MENGHITUNG JUMLAH TOTAL NODE DI JARINGAN OPORTUNISTIK MENGGUNAKAN PROTOKOL GOSSIP-BASED AGGREGATION (KASUS: JUMLAH NODE STATIS) SKRIPSI

MENGHITUNG JUMLAH TOTAL NODE DI JARINGAN OPORTUNISTIK MENGGUNAKAN PROTOKOL GOSSIP-BASED

AGGREGATION (KASUS: JUMLAH NODE STATIS)

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Disusun Oleh:

Wentri Febriasie 155314021

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2019

ii

COUNTING THE TOTAL NUMBER OF NODES IN OPPORTUNISTIC NETWORK USING GOSSIP-BASED AGGREGATION PROTOCOL

(CASE: TOTAL STATIC NODES)

A THESIS

Presented as Partial Fullfillment of Requirements to Obtain Sarjana Komputer Degree in Informatics Engineering Department

By:

Wentri Febriasie 155314021

INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT

FACULTY SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2019

iii

HALAMAN PERSETUJUAN

iv

HALAMAN PENGESAHAN

v MOTTO

Setiap harapan dan usaha dalam hidupmu bawalah dalam doa, dan Tuhan akan menyempurnakannya.

-WF-

vi

PERNYATAAN LEMBAR KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 26 Juli 2019

Penulis,

Wentri Febriasie

vii

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:

Nama : Wentri Febriasie Nim : 155314021

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul:

MENGHITUNG JUMLAH TOTAL NODE DI JARINGAN

OPORTUNISTIK MENGGUNAKAN GOSSIP-BASED AGGREGATION (KASUS: JUMLAH NODE STATIS)

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengolahnya dalam bentuk pangkalan data, mendistribusikannya secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 26 Juli 2019 Penulis,

Wentri Febriasie

viii ABSTRAK

Jaringan oportunistik adalah jaringan yang mampu memberikan toleransi delay atau memungkinkan komunikasi dengan waktu penundaan. Jaringan Oportunistik tidak ditandai dengan adanya end-to-end path dan memiliki node yang terus bergerak. Pada Jaringan Oportunistik juga memungkinkan terjadinya komunikasi tanpa adanya jalur penguhubung antara node source ke node destination sehingga semua node dalam jaringan akan berfungsi sebagai pembawa dan pengirim pesan agar memungkinkan terjadinya komunikasi dalam jaringan tersebut. Salah satu routing yang digunakan pada jaringan oportunistik adalah routing Epidemic, routing ini memiliki kinerja dimana jumlah copy pesan sama dengan jumlah total node maka menyebabkan beban jaringan yang besar. Oleh karena itu ada beberapa protokol membatasi jumlah copy pesan salah satunya routing Spray and Wait. Salah satu kendala pada routing Spray and Wait adalah mengetahui jumlah total node pada jaringan untuk menentukan copy pesan.

Pada penelitian ini algoritma yang diuji oleh penulis adalah algoritma Gossip-based Aggregation, algoritma ini menggunakan inisiator yang memiliki nilai 1 dan sisa node yang berada didalam jaringan bernilai 0. Pada algorima ini digunakan untuk melakukan perhitungan total node pada jaringan oportunistik.

Penelitian ini menggunakan Average Convergence Counting, dan Residu sebagai pengukuran unjuk kerja pada Gossip-based Aggregation dan menggunakan Delivery Probability, Overhead Ratio, dan Latency Average sebagai pengukuran unjuk kerja pada Spray and Wait. Penelitian ini menggunakan protokol Gossip- based Aggregation untuk menghitung jumlah total node pada jaringan dengan menggunakan beberapa node inisiator dan menggunakan protokol Spray and Wait sebagai penerapan jumlah total node. Dari hasil simulasi, penulis menyimpulkan node inisiator mempengaruhi perhitungan jumlah total node pada jaringan terutama pada pergerakan Manusia. Protokol Gossip-based Aggregation lebih efektif jika digunakan pada pergerakan Random dibandingkan pada pergerakan Manusia.

Kata Kunci: Gossip-based Aggregation, Spray and Wait dan Oportunistik

ix ABSTRACT

An opportunistic network is a network that capable of providing delay tolerance or enabling communication with time delays. The opportunistic network is not characterized by end-to-end path and has a constantly moving node. In the opportunistic network it also allows communication without the path of a sender between the source nodes to the destination node, so that all nodes in the network will serve as carriers and message senders to allow communication within the network. One of the routing used in an opportunistic network is an Epidemic routing, this routing has a performance where the number of copies of the message equals the total number of nodes, causing a large network load.

Therefore, there are several protocols limiting the number of copies of messages, one of which is a Spray and Wait routing. One of the constraints on Spray and Wait routing is to know the total number of nodes on the network to determine the copy of the message.

In this research, algorithm tested by the writer is a Gossip-based Aggregation algorithm, this algorithm uses an initiator that has a value of 1 and the rest of the nodes that reside within the network 0. In this algorithm is used to compute the total nodes in opportunistic network which is the network uses an unfixied infrastructure and mobility node. This research uses the Average Convergence Counting, and residue as a performance measurement on Gossip- based Aggregation and uses Delivery Probability, Overhead Ratio, and Latency Average as a demonstration measurement on Spray and Wait. This research uses the Gossip-based Aggregation protocol to compute the total number of nodes on the network by using multiple initiator nodes and using the Spray and Wait protocol as the implementation of the total number of nodes. From the simulated results, the writers conclude the initiator node affects the calculation of the total number of nodes on the network, especially on human movements. The Gossip- based Aggregation protocol is more effective when used on Random movements than in human movements.

Keywords: Gossip-Based Aggregation, Spray and Wait, and Opportunistic

x

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan yang Maha Esa karena oleh berkat dan rahmatNya yang melimpah sehingga penulis dapat menyelesaikan tugas akhir ini. Penulis menyadari tugas akhir ini terselesaikan karena adanya bimbingan dan bantuan dari berbagai pihak baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis mengucapkan terimakasih kepada :

1. Tuhan Yesus Kristus karena atas berkatNya yang berlimpah penulis dapat menyelesaikan tugas akhir.

2. Keluarga tercinta penulis yaitu Papah Erasias Tuah Siram, Mamah Rusana, kakak Warie, Abang Willy, dan kakak-kakak sepupu yang tidak dapat disebutkan secara satu per satu serta keluarga besar yang selalu mendukung dan memberikan semangat dalam mengerjakan skripsi.

3. Bapak Bambang Soelistijanto, S.T., M.Sc., Ph.D. selaku dosen pembimbing tugas akhir yang sudah memberikan banyak bimbingan dan ilmu dalam mengerjakan tugas akhir.

4. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku dosen pembimbing akademik yang memberikan bimbingan selama perkuliahan.

5. Arnold Audri I. Litaay teman terdekat saya yang selalu memberikan semangat, motivasi, dukungan dengan penuh kasih dan senantiasa mendengarkan curhatan penulis.

6. Teman-teman grup “Masa Depan” yang beranggotakan Nova Niati, Asih Sulistyani, Geraldev Manoah, Evander Juliansyah Hutasoit, Mikha Admawijaya yang selalu memberikan dorongan, semangat, dukungan serta lawakan dan senantiasa mendengarkan curhatan penulis serta membantu penulis dalam mengerjakan skripsi.

7. Norma, Bella, Merlin, Halisah, Denada, dan Della yang telah memberikan dukungan dan semangat kepada penulis.

8. Maria Damayanti yang sudah mendukung, memotivasi penulis dalam mengerjakan skripsi serta menjadi teman untuk bermain game.

xi

9. Anggota LC WELL terutama kak Sisil yang telah memberikan dukungan dan semangat dalam mengerjakan skripsi.

10. Pemuda/i GKN Gloria serta keluarga besar GKN Gloria yang telah memberikan dukungan dan motivasi dalam mengerjakan skripsi.

11. Grup Chubby yang sudah memberikan semangat dan motivasi.

12. Seluruh temana-teman di lab tugas akhir terutama Jarkom 2015 yang selalu memberikan dukungan, semangat dan menyediakan makanan pada saat menyelesaikan tugas akhir di lab.

13. Kakak tingkat terutama kepada Jefry Septriajaya yang sudah memberikan semangat, dukungan dan membantu penulis dalam menyelesaikan tugas akhir.

14. Seluruh teman-teman Teknik Informatika angkatan 2015 yang selalu mendukung dan memberikan semangat satu sama lainnya.

15. Serta seluruh pihak yang mendukung secara langsung maupun tidak langsung, saya ucapkan terimakasih.

Penulis menyadari bahwa tulisan ini masih jauh dari kata sempurna, oleh karena itu segala kritik dan saran sangat penulis harapkan untuk menyempurnakan tulisan ini. Akhir kata penulis mengucapkan terima kasih semoga dapat bermanfaat bagi pihak yang membaca.

Penulis

Wentri Febriasie

xii DAFTAR ISI

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

MOTTO... v

PERNYATAAN LEMBAR KEASLIAN KARYA ... vi

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ... vii

ABSTRAK ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xv

DAFTAR RUMUS ... xvi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang... 1

1.2 Rumusan Masalah ... 1

1.3 Tujuan Penelitian ... 2

1.4 Manfaat Penelitian ... 2

1.5 Batasan Masalah ... 2

1.6 Metodologi Penelitian ... 2

1.7 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI ... 5

2.1 Jaringan Oportunistik ... 5

2.2 Spray and Wait ... 7

2.2.1 Fase Spray: ... 7

2.2.2 Fase Wait: ... 7

2.3 Protokol Gossip-based Aggregation ... 8

2.3.1 Gossip-based Aggregation Counting(Node Count) ... 8

BAB III PERANCANGAN SIMULASI JARINGAN ... 11

3.1 Parameter Simulasi ... 11

3.2 Skenario Simulasi ... 12

xiii

3.3 Metriks Unjuk Kerja ... 13

3.3.1 Average Convergence Counting ... 13

3.3.2 Residu ... 13

3.3.3 Delivery Probability ... 13

3.3.4 Overhead Ratio ... 14

3.3.5 Latency Average ... 14

3.4 Pseudocode ... 14

BAB IV PENGUJIAN DAN ANALISIS ... 16

4.1 Average Convergence Counting ... 16

4.2 Residu ... 19

4.3 Delivery Probability ... 21

4.4 Overhead Ratio ... 23

4.5 Latency Average ... 25

BAB V KESIMPULAN DAN SARAN... 28

5.1 Kesimpulan... 28

5.2 Saran ... 28

DAFTAR PUSTAKA ... 29

LAMPIRAN ... 30

xiv

DAFTAR GAMBAR

Gambar 2. 1. 1 Store-Carry and Forward ... 5

Gambar 2. 1. 2 Jaringan Oportunistik Gossip-based Aggregation-Spray and Wait 6 Gambar 2. 2. 2. 1 Protocol Spray and Wait ... 8

Gambar 2. 3. 1. 1 Count (Node nilai 1 sebagai inisiator)... 9

Gambar 2. 3. 1. 2 Node Ni dan Nj bertukar nilai ... 9

Gambar 2. 3. 1. 3 Node Nj&Nj bertukar nilai ... 10

Gambar 4. 1. 1 Average Convergence Counting pergerakan Random ... 16

Gambar 4. 1. 2 Average Convergence Counting pergerakan Haggle 3-Infocom 5 ... 17

Gambar 4. 1. 3 Average Convergence Counting pergerakan Reality-MIT ... 17

Gambar 4. 1. 4 Average Convergence Counting Reality-MIT(Zoom) ... 18

Gambar 4. 2. 1 Residu pergerakan Random ... 19

Gambar 4. 2. 2 Residu pergerakan Haggle 3-Infocom 5 ... 19

Gambar 4. 2. 3 Residu pergerakan Reality-MIT ... 20

Gambar 4. 3. 1 Delivery Probability pergerakan Random ... 21

Gambar 4. 3. 2 Delivery Probability pergerakan Haggle 3-Infocom 5 ... 21

Gambar 4. 3. 3 Delivery Probability pergerakan Reality-MIT ... 22

Gambar 4. 4. 1 Overhead Ratio pergerakan Random ... 23

Gambar 4. 4. 2 Overhead Ratio pergerakan Haggle 3-Infocom 5 ... 23

Gambar 4. 4. 3 Overhead Ratio pergerakan Reality-MIT ... 24

Gambar 4. 5. 1 Latency Average pergerakan Random ... 25

Gambar 4. 5. 2 Latency Average pergerakan Haggle 3-Infocom 5 ... 25

Gambar 4. 5. 3 Latency Average pergerakan Reality-MIT... 26

xv

DAFTAR TABEL

Tabel 3. 1. 1 Parameter Simulasi pergerakan Random ... 11 Tabel 3. 1. 2 Parameter Simulasi pergerakan Manusia ... 11 Tabel 3.2 1 Skenario Simulasi ... 12

xvi

DAFTAR RUMUS

Rumus 3. 3. 1. 1 Average Convergence Counting ... 13

Rumus 3. 3. 3. 1 Delivery Probability ... 14

Rumus 3. 3. 4. 1 Overhead Ratio ... 14

Rumus 3. 3. 5. 1 Latency Average ... 14

1 BAB I PENDAHULUAN 1.1 Latar Belakang

Pada Delay Tolerant Network yang menjadi masalah utama adalah mencari penyebaran informasi yang efisien dan efektif. Pada Delay Tolerant Network memiliki topologi yang tidak tetap dan jumlah node yang banyak. Delay Tolerant Network juga bersifat dinamis dan memiliki jumlah resource yang terbatas.

Salah satu routing yang digunakan pada Delay Tolerant Network adalah routing Epidemic. Routing Epidemic memiliki cara penyebaran pesan yaitu secara flooding sehingga menyebabkan beban jaringan yang tinggi. Salah satu routing yang digunakan untuk memperbaiki routing Epidemic adalah routing Spray and Wait. Routing Spray and Wait membutuhkan pengetahuan untuk dapat mengetahui jumlah total node di jaringan agar dapat menentukan jumlah copy pesan yang baik sehingga copy pesan yang diberikan tidak terlalu besar dan tidak terlalu kecil. Untuk dapat menentukan copy pesan, setiap node harus mengetahui global knowledge atau jumlah node tetapi pada jaringan Delay Tolerant Network tidak diketahuinya global knowledge sehingga akan menimbulkan masalah pada penyebaran informasi.

Pada penelitian akan dibahas bagaimana didalam jaringan dapat menghitung jumlah total node. Dalam penelitian ini menggunakan protokol routing Gossip- Based yang dimana protokol ini memiliki beberapa pendekatan algoritma dan pada penelitian ini akan menggunakan algoritma Gossip-based Aggregation.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, rumusan masalah yang didapat adalah bagaimana cara menghitung jumlah total node dalam jaringan dengan menggunakan Gossip-based Protocol pada node yang bersifat statis.

2 1.3 Tujuan Penelitian

Penelitian ini bertujuan untuk melihat seberapa efektif prokol routing Gossip- based Aggregation untuk menghitung jumlah total node di jaringan oportunistik menggunakan Gossip-based Protocol.

1.4 Manfaat Penelitian

Hasil dari penelitian diharapkan dapat digunakan sebagai bahan pertimbangan dalam menghitung jumlah total node pada Delay Tolerant Network.

1.5 Batasan Masalah

Batasan masalah dalam penelitian ini adalah :

1. Algoritma counting yang digunakan yaitu menggunakan protokol routing Gossip-Based Aggregration.

2. Protokol routing yang diterapkan untuk menghitung jumlah total node yaitu protokol routing Spray and Wait.

3. Pergerakan yang digunakan yaitu homogen dan heterogen.

4. Parameter unjuk kerja untuk Counting adalah Average Convergence Counting, dan Residu.

5. Parameter unjuk kerja untuk routing Spray and Wait adalah Delivery Probability, Overhead Ratio, dan Latency Average.

6. Jumlah node yang digunakan bersifat statis.

7. Simulator yang digunakan yaitu The Opportunistic Network Environment Simulator (The ONE Simulator).

1.6 Metodologi Penelitian

Metode yang dilakukan dalam penelitian ini meliputi:

a. Studi Literatur:

Mencari dan mengumpulkan referensi dan menerapkan teori untuk mendukung tugas akhir antara lain :

1). Teori Delay Tolerant Network.

3

2). Teori protokol routing Spray and Wait.

3). Teori protokol routing Gossip-based Aggregation.

4). The ONE Simulator.

5). Tahap-tahap dalam membangun simulasi.

b. Pengumpulan Bahan Penelitian

Dataset yang digunakan untuk melakukan penelitian telah tersedia di Internet pada alamat http://www.shigs.co.uk/index.php?page=traces.

c. Pembuatan Alat Uji

Perancangan sistem dilakukan dengan menerapkan algoritma Gossip- based Aggregation pada protokol routing Spray and Wait untuk melihat seberapa efektif algoritma Gossip-based Aggregation untuk menghitung jumlah total node di jaringan.

d. Analisis Data Simulasi

Dalam tahap ini penulis menganalisis hasil pengukuran yang diperoleh pada proses simulasi. Analisis dihasilkan dengan melakukan pengamatan dan pengukuran dengan menggunakan parameter simulasi.

e. Penarikan Kesimpulan

Penarikan kesimpulan didasarkan pada beberapa performance metrik yang diperoleh pada proses analisis data.

1.7 Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini akan berisi penjelasan mengenai latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, metodologi penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

4

Bab ini berisi tentang dasar teori yang digunakan sebagai dasar dalam melakukan penelitian tugas akhir.

BAB III PERANCANGAN SIMULASI JARINGAN

Bab ini berisikan uraian mengenai rencana langkah-langkah yang akan dilakukan dalam penelitian. Termasuk bagaimana cara mendapatkan data, cara mengolah data, cara membuat alat uji jika diperlukan, cara analisis data, cara pengujian, dan di bagian akhir diberikan desain alat uji serta user interface dari alat uji yang akan dibangun.

BAB IV PENGUJIAN DAN ANALISIS

Bab ini berisikan tentang tahap-tahap pengujian, simulasi, dan analisis.

BAB V KESIMPULAN DAN SARAN

Bab ini berisikan tentang beberapa kesimpulan hasil penelitian dan saran dari penulis untuk penelitian selanjutnya.

5 BAB II LANDASAN TEORI 2.1 Jaringan Oportunistik

Opportunistic Network (Jaringan Oportunistik) atau biasa disingkat dengan OppNet adalah jaringan yang mampu memberikan toleransi delay atau memungkinkan komunikasi dengan waktu penundaan. Jaringan Oportunistik tidak ditandai dengan adanya end-to-end path dan memiliki node yang terus bergerak.

Pada Jaringan Oportunistik juga memungkinkan terjadinya komunikasi tanpa adanya jalur penguhubung antara node source ke node destination.

Pada jaringan oportunistik menggunakan mekanisme store-carry and forward.

Mekanisme store-carry and forward memiliki cara yaitu node yang memiliki tugas menyimpan informasi, membawa sampai bertemu node lain dan meneruskan ke node lain.

 Store: Setiap node di jaringan oportunistik menyimpan setiap pesan yang masuk.

 Carry: Node relay membawa pesan untuk sampai ke destination.

 Forward: Mengirim pesan ke node lainnya menuju tujuan setiap kali kontak dimulai

Gambar 2. 1. 1 Store-Carry and Forward

6

Pada Gambar 2. 1. 1 adalah mekanisme store-carry and forward, dimana node S adalah node source yang akan mengirim pesan kepada node D yang merupakan node destination. Karena tidak tersedianya end-to-end-path maka dibutuhkan node lain sebagai relay node agar pesan dapat sampai ke destination.

Gambar 2. 1. 2 Jaringan Oportunistik Gossip-based Aggregation-Spray and Wait

Salah satu routing digunakan pada jaringan oportunistik adalah routing Epidemic. Routing ini memiliki cara kerja yaitu jumlah copy pesan yang sama dengan jumlah total node dijaringan, yaitu ketika satu node bertemu node lainnya maka akan memberikan pesan terus menerus dimana hal tersebut akan menyebabkan beban jaringan yang besar walaupun memiliki nilai delivery yang tinggi.

Oleh karena itu ada beberapa protokol yang membatasi jumlah copy pada jaringan, salah satunya adalah protokol routing Spray and Wait. Spray and Wait melakukan pembatasan copy pesan secara fixed, sebelum pesan dibuat. Salah satu kendala dalam protokol routing Spray and Wait adalah dibutuhkan pengetahuan tentang jumlah total node di dalam jaringan.

Pada penelitian ini melakukan perhitungan jumlah total node di dalam jaringan menggunakan Gossip-Based Aggregation. Ketika mengetahui jumlah total node di dalam jaringan maka dapat menentukan copy pada routing Spray and Wait yaitu copy pesan ½ dari jumlah total node di jaringan [4].

7 2.2 Spray and Wait

Spray and Wait adalah merupakan protokol routing untuk mengatasi masalah flooding yang terjadi pada routing Epidemic. Spray and Wait mengontrol pesan yang akan dikirim dengan jumlah copy message dimana untuk mengurangi cost.

Dalam routing Spray and Wait akan melakukan penyebaran message diawal sama dengan cara yang dilakukan pada routing Epidemic. Setelah mesaage telah disebar disetiap relay node untuk menjamin jika salah satu dari relay node akan mencapai node destination dengan probabilitas delivery yang tinggi. Pada saat node destination tidak dapat ditemukan maka relay node dapat melakukan transmisi secara langsung ke node destination.

Spray and Wait memperbaiki routing Epidemic, dimana pada routing ini bertujuan mengontrol flooding dengan cara membatasi pesan yang dikirim atau mengurangi jumlah copy pesan yang dibuat dan mengurangi overhead di Epidemic yang berhubungan dengan jumlah node. Pada routing Spray and Wait memanfaatkan dari routing Epidemic dimana transmisi message lebih cepat dan delivery ratio yang tinggi serta proses forwarding ke node destination secara langsung. Dalam Routing Spray and Wait memilki dua fase yaitu:

2.2.1 Fase Spray:

Pada fase ini dilakukan proses multi-cast untuk mengirikan copy message dari source ke relay node. Jika destination tidak ditemukan dalam fase ini maka akan dilakukan fase wait dimana setiap relay node yang sudah memiliki copy message akan menunggu sampai destination ditemukan.

2.2.2 Fase Wait:

Pada fase ini node dapat menyampaikan pesan ke destination secara langsung ketika TTL(Time-to-live) masih belum berakhir. Fase ini node akan meneruskan pesan ke relay node yang hanya memegang satu message copy dan akan masuk ke fase wait. Relay node akan menunggu hingga bertemu dengan destination dan melakukan forward pesan.

8

Gambar 2. 2. 2. 1 Protocol Spray and Wait

2.3 Protokol Gossip-based Aggregation

Dasar dari protokol Aggregation adalah pada skema “push-pull gossiping”[1][3]. Istilah push-pull mengacu bahwa setiap pertukaran informasi dilakukan dengan cara simetris: kedua node saling mengirim dan menerima.

Dalam menghitung rata-rata, setiap node akan menyimpan nilai satu nilai numerik yang mewakili estimasi dari final aggregation yang merupakan rata-rata global. Setiap node meginisialisasi estimasi dengan nilai local yang dimilikinya.

Metode UPDATE (sp, sq), dimana sp dan sq adalah estimasi pertukaran antara p dan q dengan mengembalikan nilai (sp + sq)/2. Setelah satu kali pertukaran, jumlah dari kedua local estimasi tetap tidak berubah karena metode UPDATE hanya meredistribusi jumlah awal secara merata diantara dua node. Jadi, operasi tidak mengubah rata-rata global tetapi mengurangi varian lebih pada semua estimasi di dalam sistem [3].

2.3.1 Gossip-based Aggregation Counting(Node Count)

Gossip-Based Aggregation memiliki cara kerja pada awalnya misalkan node i menyimpan nilai 1 dan semua node yang tersisa menyimpan nilai 0. Dalam hal ini mempermudah untuk melihat nilai-nilai,

9

protokol akan convergence dari 1/N selama grafik kontak yang dihasilkan terhubung. Jumlah node diperoleh sebagai kebalikan dari estimate[2].

Node bernilai 1 merupakan node inisiator, dan node lainnya akan diberikan nilai 0.

Gambar 2. 3. 1. 1 Count (Node nilai 1 sebagai inisiator)

Pada saat node bertemu maka akan menukarkan setiap nilai yang ada pada node tersebut. Jika node Ni dan Nj bertemu maka akan menukarkan nilai yang ada pada masing-masing node, pertukaran nilai menggunakan cara: nilai node Ni+Nj/2. Jika node Ni bernilai 1 dan node Nj bernilai 0, setelah terjadinya penukaran nilai maka node Ni dan Nj berinilai ½.

Gambar 2. 3. 1. 2 Node Ni dan Nj bertukar nilai

10

Pada saat node bertemu dengan nilai yang sama maka node tidak mengalami pertukaran nilai. Jika node Ni dan Nj bertemu dan memiliki nilai yang sama maka tidak akan terjadi penukaran nilai pada node Ni dan Nj.

Gambar 2. 3. 1. 3 Node Nj&Nj bertukar nilai

11 BAB III

PERANCANGAN SIMULASI JARINGAN 3.1 Parameter Simulasi

Pada pergerakan random dan pergerakan manusia menggunakan parameter kecepatan node yang bernilai sama yaitu menggunakan kecepatan manusia berjalan pada simulasi(0,5m/s-1,5m/s). Parameter tetap yang digunakan pada penelitian ini dan digunakan pada beberapa skenario adalah sebagai berikut:

a. Pada pergerakan Random

Tabel 3. 1. 1 Parameter Simulasi pergerakan Random

Parameter Nilai

Waktu Simulasi 216000

Ukuran Buffer 10M

TTL 1440

Kecepatan Node 0,5m/s – 1,5m/s

Luas Area 1000x1000

Msg. Interval 290,310

b. Pada pergerakan Manusia

Tabel 3. 1. 2 Parameter Simulasi pergerakan Manusia

Parameter Haggle 3-Infocom 5 Reality-MIT

Waktu Simulasi 274883 16981816

Ukuran Buffer 10M 10M

TTL 1440 32040

Kecepatan Node 0,5m/s – 1,5m/s 0,5m/s – 1,5m/s

Luas Area 300x300 300x300

Msg. Interval 290,310 290,310

12 3.2 Skenario Simulasi

Skenario simulasi yang digunakan pada simulasi menggunakan 3 inisiator yaitu node yang tergolong most popular, node yang tergolong unpopular dan node random untuk membandingkan ketepatan jumlah node yang diterima dan

menggunakan pergerakan Random, Haggle 3-Infocom 5, serta Reality-MIT.

Tabel 3. 2. 1 Skenario Simulasi

Pergerakan Inisiator Jumlah Node

Random Node ID 2 50

Node ID 38

Haggle 3-Infocom 5 Node ID 39 41

Node ID 30

Reality-MIT Node ID 28 97

Node ID 66

Pada Pergerakan Random merupakan pergerakan yang memiliki probabilitas pertemuan antar node sama dan pada pergerakan ini menggunakan inisiator node ID 2 dan node ID 38, dimana node inisiator tersebut adalah node inisiator yang diambil secara random.

Pada pergerakan manusia setiap node ID yang tergolong most popular dan node ID yang tergolong unpopular dilihat dari total contact frequency pertemuan antar node didalam jaringan [5].

Pada pergerakan Haggle 3-Infocom 5 berisikan data pertemuan antar pasrtisipan, dari 50 partisipan yang dipilih, device yang menghasilkan data yang valid dan dapat digunakan untuk melakukan penelitian sebanyak 41 device. Pada pergerakan ini menggunakan inisiator node ID 39 dan node ID 33, dimana inisiator node ID 39 tergolong dalam node most popular dan inisiator node ID 30 tergolong dalam node unpopular pada pergerakan Haggle 3-Infocom 5.

13

Pada pergerakan Reality-MIT memiliki dataset yang berisikan data pertemuan antar pelajar dari 2 fakultas di Universitas MIT. Jumlah partisipan yang digunakan dalam simulasi ini sebanyak 75 pelajar Fakultas Media Laboratory dan 25 pelajar dari Fakultas Business. Dari 100 partisipan yang dipilih, device yang menghasilkan data yang valid dan dapat digunakan untuk melakukan penelitian sebanyak 97 device. Pada pergerakan ini menggunakan inisiator node ID 28 dan node ID 66, dimana inisiator node ID 28 tergolong dalam node most popular dan inisiator node ID 66 tergolong dalam node unpopular pada pergerakan Reality- MIT.

3.3 Metriks Unjuk Kerja

Spray and wait digunakan untuk mengevaluasi protokol Gossip-based Aggregation maka protokol Spray and Wait menggunakan unjuk kerja sebagai berikut:

3.3.1 Average Convergence Counting

Average convergence Counting ini digunakan untuk menghitung rata-rata jumlah node sehingga mendapatkan pengetahuan atau informasi yang sama di jaringan.

𝐴𝑣𝑒𝑟𝑎𝑔𝑒 𝐶𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛𝑐𝑒 𝐶𝑜𝑢𝑛𝑡𝑖𝑛𝑔 =𝑇𝑜𝑡𝑎𝑙 𝐶𝑜𝑢𝑛𝑡𝑖𝑛𝑔 𝑇𝑜𝑡𝑎𝑙 𝑁𝑜𝑑𝑒

Rumus 3. 3. 1. 1 Average Convergence Counting

3.3.2 Residu

Parameter ini digunakan untuk mengetahui jumlah node yang tidak memiliki hasil counting yang akurat.

3.3.3 Delivery Probability

Delivery Probability digunakan agar mengetahui berapa banyak pesan yang terkirim ke destination dan berapa banyak pesan yang sudah dibuat. Delivery probability akan menyimpulkan nilai message probability berhasil dikirimkan ke node destination. Rasio antara jumlah pesan yang terkirim ke node destination akan dibagi dengan jumlah pesan yang telah dibuat. Rumus delivery probability sebagai berikut:

14

𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑦 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒

Rumus 3. 3. 3. 1 Delivery Probability

3.3.4 Overhead Ratio

Overhead Ratio merupakan banyaknya jumlah pesan yang terkirim dari jumlah copy yang dibuat. Dalam hal ini copy digunakan untuk memperkirakan copy pesan dari original pesan yang disebarkan di dalam jaringan. Jaringan dapat dikatakan memiliki kinerja yang baik apabila memiliki overhead yang rendah. Rumus overhead sendiri yaitu :

= 𝑆𝑢𝑚 𝑜𝑓 𝑅𝑒𝑙𝑎𝑦𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 − 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒

Rumus 3. 3. 4. 1 Overhead Ratio

3.3.5 Latency Average

Latency average merupakan metrik yang digunakan untuk mengetahui jumlah rata-rata waktu yang dibutuhkan sebuah pesan untuk mencapai node destination sejak pesan tersebut dibuat. Rumus latency average sendiri yaitu :

=𝑆𝑢𝑚 𝑜𝑓 𝐿𝑎𝑡𝑒𝑛𝑐𝑦 𝑜𝑓 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒

Rumus 3. 3. 5. 1 Latency Average

3.4 Pseudocode

Pseudo-code Inisiator

If thisHost.getAddress = Inisiator and this.getInisial_val() = 0 then replace setInisial_val(1)

End if

Pseudo-code Gossip-based Aggregration Note: Ni, Nj is node i and node j

15 Ni = (Ni+Nj)/2

Xr = 1/Ni

16 BAB IV

PENGUJIAN DAN ANALISIS

Untuk melakukan evaluasi terhadap unjuk kerja protokol Gossip-based Aggregation maka dilakukan simulasi dengan data set berbeda antara lain adalah Random, Haggle 3-Infocom 5, dan Reality-MIT dengan menggunakan rancangan skenario yang sudah dijelaskan pada Bab III. Data diperoleh dari report yang dihasilkan ketika simulasi berlangsung dan kemudian menjadi bahan untuk dilakukan analisis.

Setelah menjalanan simulasi dengan menggunakan data set Random, Haggle 3–Infocom 5, dan Reality–MIT maka didapatkan hasil sebagai berikut:

4.1 Average Convergence Counting

Gambar 4. 1. 1 Average Convergence Counting pergerakan Random 0

10 20 30 40 50 60 70 80 90

900 9000 17100 25200 33300 41400 49500 57600 65700 73800 81900 90000 98100 106200 114300 122400 130500 138600 146700 154800 162900 171000 179100 187200 195300 203400 211500

Total Node

Time

Random

Average Convergence Counting

init_2 init_38

17

Gambar 4. 1. 2 Average Convergence Counting pergerakan Haggle 3-Infocom 5

Gambar 4. 1. 3 Average Convergence Counting pergerakan Reality-MIT 0

10 20 30 40 50 60 70

900 10800 20700 30600 40500 50400 60300 70200 80100 90000 99900 109800 119700 129600 139500 149400 159300 169200 179100 189000 198900 208800 218700 228600 238500 248400 258300 268200

Total Node

Time

Haggle 3-Infocom 5 Average Convergence Counting

init_39(most popular) init_30(unpopular)

0 20 40 60 80 100 120 140 160 180

1800 588600 1175400 1762200 2349000 2935800 3522600 4109400 4696200 5283000 5869800 6456600 7043400 7630200 8217000 8803800 9390600 9977400 10564200 11151000 11737800 12324600 12911400 13498200 14085000 14671800 15258600 15845400 16432200

Total Node

Time

Reality-MIT

Average Convergence Counting

init_28(most popular) init_66(unpopular)

18

Gambar 4. 1. 4 Average Convergence Counting Reality-MIT(Zoom)

Terlihat pada Gambar 4. 1. 1, yang memiliki inisiator node ID 2 dan node ID 38(init_2 & init_38) yang memiliki waktu convergence yang cukup seimbang dikarenakan dipergerakan random memiliki pergerakan node yang acak atau random sehingga pergerakan node ke seluruh jaringan cukup merata. Sedangkan pada pergerakan manusia pada Gambar 4. 1. 2 dan Gambar 4. 1. 3 terlihat bahwa inisiator yang berperan mejadi pembawa pesan mempengaruhi pengetahuan jumlah total node pada jaringan. Pada pergerakan manusia inisiator yang tergolong most popular (init_39 dan init_28) dan tergolong unpopular (init_30 dan init_66) juga mempengaruhi pengetahuan jumlah total node pada jaringan, di pergerakan Haggle 3-Infocom 5 dan Reality-MIT node inisiator yang tergolong unpopular memiliki rata-rata covengence counting bernilai tinggi dibandingkan node inisiator yang tergolong most popular, dikarenakan pengetahuan yang dimiliki node inisiator yang tergolong unpopular tidak merata.

0 20 40 60 10080 120 140 160

1800 43200 84600 126000 167400 208800 250200 291600 333000 374400 415800 457200 498600 540000 581400 622800 664200 705600 747000 788400 829800 871200 912600 954000 995400 1036800 1078200 1119600

Total Node

Time

Reality-MIT

Average Convergence Counting

init_28(most popular) init_66(unpopular)

19 4.2 Residu

Gambar 4. 2. 1 Residu pergerakan Random

Gambar 4. 2. 2 Residu pergerakan Haggle 3-Infocom 5 0

10 20 30 40 50 60

900 9000 17100 25200 33300 41400 49500 57600 65700 73800 81900 90000 98100 106200 114300 122400 130500 138600 146700 154800 162900 171000 179100 187200 195300 203400 211500

Total Node

Time

Random Residu

init_2 init_38

0 5 10 15 20 25 30 35 40 45

900 10800 20700 30600 40500 50400 60300 70200 80100 90000 99900 109800 119700 129600 139500 149400 159300 169200 179100 189000 198900 208800 218700 228600 238500 248400 258300 268200

Haggle 3-Infocom 5 Residu

init_39(most popular) init_39(unpopular)

20

Gambar 4. 2. 3 Residu pergerakan Reality-MIT

Terlihat pada Gambar 4. 2. 1 yang memiliki inisiator node ID 2 dan node ID 38 (init_2 dan init_38) yang memiliki waktu penurunan nilai residu yang cukup seimbang dan nilai residu mencapai nilai 0. Sedangkan pada pergerakan manusia yaitu pada Haggle 3-Infocom 5 dan Reality-MIT nilai residu yang dimiliki oleh node yang tergolong unpopular (init_30 dan init_66) memiliki jumlah yang banyak lebih banyak dibandingkan node yang tergolong most popular (init_39 dan init_28). Pada pergerakan Haggle 3-Infocom 5 terlihat nilai residu yang cenderung tetap dikarenakan pengetahuan node yang tergolong unpopular tidak merata sehingga perhitungan yang dimiliki tidak tepat.

Sedangkan pada pergerakan Reality-MIT nilai residu pada node yang tergolong unpopular cenderung turun tetapi memiliki nilai residu yang lebih besar dibandingkan node yang tergolong most popular dikarenakan node yang tergolong unpopular memiliki pertemuan antar node yang jarang sehingga ada beberapa node yang tidak mendapatkan pengetahuan dan adanya beberapa node yang menyimpan nilai hasil perhitungan yang tinggi dan pada node yang tergolong most popular cenderung ada penurunan lalu mengalami kenaikan dikarenakan pada saat node yang tergolong most popular memiliki nilai residu

0 20 40 60 80 100 120

1800 588600 1175400 1762200 2349000 2935800 3522600 4109400 4696200 5283000 5869800 6456600 7043400 7630200 8217000 8803800 9390600 9977400 10564200 11151000 11737800 12324600 12911400 13498200 14085000 14671800 15258600 15845400 16432200

Total Node

Time

Reality-MIT Residu

init_28(most popular) init_66(unpopular)

21

yang cukup rendah lalu bertemu dengan node yang bernilai tinggi maka residu pada jaringan akan mengalami kenaikan.

4.3 Delivery Probability

Gambar 4. 3. 1 Delivery Probability pergerakan Random

Gambar 4. 3. 2 Delivery Probability pergerakan Haggle 3-Infocom 5

0.9639 0.9806 0.9833

0 0.2 0.4 0.6 0.8 1 1.2

Copy Pesan = 5 init_38 Copy Pesan = 49

Jumlah Node = 50

Random Delivery Probability

0.7843 0.7854 0.8115 0.8333

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Copy Pesan = 4 init_30(unpopular) init_39(most popular)

Copy Pesan = 40 Jumlah Node = 41

Haggle 3-Infocom 5 Delivery Probability

22

Gambar 4. 3. 3 Delivery Probability pergerakan Reality-MIT

Terlihat pada Gambar 4. 3. 1, Gambar 4. 3. 2, dan Gambar 4. 3. 3 pada saat copy pesan disetting dengan jumlah kecil maka pengiriman pesan di jaringan cukup rendah dikarenakan sedikit node yang akan mendapatkan copy pesan sehingga node yang membantu menyampaikan pesan ke destination juga sedikit.

Pada saat copy pesan disetting dengan jumlah yang besar maka pengiriman pesan dijaringan cukup besar dikarenakan banyak node yang akan mendapatkan copy pesan sehingga node yang membantu menyampaikan pesan ke destination juga banyak.

Kemudian terlihat pada init_38, init_30, init_39, init_66 dan init_28 yang memiliki copy pesan ½ dari jumlah total node dimana pada saat copy pesan yang dimiliki oleh node yang tergolong most popular (init_28 & init_39) cenderung lebih besar dibandingkan dengan node yang tergolong unpopular (init_30 &

init_66) dikarenakan node yang tergolong most popular cenderung lebih cepat mengetahui jumlah total node dijaringan dibandingkan dengan node yang tergolong unpopular dan pengetahuan antar pertemuan node yang tergolong most popular lebih banyak dibandingkan node yang tergolong unpopular.

0.3871

0.4765 0.4835 0.5203

0 0.1 0.2 0.3 0.4 0.5 0.6

Copy Pesan = 5 init_66(unpopular) init_28(most popular) Copy Pesan = 95 Jumlah Node = 97

Reality-MIT Delivery Probability

23 4.4 Overhead Ratio

Gambar 4. 4. 1 Overhead Ratio pergerakan Random

Gambar 4. 4. 2 Overhead Ratio pergerakan Haggle 3-Infocom 5 4.1326

23.3555

47.161

0 5 10 15 20 25 30 35 40 45 50

Copy Pesan = 5 init_38 Copy Pesan = 49

Jumlah Node = 50

Random Overhead Ratio

4.2597

20.6505 19.996

35.9216

0 5 10 15 20 25 30 35 40

Copy Pesan = 4 init_30(unpopular) init_39(most popular) Copy Pesan = 40 Jumlah Node = 41

Haggle 3-Infocom 5 Overhead Ratio

24

Gambar 4. 4. 3 Overhead Ratio pergerakan Reality-MIT

Terlihat pada Gambar 4. 4. 1, Gambar 4. 4. 2, dan Gambar 4. 4. 3 pada saat copy pesan disetting dengan jumlah sedikit maka beban jaringan bernilai rendah berbeda dengan pada saat copy pesan disetting dengan jumlah banyak maka beban jaringan akan bernilai tinggi. Sedangkan pada node init_38 yang memiliki copy pesan ½ dari jumlah node di jaringan memiliki beban jaringan yang rendah dibandingkan dengan copy pesan yang disetting dengan jumlah banyak, serta pada init_28, init_39, init_66 dan init_30 yang memiliki copy pesan

½ juga dari jumlah node dimana node yang tergolong most popular (init_28 &

init_39) memiliki nilai beban jaringan yang lebih rendah dibandingkan dengan node yang tergolong unpopular (init_66 & init_30) dikarenakan node yang tergolong most popular memiliki nilai average convergence counting yang lebih rendah dibandingkan node yang tergolong unpopular dimana hal tersebut disebabkan oleh pengetahuan di node yang tergolong unpopular yang tidak merata dan ada beberapa node yang tidak ditemui oleh node yang tergolong unpopular.

10.516

70.069 67.4131

112.5364

0 20 40 60 80 100 120

Copy Pesan = 5 init_66(unpopular) init_28(most popular) Copy Pesan = 95 Jumlah Node = 97

Reality-MIT Overhead Ratio

25 4.5 Latency Average

Gambar 4. 5. 1 Latency Average pergerakan Random

Gambar 4. 5. 2 Latency Average pergerakan Haggle 3-Infocom 5 7660.0504

4242.6147

3402.3051

0 1000 2000 3000 4000 5000 6000 7000 8000 9000

Copy Pesan = 5 init_38 Copy Pesan = 49

Jumlah Node = 50

Random Latency Average

24611.5583 23778.8807 23041.3852 22589.7582

0 5000 10000 15000 20000 25000 30000

Copy Pesan = 4 init_30(unpopular) init_39(most popular)

Copy Pesan = 40 Jumlah Node = 41

Haggle 3-Infocom 5 Latency Average

26

Gambar 4. 5. 3 Latency Average pergerakan Reality-MIT

Terlihat pada Gambar 4. 5. 1, Gambar 4. 5. 2, dan Gambar 4. 5. 3 ketika copy pesan disetting dengan jumlah sedikit maka lamanya pengiriman pesan ke tujuan akan lebih lama maka delay pada jaringan akan bernilai tinggi berbeda dengan copy pesan yang disetting dengan jumlah yang banyak maka pengirman pesan ke tujuan akan lebih cepat sehingga nilai delay pada jaringan bernilai rendah. Karena pada saat copy pesan disetting dengan jumlah yang banyak maka node dapat dengan cepat memberikan copy pesan kepada node lainnya, sehingga banyak yang mendapatkan copy pesan dan pesan akan cepat sampai ke tujuan.

Pada init_38, init_30, init_39, init_66, dan init_28 yang memiliki copy pesan ½ dari jumlah total node dijaringan maka lamanya pengiriman pesan ke tujuan akan lebih cepat dibandingkan dengan copy pesan yang disetting dengan jumlah kecil. Pada node yang tergolong most popular (init_39 dan init_28) memiliki lama pengiriman yang lebih cepat dibandingksn dengan node yang tergolong unpopular (init_30 & init_66), sehingga pada node yang tergolong most popular memiliki delay yang lebih rendah dibandingkan dengan node yang tergolong unpopular. Karena pada node yang tergolong most popular memiliki pertemuan node yang lebih banyak dibandingkan dengan node yang tergolong unpopular maka pesan akan lebih cepat sampai ke tujuan.

569154.8735

436391.3157 436033.1566 426797.5602

0 100000 200000 300000 400000 500000 600000

Copy Pesan = 5 init_66(unpopular) init_28(most popular) Copy Pesan = 95 Jumlah Node = 97 Reality-MIT

Latency Average

27

Pada saat copy pesan disetting dengan jumlah kecil maka pesan yang terkirim juga akan bernilai rendah (Gambar 4. 3. 1, Gambar 4. 3. 2, Gambar 4. 3.

3) sehingga beban jaringan pada saat pesan dikirim juga bernilai rendah tetapi memiliki waktu yang lama untuk perngiriman pesan sampai ke tujuan. Berbeda dengan jumlah copy yang disetting dengan jumlah yang besar maka nilai pesan yang terkirim juga sangat tinggi dan memiliki waktu yang cukup cepat untuk pengiriman pesan sampai ke tujuan namun memiliki beban jaringan yang sangat tinggi.

Pada saat menggunakan jumlah copy pesan ½ dari jumlah total node dijaringan maka terlihat jika pesan yang terkirim dan lamanya pengiriman pesan ke tujuan memiliki nilai yang cukup bagus dan beban pada jaringan pada saat pengiriman pesan terjadi jauh lebih rendah dibandingkan dengan copy pesan yang bernilai besar, dan penentuan node inisiator pada perhitungan awal untuk mengetahui jumlah total node juga mempengaruhi nilai pengiriman pesan, beban jaringan dan lamanya pesan terkirim ke tujuan. Terlihat jika node inisiator yang tergolong most popular memiliki nilai pengiriman pesan, beban jaringan dan lamanya pengiriman pesan ke tujuan lebih baik dibandingkan dengan node inisiator yang tergolong unpopular.

28 BAB V

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Setelah dilakukan analisis dari pengujian simulasi, dapat ditarik kesimpulan bahwa protokol Gossip-based Aggregation dapat menghitung jumlah total node pada jaringan. Gossip-based Aggregation bekerja baik pada pergerakan Random dan node inisiator tidak begitu berpengaruh pada pergerakan Random serta nilai residu yang dihasilkan mencapai nilai terendah. Tetapi berbeda dengan pergerakan manusia yaitu pergerakan Haggle 3-Infocom 5 dan pergerakan Reality- MIT node inisiator mempengaruhi jumlah node yang dihasilkan pada jaringan.

Protokol Gossip-based Aggregation dapat mengatasi salah satu kelemahan yang ada pada Spray and Wait dengan mengetahui jumlah total node yang ada pada jaringan sehingga dapat menentukan copy pesan. Penentuan inisiator diawal juga berperan dalam kecepatan pengiriman pesan, beban jaringan dan lamanya pengiriman pesan sampai ke tujuan, dimana node inisiator yang tergolong most popular lebih unggul dibandingkan dengan node inisiator yang tergolong unpopular dikarenakan total contact frequency yang dimiliki node inisiator yang tergolong most popular lebih banyak dibandingkan node inisiator yang tergolong unpopular.

5.2 Saran

Pada penelitian selanjutnya dapat diteliti bagaimana jika node bersifat dinamis atau ada node yang mati.

29

DAFTAR PUSTAKA

[1] Paulo Jesus, Carlos Baquero, Paulo Sergio Almeida, “A Survey of Distributed Data Aggregation Algorthms,” IEEE, pp. 15-17, 2011.

[2] Alessio Guerrieri, Iacopo Carreras, Francesco De Pellegrini. Alberto Montresor, Daniele Miorandi, “Distributed Estimation of Global Parameters in Delay-Tolerant Network,” IEEE, pp. 1-7, 2009.

[3] Mark Jelasity, Alberto Montresor, Ozalp Babaoglu, “Gossip-based Aggregation in Large Dynamic Networks,” IEEE, pp. 1-5, 2005.

[4] T. Spyropoulos, K. Psounis dan C. C. Raghavendra, Spray and Wait : An Efficient Routing Scheme for Intermittently Connected Mobile Networks, USA, 2005.

[5] S. I. Yunus, “Analisis Statistik Kontak Manusia Pada Jaringan Oportunistik”, Yogyakarta, Indonesia: Universitas Sanata Dharma.

30 LAMPIRAN Algoritma

31

32

33 Report Convergence Time

34

35 Interface

36 Report Average Convergence Counting

37 Residu

38