Rumus pembagian L copies - KESIMPULAN DAN SARAN

BAB V KESIMPULAN DAN SARAN

Rumus 3.1 Rumus pembagian L copies

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

3.2.4 Pengujian

Dalam tahap ini akan dibuat implementasi dari protokol routing yang akan digunakan dalam penelitian. Dalam tahap ini juga akan dilakukan pengujian untuk mengetahui performa protokol routing Spray and Wait yang telah disisipi penghitungan/pembobotan nilai dengan logika fuzzy dan metode sugeno.

3.2.5 Analisis Hasil Pengujian

Dalam tahap ini akan dianalisis performa unjuk kerja protokol

routing sehingga diketahui trade-off dari protokol routing Spray and Wait sehingga bisa diambil kesimpulan pada kondisi yang seperti apa

protokol routing ini paling baik diterapkan. Teknik pengumpulan data yang digunakan dalam penelitian ini dengan cara menggunakan report yang merupakan media pengumpulan data berdasarkan parameter unjuk kerja (lebih lengkapnya ada di BAB III bagian metric unjuk kerja jaringan) yang telah ditentukan sebelumnya. Lalu akan dibuat hasil grafik untuk membandingkan dan menganalisis apa yang terjadi. Teknik analisa data yang digunakan dalam penelitian ini ini adalah teknik kualitatif.

3.3 Desain Alat Uji

Pseudo-code Protokol Routing Fuzzy Logic Pseudo-code Routing Fuzzy Logic

double sumToU = (nilai ToU thisHost terhadap destination pesan) + (nilai ToU peer terhadap destination pesan)

jumlah copy pesan yang akan dikirim = Math.floor((nilai ToU peer terhadap destination pesan / sumToU) * jumlah copy pesan saat ini)

update jumlah copy pesan

kirim copy pesan ke peer

Pseudo-code Protokol Routing Spray and Wait with Fuzzy Logic Pseudo-code Routing Spray and Wait with Fuzzy Logic

42 BAB IV

PENGUJIAN DAN ANALISIS

Untuk mengetahui performa / unjuk kerja dari kinerja protokol routing

Spray and Wait dengan menggunakan logika fuzzy pada jaringan oportunistik,

peneliti melakukan pengujian dengan menggunakan metode penelitian yang sudah dijelaskan pada BAB III dengan 2 dataset yaitu Reality Mining by MIT dan Haggle 3 – Infocom 5. Data yang diperoleh dari hasil simulasi pengujian akan diwujudkan melalui report, yang akan menjadi acuan untuk analisis.

4.1 Reality Mining by MIT

Gambar 4.1 Grafik Total Pesan Terkirim tiap Total Kontak (Reality)

Berdasarkan Gambar 4.1 diatas dapat dilihat bahwa total pesan yang terkirim tiap total kontak milik Spray and Wait (SnW) Fuzzy Mode lebih tinggi dibandingkan dengan milik Spray and Wait (SnW) Binary Spray & milik Spray

0 1000 2000 3000 4000 5000 6000 7000 8000 500 ₃₅₀₀ ₆₅₀₀ ₉₅₀₀ 12500 15500 18500 21500 24500 27500 30500 33500 36500 39500 42500 45500 48500 51500 54500 57500 60500 63500 66500 69500 72500 75500 78500 81500 84500 To ta l N u m b er o f Deli ve re d Me ss age (i n in te ge r)

Total Contact (in integer)

Total Message Delivered Per Total Contact Protokol Spray and Wait

(Dataset - Reality Mining by MIT)

and Wait (SnW) Source Spray, dengan nilai tertinggi fuzzy mode berada pada

nilai 7776, binary spray pada nilai 7465, dan source spray pada nilai 5830 dengan total node yang sama yaitu 85500 (di gambar tertulis 84500 karena ukuran gambar kecil) atau jika di total node 84500 maka nilai fuzzy mode = 7772, binary spray = 7457, dan source spray = 5752, yang ketiganya disimulasikan di jaringan oportunistik dengan menggunakan dataset Reality

Mining by MIT. Hal ini menunjukan bahwa penggunaan logika fuzzy di protokol spray and wait lebih efektif dibandingkan dengan source spray dan binary spray. Dengan kondisi bahwa nilai binary spray merupakan batas atas yang

digunakan sebagai acuan jika semakin melewati batas atas akan semakin efektif, dan untuk batas bawah adalah nilai dari source spray.

Hal ini disebabkan karena pembagian L (copy) di Spray and Wait dengan

fuzzy mode lebih selektif dengan berdasarkan dengan nilai ToU node terhadap

destinasi (tujuan) baik node pengirim, pemegang L (copy) maupun node yang akan dititipkan pesan (node relay). Dengan pembagian yang selektif tersebut, maka akan mencegah copy pesan yang terlalu banyak beredar di jaringan, bukan semata-mata ketika bertemu node relay akan langsung memberikan copy pesan (L copies) tanpa ada yang perlu dibandingkan seperti source spray yang selalu memberikan copy pesan ke node relay ketika bertemu dengan jumlah nilai copy pesan adalah 1.

Dengan pembagian yang minimum pada source spray maka akan membuat total pesan yang terkirim tiap total kontaknya rendah, karena dia hanya membagi 1 replika pesan terus menerus tanpa tahu dimana node relay yang tepat yang akan dititipi pesan agar cepat sampai ke destinasi. Sementara untuk

binary spray pembagian copy pesan dilakukan dengan cara membagi 2

(setengah dari total copy pesan saat itu) setiap bertemu dengan node relay. Hal ini akan membuat total pesan yang terkirim tiap total kontaknya lebih tinggi daripada source spray karena dia membagi copy pesan yang lebih banyak dibandingkan dengan source spray, karena semakin banyak copy pesan yang ditipikan ke node relay yang tepat (memiliki presentase bertemu dengan node

destinasi lebih tinggi) akan membuat protokol Spray and Wait semakin efektif, tetapi dalam binary spray masih belum optimal karena setiap bertemu dengan

node relay akan selalu memberikan copy pesan yang mana porsi pembagian

pesannya belum tentu sesuai dengan sehaerusnya.

Maka dengan fuzzy mode yang lebih selektif terhadap proporsi replika pesan akan membuat node memiliki ketelitian yang lebih baik untuk membagikan copy pesan seberapa banyak sesuai porsinya, seiring dengan membuat total pesan yang terkirim semakin banyak karena porsi dari tiap node relay berbeda-beda tergantung kondisi node relay tersebut terhadap destinasi. Semakin tinggi total pesan yang terkirim tiap total kontak maka semakin bagus dan efektif routing di jaringan tersebut. Dalam konteks ini nilai ToU semakin tinggi jika node relay memiliki nilai utility yang baik terhadap destinasi.

Gambar 4.2 Grafik Total Delay (Latencies) tiap Total Kontak (Reality) Dengan pembagiannya yang selektif, sistem fuzzy mode juga mempengaruhi delay (waktu tunda) di jaringan. Pembagian selektif yang

0 50000 100000 150000 200000 250000 300000 350000 400000 450000 500 ₃₅₀₀ ₆₅₀₀ ₉₅₀₀ 12500 15500 18500 21500 24500 27500 30500 33500 36500 39500 42500 45500 48500 51500 54500 57500 60500 63500 66500 69500 72500 75500 78500 81500 84500 To ta l L at en cie s (i n se co n d )

Total Contact (in integer)

Total Latencies Per Total Contact Protokol Spray and Wait (Dataset - Reality Mining by MIT)

berdasarkan nilai ToU terhadap destinasi membuat jumlah node relay yang dibutuhkan untuk dititipi pesan agar bisa sampai ke destinasi semakin sedikit dan tetntunya node relay yang dititipi pesan memiliki nilai utility (ToU) yang bagus terhadap destinasi, karena nilai ToU terhadap destinasi merupakan nilai yang didasarkan pada durasi kontak suatu node dengan node lain (dalam hal ini

node source/peer dengan node destinasi). Dengan membandingkan nilai durasi

kontak baik pertemuan maupun durasi tidak bertemu tiap node maka bisa diketahui node mana yang mempunyai nilai kontak yang baik terhadap node destinasi.

Dengan jumlah node relay yang sedikit maka akan membuat waktu tunda (delay) suatu jaringan semakin sedikit (semakin bagus) karena waktu tunda dihitung ketika waktu pesan sampai di destinasi dikurangi dengan waktu pesan dibuat. Dengan kata lain semakin sedikit jumlah node relay yang dibutuhkan agar pesan sampai di destinasi maka semakin cepat waktu yang dibutuhkan pesan untuk sampai ke destinasi dan membuat delay/latencies di protokol spray

and wait jaringan oportunistik semakin rendah. Tentu ketika suatu hal yang

berhubungan dengan waktu menjadi lebih cepat / semakin cepat dari waktu yang awal akan membuat suatu jaringan tersebut semakin efisien.

Berdasarkan Gambar 4.2 dapat dilihat bahwa total delay (Latenicies) tiap total kontak milik Spray and Wait (SnW) Fuzzy Mode lebih rendah dibandingkan dengan milik Spray and Wait (SnW) Binary Spray & milik Spray

and Wait (SnW) Source Spray, dengan nilai tertinggi fuzzy mode berada pada

nilai 346248.101, binary spray pada nilai 371478.632, dan source spray pada nilai 440905.412, yang ketiganya disimulasikan di jaringan oportunistik dengan menggunakan dataset Reality Mining by MIT.

Hal ini menunjukan bahwa penggunaan logika fuzzy di protokol spray and

wait lebih efisien dibandingkan dengan source spray dan binary spray.

Semakin tinggi total delay/latencies tiap total kontak di suatu jaringan maka dapat dikatakan bahwa jaringan tersebut semakin jelek. Tentu saja kalau

Gambar 4.3 menunjukan bahwa persentase total pesan terkirim tiap total kontak milik Spray and Wait (SnW) Fuzzy Mode lebih tinggi dibandingkan dengan milik Spray and Wait (SnW) Binary Spray & milik Spray and Wait

(SnW) Source Spray, dengan nilai tertinggi fuzzy mode berada pada nilai

59.147, binary spray pada nilai 56.781, dan source spray pada nilai 43.120.

Gambar 4.3 Grafik Persentase Total pesan terkirim tiap Total Kontak (Reality) Semakin tinggi presentase total pesan terkirim tiap total kontak suatu

routing maka akan semakin bagus routing di jaringan tersebut. Dengan semakin

tinggi jumlah pesan yang terkirim maka akan berhubungan juga terhadap persentase total pesan yang terkirim, jadi keduanya dependent dalam artian jika salah satu naik maka yang satunya juga ikut naik. Berbanding terbalik dengan

delay (latencies) yang akan semakin rendah ketika total pesan yang terkirim

semakin tinggi.

Untuk kasus pembagian L (copy) dengan menggunakan dataset Reality

0 10 20 30 40 50 60 70 80 90 100 500 ₃₅₀₀ ₆₅₀₀ ₉₅₀₀ 12500 15500 18500 21500 24500 27500 30500 33500 36500 39500 42500 45500 48500 51500 54500 57500 60500 63500 66500 69500 72500 75500 78500 81500 84500 Perc en ta ge T o ta l Me ss age De liv ere d (i n p e rc e n t)

Total Contact (in integer)

Percentage Total Message Delivered Per Contact Protokol Spray and Wait

(Dataset - Reality Mining by MIT)

Mining by MIT, dan menggunakan sistem/model fuzzy mode (logika fuzzy) di

protokol Spray and Wait jaringan oportunistik hasilnya lebih efektif dan efisien dibandingkan dengan menggunakan sistem/model binary spray dan source

spray. Dengan kondisi melampaui batas atas dari nilai binary spray dan batas

bawah dari source spray.

4.2 Haggle 3 – Infocom 5

Gambar 4.4 Grafik Total Pesan Terkirim tiap Total Kontak (Haggle3) Berdasarkan Gambar 4.4 diatas dapat dilihat bahwa total pesan yang terkirim tiap total kontak milik Spray and Wait (SnW) Fuzzy Mode lebih tinggi dibandingkan dengan milik Spray and Wait (SnW) Source Spray, tetapi nilainya sama dengan milik Spray and Wait (SnW) Binary Spray, dengan nilai tertinggi

fuzzy mode berada pada nilai 103, binary spray pada nilai 103, dan source spray

pada nilai 96 dengan total node yang sama yaitu 19000 (di gambar tertulis 18500 karena ukuran gambar kecil) atau jika di total node 18500 maka nilai

0 15 30 45 60 75 90 105 120 To ta l N u m b er o f Deli ve re d Me ss age (i n in te ge r)

Total Contact (in integer)

Total Message Delivered Per Total Contact Protokol Spray and Wait

(Dataset - Haggle 3 - Infocom 5)

fuzzy mode = 102, binary spray = 102, dan source spray = 95, yang ketiganya

disimulasikan di jaringan oportunistik dengan menggunakan dataset

Haggle3-Infocom5. Hal ini menunjukan bahwa penggunaan logika fuzzy di protokol Spray and Wait lebih efektif dibandingkan dengan menggunakan source spray,

tetapi tidak dengan menggunakan binary spray atau bisa dikatakan sama efektifnya dengan binary spray.

Meskipun pembagian L (copy) di Spray and Wait dengan fuzzy mode lebih selektif dengan berdasarkan dengan nilai ToU node terhadap destinasi (tujuan) baik node pengirim, pemegang L (copy) maupun node yang akan dititipkan pesan (node relay), seperti penjelasan sebelumnya pada dataset Reality Mining

by MIT.

Pada kasus ini dengan dataset Haggle 3 – Infocom 5 hasil total pesan yang terkirim milik fuzzy mode dengan binary spray sama-sama efektif karena karakteristik dataset yang berbeda dibandingkan dengan dataset sebelumnya. Logika fuzzy jika diterapkan di dataset Haggle 3 – Infocom 5 akan berbeda hasilnya jika dibandingkan dengan logika fuzzy yang diterapkan di dataset

Reality Mining by MIT.

Jika di dataset Reality Mining by MIT hasilnya lebih efektif dan bisa mengalahkan hasil milik binary spray sebagai batas atas nilai sebagai acuan tingkat efektifitasnya dan source spray sebagai batas bawah minimum acuannya, berbeda halnya jika di dataset Haggle 3 – Infocom 5 yang hanya bisa megimbangi nilai total pesan yang terkirim tiap total kontak model fuzzy mode dengan binary spray meskipun melampaui nilai source spray. Dengan kata lain pembagian L (copy pesan) di dataset Haggle 3 – Infocom 5 tidak lebih efektif dibandingkan metode binary spray, dan hanya bisa lebih efektif dibandingkan metode source spray.

Penyebabnya adalah setiap dataset memiliki karakteristik yang berbeda-beda dan tidak bias disama-ratakan. Karakteristik dataset Haggle 3 – Infocom 5 ini adalah dataset ini memiliki tingkat frekuensi pertemuan yang merata pada setiap node yang ada di datasetnya (hanya memiliki gap (selisih/defisit) yang

tidak terlalu jauh) baik itu hub-node maupun bukan hub-node meskipun di

dataset ini beberapa hub-node memiliki frekuensi pertemuan lebih tinggi

dibandingkan dengan node lain.

Sementara untuk dataset Reality Mining by MIT karakteristik dataset nya adalah dataset tersebut memiliki tingkat frekuensi pertemuan yang berbeda-beda, terlebih jika node yang bersangkutan adalah hub-node (node populer) yang frekuensi pertemuannya jauh lebih tinggi defisit/selisihnya dibandingkan dengan node lain.

Suatu dataset yang memiliki hub-node yang gap (selisih/defisit yang jauh terhadap node lain) akan memiliki kecenderungan beberapa node (hub-node) memiliki frekuensi pertemuan lebih banyak, lebih sering terhadap node lain dibandingkan dengan node yang bukan hub-node dan membuatnya cocok sebagai node relay karena peluang bertemu dengan node destinasi lebih besar dibandingkan node lain.

Sementara untuk dataset yang memiliki hub-node dengan gap yang kecil terhadap node lain, akan memiliki kecenderungan frekuensi pertemuan tiap

node hampir sama dan peluang bertemua suatu node terhadap destinasi hampir

sama rata semua, sehingga tidak bias dijadikan acuan beberapa node tersebut akan membuat pengiriman pesan lebih cepat. Ditambah lagi nilai total pesan yang terkirim di binary spray (nilai batas tertinggi) sudah paling optimal karena menyamai nilai total pesan yang terkirim di protokol epidemic (yang notabene merupakan protokol yang paling bagus sebagai acuan).

Gambar 4.5 Grafik Total Delay (Latencies) tiap Total Kontak (Haggle3) Dengan pembagiannya yang selektif metode fuzzy mode juga mempengaruhi delay (waktu tunda) di jaringan. Pembagian selektif yang berdasarkan nilai ToU terhadap destinasi membuat jumlah node relay yang dibutuhkan untuk dititipi pesan agar bisa sampai ke destinasi akan semakin sedikit, karena nilai ToU terhadap destinasi merupakan nilai yang didasarkan pada durasi kontak suatu node dengan node lain (dalam hal ini node

source/peer dengan node destinasi). Dengan membandingkan nilai durasi

kontak baik pertemuan maupun durasi tidak bertemu tiap node maka bisa diketahui node mana yang mempunyai nilai kontak yang baik terhadap node destinasi, seperti penjelasan sebelumnya di dataset Reality Mining by MIT.

5000 5500 6000 6500 7000 7500 8000 8500 9000 9500 10000 500 ₁₅₀₀ ₂₅₀₀ ₃₅₀₀ ₄₅₀₀ ₅₅₀₀ ₆₅₀₀ ₇₅₀₀ ₈₅₀₀ ₉₅₀₀ 10500 11500 12500 13500 14500 15500 16500 17500 18500 To ta l L at en cie s (i n se co n d )

Total Contact (in integer)

Total Latencies Per Total Contact Protokol Spray and Wait (Dataset - Haggle 3 - Infocom 5)

pesan untuk sampai ke destinasi dan membuat delay/latencies di protokol spray

and wait jaringan oportunistik semakin rendah. Tentu ketika suatu hal yang

berhubungan dengan waktu menjadi lebih cepat / semakin cepat dari waktu yang awal akan membuat suatu jaringan tersebut semakin efisien.

Berdasarkan Gambar 4.5 dapat dilihat bahwa total delay (Latenicies) tiap total kontak milik Spray and Wait (SnW) Fuzzy Mode lebih rendah dibandingkan dengan milik Spray and Wait (SnW) Binary Spray & milik Spray

and Wait (SnW) Source Spray, dengan nilai tertinggi fuzzy mode berada pada

nilai 7479.0, binary spray pada nilai 7509.890, dan source spray pada nilai 7657.243, yang ketiganya disimulasikan di jaringan oportunistik dengan menggunakan dataset Haggle3-Infocom5. Semakin tinggi total delay/latencies tiap total kontak di suatu jaringan maka dapat dikatakan bahwa jaringan tersebut semakin jelek. Tentu saja kalau delay/latencies semakin rendah maka akan semakin bagus dan efisien. Untuk kasus ini metode Fuzzy Mode lebih efisien dibandingkan dengan 2 metode lainnya (binary spray dan source spray).

Gambar 4.6 Grafik Persentase Total pesan terkirim tiap Total Kontak (Haggle3) 0 10 20 30 40 50 60 70 80 90 100 Perc en ta ge T o ta l Me ss age De liv ere d (i n p e rc e n t)

Total Contact (in integer)

Percentage Total Message Delivered Per Total Contact Protokol Spray and Wait

(Dataset - Haggle 3 - Infocom 5)

Gambar diatas menunjukan bahwa persentase total pesan terkirim tiap total kontak milik Spray and Wait (SnW) Fuzzy Mode lebih tinggi dibandingkan dengan milik Spray and Wait (SnW) Source Spray tetapi sama nilainya dengan

Spray and Wait (SnW) Binary Spray, dengan nilai tertinggi fuzzy mode berada

pada nilai 49.048, binary spray pada nilai 49.048, dan source spray pada nilai 45.714.

Semakin tinggi presentase total pesan terkirim tiap total kontak suatu

routing maka akan semakin bagus routing di jaringan tersebut. Dengan semakin

delay (latencies) yang akan semakin rendah ketika total pesan yang terkirim

semakin tinggi.

Untuk kasus pembagian L (copy) dengan menggunakan dataset Haggle 3 – Infocom 5, hasilnya dengan menggunakan fuzzy mode (logika fuzzy) di protokol

Spray and Wait jaringan oportunistik lebih efektif dibandingkan dengan

menggunakan source spray, tetapi tidak hanya bisa mengimbangi binary spray. Tetapi untuk delay (latencies) lebih tinggi sedikit dibandingkan dengan binary

spray, dan jauh diatas source spray. Seperti pada penjelasan sebelumnya

dengan dataset yang berbeda akan menghasilkan hasil yang berbeda pula karena setiap dataset memiliki karakteristik yang berbeda-beda dan tidak bias disama-ratakan.

53 BAB V

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Setelah melakukan pengujian melalui simulasi yang dilakukan sebelumnya dan menganalisis hasil simulasi, maka dapat disimpulkan bahwa pembagian nilai kontak tiap node dengan dataset yang berbeda akan membuat hasil yang berbeda pula. Unjuk kerja protokol Spray and Wait di jaringan oportunistik dengan menggunakan logika fuzzy untuk pembobotan / perhitungan nilai kontak sebelum pembagian pesan dibandingkan dengan pembagian pesan dengan menggunakan binary spray dan source spray akan semakin lebih bagus jika klasifikasi data yang dilakukan saat pembagian tingkatan level di proses fuzzifikasi tepat dan sesuai dengan karakteristik dataset itu sendiri.

Dataset yang memiliki frekuensi pertemuan tidak rata di tiap nodenya (gap (selisih/defisit) jauh dibandingkan dengan hub-node) akan memiliki hasil yang lebih bagus (bahkan lebih efektif) daripada dataset yang memiliki frekuensi pertemuan rata di tiap nodenya (gap yang kecil tidak terlalu jauh dengan

hub-node), dalam artian semakin hub-node memiliki rentang pertemuan yang jauh

lebih lama dengan banyak node akan memiliki hasil yang bagus dibandingkan dengan hub-node di suatu dataset yang tidak memiliki rentang pertemuan yang jauh. Seperti pada hasil yang telah diteliti menunjukan hasil pembobotan nilai kontak yang dilakukan di dataset Reality Mining by MIT lebih efektif dan efisien (lebih bagus, bahkan signifikan) dibandingkan dengan metode pembagian pesan lain (source spray dan binary spray) karena memiliki hub

node yang rentang pertemuannya (CTD) lebih jauh dibandingkan dengan node

yang bukan hub-node.

Berbeda halnya dengan dataset Haggle3 – Infocom 5 yang hasilnya tidak terlalu signifikan dibandingkan dengan dataset Reality Mining by MIT atau bisa dikatakan tidak efektif dan hanya bisa menyamai metode batas acuan tertinggi

(binary spray), karena dataset Haggle 3 – Infocom 5 memiliki hub node yang rentang pertemuannya (CTD) tidak jauh dibandingkan dengan node lain dan cenderung merata dan cukup ketat rentangnya, meskipun hasilnya lebih efisien dibandingkan dengan dengan metode pembagian pesan lain (source spray dan

binary spray).

Maka dari itu untuk pembagian copy pesan dengan logika fuzzy tidak bisa dijadikan patokan sepenuhnya bahwa dengan pembagian yang selektif dan teliti tidak bias sepenuhnya membuat hasil simulasi menjadi lebih efektif ataupun efisien dibandingkan dengan metode pembagian pesan lain (source spray dan

binary spray). Namun dengan metode pembagian copy pesan logika fuzzy akan

membuat pembagiannya menjadi adil karena berdasarkan dengan nilai ToU (Transfer of Utility) suatu node terhadap node destinasi.

5.2 Saran

Peneliti menyadari bahwa penelitian yang dilakukan ini masih belum sempurna, maka dari itu untuk penelitian selanjutnya peneliti menyarankan untuk melakukan improve terhadap sistem klasifikasi di logika fuzzy dengan metode adaptive bukan statis seperti yang peneliti lakukan. Sehingga akan didapatkan hasil yang lebih baik karena klasifikasi datanya akan menyesuaikan sendiri sesuai dataset yang digunakan, dan tentunya tidak memerlukan 1 kelas untuk mengolah 1 dataset.

DAFTAR PUSTAKA

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

[2] Z. Zhang, “Routing in Intermittently Connected Mobile Ad Hoc Networks and Delay Tolerant Networks : Overview and Challenges,” IEEE Communications Surveys & Tutorials, vol. 8, no. 1, pp. 24-37, 2006.

[3] https://en.wikipedia.org/wiki/Routing_in_delay-tolerant_networking

[4] Thrasyvoulos Spyropoulos., Konstantinos Psounis., Cauligi S. Raghavendra., Spray and Wait: An Efficient Routing Scheme for Intermittently Connected Mobile Networks

[5] Susilo, Frans. (2018). Himpunan & Logika Kabur serta Aplikasinya Edisi 2. Yogyakarta: Graha Ilmu.

[6] Wang, Chonghua. (2015). A Study of Membership Functions on MamdaniType

Fuzzy Inference System for Industrial Decision-Making. Lehigh University.

[7] K. Sabeetha., A. Vincent Antony Kumar., R. S. D. Wahidabanu., W. A. M. Othman, Encounter based fuzzy logic routing in delay tolerant networks, 2014 [8] Keränen, A., Ott, J. & Kärkkäinen, T., “The ONE Simulator for DTN Protocol

56 LAMPIRAN

1. Spray and Wait Router dengan Logika Fuzzy dataset Haggle 3 - Infocom5

Dalam dokumen Analisis unjuk kerja pembobotan nilai kontak tiap node dengan logika fuzzy di protokol spray and wait jaringan oportunistik (Halaman 55-79)