.1.5.1 Grafik Message Relayed Pertime RandomWaypoint

Gambar 4.1.5.2 Grafik Message Relayed Pertime Haggle3-Infocom5

Total Message Deleted per Time Interval (3600s)

Gambar 4.1.5.3 Grafik Message Relayed Pertime Reality MIT

Pada Gambar 4.1.5.1, 4.1.5.2, dan 4.1.5.3, Gossip Game of

Life memiliki mekanisme untuk menghapus pesan jika tiap node receiver yang ditemui memiliki pesan yang sama sampai nilai threshold (d) terpenuhi. Pesan yang dihapus berguna untuk

mengurangi pesan di jaringan sehingga penyebaran pesan lebih efisien. Nilai threshold (d) yang tinggi maka menahan pesan untuk dihapus lebih lama dapat dilihat pada gambar yang menunjukan

threshold (d) yang rendah menghapus pesan lebih sedikit per

waktunya. 0 2000 4000 6000 8000 86400 ₆₉₁₂₀₀ 1296000 1900800 2505600 3110400 3715200 4320000 4924800 5529600 6134400 6739200 7344000 7948800 8553600 9158400 9763200 _1.04E +07 1.10E +07 1.16E +07 1.22E +07 1.28 E+ 07 1.34E +07 1.40E +07 1.46E +07 1.52E +07 1.58E +07 1.64E +07 Me ss age time (second)

Total Message Deleted per Time Interval (86400s)

29 BAB V

KESIMPULAN DAN SARAN

5.1. KESIMPULAN

Setelah beberapa kali dilakukan pengujian melalui simulasi dan menganalisis hasil simulasi dengan tiga pergerakan RandomWaypoint, Haggle3-Infocom5, dan Reality MIT. Dapat disimpulkan protokol Gossip

based Game of Life mampu dalam mengurangi copy pesan di jaringan dengan

teknik penundaan dalam penyebaran pesan maupun penghapusan pesan yang dapat mengurangi pesan di jaringan. Namun karena metode penundaan hasil dari latency average milik protokol gossip-based game of life menjadi lebih tinggi. Dengan copy pesan yang lebih sedikit dibanding epidemic delivery probability pada protokol gossip-based game of life pada pergerakan random tidak terlalu jauh.

Dengan nilai counter copy dan delete yang tinggi proses copy pesan menjadi lebih lama dikarenakan proses mencapai nilai copy tertunda dengan perhitungan nilai delete. Namun tergantung pada dataset yang ada dikarenakan tiap dataset memiliki karakteristik yang berbeda-beda.

5.2. SARAN

Untuk penelitian selanjutmya diharapkan diberi nilai ketertarikan pada Protokol gossip based Game of Life ini.

DAFTAR PUSTAKA

[1]. J. Schiller, “Mobile Communication”, Great Britain, Bidles:2003.

[2]. Amin Vahdat and David Becker , “Epidemic Routing for Partially-Connected Ad

hoc Networks” Durham : Department of Computer Science, Duke University , NC

27708.

[3]. A. Montresor, “Distributed Algorithms Epidemic Dissemination”, Italy: University of Trento, 2016.

[4]. Kevin Fall, “A Delay-Tolerant Network Architectur for Challenged internets” Berkeley : Intel research.

[5]. Tim Daniel Hollerung and Peter Bleckmann, “Epidemic Algorithm”, University Paderborn, 2004.

[6]. M. Jelasity, “Gossip-based Protocols for Large-Scale Distributed System”, Szeged, 2013.

[7]. Brenton D. Walker, Joel K. Glenn, and T. Charles Clancy, “Analysis Of Simple

Counting Protocols for Delay-Tolerant Network”, US Department of Defense,

LAMPIRAN

Dalam dokumen Analisis unjuk kerja protokol gossip berbasis game of life di jaringan oportunistik (Halaman 19-48)