OPTIMASI PENGGUNAAN BATERAI DENGAN
SELFISHNESS MENGGUNAKAN METODE EXPONENTIAL
WEIGHTED MOVING AVERAGE (EWMA) DAN MOVING
AVERAGE (MA) PADA JARINGAN OPORTUNISTIK
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Informatika
Disusun Oleh: Bernadette Chrestella
165314014
PROGRAM STUDI S1 INFORMATIKA JURUSAN INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
OPTIMIZATION OF BATTERY USAGE WITH SELFISHNESS
USING THE EXPONENTIAL WEIGHTED MOVING
AVERAGE (EWMA) AND MOVING AVERAGE (MA)
METHODS IN OPPORTUNISTIC NETWORKS.
A THESIS
Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer Degree in Informatics Department
Disusun Oleh: Bernadette Chrestella
165314014
INFORMATICS STUDY PROGRAM INFORMATICS DEPARTMENT FACULTY SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
MOTTO
“Kesempatan bukanlah hal yang kebetulan. Kamu harus menciptakannya.”
ABSTRAK
Pada jaringan oportunistik terdapat kelemahan diantaranya adalah keterbatasan resource dan energi. Dengan terbatasnya resource dan energi tersebut, kinerja setiap node pada jaringan menjadi kurang optimal. Seperti pada penggunaan energi, ketika node memiliki energi yang terbatas sedangkan kinerja pengiriman pesan nya sangat tinggi, mengakibatkan energi yang dimiliki node tersebut menjadi cepat habis. Node akan selalu mengirimkan pesan selama node tersebut masih memiliki energi, tanpa memperhatikan beban yang ditanggung node tersebut. Oleh karena itu, dalam penelitian ini kami menyematkan nilai selfishness(keegoisan) pada setiap node yang bertujuan untuk mengoptimalkan penggunaan energi(baterai). Dalam penelitian ini, kami mempelajari dampak dari selfishness dengan menggunakan dua metode berbeda, yaitu Moving Average dan Exponential Weighted Moving Average terhadap perubahan penggunaan energi(baterai), delivery probability, latency, dan jumlah node yang kehabisan energi pada waktu tertentu. Kami mengevaluasi sistem kerja protokol routing Prophet dengan penerapan selfishness menggunakan pergerakan manusia dan dataset Haggle 6. Pada penelitian ini, kami menemukan bahwa selfishness dengan kedua metode tersebut yang didistribusikan pada setiap node di jaringan memiliki pengaruh terhadap penggunaan energi setiap node terutama untuk node yang memiliki kinerja paling tinggi. Pengoptimalan penggunaan energi(baterai) dengan menggunakan selfishness berhasil dilakukan, sehingga hasil akhir yang didapatkan adalah meningkat nya delivery probability dan umur energi(baterai) node menjadi lebih lama.
Kata Kunci: Prophet, Selfishness, Moving Average, Exponential Weighted Moving Average.
ABSTRACT
In opportunistic networks, there are weaknesses, including limited resources and energy. With limited resources and energy, the performance of each node on the network is less than optimal. As in energy use, when a node has limited energy and the performance of sending messages is very high, the energy that the node has is quickly exhausted. Nodes will always send messages as long as they have energy, regardless of the load the node is carrying. Therefore, in this study we pinned the value of selfishness on each node which aims to optimize energy use (battery). In this paper, we study the impact of selfishness using two different methods, namely moving average and exponential weighted moving average on changes in energy usage (battery), delivery probability, latency, and the number of nodes that run out of energy at a certain time. We evaluated the working system of the Prophet routing protocol by implementing selfishness using a human movement. In this study, we found that the selfishness of the two methods distributed at each node in the network has an influence on the energy use of each node, especially for the node with the highest performance. Optimization of energy use (battery) using selfishness was successfully carried out, so that the final result obtained is an increase in the delivery probability and the energy use (battery) of the nodes to last longer.
Keywords: Prophet, Selfishness, Moving Average, Exponential Weighted Moving Average
DAFTAR ISI
HALAMAN PERSETUJUAN ... .iii
HALAMAN PENGESAHAN ... iv
MOTTO ... v
PERNYATAAN LEMBAR KEASLIAN KARYA ... vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ... vii
UNTUK KEPENTINGAN AKADEMIS ... vii
ABSTRAK ... viii
ABSTRACT ... ix
KATA PENGANTAR ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xiv
DAFTAR RUMUS ... xv BAB I PENDAHULUAN ...1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 2 1.3 Tujuan Penelitian ... 2 1.4 Manfaat Penelitian ... 2 1.5 Batasan Masalah ... 2 1.6 Metode Penelitian ... 3 1.6.1 Studi Pustaka ... 3 1.6.2 Perancangan ... 3
1.6.3 Pembangunan Simulasi dan Pembangunan Data ... 3
1.6.4 Pembuatan Alat Pengujian ... 3
1.6.5 Analisis dan Simulasi ... 3
1.6.6 Penarikan Kesimpulan ... 4
1.7 Sistematika Penulisan ... 4
BAB II LANDASAN TEORI ...5
2.1 Jaringan Oportunistik... 5
2.2 Protokol Routing Prophet ... 5
2.4 Exponential Weighted Moving Average ... 6
BAB III METODE PENELITIAN ...7
3.1 Selfishness ... 7
3.4 Parameter Simulasi ... 8
3.6 Skenario Simulasi ... 9
3.7 Matriks Unjuk Kerja ... 9
3.8 Desain Alat Uji ... 10
BAB IV PENGUJIAN DAN ANALISIS ... 12
4.1 Perbandingan Penurunan Baterai ... 12
4.2 Perbandingan Percentage Message Delivery Per Time... 14
4.3 Perbandingan Average Latency Per Time ... 14
4.4 Perbandingan Network Lifetime ... 15
4.5 Perbandingan Delivery Probability ... 16
4.6 Perbandingan Latency Average ... 16
BAB V KESIMPULAN DAN SARAN ... 18
5.1 Kesimpulan ... 18
5.2 Saran ... 18
DAFTAR PUSTAKA ... 19
DAFTAR GAMBAR
Gambar 2. 1 Ilustrasi Metric Transitivity Prophet ... 6
Gambar 4.1. 1 Grafik Penurunan Baterai Hub Node Pertama ... 12
Gambar 4.1. 2 Grafik Penurunan Baterai Hub Node Kedua ... 12
Gambar 4.1. 3 Grafik Penurunan Baterai Hub Node Ketiga ... 13
Gambar 4.1. 4 Grafik Penurunan Baterai Hub Node Keempat ... 13
Gambar 4.2. 1 Grafik Persentage Message Delivery Per Time ... 14
Gambar 4.3. 1 Grafik Average Latency Per Time ... 14
Gambar 4.4. 1 Grafik Network Lifetime ... 15
Gambar 4.5. 1 Grafik Delivery Probability ... 16
Gambar 4.6. 1 Grafik Latency Average ... 16
DAFTAR TABEL
Tabel 3.1. 1 Parameter Simulasi ... Error! Bookmark not defined. Tabel 3.3. 1 Skenario Haggle6-Infocom6 ... Error! Bookmark not defined.
DAFTAR RUMUS
Rumus 2. 1 ... 5 Rumus 2. 2 ... 5 Rumus 2. 3 ... 6 Rumus 2. 4 ... 6 Rumus 2. 5 ... 6 Rumus 3. 1 ... 9 Rumus 3. 2 ... 9 Rumus 3. 3 ... 9 Rumus 3. 4 ... 10BAB I
PENDAHULUAN
1.1 Latar Belakang
Delay Tolerant Network (DTN) atau yang lebih dikenal dengan jaringan Oportunistik. Jaringan Oportunistik memiliki topologi yang tidak tetap dan memiliki jumlah resource yang terbatas [1]. Hal tersebut menyebabkan penyebaran informasinya menjadi kurang efisien dan efektif. Di jaringan ini setiap node mencari rute ke setiap node tujuan tanpa adanya end-to-end path.
Untuk mengatasi permasalahan tersebut, diperlukan adanya protokol routing. Pada Jaringan oportunistik terdapat protokol routing Epidemic yang menggunakan strategi flooding, strategi yang digunakan routing ini dapat mengurangi delay dalam pengiriman pesan [2]. Namun karena routing Epidemic menyebarkan pesan ke setiap node yang ditemuinya, hal ini menyebabkan meningkatnya overhead di jaringan. Protokol routing Prophet [3] adalah salah satu protokol routing yang dibuat untuk mengatasi masalah yang ada pada routing epidemic. Pada routing Prophet ketika node saling bertemu, terjadi pertukaran summary vector yang berisikan informasi delivery predictability dari node tersebut. Pesan akan dikirimkan jika delivery predictability node yang ditemui terhadap destination node lebih besar dari delivery predictability source node ke destination node.
Di setiap node pada protokol routing Prophet diberikan energi yang sama. Energi tersebut digunakan untuk mengirimkan pesan ke tujuannya. Ketika energi tersebut habis, maka node akan mati sehingga tidak dapat mengirimkan maupun menerima pesan.
Pada penelitian ini, penggunaan energi pada node akan diprediksi menggunakan dua metode prediksi berbeda. Prediksi tersebut bertujuan untuk memprediksi penggunaan energi pada waktu selanjutnya, sehingga dapat diterapkan strategi Selfishness [4] untuk mengoptimalkan penggunaan baterai setiap node di jaringan.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, rumusan masalah yang didapatkan adalah untuk mengoptimalkan penggunaan baterai setiap node di jaringan dengan selfishness menggunakan metode prediksi Exponential Weighted Moving Average dan Moving Average dalam memprediksi penggunaan energi pada node.
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk mengoptimalkan penggunaan baterai setiap node dengan selfishness menggunakan metode prediksi Exponential Weighted Moving Average dan Moving Average ketika diterapkan pada protocol routing Prophet untuk memprediksi penggunaan energi setiap nodenya.
1.4 Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat digunakan sebagai bahan pertimbangan dalam mengoptimasi penggunaan baterai setiap node di jaringan dengan selfishness menggunakan metode prediksi untuk prediksi penggunaan energi pada node di jaringan,
1.5 Batasan Masalah
Batasan masalah pada penelitian ini adalah sebagai berikut:
1. Metode estimasi yang digunakan adalah Exponential Weighted Moving Average dan Moving Average.
2. Pergerakan yang digunakan yaitu pergerakan manusia dengan dataset Haggle6-Infocom6.
3. Jumlah node tetap.
4. Diterapkan pada routing protocol Prophet. 5. Jumlah energi awal setiap node diatur sama.
1.6 Metode Penelitian
Metode dan langkah-langkah dalam menyusun penulisan ini yaitu: 1.6.1 Studi Pustaka
Untuk mempersiapkan dan mendalami teori yang dapat mendukung penelitian ini meliputi:
a. Teori jaringan oportunistik. b. Teori routing protocol Prophet. c. Teori Moving Average.
d. Teori Exponential Weighted Moving Average. e. The ONE Simulator.
f. Tahap-tahap membangun simulasi. 1.6.2 Perancangan
Tahapan ini merupakan rancangan skenario yang digunakan dalam penelitian, terdiri dari:
a. Inisialisasi jumlah energi setiap node sama. b. Jumlah node tetap.
1.6.3 Pembangunan Simulasi dan Pembangunan Data
Simulasi jaringan oportunistik pada tugas akhir ini menggunakan ONE Simulator serta menggunakan report sebagai media pengumpulan data berdasarkan parameter unjuk kerja yang telah ditentukan. Data pergerakan yang digunakan untuk melakukan penelitian ini sudah tersedia pada Internet yaitu pada alamat http://www.shigs.co.uk/index.php?page=traces.
1.6.4 Pembuatan Alat Pengujian
Simulasi pada penelitian ini menggunakan The ONE Simulator [5]. 1.6.5 Analisis dan Simulasi
Dalam tahap ini, penulis menganalisis hasil selfishness dari proses simulasi. Analisis didapatkan berdasarkan pengamatan dari hasil
perhitungan prediksi dari metode Exponential Weighted Moving Average dan Double Moving Average.
1.6.6 Penarikan Kesimpulan
Penarikan kesimpulan dilakukan berdasarkan hasil selfishness yang diperoleh dari proses analisis data.
1.7 Sistematika Penulisan
Sistematika penulisan dibagi menjadi beberapa bab dengan susunan sebagai berikut:
BAB I: PENDAHULUAN
Bab ini membahas tentang latar belakang, rumusan masalah, manfaat dan tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan.
BAB II: LANDASAN TEORI
Bab ini membahas teori-teori yang mendukung dan menjadi dasar dari penelitian.
BAB III: METODE PENELITIAN
Bab ini membahas tentang metodologi penelitian yang dilakukan. BAB IV: PENGUJIAN DAN ANALISIS
Bab ini berisi tentang tahap pengujian, yaitu simulasi, dan analisis hasil data simulasi.
BAB V: KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan hasil penelitian dan saran dari penulis untuk penelitian selanjutnya.
BAB II
LANDASAN TEORI
2.1 Jaringan Oportunistik
Jaringan Oportunistik merupakan jaringan yang mempunyai topologi tidak menentu (dinamis), dimana setiap node dapat bergerak bebas sehingga node pengirim dan node penerima sulit bertemu.
2.2 Protokol Routing Prophet
Probabilistic Routing Protocol using History of Ecounters and Transitivity yang disingkat menjadi PROPHET, merupakan protokol routing yang menghitung kedekatan antar node berdasarkan seberapa sering node tersebut bertemu dengan node lain serta transitivity-nya.
Transitivity adalah kondisi dimana sebuah node dapat menjadi node perantara untuk menyampaikan pesan dari node lain. Untuk menghitung probabilitas bertemunya satu node dengan node lain, diperlukan delivery predictability.
𝑃(𝑎,𝑏) = 𝑃(𝑎,𝑏)𝑜𝑙𝑑+ (1 − 𝑃(𝑎,𝑏)𝑜𝑙𝑑)𝑃𝑖𝑛𝑖𝑡 Rumus 2. 1
dimana:
𝑃𝑖𝑛𝑖𝑡 ∈ [0,1]
Jika node sudah bertemu, tetapi terlampau lama untuk bertemu kembali maka node tersebut dianggap kurang baik dalam menyampaikan pesan. Kondisi tersebut menyebabkan nilai delivery predictability pada node harus berkurang (age, menua).
𝑃(𝑎,𝑏) = 𝑃(𝑎,𝑏)𝑜𝑙𝑑 𝑥 𝑦𝑘 Rumus 2. 2
Terdapat ciri dalam delivery predictability yakni transitivity dalam penyampaian pesan. Contoh dari transitivity dimisalkan node A sering bertemu dengan node B, dan node B sering bertemu dengan node C, maka antara node A dan node C besar kemungkinan memiliki keterikatan dalam penyampaian pesan. Jika nilai node A ke node C lebih besar daripada node A ke node B, maka
pesan akan langsung dikirimkan ke node C. Tetapi jika nilai dari node A ke node B lebih besar maka pesan akan dikirimkan ke node C melalui node B.
𝑃(𝑎,𝑐) = 𝑃(𝑎,𝑐)𝑜𝑙𝑑+ (1 − 𝑃(𝑎,𝑐)𝑜𝑙𝑑)(𝑃(𝑎,𝑏))(𝑃(𝑏,𝑐))𝛽 Rumus 2. 3
2.3 Moving Average
Moving Average merupakan rata-rata dari n data sebelumnya dalam deret waktu tertentu. Dengan setiap data pada deret waktu memiliki bobot yang sama, sehingga tidak ada faktor bobot yang diterapkan pada Moving Average [6].
Untuk menghitung Moving Average diambil nilai penurunan baterai setiap interval waktu, kemudian dari penurunan baterai tersebut diambil nilai Yt yaitu
selisih dari penurunan energi. Nilai n merupakan banyak nya data penurunan energi yang di rata-rata.
𝑀𝑡 =𝑌𝑡+ 𝑌𝑡−1+ ⋯ + 𝑌𝑡−𝑛−1 𝑛
Rumus 2. 4
2.4 Exponential Weighted Moving Average
Exponential Weighted Moving Average (EWMA) merupakan suatu langkah estimasi sebuah data di masa yang akan datang dengan memberi bobot lebih besar atas data observasi terkini dibandingkan dengan data masa sebelumnya.
Metode ini memberikan bobot terhadap perubahan nilai setiap periode [7]. Dengan α adalah rentang nilai untuk skala pembobotan dengan nilai 0 < α < 1. Semakin tinggi α maka akan semakin besar pula bobot yang akan dikenakan pada data masa lampau.
Untuk menghitung Exponential Weighted Moving Average diambil nilai penurunan baterai setiap interval waktu, kemudian dari penurunan baterai tersebut diambil nilai xt yaitu selisih dari penurunan energi. Nilai 𝑥̂𝑡−1
merupakan hasil Exponential Weighted Moving Average pada satu periode sebelumnya.
BAB III
METODE PENELITIAN
3.1 Selfishness
Selfishness yang digunakan dalam penelitian ini ditentukan berdasarkan threshold [8]. Threshold tersebut didapatkan dari selisih penurunan baterai tertinggi dari sebuah Hub Node [9]. Berdasarkan percobaan yang sudah dilakukan, threshold terbaik adalah setengah dari selisih penurunan baterai tertinggi dari Hub Node.
Selfishness berdasarkan threshold ini akan diterapkan pada semua Node yang ada di jaringan, sehingga semua Node memiliki syarat Selfishness yang sama.
3.2 Moving Average
Setelah dilakukan percobaan secara offline, dengan membandingkan penggunaan single, double dan triple moving average, didapatkan hasil terbaik yaitu dengan menggunakan Single Moving Average. Kemudian dengan membandingkan banyak data yang digunakan untuk di rata-rata antara 5 data dan 10 data, didapatkan hasil terbaik yaitu dengan menggunakan 10 data. Sehingga yang digunakan dalam penelitian ini adalah Single Moving Average dengan jumlah data untuk di rata-rata sebanyak 5 data.
3.3 Exponential Weighted Moving Average
Setelah dilakukan poercobaan secara offline, dengan membandingkan nilai alpha (α) antara 0,1 hingga 0,9, didapatkan hasil terbaik yaitu dengan menggunakan nilai alpha 0,9. Sehingga yang digunakan dalam penelitian ini adalah Exponential Weighted Moving Average dengan nilai alpha 0,9.
3.4 Parameter Simulasi
Parameter simulasi yang digunakan pada penelitian ini ditunjukkan pada tabel 3.4.1:
Tabel 3.4. 1 Parameter Simulasi
Parameter Haggle6-Infocom06 Scenario Time 342915 Transmit Speed 250K Transmit Range 10 Buffer Size 10M TTL (menit) 1440 Host 98 Msg. Interval (1msg/s) 1160, 1240 Msg. Size 250k, 300k Initial Energy 100 Scan Energy 0.0005 Transmit Energy 0.002
Scan Response Energy 0.0005
3.5 Pergerakan Node
Dalam penelitian ini, pergerakan node yang digunakan yaitu pergerakan Real atau pergerakan Manusia yakni Haggle6 – Infocom6.
Dataset ini berisi data pertemuan antar warga di kota metropolitan yang sibuk di Barcelona. Setiap partisipan diberi device (iMotes) yang digunakan untuk mencatat data pertemuan antar partisipan. Dipilih, device yang menghasilkan data yang valid dapat digunakan untuk melakukan penelitian sebanyak 98 device. Durasi simulasi pada dataset ini adalah 342915 detik yaitu sekitar 3.96 hari.
3.6 Skenario Simulasi
Pada penelitian ini, skenario yang digunakan yaitu pergerakan manusia, yaitu sebagai berikut:
Tabel 3.6. 1 Skenario Haggle6-Infocom6
Protokol Routing Pergerakan Node Jumlah Node Waktu Simulasi
Prophet Routing Haggle6-Infocom6 98 342915 detik
3.7 Matriks Unjuk Kerja
Untuk mengukur unjuk kerja dari penelitian ini, digunakan beberapa matriks unjuk kerja, yaitu:
1. Network Lifetime
Digunakan untuk mengetahui jumlah node yang mati pada interval waktu yang sudah ditentukan.
2. Delivery Probability
Digunakan untuk mengetahui berapa banyak pesan yang sampai ke tujuan. Delivery Probability ini akan menyimpulkan nilai probability pesan berhasil dikirim ke tujuan, rasio antara jumlah pesan yang terkirim akan dibagi dengan jumlah pesan yang dibuat.
𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑦 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
Rumus 3. 1
3. Latency Average
Menghitung rata-rata waktu yang dibutuhkan pesan dari sumber ke tujuan.
𝐿𝑎𝑡𝑒𝑛𝑐𝑦 𝐴𝑣𝑒𝑟𝑎𝑔𝑒
= (𝑇𝑖𝑚𝑒 𝑤ℎ𝑒𝑛 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑖𝑠 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 − 𝑇𝑖𝑚𝑒 𝑤ℎ𝑒𝑛 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑖𝑠 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒𝑑)
𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
Rumus 3. 2
4. Percentage Message Delivery Per Time
Digunakan untuk menghitung persentase pesan yang terkirim per waktu.
𝑃𝑒𝑟𝑐𝑒𝑛𝑡𝑎𝑔𝑒 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑦 𝑝𝑒𝑟 𝑇𝑖𝑚𝑒
= 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑥 100
5. Latency Average Per Time
Digunakan untuk menghitung rata-rata waktu yang dibutuhkan pesan dari sumber ke tujuan per waktu.
𝐿𝑎𝑡𝑒𝑛𝑐𝑦 𝐴𝑣𝑒𝑟𝑎𝑔𝑒 𝑝𝑒𝑟 𝑇𝑖𝑚𝑒
= (𝑇𝑖𝑚𝑒 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 − 𝑇𝑖𝑚𝑒 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒)
𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒
Rumus 3. 4
3.8 Desain Alat Uji
Alat uji yang digunakan merupakan implementasi dari protokol routing Prophet dengan menggunakan metode selfishness di Simulator ONE dengan bahasa pemrograman Java. Berikut adalah pseudo-code dari algoritma yang dipakai pada penelitian ini.
Pseudo-Code Selfishness untuk sisi penerima pesan. /*Inisiasi*/
threshold = 0.37 // setengah dari selisih penurunan baterai tertinggi Hub Node
for setiap pesan yang akan disimpan if prediksi() < threshold then
if tujuan pesan bukan thisHost then pesan disimpan
else pesan tidak disimpan end if
else pesan tidak disimpan end if
Pseudo-Code prediksi() untuk metode Single Moving Average /*Inisiasi*/
interval = 300 // waktu per detik if interval waktu = interval then
mencatat selisih baterai
mencatat selisih baterai ke dalam listSelisihBaterai if listSelisihBaterai = 5 then
hitung rata-rata listSelisihBaterai
mencatat nilai rata-rata ke dalam listPrediksi hapus listSelisihBaterai pertama
end if end if
Pseudo-Code prediksi() untuk metode Exponential Weighted Moving Average
/*Inisiasi*/
interval = 300 // waktu per detik if interval waktu = interval then
mencatat selisih baterai
mencatat selisih baterai ke dalam listSelisihBaterai hitung rata-rata listSelisihBaterai
mencatat nilai rata-rata ke dalam listPrediksi end if
BAB IV
PENGUJIAN DAN ANALISIS
4.1 Perbandingan Penurunan Baterai
Setelah dilakukan simulasi dengan menggunakan Selfishness berdasarkan prediksi Moving Average dan Exponential Weighted Moving Average maka didapat hasil perbandingan penurunan baterai pada 4 Hub Node sebagai berikut:
Gambar 4.1. 1 Grafik Penurunan Baterai Hub Node Pertama
Gambar 4.1. 2 Grafik Penurunan Baterai Hub Node Kedua
0 20 40 60 80 100 120 30 0 51 00 99 00 14 70 0 19 50 0 24 30 0 29 10 0 33 90 0 38 70 0 43 50 0 48 30 0 53 10 0 57 90 0 62 70 0 67 50 0 72 30 0 77 10 0 81 90 0 86 70 0 91 50 0 96 30 0 10 11 00 10 59 00 11 07 00 11 55 00 12 03 00 12 51 00 12 99 00 13 47 00 B ate ra i Waktu(Detik)
Penurunan Baterai p87
Prophet Normal Selfish SMA Selfish EWMA
0 20 40 60 80 100 120 30 0 51 00 99 00 14 70 0 19 50 0 24 30 0 29 10 0 33 90 0 38 70 0 43 50 0 48 30 0 53 10 0 57 90 0 62 70 0 67 50 0 72 30 0 77 10 0 81 90 0 86 70 0 91 50 0 96 30 0 10 11 00 10 59 00 11 07 00 11 55 00 12 03 00 12 51 00 12 99 00 13 47 00 13 95 00 B ate ra i Waktu(Detik)
Penurunan Baterai p76
Dari hasil penelitian pada Gambar 4.1.1, Gambar 4.1.2, Gambar 4.1.3, dan Gambar 4.1.4, menunjukkan bahwa selfishness yang diterapkan pada Hub Node di protokol routing Prophet dapat memperpanjang lama hidup Node tersebut. Bisa dilihat bahwa pada keempat gambar diatas, hasil penurunan baterai dengan selfishness menggunakan metode Single Moving Average akan lebih lama hidup dibandingkan dengan penurunan baterai dengan selfishness menggunakan metode Exponential Weighted Moving Average.
Gambar 4.1. 3 Grafik Penurunan Baterai Hub Node Ketiga
Gambar 4.1. 4 Grafik Penurunan Baterai Hub Node Keempat
0 20 40 60 80 100 120 30 0 54 00 10 50 0 15 60 0 20 70 0 25 80 0 30 90 0 36 00 0 41 10 0 46 20 0 51 30 0 56 40 0 61 50 0 66 60 0 71 70 0 76 80 0 81 90 0 87 00 0 92 10 0 97 20 0 10 23 00 10 74 00 11 25 00 11 76 00 12 27 00 12 78 00 13 29 00 13 80 00 B ate ra i Waktu(Detik)
Penurunan Baterai p78
Prophet Normal Selfish SMA Selfish EWMA
0 20 40 60 80 100 120 30 0 54 00 10 50 0 15 60 0 20 70 0 25 80 0 30 90 0 36 00 0 41 10 0 46 20 0 51 30 0 56 40 0 61 50 0 66 60 0 71 70 0 76 80 0 81 90 0 87 00 0 92 10 0 97 20 0 10 23 00 10 74 00 11 25 00 11 76 00 12 27 00 12 78 00 13 29 00 13 80 00 14 31 00 B ate ra i Waktu(Detik)
Penurunan Baterai p59
4.2 Perbandingan Percentage Message Delivery Per Time
Gambar 4.2. 1 Grafik Persentage Message Delivery Per Time
Dari Gambar 4.2.2 dapat dilihat grafik persentase pesan terkirim per waktu pada jaringan. Untuk routing Prophet setelah di terapkan Selfishness memiliki persentase pesan terkirim yang lebih tinggi dibandingkan dengan Prophet Normal, hal ini dikarenakan masa active node terutama Hub Node setelah diterapkan Selfishness menjadi lebih lama, sehingga dapat membantu kinerja pengiriman pesan lebih banyak dibandingkan ketika Hub Node tersebut belum diterapkan Selfishness.
4.3 Perbandingan Average Latency Per Time
Gambar 4.3. 1 Grafik Average Latency Per Time
0 20 40 60 80 100 30 0 11 40 0 22 50 0 33 60 0 44 70 0 55 80 0 66 90 0 78 00 0 89 10 0 10 02 00 11 13 00 12 24 00 13 35 00 14 46 00 15 57 00 16 68 00 17 79 00 18 90 00 20 01 00 21 12 00 22 23 00 23 34 00 24 45 00 25 56 00 26 67 00 27 78 00 28 89 00 30 00 00 31 11 00 32 22 00 33 33 00 Pe rc en t Time(second)
Percentage Message Delivery per Time
Prophet Normal Selfish SMA Selfish EWMA
0 5000 10000 15000 20000 0 11 70 0 23 40 0 35 10 0 46 80 0 58 50 0 70 20 0 81 90 0 93 60 0 10 53 00 11 70 00 12 87 00 14 04 00 15 21 00 16 38 00 17 55 00 18 72 00 19 89 00 21 06 00 22 23 00 23 40 00 24 57 00 25 74 00 26 91 00 28 08 00 29 25 00 30 42 00 31 59 00 32 76 00 33 93 00 La te nc y Time(Second)
Average Latency per Time
Dari Gambar 4.3.1 terlihat bahwa Average Latency untuk Prophet Normal lebih tinggi dibandingkan dengan Prophet yang sudah diterapkan selfishness baik SMA maupun EWMA. Namun jika dibandingkan. Prophet dengan selfishness SMA memiliki Average Latency yang lebih kecil daripada Prophet dengan selfishness EWMA.
4.4 Perbandingan Network Lifetime
Gambar 4.4. 1 Grafik Network Lifetime
Berdasarkan Gambar 4.4.1 di atas didapatkan hasil Network Lifetime atau masa active node pada routing Prophet sebelum dan sesudah diterapkan Selfishness, dapat dilihat bahwa pada Prophet Normal di detik ke 102.600 sudah ada satu node yang mati, kemudian pada Prophet yang diterapkan Selfishness menggunakan SMA node pertama yang mati di detik ke 138.900, sedangkan pada Prophet yang diterapkan Selfishness menggunakan EWMA node pertama yang mati di detik ke 131.700.
0 20 40 60 80 100 120 99 30 0 10 29 00 10 65 00 11 01 00 11 37 00 11 73 00 12 09 00 12 45 00 12 81 00 13 17 00 13 53 00 13 89 00 14 25 00 14 61 00 14 97 00 15 33 00 15 69 00 16 05 00 16 41 00 16 77 00 17 13 00 17 49 00 17 85 00 18 21 00 18 57 00 18 93 00 19 29 00 19 65 00 20 01 00 To ta l N ode Time(Second)
Network Lifetime
4.5 Perbandingan Delivery Probability
Gambar 4.5. 1 Grafik Delivery Probability
Perbandingan Delivery Probability antara Prophet Normal dengan Prophet yang menggunakan Selfishness seperti pada Gambar 4.5.1. Prophet dengan penerapan Selfishness EWMA memiliki delivery yang paling tinggi dibandingkan yang lainnya. Namun dengan delivery yang lebih tinggi tersebut, menyebabkan masa active Hub Node menjadi lebih cepat mati dibandingkan dengan Prophet dengan penerapan Selfishness SMA.
4.6 Perbandingan Latency Average
Gambar 4.6. 1 Grafik Latency Average
0.3028 0.338 0.3415 0.28 0.29 0.3 0.31 0.32 0.33 0.34 0.35
Prophet Normal Selfish SMA Selfish EWMA
Delivery Probability
15970.8372 14310.7708 15716.0412 13000 13500 14000 14500 15000 15500 16000 16500Prophet Normal Selfish SMA Selfish EWMA
Dari Gambar 4.6.1 dapat dilihat bahwa Latency untuk Porphet Normal paling tinggi dibandingkan dengan Prophet dengan penerapan Selfishness. Sedangkan untuk Prophet dengan Selfishness SMA memiliki latency yang paling rendah dari yang lain. Hal ini dikarenakan masa active hub node pada selfishness SMA lebih lama dibandingkan dengan masa active hub node pada selfishness EWMA, sehingga lama waktu pesan berada di jaringan lebih cepat sampai pada selfishness SMA.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah melakukan pengujian dan analisis pada data hasil simulasi, kesimpulan yang didapat adalah sebagai berikut:
➢ Pengoptimalan penggunaan baterai dapat dilakukan pada protokol Routing Prophet menggunakan Selfishness dengan metode Single Moving Average dan Exponential Weighted Moving Average.
➢ Hasil pengoptimalan baterai pada Hub Node dengan menggunakan Selfishness Single Moving Average dan Selfishness Exponential Weighted Moving Average tidak jauh berbeda, namun lebih baik menggunakan Exponential Weighted Moving Average karena lebih reaktif terhadap perubahan data di periode sekarang dan satu periode sebelumnya.
5.2 Saran
Setelah melakukan penelitian ini, pengoptimalan penggunaan baterai pada jaringan oportunistik masih bisa dioptimalkan dengan menggunakan metode Selfishness yang lain. Oleh karena itu, pada penelitian selanjutnya diharapkan menggunakan metode Selfishness selain Moving Average.
DAFTAR PUSTAKA
[1] S. Ramesh, R. Indira, R. Praveen, and P. G. Kumar, “A-Routing for intermittently connected mobile ad hoc networks,” 2013 Int. Conf. Recent Trends Inf. Technol. ICRTIT 2013, pp. 119–125, 2013, doi: 10.1109/ICRTIT.2013.6844191.
[2] R. Schiessel, M. Starlinger, M. Rotter, J. Funovics, and K. Dinstl, “Epidemic Routing for Partially-Connected Ad Hoc Networks,” Langenbecks Arch. Chir., vol. 344, no. 4, pp. 265–9, 1978, [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/306010.
[3] J. Xue, J. Li, Y. Cao, and J. Fang, “Advanced PROPHET routing in delay tolerant network,” Proc. 2009 Int. Conf. Commun. Softw. Networks, ICCSN 2009, pp. 411–413, 2009, doi: 10.1109/ICCSN.2009.44.
[4] S. E. Loudari and N. Benamar, “Effects of selfishness on the energy consumption in opportunistic networks: A performance assessment,” 2019 Int. Conf. Wirel. Technol. Embed. Intell. Syst. WITS 2019, no. May, 2019, doi: 10.1109/WITS.2019.8723819.
[5] A. Keränen, J. Ott, and T. Kärkkäinen, “The ONE simulator for DTN protocol evaluation,” SIMUTools 2009 - 2nd Int. ICST Conf. Simul. Tools Tech., 2009, doi: 10.4108/ICST.SIMUTOOLS2009.5674.
[6] S. Hansun, “A new approach of moving average method in time series analysis,” 2013 Int. Conf. New Media Stud. CoNMedia 2013, 2013, doi: 10.1109/conmedia.2013.6708545.
[7] A. Hammoudeh and L. Al-Sharif, “Estimating the elevator traffic system arrival rate using exponentially weighted moving average(EWMA),” 2017 IEEE Jordan Conf. Appl. Electr. Eng. Comput. Technol. AEECT 2017, vol. 2018-January, no. 1, pp. 1–5, 2017, doi: 10.1109/AEECT.2017.8257757. [8] S. Breen and A. O’Shea, “Threshold Concepts and Undergraduate
Mathematics Teaching,” Primus, vol. 26, no. 9, pp. 837–847, 2016, doi: 10.1080/10511970.2016.1191573.
in the network of human Mitogen-Activated Protein Kinase (MAPK) pathways: Characteristics and potential as drug targets,” Informatics Med.
Unlocked, vol. 9, no. August, pp. 173–180, 2017, doi:
LAMPIRAN
Penerapan Selfishness
