Perancangan dan Pembuatan Alat Uji - Langkah-Langkah Pengujian

BAB III METODE PENELITIAN

3.2 Langkah-Langkah Pengujian

3.2.3 Perancangan dan Pembuatan Alat Uji

contact datasets sudah tersedia online di Internet http://www.shigs.co.uk/index.php?page=traces. Peneliti hanya perlu mengunduh data pada link yang tersedia.

Lalu data tersebut diolah dengan menggunakan bahasa pemrograman

AWK dan Shell agar bisa mendapatkan sebaran data yang valid untuk

membuat grafik PDF yang akan digunakan untuk mendapatkan keterangan mengenai karakteristik dataset dan mendapatkan sampel untuk membuat batas-batas dari pembagian tingkatan fuzzy logic dari

dataset.

3.2.3 Perancangan dan Pembuatan Alat Uji

Perancangan sistem dilakukan mulai dari mengidentifikasi apa yang dilakukan oleh protokol sehingga dapat menghasilkan data hasil simulasi yang dapat dianalisis. Pembuatan rancangan sistem dimulai dengan penggunaan beberapa skenario diantara lain:

a. Jumlah node tetap

b. Jumlah kuota L (jumlah copy) awal fixed

c. Pembagian copy pesan atau L copies yang akan dibagikan/dikirimkan berdasarkan hasil dari perhitungan nilai ToU yang dibandingkan

d. Pergerakan node menggunakan pergerakan manusia dengan 2 dataset (Reality Mining by MIT dan Haggle 3 – Infocom 5).

Selain scenario pengujian, ada juga perancangan parameter simulasi setting seperti dibawah ini.

Parameter Pergerakan Manusia (Reality Mining by MIT)

Pergerakan Manusia (Haggle 3 - Infocom 5)

Type Jaringan Bluetooth Bluetooth

Jumlah Node 97 41

Waktu Simulasi

Skenario tersebut akan disimulasikan di The One Simulator dengan menggunakan protokol Spray and Wait yang berjalan di aplikasi NetBeans. Untuk membuat alat ujinya juga akan ada proses penghitungan nilai kontak dengan cara seperti mekanisme Fuzzy Logic pada BAB II (Gambar 2.3). Langkah pengujiannya adalah seperti dibawah ini.

 Mengolah data inputan (X,Y) di tahap Fuzzifikasi

Semua parameter input adalah nilai crisp (tegas) dan nilai tegas ini disediakan sebagai input yang akan diolah ke proses logika fuzzy. Proses fuzzifikasi mengubah data / nilai tegas (crisp) menjadi fuzzy

set (nilai kabur) dengan menggunakan fungsi keanggotaan.

Dalam kasus ini, variabel masukan (input variabel) yang akan digunakan adalah Contact Time Duration (CTD) dan Intercontact

Time Duration (ITD) yang dibagi menjadi 5 fungsi keanggotaan

untuk setiap variabel, yaitu Very Low, Low, Medium, High, dan

Very High untuk Contact Time Duration. Untuk Intercontact Time Duration yaitu Very Low, Low, Medium, High, dan Very High.

Waktu TTL 20160 min (2 minggu) 360 min (1 minggu) Kecepatan Transmisi 2 Mbps (250 kbps) 2 Mbps (250 kbps) Jarak Transmisi 10 meter 10 meter

Besar Pesan 20 KB 250 KB sampai 300 KB

Besar Buffer 20 MB 10 MB Interval pembuatan pesan 1160 detik - 1240 detik (3 pesan / detik) 1160 detik - 1240 detik (3 pesan / detik) Pergerakan node

2.5 meter - 4.5 meter per detik

0.5 meter 1.4 meter per detik Tabel 3.1 Parameter Simulasi Setting Dataset

Rentang nilai fungsi keanggotaan tersebut ditentukan berdasarkan karakteristik dari dataset (grafik PDF sebelumnya) yang digunakan pada penelitian ini. Dan rentang nilai pada setiap

dataset yang digunakan berbeda-beda dan tidak bisa digeneralisasi.

Karena karakteristik setiap dataset yang digunakan pada simulasi sangatlah berbeda satu sama lain. Dibawah ini adalah proses ilustrasi metode FIS (Fuzzy Inference System) dengan sugeno di dataset Haggle 3 – Infocom 5 dan Reality Mining by MIT.

Gambar 3.8 Ilustrasi proses FIS Sugeno dataset Haggle3-Infocom5

Gambar 3.9 Ilustrasi proses FIS Sugeno dataset Reality Mining by MIT Setelah itu akan dibuat batas tingkatan fungsi keanggotaan

fuzzy logic berdasarkan grafik PDF sebelumnya dan berdasarkan 2 input variabel sebelumnya, pembagiannya digambarkan menjadi

Gambar 3.10 Input variabel CTD Haggle3-Infocom5

Gambar 3.11 Input variabel ITD Haggle3-Infocom5

Gambar 3.13 Input variabel ITD Reality Mining by MIT

Setelah itu semua batas nilai beserta tingkatan ini diimplementasikan ke routing protokol Spray and Wait.

 Aturan Fuzzy (Fuzzy Rules)

Basis pengetahuan Fuzzy Logic ditentukan oleh aturan 𝑓𝑢𝑧𝑧𝑦. Aturan fuzzy dalam konteks ini mengacu pada kedua karakteristik inputan (CTD dan ITD) yang memiliki sifat saling bertolak belakang. CTD yang merupakan durasi/waktu kontak pertemuan suatu node dengan node lain akan cenderung semakin bagus ketika tingkat/level pembagiannya semakin tinggi. Sementara untuk ITD akan semakin bagus ketika tingkat/level pembagiannya semakin rendah. Berikut adalah bentuk penggambaran aturan fuzzy dari kedua input variabel tersebut.

Contact Time Duration (CTD) Very

Low ^Low ^{Medium High}

Very High Intercontact Time Duration (ITD) Very Low ^{mf 5} ^{mf 10} ^{mf 15} ^{mf 20} ^{mf 25} Low mf 4 mf 9 mf 14 mf 19 mf 24 Medium mf 3 mf 8 mf 13 mf 18 mf 23 High mf 2 mf 7 mf 12 mf 17 mf 22 Very High ^{mf 1} ^{mf 6} ^{mf 11} ^{mf 16} ^{mf 21} Tabel 3.2 Aturan Fuzzy Dataset Haggle3-Infocom5

Contact Time Duration (CTD) Very

Low ^Low ^{Medium High}

Lalu untuk bentuk implementasi aturan fuzzy jika digambarkan dalam aturan if-then (jika-maka) akan seperti dibawah ini.

ATURAN FUZZY (FUZZY RULES)

[RULE 1] : If CTD is very low and ITD is very high then

ToU is mf 1

[RULE 2] : If CTD is very low and ITD is high then

ToU is mf 2

[RULE 3] : If CTD is very low and ITD is medium then

ToU is mf 3

[RULE 4] : If CTD is very low and ITD is low then

ToU is mf 4

[RULE 5] : If CTD is very low and ITD is very low then

ToU is mf 5

[RULE 6] : If CTD is low and ITD is very high then

ToU is mf 6

[RULE 7] : If CTD is low and ITD is high then

ToU is mf 7

[RULE 8] : If CTD is low and ITD is medium then

ToU is mf 8

[RULE 9] : If CTD is low and ITD is low then

ToU is mf 9

[RULE 10] : If CTD is low and ITD is very low then

ToU is mf 10

[RULE 11] : If CTD is medium and ITD is very high then

ToU is mf 11

[RULE 12] : If CTD is medium and ITD is high then

[RULE 13] : If CTD is medium and ITD is medium then

ToU is mf 13

[RULE 14] : If CTD is medium and ITD is low then

ToU is mf 14

[RULE 15] : If CTD is medium and ITD is very low then

ToU is mf 15

[RULE 16] : If CTD is high and ITD is very high then

ToU is mf 16

[RULE 17] : If CTD is high and ITD is high then

ToU is mf 17

[RULE 18] : If CTD is high and ITD is medium then

ToU is mf 18

[RULE 19] : If CTD is high and ITD is low then

ToU is mf 19

[RULE 20] : If CTD is high and ITD is very low then

ToU is mf 20

[RULE 21] : If CTD is very high and ITD is very high then

ToU is mf 21

[RULE 22] : If CTD is very high and ITD is high then

ToU is mf 22

[RULE 23] : If CTD is very high and ITD is medium then

ToU is mf 23

[RULE 24] : If CTD is very high and ITD is low then

ToU is mf 24

[RULE 25] : If CTD is very high and ITD is very low then

ToU is mf 25  Inferensiasi

Pada tahap ini dilakukan proses pemetaan variabel input yang diberikan ke pemetaan output melalui mekanisme deduksi berbasis

fuzzy logic yang terdiri dari aturan IF-THEN (aturan fuzzy

sebelumnya), fungsi keanggotaan, dan juga operator fuzzy logic. Dapat diartikan sebagai proses evaluasi aturan fuzzy ditahap ini. Pada penelitian ini digunakan operator logika AND pada anteseden dan menggunakan metode Centroid of Area pada proses defuzzifikasi. Model inferensi yang dipakai pada penelitian ini adalah Sugeno Fuzzy

Inference System. Berikut adalah ilustrasi dari penggambaran evaluasi

Gambar 3.14 Fuzzy Rules dataset Haggle3-Infocom 5

39  Defuzzyfikasi (output : Z)

Output dari logika fuzzy untuk fungsi keanggotaan digambarkan pada Gambar 3.16. Proses defuzzifikasi adalah proses mengubah nilai fuzzy (kabur) menjadi nilai tegas dengan menggunakan metode Centroid Of Area (COA). Output ini akan menjadi nilai utilitas (nilai acuan) suatu node untuk menjadi message carrier atau relay yang baik dalam suatu jaringan. Sehingga pembagian/penyebarannya tergantung oleh nilai output ini, semakin tinggi nilai ToU (Transfer of Utility) maka akan semakin bagus. Model output Fuzzy Inference System milik Sugeno adalah singleton (konstan) seperti ditunjukan pada Gambar 3.16.

Gambar 3.16 Grafik Transfer of Utility (ToU)  Perhitungan nilai L dengan Logika Fuzzy

Perhitungan nilai L copy pesan (pembobotan nilai L) sebelum di kirimkan ke node relay didapatkan dari mengambil nilai ToU (output

fuzzy). Setelah semua tahap tadi terlewati akan menghasilkan nilai ToU

(yang sudah disesuaikan dengan derajat keanggotannya) beserta range dari nilainya (berdasarkan level / membership function yang ada). Selanjutnya nilai ToU ini akan digunakan untuk menghitung/menentukan/membobot berapakah nilai L (copy) yang tepat/baik untuk dibagikan ke node lain. Dengan rumus sebagai berikut :

i = thisHost k = peer j = destination

L

(𝑐𝑜𝑝𝑦) 𝑖,𝑗, 𝑘,𝑗 = ^ToU^𝑘,𝑗

∑ ToU_{((𝑖,𝑗)+(𝑘,𝑗))}

x L

(𝑐𝑢𝑟𝑟𝑒𝑛𝑡 𝑐𝑜𝑝𝑦)

40 if (koneksi terhubung)

(hitung jeda waktu bertemu dengan peer (Intercontact Time Duration)) (catat waktu bertemu peer saat ini)

(hitung defuzzifikasi terhadap peer) end if

if (koneksi terputus)

(catat waktu terputus dengan peer)

(hitung waktu bertemu selama koneksi terhubung (Contact Time Duration)) end if

Dalam dokumen Analisis unjuk kerja pembobotan nilai kontak tiap node dengan logika fuzzy di protokol spray and wait jaringan oportunistik (Halaman 47-56)