Estimasi jumlah node di jaringan oportunistik menggunakan Algoritma Taxi Problem (kasus : jumlah node dinamis)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK MENGGUNAKAN ALGORITMA TAXI PROBLEM (KASUS : JUMLAH NODE DINAMIS). SKRIPSI. Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika. Disusun Oleh :. KALORINDA. 155314083 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2019.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ESTIMATION NUMBER OF NODES WITH TAXI PROBLEM ALGORITHM IN OPPORTUNISTIC NETWORK (CASE : TOTAL DYNAMIC NODES). A THESIS Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer Degree in Informatics Engineering Department. By :. KALORINDA. 155314083. INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2019. ii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. HALAMAN PERSETUJUAN SKRIPSI. ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK MENGGUNAKAN ALGORITMA TAXI PROBLEM (KASUS : JUMLAH NODE DINAMIS). Oleh : Kalorinda (155314083). Telah Disetujui Oleh :. Dosen Pembimbing,. Bambang Soelistijanto, Ph.D.. Tanggal,........................2019. iii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. HALAMAN PENGESAHAN SKRIPSI. ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK MENGGUNAKAN ALGORITMA TAXI PROBLEM (KASUS : JUMLAH NODE DINAMIS). Dipersiapkan dan ditulis oleh : Kalorinda (155314083). Telah dipertahankan di depan panitian penguji Pada tanggal 17 Juli 2019 Dan dinyatakan memenuhi syarat. Susunan Panitia Penguji. Nama Lengkap. Tanda Tangan. Ketua. : Vittalis Ayu, S.T., M.Cs.. ……………….. Sekretaris. : Henricus Agung Hernawan, S.T., M.Kom.. ……………….. Anggota. : Bambang Soelistijanto, Ph.D.. ……………….. Yogyakarta ,........ Juli 2019 Fakultas Sains dan Teknologi Universitas Sanata Dharma Dekan,. Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. iv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. MOTTO. “ Bertahanlah, bertahan saja maka kamu akan. melihat ujungnya “ - Kalorinda. v.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. PERNYATAAN LEMBAR KEASLIAN KARYA. Saya menyatakan dengan sesungguhnya bahwa di dalam skripsi yang 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. Kalorinda. vi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS. Yang bertada tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma: Nama : Kalorinda Nim. : 155314083. Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul: ESTIMASI JUMLAH NODE DI JARINGAN OPORTUNISTIK MENGGUNAKAN ALGORITMA TAXI PROBLEM (KASUS : JUMLAH NODE DINAMIS). Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelohnya dalam bentuk angkalan 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. Kalorinda. vii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRAK Global Knowledge pada jaringan oportunistik merupakan hal penting untuk dimiliki setiap node. Pada jaringan oportunistik setiap node bergerak dengan bebas sehingga delay pengiriman pesan menjadi tinggi. Strategi routing dengan flooding pada protokol routing epidemic dapat memberikan delay yang rendah, akan tetapi membuat overhead dijaringan tinggi. Untuk mengatasi masalah flooding maka dibuatlah protokol routing spray and wait. Spray and wait bekerja dengan membatasi jumlah L copy secara manual. Namun hal ini, kurang efektif dan efisien karena semua node tidak memiliki global knowledge dari jaringan. Jumlah node (global knowledge) yang ada dijaringan sangat penting untuk dimiliki semua node, hal ini dapat membantu setiap node untuk membuat L copy yang optimal dengan menggunakan hasil estimasi dari jumlah node yang ada dijaringan. Tantangannya adalah bagaimana mengetahui jumlah node yang ada dijaringan dengan menggunakan informasi yang dimiliki setiap node. Oleh sebab itu, kami mengusulkan algoritma yang dapat melakukan estimasi jumlah node dijaringan. Taxi Problem adalah salah satu algoritma yang dapat digunakan untuk melakukan estimasi jumlah node. Algoritma ini memiliki strategi bertukar informasi sehingga setiap node dapat memperoleh informasi yang sama tentang jumlah node di jaringan. Pada penelitian ini, kami menganalisis dan mengevaluasi algoritma taxi problem menggunakan metrik unjuk kerja average convergence time dan untuk protokol routing spray and wait menggunakan metrik unjuk kerja delivery probability, overhead ratio, dan average latency. Dari penelitian hasil estimasi algoritma taxi problem dapat diterapkan pada protokol routing spray and wait dan dapat memberikan unjuk kerja yang cukup optimal.. Kata Kunci : Algoritma Taxi Problem. viii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRACT Global Knowledge of opportunistic networks is important to have each node. On the opportunistic network, each node moves freely so the delay in sending the message to high. Routing strategies with flooding in the epidemic routing protocol can provide a low delay, but make the overhead in high networks. To solve the problem flooding then make the routing protocol spray and wait. Spray and wait for work by limiting the number of L copies manually. This, however, is less effective and efficient because all nodes do not have global knowledge of the network. The number of nodes (global knowledge) on the network is very important to have all nodes, it can help each node to create an optimal L copy by using the estimated result of the number of existing nodes networked. The challenge is how to know the number of existing nodes in the network using the information owned by each node. Therefore, we propose algorithms that can estimate the number of nodes in the network. Taxi Problem is one algorithm that can be used to estimate the number of nodes. This algorithm has an information exchanging strategy so that each node can obtain the same information about the number of nodes in the network. In this study, we analyzed and evaluated the taxi problem algorithms using the average convergence time performance metric, while for the spray and wait for routing protocol using the delivery metric probability, overhead ratio, and average latency. From the research result of the taxi algorithm problem can be applied to the routing protocol spray and wait and can provide optimal performance.. Keywords : Taxi Problem Algorithm. ix.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. KATA PENGANTAR Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, oleh karena rahmatnya yang melimpah penulis dapat menyelesaikan tugas akhir dengan tepat waktu. Saya selaku penulis menyadari tugas akhir dapat terselesaikan dengan bantuan dan bimbingan dari berbagai pihak secara langsung maupun tidak langsung. Maka pada kesempatan ini, selaku penulis mengucapkan terimakasih sebesar-besarnya kepada: 1. Tuhan Yesus Kristus, karena atas anugerah dan kemurahan-NYA penulis dapat menyelesaikan tugas akhir. 2. Keluarga tercinta, Bapak Johai dan Ibu Nerai serta saudara-saudara saya terkhusus kakak saya Rudok yang selalu mendukung saya selama perkuliahan. 3. Kepada orang tua angkat saya Bapak Alius Ngeban dan Ibu Rusina dan kk Amie yang selalu mendukung saya selama perkuliahan. 4. Bapak Bambang Soelistijanto, S.T., M.Sc., Ph.D. selaku dosen pembimbing tugas akhir yang telah membimbing, memberi ilmu, serta pengelaman dalam menyelesaikan tugas akhir. 5. Seluruh teman-teman konsentrasi Jaringan Komputer angkatan 2015 yang selalu mengingatkan dan membantu saya dalam mengerjakan tugas akhir . 6. Seluruh teman-teman Teknik Informatika angkatan 2015 yang selalu memberikan semangat dan dorongan untuk menyelesaikan tugas akhir. 7. Kepada Family Squad yaitu Trinanda Monica Silalahi, Yein Viwandi, Clinton Lumban Gaol, Bondan, Natanael Simamora, dan Arnold Audri yang sudah memberi saya semangat untuk terus menyelesaikan tugas akhir serta menjadi saudara saya selama di Yogyakarta dan hidup ini. 8. Kepada Preman Squad yaitu Kintan Mayang Sari, Alberto Siregar, dan Trinanda Monica Silalahi yang sudah banyak membantu dan mengingatkan saya untuk terus semangat dalam menyelesaikan tugas akhir dan sudah menjadi saudara dalam suka dan duka. 9. Serta Seluruh pihak lain yang sudah memberikan dukungan baik secara langsung maupun tidak langsung. x.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Saya selaku penulis menyadari bahwa tulisan ini belumlah sempurna, maka kritik dan saran sangat kami harapkan demi menyempurnakan tulisan ini. Akhir kata penulis ucapkan terimakasih semoga tulisan ini bermanfaat bagi semua pihak.. Penulis. Kalorinda. xi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR ISI HALAMAN JUDUL ............................................................................................ i HALAMAN PERSETUJUAN SKRIPSI ............................................................. iii HALAMAN PENGESAHAN SKRIPSI .............................................................. 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 .......................................................................................... xvii 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 Metodologi Penelitian ................................................................................. 3 1.7 Sistematika Penulisan ................................................................................. 3 BAB II LANDASAN TEORI 2.1 Jaringan Oportunistik ................................................................................. 5 2.2 Estimasi Global Knowledge ....................................................................... 6 2.3 Protokol Routing Spray and Wait ............................................................... 7 2.4 Algoritma Taxi Problem ............................................................................. 8 BAB III PERANCANGAN SIMULASI ............................................................ 13 3.1 Parameter Simulasi ................................................................................... 13. xii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3.2 Skenario Simulasi ..................................................................................... 13 3.3 Metrik Unjuk Kerja .................................................................................. 14 3.4 Desain Alat Uji ......................................................................................... 16 3.5 The One Simulator .................................................................................... 16 BAB IV PENGUJIAN DAN ANALISIS ........................................................... 18 4.1 Haggle 3 Infocom 5 ................................................................................... 19 4.1.1 Hasi Simulasi Metrik Unjuk Kerja Average Convergence Time Pada Dataset Haggle 3 Infocom 5.................................................................... 19 4.1.2 Hasi Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead Ratio, dan Latency Average Pada Dataset Haggle 3 Infocom 5 ............... 24 4.2 Reality MIT .............................................................................................. 26 4.2.1 Hasi Simulasi Metrik Unjuk Kerja Average Convergence Time Pada Dataset Reality MIT................................................................................ 26 4.2.2 Hasi Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead Ratio, dan Latency Average Pada Dataset Haggle 3 Infocom 5 ............... 31 BAB V KESIMPULAN DAN SARAN.............................................................. 34 5.1 Kesimpulan .............................................................................................. 34 5.2 Saran ........................................................................................................ 35 DAFTAR PUSTAKA ........................................................................................ 36 LAMPIRAN ...................................................................................................... 37. xiii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR TABEL Tabel 3.1.1 Parameter Utama Simulasi ............................................................... 13 Tabel 3.2.1 Skenario Haggle 3-Infocom 5 dan Reality MIT untuk semua node hidup ................................................................................................................. 13 Tabel 3.2.2 Skenario Haggle 3-Infocom 5 untuk jumlah node berubah dinamis sebelum waktu convergence ............................................................................... 13 Tabel 3.2.3 Skenario Haggle 3-Infocom 5 jumlah node berubah dinamis sesudah waktu convergence ............................................................................................ 14 Tabel 3.2.4 Skenario Haggle 3-Infocom 5 node mati kemudian hidup kembali sebelum convergence ......................................................................................... 14 Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sebelum waktu convergence ....................................................................................................... 14 Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sesudah waktu convergence ....................................................................................................... 14 Tabel 3.2.6 Skenario Reality MIT node mati kemudian hidup kembali sebelum waktu convergence ............................................................................................ 14. xiv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR GAMBAR Gambar 2.1.1 Mekanisme Store-Carry-Forward pada jaringan OppNet ............... 5 Gambar 2.3.1 Strategi Protokol Routing Spray and Wait ...................................... 8 Gambar 2.4.1 Ilustrasi Taxi Problem (Seorang Pengamat).................................... 9 Gambar 2.4.2 Ilustrasi Taxi Problem Pasif ......................................................... 11 Gambar 2.4.3 .................................................................................................... 11 Gambar 2.4.4 .................................................................................................... 12 Gambar 2.4.5 .................................................................................................... 12 Gambar 2.4.6 .................................................................................................... 12 Gambar 4.1.1.1 Grafik average convergence time untuk dataset Haggle 3 Infocom 5 (Skenario semua node hidup) .......................................................................... 19 Gambar 4.1.1.2 Grafik average convergence time dataset Haggle 3 Infocom 5 beberapa node mati sebelum waktu convergence................................................ 20 Gambar 4.1.1.3 Grafik average convergence time beberapa node mati sebelum waktu convergence dataset Haggle 3 Infocom menggunakan interval................. 20 Gambar 4.1.1.4 Grafik average convergence time dataset Haggle 3 Infocom 5 beberapa node mati sesudah waktu convergence ................................................ 21 Gambar 4.1.1.5 Grafik average convergence time beberapa node mati sesudah waktu convergence dataset Haggle 3 Infocom 5 menggunakan interval .............. 21 Gambar 4.1.1.6 Grafik average convergence time dataset Haggle 3 Infocom 5 beberapa node mati kemudian hidup sebelum waktu convergence) .................... 22 Gambar 4.1.1.7 Grafik average convergence time beberapa node mati kemudian hidup sebelum waktu convergence dataset Haggle 3 Infocom 5 menggunakan interval .............................................................................................................. 23 Gambar 4.1.2.1 Grafik delivery probability dataset Haggle 3 Infocom 5............. 24 Gambar 4.1.2.2 Grafik overhead ratio dataset Haggle 3 Infocom 5 .................... 25 Gambar 4.1.2.3 Grafik latency average dataset Haggle 3 Infocom 5................... 25 Gambar 4.2.1.1 Grafik convergence time untuk dataset Reality MIT................... 26 Gambar 4.2.1.2 Grafik convergence time dataset Reality MIT beberapa node mati sebelum waktu convergence ............................................................................... 27. xv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 4.2.1.3 Grafik average convergence time beberapa node mati sebelum waktu convergence dataset Reality MIT menggunakan interval .......................... 27 Gambar 4.2.1.4 Grafik average convergence time dataset Reality MIT beberapa node mati sesudah waktu convergence ............................................................... 28 Gambar 4.2.1.5 Grafik average convergence time beberapa node mati sesudah waktu convergence dataset Reality MIT menggunakan interval .......................... 28 Gambar 4.2.1.6 Grafik average convergence time dataset Reality MIT beberapa node mati kemudian hidup sebelum waktu convergence..................................... 29 Gambar 4.2.1.7 Grafik average convergence time beberapa node mati kemudian hidup sebelum waktu convergence dataset Reality MIT menggunakan interval... 30 Gambar 4.2.2.1 Grafik delivery probability dataset Reality MIT ......................... 31 Gambar 4.2.2.2 Grafik overhead ratio dataset Reality MIT ................................ 31 Gambar 4.2.2.3 Grafik latency average dataset Reality MIT ............................... 32. xvi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR RUMUS Rumus 2.3.1 ...................................................................................................... 10 Rumus 3.3.1 ...................................................................................................... 15 Rumus 3.3.2 ...................................................................................................... 15 Rumus 3.3.3 ...................................................................................................... 15. xvii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB I PENDAHULUAN. 1.1.. Latar Belakang Delay Tolerant Network (DTN) atau lebih dikenal dengan jaringan Oportunistik adalah kelas turunan dari MANET. Pada jaringan oportunistik setiap node dapat melakukan pencarian jalur dari node source ke destiantion tanpa adanya end-to-end path atau topologi yang terbentuk, serta dapat mentolerir adanya delay selama pengiriman pesan karena node yang terus menerus bergerak. Protokol routing epidemic adalah salah satu protokol routing ada di jaringan oportunistik yang menggunakan strategi flooding, strategi routing ini dapat mengurangi delay pengiriman pesan namun meningkatkan overhead dijaringan. Protokol routing spray and wait adalah salah satu protokol routing yang dibuat untuk mengatasi masalah flooding pada epidemic. Pada spray and wait jumlah L copy dibuat secara manual. Namun untuk menentukan L copy yang optimal merupakan hal yang sulit karena setiap node tidak memiliki pengetahuan tentang global knowledge khususnya jumlah node dijaringan. Selain L copy, jumlah node pada jaringan dapat berubah dinamis juga merupakan tantangan karena setiap node memiliki power (baterai) yang terbatas. Oleh sebab itu, untuk mengetahui global knowledge khususnya jumlah node yang ada dijaringan dibutuhkan algoritma yang dapat melakukan estimasi jumlah node. Algoritma taxi problem awalnya digunakan untuk memperkirakan jumlah taxi yang ada dikota New York dengan mengamati nomor pada taxi. Gagasan yang sama diterapkan di jaringan oportunistik algoritma ini digunakan untuk melakukan estimasi global knowledge khususnya jumlah node yang ada dijaringan . Pada penelitian ini, akan digunakan algoritma untuk melakukan estimasi jumlah node dinamis dijaringan. Dari hasil pengujian akan diambil kesimpulan untuk menggunakan metode yang dapat memperkirakan jumlah. 1.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. node dijaringan, sehingga setiap node dapat memperoleh L copy yang optimal dengan informasi jumlah node yang dimiliki . 1.2.. Rumusan Masalah Berdasarkan latar belakang, rumusan masalah yang ditemukan adalah untuk mengetahui seberapa efektif algoritma taxi problem dalam memperkirakan jumlah node dinamis.. 1.3.. Tujuan Penelitian Tujuan penelitian ini adalah mengetahui unjuk kerja algoritma taxi problem ketika diterapkan dengan protokol routing spray and wait dengan menggunakan metrik unjuk kerja average convergence time, delivered probability, Overhead ratio, dan latency average.. 1.4.. Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat digunakan sebagai bahan pertimbangan dalam mengembakan protokol routing untuk memperkirakan global knowledge khususnya jumlah node dinamis yang ada dijaringan yang dapat membantu node untuk memperoleh L copy yang optimal berdasarkan pengetahuan yang dimiliki.. 1.5.. Batasan Masalah Batasan masalah pada penelitian ini adalah sebagai berikut : 1. Protokol routing spray and wait digunakan sebagai landasan untuk penelitian 2. Algoritma taxi problem di terapkan pada protokol routing spray and wait dengan kondisi jumlah node yang berubah dinamis 3. Metrik unjuk kerja yang digunakan menilai unjuk kerja protokol routing spray and wait adalah delivery probability, overhead ratio, latency average. 4. Metrik unjuk kerja yang digunakan untuk menilai unjuk kerja algoritma taxi problem adalah average convergence time. 5. Menggunakan The One Simulator.. 2.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 1.6.. Metodologi Penelitian Metode yang dilakukan didalam penelitian ini meliputi : 1. Studi Literatur Mencari dan mengumpulkan referensi dan menerapkan teori untuk mendukung tugas akhir antara lain : Teori jaringan oportunistik, teori algoritma taxi problem, teori protokol routing spray and wait 2. Pengumpulan Bahan Penelitian Dataset yang akan digunakan untuk melakukan penelitian telah tersedia di internet pada alamat http://www.shigs.co.uk/index.php?page=traces. 3. Pembuatan Alat Uji Perancangan sistem dilakukan dengan menerapkan algoritma taxi problem pada protocol routing spray and wait sehingga unjuk kerja dapat teridentifikasi dari hasil yang ditunjukan. 4. Analisis Data Simulasi Mengolah data dari hasil simulasi, untuk diproses kemudian dianalisis sesuai dengan parameter unjuk kerja. 5. Penarikan Kesimpulan Penarikan kesimpulan terhadap hasil yang telah dianalisis dengan acuan parameter unjuk kerja yang telah ditentukan.. 1.7.. Sistematika Penulisan BAB 1. PENDAHULUAN Bab ini berisi tentang latar belakang masalah, Rumusan masalah, Tujuan penelitian, Batasan masalah, Metodologi penelitian, dan Sistematika penulisan.. BAB II. LANDASAN TEORI Bab ini berisi penjelasan teori yang dibutuhkan sebagai acuan dalam proses melakukan penelitian tugas akhir.. BAB III. PERANCANGAN SIMULASI Bab ini berisi tentang perencanaan skenario simulasi yang akan dikerjakan dalam tugas akhir ini.. 3.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB IV. PENGUJIAN DAN ANALISIS Bab ini berisi pelaksanaan simulasi dan analisis data hasil simulasi.. BAB V. KESIMPULAN DAN SARAN Bab ini berisi tentang kesimpulan yang didapat dari hasil analisis.. 4.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB II LANDASAN TEORI. 2.1.. Jaringan Oportunistik Delay Tolerant Network atau lebih dikenal dengan Jaringan Oportunistik atau OppNet merupakan turunan khusus dari MANET dan dibuat untuk mengatasi kekurangan dari MANET. Pada Mobile Ad-Hoc Network (MANET) node dapat bergerak dengan bebas. Untuk dapat berkomunikasi harus terdapat jalur dari node source ke destination. Namun pada MANET sering mengalami kegagalan pengiriman pesan karena node yang bergerak terus menerus menyebabkan topologi berubah. Pada jaringan oportunistik memiliki beberapa keunggulan tidak membutuhkan infrastruktur dan juga dimungkinkan adanya komunikasi tanpa adanya jalur end-to-end path. Komunikasi ini juga dapat mentolerir adanya delay selama pengiriman pesan karena node yang terus menerus bergerak. Tantangan dari oportunistik adalah bagaimana menemukan jalur agar node source bisa mengirim pesan sampai ke destination dengan delay yang cepat dan dapat memberikan unjuk kerja yang optimal. Dijaringan oportunistik terdapat metode komunikasi store-carry-forward. Sebuah node dijaringan oportunistik akan menyimpan informasi, kemudian membawa sampai bertemu dengan node lainnya, selanjutnya meneruskan informasi sehingga informasi bisa sampai ke destination .. Gambar 2.1.1 Mekanisme Store-Carry-Forward pada jaringan OppNet. 5.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 2.2.. Estimasi Global Knowledge Pada jaringan oportunistik salah satu cara untuk memperoleh unjuk kerja jaringan yang optimal adalah protokol routing harus mengetahui global knowledge dari jaringan. Dengan global knowledge protokol routing dapat bekerja dengan lebih efisien dalam memilih jalur untuk mengirimkan pesan sehingga dapat mengurangi beban pada jaringan dan memungkinkan setiap node dijaringan untuk dapat lebih cepat beradaptasi dengan topologi jaringan serta dapat menemukan jalur yang lebih cepat untuk mengirim pesan. Global knowledge dapat berupa jumlah node yang berpartisipasi dalam jaringan, sisa buffer, jumlah replika pesan. Namun untuk mengetahui global knowledge di jaringan sangat sulit karena karakteristik di jaringan oportunistik yang sangat dinamis. Beberapa usaha telah dilakukan untuk meningkatkan unjuk kerja pada jaringan, salah satunya dengan menggunakan replika pesan untuk mengirimkan paket ke destination dan semakin besar replika pesan semakin besar pula kesempatan pesan berhasil dikirim ke destination. Akan tetapi, usaha ini memakan banyak resources, karena setiap node mempunyai resources seperti buffer dan power(baterai) yang terbatas. Jumlah node merupakan salah satu global knowledge yang penting untuk diketahui setiap node. Dengan global knowledge tentang jumlah node yang ada dijaringan dapat meningkatkan unjuk kerja jaringan dan resources dapat dimanfaatkan secara optimal. Terdapat beberapa algoritma yang dapat digunakan untuk memperkirakan jumlah node yang ada dijaringan anatara lain yaitu Gossip Based Aggregation yang digunakan untuk melakukan counting jumlah node dan Mark and Recapture yang digunakan untuk melakukan estimasi jumlah node yang berpartisipasi dalam jaringan. Masing-masing algoritma menggunakan local knowledge atau informasi yang diperoleh setiap node secara langsung untuk memperkirakan global knowlegde dari jaringan. Oleh sebab itu, untuk melakukan estimasi jumlah node yang ada dijaringan digunakan algoritma taxi problem. Hasil dari estimasi akan diterapkan di protokol routing spray and wait.. 6.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 2.3.. Protokol Routing Spray and Wait Spray and Wait adalah protokol routing yang awalnya dibuat untuk mengatasi masalah flooding pada protokol routing epidemic. Spray and wait bekerja dengan mengontrol jumlah pesan dan mengurangi cost pada epidemic. Ketika akan mentransmisikan pesan, spray and wait selalu mengikuti dua fase pada routing itu sendiri (Binnary Spray). Pada binary spray and wait, baik node source maupun relay node membawa copy pesan n (n>1) dan kemudian bertemu dengan node relay lain yang tidak memiliki copy pesan. Node yang memiliki copy pesan akan mengcopy n/2 ke node relay. Selanjutnya ketika node hanya memiliki satu copy pesan maka node akan masuk ke fase wait dengan menunggu sampai bertemu dengan node destination dan mentransmisikan pesan secara langsung. Berikut adalah fase yang terdapat pada protokol routing spray and wait yaitu : 2.3.1. Fase Spray Fase spray adalah fase pertama yang akan dijalankan, dimana setiap node menggenarate L copy untuk disebarkan ke relay node. Fase spray membatasi pesan yang dicopy untuk meminimalkan resources pada jaringan. Pada fase ini proses multi-cast dilakukan untuk mengirimkan beberapa copy pesan dari source ke relay node. Jika node destination tidak ditemukan dalam fase spray maka selanjutnya akan masuk ke fase wait. 2.3.2. Fase Wait Pada fase wait setiap relay node diperbolehkan untuk mentransmisikan pesan secara langsung ke node destination. Pada fase ini sebuah node akan meneruskan pesan ke relay node yang lain sampai tersisa satu pesan, node yang hanya memegang satu copy pesan akan masuk ke fase wait. Pada fase wait, relay node akan menunggu sampai betemu dengan node destination untuk meneruskan pesan.. 7.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 2.3.1 Strategi Protokol Routing Spray and Wait Pada protokol routing spray and wait L copy dibuat secara manual, tantangannya adalah bagaimana menentukan L copy yang optimal untuk disebarkan dijaringan merupakan hal yang sulit dilakukan mengingat setiap node hanya mempunyai local knowledge tanpa pernah tahu global knowledge dari jaringan, L copy yang terlalu sedikit atau terlalu banyak sangat mempengaruhi unjuk kerja dijaringan. Oleh sebab itu, untuk mengatasi masalah pada protokol routing spray and wait maka pada penelitian ini diterapkan algoritma taxi problem untuk mendapatkan L copy yang optimal untuk disebarkan dengan menggunakan ½ dari jumlah node yang ada dijaringan dari hasil estimasi yang sudah diperoleh dengan menggunakan local knowledge yang dimiliki setiap node. 2.4.. Algoritma Taxi Problem Salah satu faktor penting yang membantu dalam merancang routing algoritma yang efisien adalah dengan mengetahui global knowledge salah satunya adalah jumlah node yang berpastisipasi dalam jaringan. Tidak seperti pada jaringan wired, pada jaringan wireless node bergerak secara dynamic tanpa tahu jalur untuk menuju ke destination. Selain itu node tidak dapat mengetahui jumlah node yang berpartisipasi dalam jaringan dengan benar. Taxi problem adalah suatu pendekatan matematika statistik untuk melakukan estimasi terhadap suatu populasi yang diamati berdasarkan informasi sample, algoritma ini sendiri pada awalnya digunakan untuk. 8.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. memperkirakan jumlah taxi yang ada dikota New York. Taxi problem mengasumsikan ada seorang pengamat yang mengamati setiap taxi yang lewat yang diamati oleh pengamat adalah nomor taxi, dengan syarat nomor pada. taxi. haruslah. urut. (1,2,3,...,N). sehingga. pengamat. dapat. memperkirakan jumlah taxi dari beberapa taxi yang sudah diamati. Berikut adalah gambar ilustrasi taxi problem untuk melakukan estimasi total taxi.. Gambar 2.4.1 Ilustrasi Taxi Problem (Seorang Pengamat) Gagasan yang sama diterapkan dijaringan oportunistik. Setiap node yang berpartisipasi dalam jaringan mempunyai unique id. Ketika node bertemu dengan node lainnya maka keduanya mencatat unique id, fungsi unique id sebagai identitas dari node dengan syarat unique id harus urut (1,2,3,...,N ). Selanjutnya unique id akan disimpan sebagai local knowledge yang digunakan untuk melakukan estimasi total node yang ada dijaringan. Pada awalnya rumus estimasi untuk algoritma taxi problem mengacu pada teorema Rao-Blackwell The Uniformly Minimum Variance Unbiased Estimators (UMVUE) ,Suatu estimator T(x) dikatakan sebagai estimator tak bias untuk 𝜃, jika E[T(x)] = 𝜃 Jika T1 and T2 keduanya adalah estimator tak bias untuk 𝜃, jelas yang mempunyai variansi lebih kecil akan lebih baik sebagai estimator. Sekarang, jika {T(x)} mewakili himpunan semua estimator yang tidak bias untuk 𝜃. Seharusnya T0 ∈ {T(x)}, dan jika. 9.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. E{(T0(x) – 𝜃)2 } ≤ E{(T(x) - 𝜃)2 } Untuk semua T(x) di dalam {T(x)}, maka T0(x) dikatakan sebagai UMVUE untuk 𝜃. Meskipun T(x1, x2,...,xn) = max (x1,x2,...,xn) cukup untuk N tapi ini bukan sebuah UMVUE. Namun UMVUE untuk jumlah N yang ada di jaringan dapat ditulis dengan rumus sebagai berikut: Rumus 2.3.1 ̂𝑛 = 𝑁. [max(𝑥1, 𝑥2, … , 𝑥𝑛)]𝑛+1 − [max(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛) − 1]𝑛+1 [max(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛)]𝑛 − [max(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛) − 1]𝑛. ̂𝑛 = Rata-rata total node dari sample. 𝑁 x. = Maximum id dari total node. n. = Total node yang sudah ditemui. Contoh : Node i bertemu dengan node 2, 13, 3, 7, 35. Setelah sampai diwaktu t. Node i melakukan estimasi dengan rumus 2.3.1 ̂5 = 𝑁. 355+1 − (35 − 1)5+1 = 41 355 − (35 − 1)5. Hasil estimasi untuk node i dengan untuk 5 sample node yang sudah ditemui adalah 41 yang merupakan hasil estimasi terbaik dari jumlah node yang ada dijaringan. Kelebihan dari taxi problem adalah ide yang sederhana, karena setiap kali node bertemu hanya mencatat unique id kemudian dapat melakukan estimasi dengan menggunakan rumus 2.3.1. Kekurangan dari algoritma ini adalah masih bersifat pasif, karena belum ada data yang dikirimkan atau dipertukarkan.. Gambar 2.4.2 Ilustrasi Taxi Problem Pasif. 10.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Pada taxi problem yang bersifat pasif node hanya dapat melakukan estimasi dengan menggunakan local knowledge yang dimiliki. Sehingga estimasi yang diperoleh tentang jumlah node antara node satu dengan node lainnya berbeda dan membuat waktu convergence menjadi lebih lama. Untuk mengatasi kekurangan pada algoritma taxi problem pasif, maka setiap kali node bertemu, keduanya tidak hanya mencatat unique id tetapi juga melakukan pertukaran tentang informasi daftar tetangga yang sudah ditemui, sehingga diharapkan setiap node akan mempunyai informasi yang sama tentang jumlah node yang berpartisipasi dalam jaringan dan waktu convergence menjadi lebih cepat. Berikut adalah algoritma taxi problem aktif dengan bertukar informasi yang mempresentasikan komunikasi antara node A dan B. Algoritma taxi problem dapat dibagi 3 fase yaitu : 1. Connection Up : fase saat kedua node menyadari ada node baru dalam radio rangenya. Pada fase ini kedua node tidak melakukan apapun. ConnectionUp. Gambar 2.4.3 2. Setelah koneksi terbangun: pada fase ini kedua akan mencatat unique id node yang ditemui, lalu melakukan pertukaran informasi daftar tetangga yang sudah mereka peroleh. Setelah terbangun koneksi baru, akan dilakukan:. Gambar 2.4.4 11.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 2.4.5 3. Setelah waktu koneksi habis kedua node akan melakukan perhitungan estimasi dengan Rumus 2.3.1 ConnectionDown. Gambar 2.4.6. 12.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB III PERANCANGAN SIMULASI. 3.1.. Parameter Simulasi Pada penelitian ini digunakan beberapa parameter simulasi yang digunakan dengan dataset Haggle 3 Infocom 5 dan Reality MIT. Parameterparameter berikut adalah :. Parameter. Haggle 3 Infocom 5. Reality MIT. Luas Area. 150, 150. 500, 500. Waktu Simulasi. 274883. 16981816. Buffer Size. 10 MB. 20 MB. TTL. 1440 menit. 30240 menit. Interval Pembuatan Pesan. 290, 310. 290, 310. Tabel 3.1.1 Parameter Utama Simulasi 3.2.. Skenario Simulasi Dalam penelitian ini, ada beberapa skenario simulasi pergerakan real atau pergerakan manusia yang digunakan. Pergerakan manusia ini menggunakan dataset Haggle 3 Infocom 5 dan Reality MIT. Berikut adalah beberapa skenario simulasi yang digunakan, antara lain adalah :. Movement Model. Interval Hidup. Jumlah Node Hidup. Haggle 3 Infocom 5. 0, 274883. 41. Reality MIT. 0, 16981816. 97. Tabel 3.2.1 Skenario Haggle 3 Infocom 5 dan Reality MIT untuk semua node hidup Movement Model. Interval Hidup. Jumlah Node Hidup. Haggle 3 Infocom 5. 0, 44100 (active). 41. 44101, 274883 (inactive). 30. Tabel 3.2.2 Skenario Haggle 3 Infocom 5 untuk jumlah node berubah dinamis sebelum waktu convergence. 13.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Movement Model. Interval Hidup. Jumlah Node Hidup. Haggle 3 Infocom 5. 0, 91800 (active). 41. 91801, 274883 (inactive). 30. Tabel 3.2.3 Skenario Haggle 3 Infocom 5 jumlah node berubah dinamis sesudah waktu convergence Movement Model. Interval Hidup. Jumlah Node Hidup. Haggle 3 Infocom 5. 0, 32400 (active). 41. 63000, 274883 (active) 32401, 62999 (inactive). 30. Tabel 3.2.4 Skenario Haggle 3 Infocom 5 node mati kemudian hidup kembali sebelum waktu convergence Movement Model. Interval Hidup. Jumlah Node Hidup. Reality MIT. 0, 4001400 (active). 97. 4001401, 16981816 (inactive). 65. Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sebelum waktu convergence Movement Model. Interval Hidup. Jumlah Node Hidup. Reality MIT. 0, 7950600 (active). 97. 7950601, 16981816 (inactive). 65. Tabel 3.2.5 Skenario Reality MIT jumlah node berubah dinamis sesudah waktu convergence Movement Model. Interval Hidup. Jumlah Node Hidup. Reality MIT. 0, 2419200 (active). 97. 5500800, 16981816 (active) 2419201, 5500799(inactive). 65. Tabel 3.2.6 Skenario Reality MIT node mati kemudian hidup kembali sebelum waktu convergence 3.3.. Metrik Unjuk Kerja Untuk mengetahui dan mengevaluasi suatu protokol routing, maka dibutuhkan beberapa metrik unjuk kerja, khususnya untuk protokol routing spray and wait dengan algoritma taxi problem baik pada node yang. 14.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. jumlahnya statis atau dinamis. Berikut adalah beberapa metrik unjuk kerja yang digunakan : Average Convergency Time Average. Convergency. Time. adalah. rata-rata. semua. node. mendapatkan informasi yang sama tentang jumlah node yang ada dijaringan. Delivered Probability Delivered Probability adalah metrik unjuk kerja yang digunakan untuk mengetahui probabilitas pesan berhasil dikirimkan ke tujuan. Rasio antara jumlah pesan yang terkirim ke node tujuan dengan jumlah pesan yang dibuat.. Rumus 3.3.1 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑇𝑜𝑡𝑎𝑙 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑒 𝑀𝑒𝑠𝑠𝑎𝑔𝑒. Overhead Ratio Overhead ratio merupakan metrik unjuk kerja yang digunakan untuk mengetahui perbandingan antara total copy dalam jaringan dengan jumlah pesan yang sampai ke node destination. Semakin tinggi nilai overhead ratio maka unjuk kerja protokol routing dapat dianggap buruk.. Rumus 3.3.2 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠 𝑟𝑒𝑙𝑎𝑦𝑒𝑑 − 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑑𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑑𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑚𝑒𝑠𝑠𝑎𝑔𝑒𝑠. Latency Average Latency average adalah metrik unjuk kerja yang digunakan untuk mengetahui jumlah rata-rata waktu yang dibutuhkan sebuah pesan untuk sampai ke destination. Rumus 2.3.3 𝑆𝑢𝑚 𝑜𝑓 𝐿𝑎𝑡𝑒𝑛𝑐𝑦 𝑜𝑓 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒 𝑇𝑜𝑡𝑎𝑙 𝐷𝑒𝑙𝑖𝑣𝑒𝑟𝑒𝑑 𝑀𝑒𝑠𝑠𝑎𝑔𝑒. 15.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3.4.. Desain Alat Uji Alat uji yang digunakan adalah algoritma taxi problem di The One Simulator dengan menggunakan bahasa pemrograman Java. i.. Perhitungan Jumlah node (Bertukar Informasi) Pseudo-Code Taxi Problem aktif Ni bertemu dengan Nj IF Koneksi Terhubung Ni memasukan unique id Nj kepenyimpanan lokal Nj memasukan unique id Ni kepenyimpanan lokal Ni memasukan daftar tetangga yang dimiliki Nj kepenyimpanan lokal Nj memasukan daftar tetangga yang dimiliki Ni kepenyimpanan lokal End If IF Koneksi terputus Ni menghitung estimasi Nj menghitung estimasi End IF. ii.. Perhitungan Jumlah Node (Interval node dianggap hidup) Pseudo-Code Taxi Problem With Interval Ni bertemu dengan Nj IF Koneksi Terhubung IF Ni sudah pernah bertemu Nj Update unique id dan waktu bertemu dengan informasi yang baru Else Mencatat unique id dan waktu bertemu saat ini For each unique id dalam penyimpanan lokal Nj IF unique id belum ada dipenyimpanan lokal Ni Masukan unique id dan waktu bertemu ke penyimpanan lokal Ni Else IF waktu bertemu Ni < waktu bertemu Nj 16.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Update waktu bertemu dengan waktu yang baru End For For each unique id dalam penyimpanan lokal Ni IF unique id belum ada dipenyimpanan lokal Nj Masukan unique id dan waktu bertemu ke penyimpanan lokal Nj Else IF waktu bertemu Nj < waktu bertemu Ni Update waktu bertemu dengan waktu yang baru End For End IF IF Koneksi terputus For each unique id dalam penyimpan lokal Ni IF waktu saat ini – waktu bertemu > interval Masukan unique id ke Tombstone Ni Else Remove unique id dari Tombstone Ni End For For each unique id dalam penyimpanan lokal Nj IF waktu saat ini – waktu bertemu > interval Masukan unique id ke Tombstone Nj Else Remove unique id dari Tombstone Nj End For Ni menghitung estimasi Nj menghitung estimasi Hasil estimasi Ni – Jumlah isi Tombstone Ni Hasil estimasi Nj – Jumlah isi Tombstone Nj End IF. 3.5.. The One Simulator The One simulator (The Opportunistic Network. Environment. Simulator) adalah simulator untuk melakukan simulasi pada jaringan Opportunistik. Pada The One Simulator dimungkinkan untuk mengatur 17.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. beberapa keadaan yang sesuai dengan simulasi yang dibutuhkan, antara lain luas area, pergerakan node, kecepatan pergerakan node, interval pembuatan pesan, protokol routing yang digunakan di oportunistik. Pada The One Simulator juga tersedia tampilan grafis yang dapat digunakan untuk visualisasi pergerakan dan persebaran pesan secara real time, tidak hanya itu pada The One Simulator juga tersedia fitur untuk pelaporan pesan dan data statistik setelah simulasi selesai dijalankan. Untuk pergerakan pada The One Simulator juga dapat diambil dari kejadian sehari-hari. Simulator ini dapat digunakan di beberapa platform pemrograman salah satunya bahasa Java.. 18.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB IV PENGUJIAN DAN ANALISIS. Untuk melakukan evaluasi unjuk kerja dari routing protokol spray and wait dengan algoritma taxi problem. Maka digunakan dua dataset berbeda yaitu Haggle 3-Infocom 5 dan Reality MIT yang telah dirancang pada BAB III. Data hasil yang diperoleh dari report yang dibuat ketika simulasi dijalankan. Haggle 3-Infocom 5 Dataset Haggle 3 Infocom 5 berisi data pertemuan antar partisipan konferensi IEEE Infocom di Miami. Setiap partisipan diberi device (iMotes) yang digunakan untuk mencatat data pertemuan antar partisipan. Dari 50 partisipan yang dipilih, device yang menghasilkan data yang valid dan dapat digunakan untuk melakukan penelitian sebanyak 41 device. Durasi simulasi pada dataset ini adalah 274883 atau sekitar 3,18 hari. Pada dataset Haggle 3 Infocom 5 dengan 4 skenario berbeda yang sudah dijelaskan di BAB III diperolehlah hasil simulasi sebagai berikut : 4.1.1. Hasil Simulasi Metrik Unjuk Kerja Average Convergence Time Pada Dataset Haggle 3 Infocom 5. Average Convergence Time : Haggle 3 Infocom 5 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. 4.1.. Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.1 Grafik average convergence time dataset Haggle 3 Infocom 5. 19.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Berdasarkan hasil simulasi terlihat pada Gambar 4.1.1.1 terbukti bahwa algoritma taxi problem dapat melakukan estimasi jumlah node dengan tepat sesuai dengan jumlah node yang ada dijaringan dengan waktu convergence yang cukup cepat. Pada dataset ini ruang gerak dari node terbatas karena hanya terbatas pada ruang konferensi saja. Hal ini menyebabkan probabilitas pertemuan node dengan node lainnya meningkat.. 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. Average Convergence Time : Haggle 3 Infocom 5 Without Interval. Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.2 Grafik average convergence time dataset Haggle 3 Infocom 5 beberapa node mati sebelum waktu convergence. 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. Average Convergence Time : Haggle 3 Infocom 5 With Interval (6 Jam). Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.3 Grafik average convergence time beberapa node mati sebelum waktu convergence dataset Haggle 3 Infocom 5 menggunakan interval. 20.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. Average Convergence Time : Haggle 3 Infocom 5 Without Interval. Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.4 Grafik average convergence time dataset Haggle 3 Infocom 5 beberapa node mati sesudah waktu convergence. 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. Average Convergence Time : Haggle 3 Infocom 5 With Interval (6 Jam). Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.5 Grafik average convergence time beberapa node mati sesudah waktu convergence dataset Haggle 3 Infocom 5 menggunakan interval Pada skenario beberapa node mati sebelum dan sesudah waktu convergence yang ditunjukan oleh garis putus-putus. Hasil simulasi pada Gambar 4.1.1.2 dan Gambar 4.1.1.4 terlihat bahwa rata-rata hitung estimasi tidak dapat adaptif. Hal ini terjadi karena ketika banyak node sudah mendapatkan informasi keseluruhan tentang jumlah node, maka informasi akan terus disebarkan dijaringan. Taxi problem dengan strategi interval. 21.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. waktu node dianggap hidup dapat membuat rata-rata hitung semua node adaptif, dengan hasil rata-rata hitung semua node mendekati jumlah node yang hidup dengan variasi yang cukup kecil seperti terlihat pada Gambar 4.1.1.3 dan Gambar 4.1.1.5. Pada strategi bertukar informasi setiap node akan mendapatkan informasi tentang semua node yang ada dijaringan walaupun tidak semua node dijaringan pernah ditemui secara langsung. Sehingga ketika menggunakan strategi interval, terdapat beberapa dari node yang tidak pernah ditemui kembali dan informasinya tidak pernah diperbaharui yang menyebabkan node dianggap mati. Pada strategi interval setiap node dapat hidup kembali ketika waktu bertemu mereka diperbaharui, hal ini yang menyebabkan hasil rata-rata hitung bergerak naik turun.. 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. Average Convergence Time : Haggle 3 Infocom 5 Without Interval. Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.6 Grafik average convergence time dataset Haggle 3 Infocom 5 beberapa node mati kemudian hidup kembali sebelum waktu convergence Pada hasil simulasi pada Gambar 4.1.1.6 terlihat bahwa rata-rata hitung estimasi tidak dapat adaptif. Hal ini terjadi karena ketika node sudah mendapatkan informasi keseluruhan tentang jumlah node maka informasi akan terus disebarkan dijaringan.. 22.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 50 40 30 20 10 0. 900 11700 22500 33300 44100 54900 65700 76500 87300 98100 108900 119700 130500 141300 152100 162900 173700 184500 195300 206100 216900 227700 238500 249300 260100 270900. Number of Nodes. Average Convergence Time : Haggle 3 Infocom 5 With Interval (6 Jam). Time Rata-rata Hitung. #Node Hidup. N = 41. Gambar 4.1.1.7 Grafik average convergence time beberapa node mati kemudian hidup kembali sebelum waktu convergence dataset Haggle 3 Infocom 5 menggunakan interval Hasil simulasi pada Gambar 4.1.1.7 taxi problem dengan strategi interval waktu node dianggap hidup dapat membuat rata-rata hitung semua node adaptif. Hasil rata-rata hitung pada Gambar 4.1.7 hanya mendekati jumlah node, hal ini sebabkan karena strategi interval waktu node dianggap hidup. Pada pergerakan manusia tidaklah random, sehingga ada beberapa dari node yang tidak pernah ditemui kembali dan tetap dianggap mati. Walapun node yang mati kembali hidup namun karena beberapa dari node tidak pernah ditemui kembali, sehingga informasi tentang mereka tidak pernah diperbaharui maka node ini dianggap mati. Pada strategi interval setiap node dapat hidup kembali ketika waktu bertemu diperbaharui, hal ini yang menyebabkan hasil rata-rata hitung bergerak naik turun. 4.1.2. Hasil Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead Ratio, dan Latency Average Pada Dataset Haggle 3 Infocom 5. 23.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Delivery Probability : Haggle 3 Infocom 5. N = 41. 0.5054. 0.51 0.5 0.49 0.48 0.47 0.46 0.45 0.44. 0.4739 0.4641. L=3. TP-SebelumConvergence. L=41. Gambar 4.1.2.1 Grafik delivery probability dataset Haggle 3 Infocom 5 Pada dataset Haggle 3 Infocom 5 dengan jumlah node 41. Pada penelitian ini peneliti menggunakan 2 ekstrim yaitu ekstrim bawah jumlah L copy pesan 6 dan ekstrim atasnya 41. Kemudian ditengahnya menggunakan jumlah copy pesan yang diperoleh dari hasil estimasi setiap node pada skenario beberapa node mati sebelum waktu convergence. Hasil simulasi untuk terlihat pada Gambar 4.1.2.1 bahwa taxi problem dapat memberikan jumlah pesan yang terkirim cukup bagus. Setiap node dijaringan akan menggenerate L copy menggunakan ½ dari jumlah node dari hasil estimasi. Spray and wait tanpa taxi problem dengan L copy yang kecil akan menghasilkan delivery probability yang sedikit. Begitu pula dengan L copy yang besar akan menghasilkan delivered probability yang besar.. Overhead Ratio : Haggle 3 Infocom 5 40. N = 41 36.2091. 35 30 25 20. 15.6713. 15 10 5. 4.0822. 0 L=3. TP-SebelumConvergence. L=41. Gambar 4.1.2.2 Grafik overhead ratio dataset Haggle 3 Infocom 5 24.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Pada Gambar 4.1.2.2 terlihat bahwa overhead pada node yang menggunakan L copy besar akan menghasilkan overhead yang besar dibandingkan dengan node yang menggunakan L copy yang kecil menghasilkan overhead yang kecil pula. Sedangkan pada spray and wait menggunakan taxi problem memiliki overhead cukup tinggi. Hal ini disebabkan setiap node akan menggenerate L copy sesuai dengan hasil estimasi yang diperoleh, sebelum mencapai waktu convergence setiap node akan mempunyai pengetahuan yang berbeda tentang jumlah node sehingga L copy yang dihasilkan bervariasi. Ketika node sudah mencapai waktu convergence maka setiap node akan menghasilkan L copy yang sama antar node. Hal ini juga bergantung pada hasil estimasi sebelum waktu convergence semakin besar hasil estimasi yang diperoleh maka overhead semakin meningkat. Average Latency : Haggle 3 Infocom 5 25000. N = 41. 24742.5657. 24500 24000 23500 22823.5724. 23000. 22190.2155. 22500 22000 21500 21000 20500 L=3. TP-SebelumConvergence. L=41. Gambar 4.1.2.3 Grafik latency average dataset Haggle 3 Infocom 5 Hasil dari latency average yang ditunjukan Gambar 4.1.2.3 menunjukan bahwa semakin banyak jumlah L copy semakin cepat pula pesan sampai kedestination. Hal ini terlihat dari jumlah L copy yang diset besar, pada L copy yang kecil delay pengiriman pesan semakin tinggi. Pada spray and wait menggunakan taxi problem menghasilkan delay yang cukup bagus karena L copy yang dihasilkan.. 25.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Reality MIT Dataset Reality Mining berisi pertemuan antar pelajar dari 2 fakultas di Universitas MIT. Jumlah partisipan dalam simulasi sebanyak 75 pelajar Fakultas Media Laboratory dan 25 pelajar Fakultas Business. Durasi simulasi pada dataset ini adalah 1 tahun akademik. Dari 100 partsipan yang dipilih, device yang menghasilkan data yang valid dan dapat digunakan untuk melakukan penelitian sebanyak 97. Durasi simulasi pada dataset ini adalah 16981816 detik. Pada dataset Reality MIT dengan 4 skenario berbeda yang sudah dijelaskan di BAB III diperolehlah hasil simulasi sebagai berikut :. 4.2.1. Hasil Simulasi Metrik Unjuk Kerja Average Convergence Time Pada dataset Reality MIT Average Convergence Time : Reality MIT 120. Number of Nodes. 4.2.. 100 80. 60 40 20 0 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.1 Grafik average convergence time untuk dataset Reality MIT Berdasarkan hasil simulasi terlihat pada Gambar 4.2.1.1 pada dataset Reality MIT, terbukti bahwa algoritma taxi problem dapat melakukan estimasi jumlah node sesuai dengan jumlah node yang ada dijaringan dengan waktu convergence yang cukup cepat. Hal ini dapat terjadi karena strategi bertukar informasi yang dilakukan setiap kali node bertemu, sehingga informasi node satu dengan node lainnya sama.. 26.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Walaupun ada beberapa dari node yang tidak pernah ditemui secara langsung, namun karena ada dari beberapa node yang sudah bertemu maka informasi akan disebarkan dijaringan sehingga semua node dapat memperoleh informasi yang sama.. Number of Nodes. Average Convergence Time : Reality MIT Without Interval 120 100 80 60 40 20 0 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.2 Grafik average convergence time dataset Reality MIT beberapa node mati sebelum waktu convergence. Number of Nodes. Average Convergence Time : Reality MIT With Interval (192 Jam/8 hari) 120 100 80 60 40 20 0 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.3 Grafik average convergence time beberapa node mati sebelum waktu convergence dataset Reality MIT menggunakan interval. 27.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Average Convergence Time : Reality MIT With Interval (192 Jam/8 Hari) Number of Nodes. 120 100 80 60. 40 20 0 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.4 Grafik average convergence time dataset Reality MIT beberapa node mati sesudah waktu convergence. Number of Nodes. Average Convergence Time : Reality MIT With Interval (192 Jam/8 hari) 120 100 80 60 40 20 0. 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.5 Grafik average convergence time sesudah waktu convergence dataset Reality MIT menggunakan interval Pada skenario beberapa node mati sebelum dan sesudah waktu convergence yang ditunjukan garis putus-putus. Hasil simulasi pada Gambar 4.2.1.2 dan Gambar 4.2.1.4 terlihat bahwa rata-rata hitung estimasi tidak dapat adaptif. Hal ini terjadi karena ketika node sudah mendapatkan informasi keseluruhan tentang jumlah node maka akan terus disebarkan 28.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. dijaringan. Taxi problem dengan strategi interval dapat membuat rata-rata hitung adaptif yang terlihat di Gambar 4.2.1.3 dan Gambar 4.2.1.5. Namun hasil rata-rata hitung semua node memiliki variasi yang cukup besar, hal ini terjadi karena banyak dari node yang tidak pernah ditemui kembali, hal ini terjadi karena Pada dataset Reality MIT pergerakan yang cenderung membentuk kelompok tertentu dan membutuhkan beberapa node penghubung atau hub node sebagai penghubung antar kelompok. Pada strategi bertukar informasi setiap node akan mendapatkan informasi tentang semua node yang ada dijaringan walaupun tidak semua node dijaringan pernah ditemui secara langsung. Sehingga ketika menggunakan strategi interval, ada beberapa dari node yang tidak pernah ditemui kembali dan informasinya tidak pernah diperbaharui yang menyebabkan node dianggap mati. Pada strategi interval setiap node juga dapat hidup kembali ketika waktu bertemu diperbaharui, hal ini yang menyebabkan hasil rata-rata hitung bergerak naik turun.. Number of Nodes. Average Convergence Time : Reality MIT Without Interval 120 100 80 60 40 20 0 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.6 Grafik average convergence time dataset Reality MIT beberapa node mati kemudian hidup kembali sebelum waktu convergence. 29.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Average Convergence Time : Reality MIT With Interval (192 Jam/8 hari) Number of Nodes. 120 100 80 60 40 20 0. 0. 5000000. 10000000. 15000000. 20000000. Time Rata-rata Hitung. #Node Hidup. N = 97. Gambar 4.2.1.7 Grafik average convergence time node mati kemudian hidup kembali sebelum waktu convergence dataset Reality MIT menggunakan interval Pada skenario beberapa node mati kemudian hidup kembali sebelum waktu convergence yang ditunjukan garis putus-putus. Taxi problem dengan strategi interval dapat membuat rata-rata hitung semua node adaptif. Hasil rata-rata hitung pada Gambar 4.2.1.7 hanya mendekati jumlah node dengan variasi yang cukup besar, hal ini sebabkan karena strategi interval, pada pergerakan manusia cenderung membentuk kelompok sehingga membutuhkan node penghubung atau hub node sebagai penghubung antar kelompok dan durasi simulasi yang panjang. Dengan strategi bertukar informasi semua node dijaringan akan mendapatkan informasi dijaringan walaupun banyak dari node tidak pernah bertemu secara langsung. Hal ini yang menyebabkan banyak node yang tidak pernah ditemui kembali sehingga informasi tentang node tidak pernah diperbaharui dan walaupun node yang mati kemudian hidup kembali karena informasi node tidak diperbaharui maka node tetap dianggap mati. Pada strategi interval setiap node juga dapat hidup kembali ketika waktu bertemu mereka diperbaharui, hal ini yang menyebabkan hasil rata-rata hitung bisa naik dan turun.. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 4.2.2. Hasil Simulasi Metrik Unjuk Kerja Delivery Probability, Overhead Ratio, dan Latency Average Pada Dataset Reality MIT Delivery Probability : Reality MIT 0.4 0.3. 0.3275. N = 97 0.3541. 0.2576. 0.2 0.1 0 L6. TP-SebelumConvergence. L90. Gambar 4.2.2.1 Grafik delivery probability dataset Reality MIT Pada pergerakan manusia pada dataset Reality MIT dengan jumlah node 97. Pada penelitian ini peneliti menggunakan 2 ekstrim yaitu ekstrim bawah jumlah L copy pesan 10 dan ekstrim atasnya 90. Kemudian ditengahnya menggunakan jumlah L copy yang diperoleh dari hasil estimasi setiap node. Hasil simulasi untuk terlihat pada Gambar 4.2.2.1 bahwa taxi problem dapat memberikan jumlah pesan yang terkirim cukup bagus. Setiap node dijaringan akan menggenerate L copy dengan menggunakan ½ dari jumlah node dari hasil estimasi. Spray and wait tanpa taxi problem dengan L copy yang kecil akan menghasilkan delivery probability yang sedikit begitu pula dengan L copy yang besar akan menghasilkan delivered probability yang besar pula.. Overhead Ratio : Reality MIT 120. N = 97 102.1086. 100 80 48.1678. 60 40 20. 14.1465. 0 L6. TP-SebelumConvergence. L90. Gambar 4.2.2.2 Grafik overhead ratio dataset Reality MIT 31.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Pada Gambar 4.2.2.2 terlihat bahwa overhead pada node yang menggunakan L copy besar akan menghasilkan overhead yang besar dibandingkan dengan node yang menggunakan L copy yang kecil menghasilkan overhead yang kecil. Sedangkan pada spray and wait menggunakan taxi problem memiliki overhead cukup tinggi. Hal ini dikarenakan setiap node akan menggenerate L copy sesuai dengan hasil estimasi yang diperoleh, sebelum mencapai waktu convergence setiap node akan mempunyai pengetahuan yang berbeda tentang jumlah node sehingga L copy yang dihasilkan bervariasi. Ketika node sudah mencapai waktu convergence maka setiap node akan menghasilkan L copy yang sama antar node. Hal ini juga bergantung pada hasil estimasi sebelum waktu convergence semakin besar hasil estimasi yang diperoleh maka overhead semakin meningkat. Semakin besar hasil estimasi yang diperoleh oleh node sebelum convergence maka semakin banyak pula L copy yang dihasilkan sehingga overhead dijaringan semakin besar. Average Latency : Reality MIT 580000. N = 97. 571946.6961. 560000 540000 514206.4828. 520000. 502248.0328. 500000 480000 460000 L6. TP-SebelumConvergence. L90. Gambar 4.2.2.3 Grafik latency average dataset Reality MIT Hasil dari latency average yang ditunjukan Gambar 4.2.2.3 menunjukan bahwa semakin banyak jumlah L copy semakin cepat pula pesan sampai kedestination. Hal ini terlihat dari jumlah L copy yang diset besar, pada L copy yang kecil delay pengiriman pesan semakin tinggi. Pada spray and wait menggunakan taxi problem menghasilkan delay yang cukup bagus karena L copy yang dihasilkan. Hal ini karenakan pergerakan manusia yang cenderung berkelompok semakin besar L copy maka akan banyak. 32.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. relay node yang akan meneruskan pesan yang lebih banyak. Sehingga probabilitas pesan sampai kedestination semakin besar dan latency juga akan semakin menurun.. 33.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB V KESIMPULAN DAN SARAN. 5.1.. Kesimpulan Setelah dilakukan analisis dari beberapa kali pengujian simulasi dapat diambil kesimpulan bahwa algoritma Taxi problem dapat melakukan estimasi jumlah node dengan tepat sesuai jumlah node yang ada dijaringan dengan waktu convergence yang cukup cepat. Hal ini dipengaruhi oleh pertukuran informasi tentang daftar tetangga yang sudah ditemui. Namun pada kasus jumlah node berubah dinamis, taxi problem belum memberikan hasil yang optimal, ini terlihat pada kedua dataset hasil estimasi memiliki variasi yang cukup besar karena pada pergerakan manusia cenderung membentuk kelompok, ketika menggunakan algoritma taxi problem dengan strategi interval waktu node dianggap hidup, banyak dari node yang tidak pernah ditemui secara langsung kemudian ketika informasi tentang node tidak pernah diperbaharui maka node akan dianggap mati walaupun sebenarnya node masih hidup. Untuk penerapan taxi problem di protokol routing spray and wait bisa terlihat dari hasil simulasi bahwa dengan mengetahui jumlah yang ada dijaringan dapat membantu meningkatkan unjuk kerja dari jaringan karena L copy yang sudah tidak perlu dibuat diawal simulasi, tetapi cukup menggunakan ½ dari jumlah node. Setiap node dapat membuat node L copy sesuai dengan informasi yang mereka miliki. Hasil dari semua simulasi yang telah diuji menunjukan hasil yang cukup bagus namun belum sempurna yang dapat terlihat dari metrik unjuk kerja yang sudah dituangkan dalam grafik.. 5.2.. Saran Pada penelitian selanjutnya algoritma untuk mengestimasi jumlah dinamis dijaringan. Setiap node dapat memperkirakan interval waktu node dianggap hidup yang optimal secara dinamis tanpa dibuat secara manual berdasarkan pengetahuan yang diperoleh setiap node.. 34.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR PUSTAKA [1]. Ari Keränen, Jörg Ott and Teemu Kärkkäinen. The ONE Simulator for DTN Protocol Evaluation. SIMUTools'09: 2nd International Conference on Simulation Tools and Techniques. Rome, March 2009. [2]. Parama Bhaumik, Suvadip Batabyal. Estimator for Global Information in Mobile Opportunistic Network. IEEE International Conference on Advanced Networks and Telecommunications System (ANTS), 2013. [3]. T. Spyropoulos, K. Psounis and C. C. Raghavendra, Spray and Wait: An Efficient Routing Scheme for, USA, 2005. [4]. Aaron Tenenbein. The Racing Car Problem. The American Statistician, Vol. 25, No 1 . Pp. 38-40, Feb., 1971. [5]. Allesio Guerrieri, Alberto Montresor, Franscesco De Pellegrini, Lacopo Carreras dan Daniele Miorandi. Distributed Estimation of Global Parameters in Delay-Tolerant Network. IEEE Internal Symposium on a World of Wireless, Mobile and Multimedia Networks & Workshops, 2009.. 35.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. LAMPIRAN package routing.sprayandwait; import core.*; import java.util.*; import routing.*; /** * @author Kalorinda */ public class SprayAndWaitRouterWithTaxiProblemDiTambah implements RoutingDecisionEngine, CountingTaxiProblem { public static final String NROF_COPIES = "nrofCopies"; public static final String BINARY_MODE = "binaryMode"; public static final String SPRAYANDWAIT_NS = "SprayAndWaitRouterWithTaxiProblemDiTambah"; public static final String MSG_COUNT_PROPERTY = SPRAYANDWAIT_NS + "." + "copies"; public static final String LIVE_INTERVAL = "live_Interval"; private static double IntervalLive = 691200; private double interval; protected int initialNrofCopies; protected boolean isBinary; private int totalEstimationOfTheNode; protected Map<DTNHost, Double> theCollections; protected Set<DTNHost> theTombstonenodes;. public SprayAndWaitRouterWithTaxiProblemDiTambah(Settings s) { if (s.contains(LIVE_INTERVAL)) { interval = s.getInt(LIVE_INTERVAL); } else { interval = IntervalLive; } if (s.contains(BINARY_MODE)) { isBinary = s.getBoolean(BINARY_MODE); } else {. 36.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. isBinary = false; // default value } if (s.contains(NROF_COPIES)) { initialNrofCopies = s.getInt(NROF_COPIES); } theCollections = new HashMap<DTNHost, Double>(); theTombstonenodes = new HashSet<>(); } publicSprayAndWaitRouterWithTaxiProblemDiTambah(SprayAndWaitRouter WithTaxiProblemDiTambah proto) { this.initialNrofCopies = proto.initialNrofCopies; this.isBinary = proto.isBinary; theCollections = new HashMap<DTNHost, Double>(); theTombstonenodes = new HashSet<>(); } @Override public void connectionUp(DTNHost thisHost, DTNHost peer) { } @Override public void connectionDown(DTNHost thisHost, DTNHost peer) { SprayAndWaitRouterWithTaxiProblemDiTambah partner = getOtherDecisionEngine(peer); if (thisHost.isRadioActive() == true && peer.isRadioActive() == true) { for (Map.Entry<DTNHost, Double> entry : this.theCollections.entrySet()) { DTNHost key = entry.getKey(); Double lastRecord = entry.getValue(); if (SimClock.getTime() - lastRecord > IntervalLive) { this.theTombstonenodes.add(key); } else { this.theTombstonenodes.remove(key); } } for (Map.Entry<DTNHost, Double> entry : partner.theCollections.entrySet()) { DTNHost key = entry.getKey(); Double lastRecord = entry.getValue(); if (SimClock.getTime() - lastRecord > IntervalLive) { partner.theTombstonenodes.add(key); } else { partner.theTombstonenodes.remove(key);. 37.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. } } this.totalEstimationOfTheNode = this.CountTotalEstimationOfTheNode() theTombstonenodes.size(); partner.totalEstimationOfTheNode = partner.CountTotalEstimationOfTheNode() theTombstonenodes.size(); } } @Override public void doExchangeForNewConnection(Connection con, DTNHost peer) { DTNHost thisHost = con.getOtherNode(peer); SprayAndWaitRouterWithTaxiProblemDiTambah partner = getOtherDecisionEngine(peer); if (thisHost.isRadioActive() == true && peer.isRadioActive() == true) { if (this.theCollections.containsKey(peer) && partner.theCollections.containsKey (thisHost)) { this.theCollections.replace(peer, SimClock.getTime()); partner.theCollections.replace(thisHost, SimClock.getTime()); } else { this.theCollections.put(peer, SimClock.getTime()); partner.theCollections.put(thisHost, SimClock.getTime()); } for (Map.Entry<DTNHost, Double> entry : partner.theCollections.entrySet()) { DTNHost key = entry.getKey(); Double value = entry.getValue(); if (!this.theCollections.containsKey(key)) { this.theCollections.put(key, value); } else { Double myValue = this.theCollections.get(key); if (myValue < value) { this.theCollections.put(key, value); } } } for (Map.Entry<DTNHost, Double> entry : this.theCollections.entrySet()) { DTNHost key = entry.getKey(); Double value = entry.getValue(); if (!partner.theCollections.containsKey(key)) { partner.theCollections.put(key, value);. 38.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. } else { Double myValue = partner.theCollections.get(key); if (myValue < value) { partner.theCollections.put(key, value); } } } } } @Override public boolean newMessage(Message m) { initialNrofCopies = (int) Math.ceil(this.totalEstimationOfTheNode / 2); m.addProperty(MSG_COUNT_PROPERTY, initialNrofCopies); return true; } @Override public boolean isFinalDest(Message m, DTNHost aHost) { return m.getTo() == aHost; } @Override public boolean shouldSaveReceivedMessage(Message m, DTNHost thisHost) { Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROPERTY); if (isBinary) { nrofCopies = (int) Math.ceil(nrofCopies / 2.0); } else { nrofCopies = 1; } m.updateProperty(MSG_COUNT_PROPERTY, nrofCopies); return m.getTo() != thisHost; } @Override public boolean shouldSendMessageToHost(Message m, DTNHost otherHost) { if (m.getTo() == otherHost) { return true; } Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROPERTY); if (nrofCopies > 1) { return true; }. 39.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. return false; } @Override public boolean shouldDeleteSentMessage(Message m, DTNHost otherHost) { if (m.getTo() == otherHost) { return false; } Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROPERTY); if (isBinary) { nrofCopies /= 2; } else { nrofCopies--; } m.updateProperty(MSG_COUNT_PROPERTY, nrofCopies); return false; } @Override public boolean shouldDeleteOldMessage(Message m, DTNHost hostReportingOld) { return m.getTo() == hostReportingOld; } @Override public RoutingDecisionEngine replicate() { return new SprayAndWaitRouterWithTaxiProblemDiTambah(this); } private SprayAndWaitRouterWithTaxiProblemDiTambah getOtherDecisionEngine(DTNHost h) { MessageRouter otherRouter = h.getRouter(); assert otherRouter instanceof DecisionEngineRouter : "This router only works " + "with other routers of same type"; return (SprayAndWaitRouterWithTaxiProblemDiTambah) ((DecisionEngineRouter) otherRouter).getDecisionEngine(); } private int CountTotalEstimationOfTheNode() { int tracehold = Integer.MIN_VALUE; for (Map.Entry<DTNHost, Double> entry : theCollections.entrySet()) { DTNHost key = entry.getKey(); if (key.getAddress() > tracehold) { tracehold = key.getAddress();. 40.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. } } double atas = Math.pow(tracehold, (theCollections.size() + 1)) Math.pow((tracehold - 1), (theCollections.size() + 1)); double bawah = Math.pow(tracehold, theCollections.size()) - Math.pow((tracehold 1), theCollections.size()); return (int) (atas / bawah); } @Override public int getCountTotalEstimationOfTheNode() { return this.totalEstimationOfTheNode; } }. 41.