analisis unjuk kerja protokol spray and focus … · banyak kontak node dan jumlah kontak tersebut...

ANALISIS UNJUK KERJA PROTOKOL SPRAY AND FOCUS

DENGAN VARIASI PERHITUNGAN

TRANSITIVITY (KONTAK TERAKHIR, SERING KONTAK, DAN LAMA

KONTAK) PADA JARINGAN OPORTUNISTIK

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

RAYMOND APRIYOGI DIKI PUTRA

135314004

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

ANALISIS UNJUK KERJA PROTOKOL SPRAY AND FOCUS

DENGAN VARIASI PERHITUNGAN

TRANSITIVITY (KONTAK TERAKHIR, SERING KONTAK, DAN LAMA

KONTAK) PADA JARINGAN OPORTUNISTIK

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:


135314004

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017


ii

PERFOMANCE OF A SPRAY AND FOCUS ROUTING PROTOCOL

WITH TRANSITIVITY VARIATIONS CALCULATION (LAST

CONTACT, FREQUENCY CONTACT , AND DURATION CONTACT) IN

OPPORTUNISTIC NETWORK

A THESIS

Presented as Partial of Requirment to Obtain Sarjana Komputer Degree

in Informatic Engineering Department

By:


135314004

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


v

MOTTO

“Success is walking from failure to failure with no loss of euthisiasm”

~Winston Churchill~

“Apa yang kita tanam, itulah yang akan kita tuai”

~Seki~


viii

ABSTRAK

Jaringan Oportunistik adalah kondisi dimana tidak tersedianya end-to-end path

pada jaringan karena jalur antara penerima dan destination setiap saat bisa berubah

dan Delay yang tinggi. Untuk mendistribusikan pesan pada Jaringan Oportunistik,

dibutuhkan sebuah Routing Protokol agar pesan dapat sampai ke Destiantion. Pada

penelitian ini, penulis menggunakaan Routing Protokol Spray And Focus dan

mengevaluasi Protokol Rounting Spray And Focus jika transtivity dihitung

berdasarkan (kontak terakhir, sering kontak, dan lama kontak). Parameter yang

akan digunakan adalah Delivery Probability, Delay, Message Drop, Overhead, Hop

Count, dan Buffer Occupancy. Untuk mendapatkan data kinerja dari protocol

routing menggunakan simulator ONE(Opportunistic Network Environment). Dari

hasil penelitian ini setelah membandingkan beberapa kondisi skenario, Spray And

Focus dengan pendekatan Frequency Encounter Transitivity berhasil

meningkatkan kinerja pada jaringan khusus nya pada pergerakan Random Waypoint

dan BusMovement dikarenakan jika pada random node merekam sejarah berapa

banyak kontak node dan jumlah kontak tersebut bisa membuat pola yang

sebelumnya acak menjadi lebih berpola dan terbukti pendekatan frekuentif

memberikan hasil lebih baik pada pergerakan Random Waypoint dan untuk

BusMovement, model pergerakan ini adalah pergerakan yang memiliki pola dimana

bus memiliki titik koordinat Start, Stop, dan bergerak lagi secara terpola. Artinya

semakin sering node bertemu dengan destination, maka node tersebut merupakan

relay yang baik untuk meneruskan pesan ke destination. Spray And Focus dengan

pendekatan Duration Encounter Transitivity menunjukan perbaikan kinerja pada

pergerakan manusia(haggle4-Cam-imote dan MIT Reality Mining) Hal ini

dikarenakan selain manusia memiliki pola bergerak berdasarkan point of interest,

manusia memiliki pola pergerakan yang lambat dan cenderung menetap pada

tempat yang sama untuk waktu yang lama sehingga sesuai dengan pendekatan

Duration Encounter Transitivity.

Kata kunci : Jaringan Oportunistik, Spray And Focus, Transitivity , Last Encounter

Transitivity , Duration Encounter Transitivity , Frequency Encounter Transitivity .


ix

ABSTRACT

Opportunistic Network is condition where there is nothing end to end path in the

network because, path between source and destination Intermittently connected and

high latency. To distribution message in Opportunistic Network, we need a routing

protocol to arrive at the destination. In this research author use Spray and Focus

routing protocol and evaluate that routing protocol if the transitivity calculated

based on last encounter time, frequency encounter, and duration encounter the node

with destination. The parameters used is Delivery Probability, Delay, Message

Drop, Overhead, Hop Count, and Buffer Occupancy. To obtain performance data

from the routing protocol used ONE Simulator. And from this research, Spray and

Focus with approach frequency encounter show good performance especially in

Random Waypoint and BusMovement this is because in random movement each

node recording how many the node encounter then that data record will change the

previously random pattern be into more patterned. And for BusMovement, it cause

the bus is have a pattern where the bus have coordinate to start, stop, then move to

next coordinate. It means more frequencies the node encounter the destination then,

that node is the good relay for find destination. Spray and Focus with Duration

Encounter Transitivity show better performance in human trace(haggle4-Cam-

imote and MIT Reality Mining) it cause human moving based point of interest and

the human is have a pattern to stay in the same place for long time according to the

approach of Spray and Focus with Duration encounter Transitivity.

Keyword : Oportunistic Network, Spray And Focus, Transitivity , Last Encounter

Transitivity , Duration Encounter Transitivity , Frequency Encounter Transitivity .


x

Kata Pengantar

Puji dan Syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas

segala restu dan berkatNya penulis dapat menyelsaikan tugas akhir dengan judul

“ANALISIS UNJUK KERJA PROTOKOL SPRAY AND FOCUS DENGAN

VARIASI PERHITUNGAN TRANSITIVITY (KONTAK TERAKHIR, SERING

KONTAK, DAN LAMA KONTAK) PADA JARINGAN OPORTUNISTIK”.

Yang disini sebagai salah satu persayaratan untuk memperoleh gelar Sarjana

Komputer dari program studi Teknik Informatika Universitas Sanata Dharma

Yogyakarta.

Pada kesempatan ini, penulis ingin mengucapkan terimakasih kepada semua

pihak yang berperan baik secara langsung maupun tidak langsung dalam proses

penyelsaian tugas akhir ini. Ucapan penulis berikan sebesar-besarnya kepada :

1. Tuhan Yang maha Esa dan Bunda Maria, yang tak pernah meninggalkan

penulis dan terus melimpahkan berkat sehingga Tugas Akhir ini bisa selesai

sebagai mana yang diinginkan.

2. Keluarga tercinta, Bapak Midias dan Ibu Seki dan saudara saya Gerrard

Pebrino Arles yang selalu mendukung baik dari sisi motivasi, doa, dan

logistik.

3. Bambang Soelistijanto, S.T., M.Sc., Ph.D. selaku Dosen Pembimbing tugas

akhir yang telah berbagi Ilmu, pengalaman dan motivasi dalam

menyeksaikan Tugas akhir.

4. Dosen Pembimbing Akademik, Ibu Sri Hartati Wijono, M.Kom yang

sekarang sedang melanjutkan pendidikan dan sekarang digantikan Pak

Puspaningtyas Sanjoyo Adi, M.T.

5. Bapak Henricus Agung Hernawan, S.T., M.Kom. dan Pak B Herry

Soeharto, M.T selaku dosen penguji Skripsi.

6. Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku ketua Program Studi

Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata

Dharma


xi

7. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. Selaku Dekan Fakultas

Sains dan Teknologi Universitas Sanata Dharma.

8. Seluruh Dosen dan Staff Sekertariat Program Studi Teknik Informatika

untuk seluruh dedikasi dalam melayani Mahasiswa

9. Teman-teman seperjuangan Lab TA Jaringan Komputer(Mario, Hotman,

Andre, Feliks, Adrian, Vinsen dan Benny) dan seluruh teman-teman

seangkatan Teknik Informatika 2013 atas semua proses dan dinamika

selama menempuh pendidikan di Universitas sanata Dharma.

10. Semua teman-teman yang mendukung memberikan support dalam bentuk

dukungan fasilitas, semangat, dan doa. Khususnya teman asrama, teman-

teman BEM-KOMINFO, teman-teman kampus, organisasi, dan Pacar (L.S)

yang memberikan dukungan, semangat dan doa dalam meyusun tugas akhir

ini.

11. Semua pihak yang telah membantu dan mendukung baik secara langsung

maupun tidak langsung yang tidak sempat disebutkan diatas, penulis

mengucapkan terimakasih.

Penulis menyadari bahwa masih banyak kekurangan dalam penyusunan tugas

akhir ini, saran dan kritik sangat diharapkan untuk perbaikan kedepannya.

Semoga tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.

Penulis,

Raymond Apriyogi Diki Putra


xii

DAFTAR ISI

HALAMAN PERSETUJUAN ............................................................................... iii

SKRIPSI ................................................................................................................. iii

MOTTO .................................................................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ............................................................................ vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ........................................................................................................... ix

Kata Pengantar ........................................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ................................................................................................. xv

DAFTAR GAMBAR .......................................................................................... xvii

BAB I ...................................................................................................................... 1

PENDAHULUAN .................................................................................................. 1

1.1. Latar Belakang .............................................................................................. 1

1.2. Rumusan Masalah......................................................................................... 3

1.3. Tujuan Penelitian .......................................................................................... 3

1.4. Batasan Masalah ........................................................................................... 3

1.5. Metodologi Penelitian................................................................................... 3

1. Studi Literatur ........................................................................................... 4

2. Perancangan .............................................................................................. 4

3. Pembangunan Simulasi dan pengumpulan data ....................................... 4

4. Analisis Data Simulasi ............................................................................. 4

5. Penarikan Kesimpulan .............................................................................. 5

1.6. Sistematika Penulisan ................................................................................... 5

BAB I PENDAHULUAN ................................................................................ 5

BAB II LANDASAN TEORI .......................................................................... 5

BAB III PERENCANAAN SIMULASI JARINGAN ..................................... 5

BAB IV PENGUJIAN DAN ANALISIS ........................................................ 5

BAB V KESIMPULAN DAN SARAN ........................................................... 5


xiii

BAB II ..................................................................................................................... 6

LANDASAN TEORI .............................................................................................. 6

2.1. Jaringan Oportunistik ................................................................................... 6

Message-ferry-based ........................................................................................ 7

Opportunity-based ............................................................................................ 7

Prediction-based ............................................................................................... 7

2.2. Protokol Routing Spray and Focus ............................................................... 8

Fase Spray ........................................................................................................ 9

Fase Focus ........................................................................................................ 9

2.3. Pergerakan BusMovement ........................................................................... 11

2.4. Pergerakan Manusia ................................................................................... 11

Haggle4-Cam-Imote ....................................................................................... 12

MIT Reality Mining ....................................................................................... 12

2.5 Pergerakan Random Waypoint(RWP) ......................................................... 12

2.6 Simulator ONE ............................................................................................ 12

BAB III ................................................................................................................. 13

PERANCANGAN SIMULASI JARINGAN ........................................................ 13

3.1. Parameter Simulasi ..................................................................................... 13

3.2. Skenario Simulasi ....................................................................................... 13

Age of Last Encounter Timers Transtivity (kapan terakhir kontak) .............. 14

Frequency of Encounter Transtivity (seberapa sering kontak) ...................... 14

Duration of Encounter Transtivity (seberapa lama kontak) .......................... 15

3.3. Parameter Kinerja ....................................................................................... 17

Delay(average latency)................................................................................... 18

Delivery Probability(Delivery ratio) .............................................................. 18

Average Buffer Occupancy ............................................................................ 18

Hop Count ...................................................................................................... 18

Overhead ........................................................................................................ 18

Message Drop ................................................................................................ 19

3.4. Topologi Jaringan ....................................................................................... 19

BAB IV ................................................................................................................. 20


xiv

PENGUJIAN DAN ANALISIS ............................................................................ 20

4.1 Random Waypoint .................................................................................. 20

4.1.1. Penambahan Node(Density) ................................................................ 20

4.1.2. Penambahan L Copies .......................................................................... 24

4.2. BusMovement di kota Helsinky .............................................................. 30

4.2.1. Delivery Probability ............................................................................. 30

4.2.2. Delay ................................................................................................... 31

4.2.3. Message Drop ...................................................................................... 31

4.2.4. Hop Count ............................................................................................ 31

4.2.5. Overhead .............................................................................................. 32

4.2.5. Buffer Occupancy ................................................................................. 33

4.3. Pergerakan Manusia ................................................................................... 34

4.3.1. Haggle4-Cam-Imote ............................................................................. 34

4.3.3. Penambahan Margin Transtivity pada Reality ..................................... 44

BAB V ................................................................................................................... 49

KESIMPULAN DAN SARAN ............................................................................. 49

5.1 Kesimpulan .................................................................................................. 49

5.2 Saran ............................................................................................................ 50

DAFTAR PUSTAKA ........................................................................................... 51

LAMPIRAN .......................................................................................................... 52

class Spray and Focus Frequency ...................................................................... 55

Class Spray and Focus Last Encounter .............................................................. 59

Skenario Random Waypoint .............................................................................. 63

Skenario Helsinky with BuMovement .............................................................. 64

Skenario Haggle4-Cam-Imote ........................................................................... 70

Skenario Reality MIT Mining ........................................................................... 71


xv

DAFTAR TABEL

Tabel 3.1 Parameter utama simulasi. .................................................................... 13

Tabel 3.2 Skenario pada pergerakan Random Waypoint dengan node yang

ditingkatkan. .......................................................................................................... 16

Tabel 3.3 Skenario pada pergerakan Random Waypoint dengan L Copies yang

ditingkatkan ........................................................................................................... 16

Tabel 3.4 Skenario pada pergerakan Pergerakan BusMovement .......................... 16

Tabel 3.5 Skenario pada pergerakan Pergerakan Manusia ................................... 17

Tabel 3.6 Skenario pada pergerakan Pergerakan (MIT Reality Mining) Margin yang

ditingkatkan. .......................................................................................................... 17

Table 4.1.1 Hasil pengujian Delivery Probability terhadap penambahan jumlah

Node pada pergerakan Random Waypoint ............................................................ 20

Table 4.1.2 Hasil pengujian Delay pada penambahan jumlah Node di pergerakan

Random Waypoint ................................................................................................. 21

Table 4.1.3 Hasil pengujian Message Drop terhadap penambahan jumlah Node

pada pergerakan Random Waypoint ...................................................................... 22

Table 4.1.4 Hasil pengujian Average Hop Count terhadap penambahan jumlah

Node pada pergerakan Random Waypoint. ........................................................... 23

Table 4.1.5 Hasil pengujian Overhead Ratio terhadap penambahan jumlah Node


Table 4.1.2.1 Hasil pengujian Delivery Probability terhadap penambahan L Copies


Table 4.1.2.2 Hasil pengujian Delay terhadap penambahan L Copies pada

pergerakan Random Waypoint .............................................................................. 25



Table 4.1.2.4 Hasil pengujian Hop Count terhadap penambahan L Copies pada



xvi

Table 4.1.2.5 Hasil pengujian Overhead terhadap penambahan L Copies pada


Table 4.2. Hasil pengujian terhadap pergerakan BusMovement ........................... 30

Table 4.3.1 Hasil pengujian terhadap dataset Haggle4-Cam-imote ...................... 34

Table 4.3.2 Hasil pengujian terhadap dataset MIT Reality Mining ...................... 40

Table 4.3.3.1 Hasil pengujian Delivery Probability terhadap penambahan Margin

Transtivity ............................................................................................................. 45

Gambar 4.3.3.1 Grafik pengaruh penambahan Margin terhadap Delivery

Probability di pergerakan Reality ......................................................................... 45

Table 4.3.3.2 Hasil pengujian Delay terhadap penambahan Margin Transtivity . 45

Table 4.3.3.3 Hasil pengujian Message Drop terhadap penambahan Margin

Transtivity ............................................................................................................. 46

Table 4.3.3.4 Hasil pengujian Hop Count terhadap penambahan Margin Transtivity

............................................................................................................................... 47

Table 4.3.3.5 Hasil pengujian Overhead terhadap penambahan Margin Transtivity

............................................................................................................................... 47


xvii

DAFTAR GAMBAR

Gambar 2.1 Metode Store, Carry, Forward ........................................................... 6

Gambar 2.2 Arsitektur Delay Tollerant Network .................................................... 7

Gambar 2.3 Protokol Spray and Focus ................................................................... 8

Gambar 2.5 melihat transitivity pada Fase Forwarding(Focus) ........................... 10

Gambar 4.1.2 Grafik pengaruh penambahan jumlah node terhadap Delay di


Gambar 4.1.4 Grafik pengaruh penambahan jumlah node terhadap Average Hop

Count di pergerakan Random Waypoint. .............................................................. 23

Gambar 4.1.5 Grafik pengaruh penambahan jumlah node terhadap Overhead Ratio

di pergerakan Random Waypoint. ......................................................................... 24

Gambar 4.1.2.1 Grafik pengaruh penambahan L Copies terhadap Delivery

Probability di pergerakan Random Waypoint ....................................................... 25

Gambar 4.1.2.2 Grafik pengaruh penambahan L Copies terhadap Delay di


Gambar 4.1.2.3 Grafik pengaruh penambahan L Copies terhadap Message Drop di


Gambar 4.1.2.4 Grafik pengaruh penambahan L Copies terhadap Average Hop

Count di pergerakan Random Waypoint ............................................................... 27

Gambar 4.1.2.5 Grafik pengaruh penambahan L Copies terhadap Overhead di


Gambar 4.1.2.6 Buffer Occupancy Duration Encounter Transtivity di pergerakan

Random Waypoint. ................................................................................................ 28

Gambar 4.1.2.7 Buffer Occupancy Frequency Encounter Transtivity di pergerakan

Random Waypoint. ................................................................................................ 28

Gambar 4.1.2.8 Buffer Occupancy Last Encounter Transtivity di pergerakan

Random Waypoint. ................................................................................................ 28

Gambar 4.2.1. Grafik Delivery Probability terheadap BusMovement .................. 30

Gambar 4.2.2. Grafik Delay terheadap BusMovement .......................................... 31

Gambar 4.2.3. Grafik Message Drop terheadap BusMovement ............................ 31

Gambar 4.2.4. Grafik Hop Count terheadap BusMovement .................................. 31

Gambar 4.2.6. Grafik Buffer Occupancy(%) Duration terheadap BusMovement. 33

Gambar 4.2.7. Grafik Buffer Occupancy(%) Frequency terheadap BusMovement

............................................................................................................................... 33


xviii

Gambar 4.2.8. Grafik Buffer Occupancy(%) Recent terheadap BusMovement .. 34

Gambar 4.3.1.1 Grafik Delivery Probabability terheadap Haggle4-Cam-imote .. 35

Gambar 4.3.1.2 Grafik Delay terheadap Haggle4- Cam-imote ............................ 35

Gambar 4.3.1.3 Grafik Message Drop terheadap Haggle4- Cam-imote............... 37

Gambar 4.3.1.4 Grafik Hop Count terheadap Haggle4- Cam-imote .................... 37

Gambar 4.3.1.5 Grafik Overhead terheadap Haggle4- Cam-imote ...................... 38

Gambar 4.3.1.6 Grafik Buffer Occupancy terheadap Haggle4- Cam-imote

menggunakan Duration Encounter Transtivity ..................................................... 39


menggunakan Frequency Encounter Transtivity .................................................. 39


menggunakan Last Encounter Transtivity ............................................................ 39

Gambar 4.3.2.1 Grafik Delivery Probability terhadap MIT Reality Mining ........ 40

Gambar 4.3.2.2 Grafik Delay terhadap MIT Reality Mining ............................... 41

Gambar 4.3.2.3 Grafik Message Drop terhadap MIT Reality Mining .................. 42

Gambar 4.3.2.4 Grafik Hop Count terhadap MIT Reality Mining ....................... 42

Gambar 4.3.2.5 Grafik Overhead terhadap MIT Reality Mining ......................... 42

Gambar 4.3.2.6 Grafik Buffer Occupancy terheadap Reality menggunakan

Duration Encounter Transtivity ............................................................................ 43

Gambar 4.3.2.7 Grafik Buffer Occupancy terheadap Reality menggunakan

Frequency Encounter Transtivity .......................................................................... 44

Gambar 4.3.2.8 Grafik Buffer Occupancy terheadap Reality menggunakan Last

Encounter Transtivity. ........................................................................................... 44

Gambar 4.3.3.2 Grafik pengaruh penambahan Margin terhadap Delay di pergerakan

Reality ................................................................................................................... 46

Gambar 4.3.3.3 Grafik pengaruh penambahan Margin terhadap Message Drop di

pergerakan Reality ................................................................................................ 46

Gambar 4.3.3.4 Grafik pengaruh penambahan Margin terhadap Hop Count di

pergerakan Reality ................................................................................................ 47


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Dalam perkembangannya, jaringan komputer berkomunikasi dengan

menggunakan media kabel (wired) dan jaringan nirkabel (wireless). Wireless

berkerja dengan menggunakan udara sebagai media untuk menghantarkan

gelombang elektromagnetik [1], Jaringan nirkabel (wireless) mampu

mendukung mobilitas penggunanya sementara jaringan dengan media kabel

(wired) tidak dapat mendukung mobilitas penggunanya. Salah satu aplikasi dari

wireless adalah jaringan ad-hoc dimana antar perangkat (node) dapat saling

berkomunikasi tanpa menggunakan infrastruktur.

Jaringan ad-hoc memiliki tantangan dimana setiap perangkat (node) yang

terhubung dengan node lain setiap saat bisa berpindah tempat atau bergerak

(mobile) tanpa menggunakan infrastruktur jaringan yang ada disebut dengan

Mobile Ad Hoc Network (MANET). Dalam MANET, sebuah Node berperan

sekaligus sebagai router dapat menghapus atau meneruskan pesan (bertindak

sebagai relay). Dengan demikian, paket yang dikirim melalui jaringan ad-hoc

akan dikirim dengan cara diteruskan dari node satu ke node lainnya sampai

menemukan tujuannya. Sifat dari node yang setiap saat bisa bergerak dan

mengakibatkan topologi dapat berubah setiap saat dan akan ada kondisi ketika

setiap node tidak saling terhubung satu sama lain seperti kondisi pada MANET

untuk mengatasi masalah-masalah diatas, maka dikembangkanlah jaringan

Opportunistic, yang bertujuan untuk menjangkau area tertentu. Jaringan

Opportunistic dapat diterapkan untuk suatu area yang memiliki karakteristik

latency yang cukup tinggi dan juga konektifitas yang rendah akibat node yang

terkadang putus atau sering disebut intermittent yang mengakibatkan

terhambatnya dalam menemukan jalur menuju destination[2]. Jaringan

Opportunistic memiliki system store-carry-forward, dimana node menyimpan

pesan dalam buffer, kemudian membawa pesan dan bergerak menuju tujuan

(destination). Dalam jaringan Oportunistic terdapat node dengan mobilitas


2

yang tinggi serta dengan bandwith dan buffer yang terbatas. Akibat

keterbatasan ini, jaringan Opportunistic membutuhkan skema routing dan

protokol routing dalam kinerjanya. Ada beberapa skema jenis routing yang

digunakan diantaranya skema routing single copy yaitu hanya satu pesan unik

yang diteruskan sepanjang jalur tunggal. Dan skema jenis routing multi copy,

yaitu dengan meneruskan tiap pesan ke setiap node dibanyak jalur yang ada.

Spray and Focus adalah salah satu dari beberapa protokol routing dari

jaringan Opportunistic, Protokol ini menentukan jumlah pesan yang akan di

distribusikan dalam jaringan, kemudian setiap relay akan membawa pesan

sampai menemukan destination atau sampai TTL(time-to-live) habis [3].

protokol ini berkerja dalam dua fase. Yang pertama adalah fase

replication(spray) kemudian fase forwarding(focus). Pada fase forwarding,

protokol ini mengukur kedekatan antara node/relay dengan destination

(Closeness) berdasarkan, kapan terakhir kontak(Last Encounter), seberapa

sering kontak(Frequency), dan seberapa lama kontak(Duration) node tersebut

dengan destination.

Berdasarkan metric kedekatan (Closeness) ini, spray and focus

menggunakan Transitivity untuk menentukan node relay yang memiliki

probabilitas bertemu dengan destination lebih tinggi , transitivity sendiri

adalah sebuah relasi dalam teori himpunan Dimana jika (a, b) ∈ R dan (b, c) ∈

R, maka (a, c) ∈ R.

Tujuan dari penelitian ini adalah membandingkan unjuk kerja spray and

focus jika, transitivity dihitung berdasarkan, kapan terakhir kontak(Last

Encounter), seberapa sering kontak(Frequency), dan seberapa lama

kontak(Duration) node tersebut dengan destination menggunakan unjuk kerja

analisis Delay, Delivery Probability, Buffer Occupancy, Hop Count dan

Message Drop.


3

1.2. Rumusan Masalah

Berdasarkan latar belakang, rumusan masalah yang didapat adalah

Seberapa efektif Spray and Focus, jika transitivity dihitung berdasarkan

(kapan kontak terakhir, sering kontak, dan lama kontak) pada Jaringan

Oportunistik.

1.3. Tujuan Penelitian

Tujuan yang akan dicapai dalam tugas akhir ini adalah untuk mengetahui

serta menganalisis kelebihan dan kekurangan dari Protokol Spray and Focus

jika transitivity , dihitung berdasarkan (kapan kontak terakhir, sering kontak,

dan lama kontak) pada Jaringan Oportunistik. yang diukur dengan performance

metric Delay, Delivery Probability, Buffer Occupancy, Hop Count, Overhead

dan Message Drop.

1.4. Batasan Masalah

Dalam pelaksanaan tugas akhir ini, masalah dibatasi sebagai berikut:

1. Menggunakan protokol routing Spray and Focus.

2. Menggunakan pergerakan BusMovement, Pergerakan Manusia dan

Random way point.

3. Menggunakan ONE Simulator.

4. Menggunakan unjuk kerja analisis Delay, Delivery Probability, Buffer

Occupancy, Hop Count, Overhead dan Message Drop.

1.5. Metodologi Penelitian

Metodologi dan langkah-langkah dalam mengerjakan tugas akhir ini antara

lain :


4

1. Studi Literatur

Mencari dan mengumpulkan referensi dan mempelajari teori yang

mendukung tugas akhir ini yakni, antara lain :

Teori Jaringan Opportunistic.

Teori Protokol routing Spray and Focus.

Teori Delay, Delivery Probability, Buffer Occupancy, Hop

Count, Overhead dan Message Drop.

Javadocs (ONE Simulator).

Tahap-tahap membangun simulasi.

2. Perancangan

Tahapan ini merupakan rancangan skenario yang digunakan dalam

melakukan penelitian yang terdiri dari :

a. Trastivity berdasarkan kapan terakhir kontak (Last Encounter) yang

akan diterapkan pada beberapa model Movement.

b. Trastivity berdasarkan seberapa sering kontak (Frequency) yang


c. Trastivity berdasarkan seberapa lama kontak (Duration) yang


3. Pembangunan Simulasi dan pengumpulan data

Simulasi pengujian pada tugas akhir ini menggunakan Simulator ONE

dan membangkitkan report untuk mengumpulkan data sesuai dengan

parameter kinerja.

4. Analisis Data Simulasi

Mengolah data dari proses simulasi, untuk- selanjutnya data diproses


5

dan diamati untuk kemudian dianalisis berdasarkan parameter kinerja.

5. Penarikan Kesimpulan

Penarikan kesimpulan te rhadap data yang telah dianalisis mengacu

pada parameter kinerja yang telah ditentukan.

1.6. Sistematika Penulisan

Berikut adalah sistematika penulisan tugas akhir yang dibagi dalam beberapa

bab dengan susunan :

BAB I PENDAHULUAN

Bab ini memberikan penjelasan secara umum tentang latar belakang

penulisan tugas akhir, rumusan masalah, batasan, dan sistematika penulisan

tugas akhir.

BAB II LANDASAN TEORI

Bab ini berisi tentang penjelasan teori sebagai acuan atau landasan yang

dibutuhkan dalam melakukan penelitian sesuai dengan permasalahan.

BAB III PERENCANAAN SIMULASI JARINGAN

Bab ini memuat deskripsi secara teknis mengenai perencanaan dari

simulasi yang akan dikerjakan dalam tugas akhir.

BAB IV PENGUJIAN DAN ANALISIS

Bab ini berisi pelaksanaan simulasi dan analisis data hasil simulasi.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dari analisis data simulasi berdasar pada

parameter Kinerja.


6

6

BAB II

LANDASAN TEORI

2.1. Jaringan Oportunistik

Jaringan Oportunistik adalah Jaringan berkembang atas keterbatasan dari

MANET yakni terdapat kondisi dimana tidak ditemukannya end-to-end path

atau setiap node tidak terhubung secara terus menerus. Jaringan Oportunistik

memungkinkan komunikasi dalam kondisi delay yang tinggi dan jalur yang

berubah-berubah setiap saat, artinya jaringan Oportunistik mampu diterpakan

pada jaringan yang “menantang”(challenged). Misalnya, kondisi delay yang

tinggi, koneksi yang sering terputus, mobilitas tinggi, dan drop yang tinggi.

Jaringan Oportunistik menggunakan mekanisme store(menyimpan),

carry(membawa), forward(meneruskan). Mekanisme ini membuat Jaringan

Oportunistik memiliki arsitektur yang sedikit berbeda dengan jaringan lainnya

dikarenakan terdapat kondisi dimana jalur antara source dan destination tidak

tersedia karena jangkauan dan pergerakan node serta koneksi yang bersifat

intermitten. Dan untuk mengimplementasikan Mekanisme ini, Jaringan

Oportunistik memperkenalkan layer baru yakni bundle layer.

Gambar 2.1 Metode Store, Carry, Forward


7

Boundle layer mengimplementasikan mekanisme store-carry-forward dimana

setiap node dapat melakukan store (menyimpan) dan carry (membawa) dalam

buffer-nya (memori) serta dapat forward (meneruskan) pesan tersebut ke node lain

yang terkoneksi[4]. Berikut merupaka arsitektur yang digunakan dalam Jaringan

Oportunistik.

Gambar 2.2 Arsitektur Delay Tollerant Network

Metode penanganan pesan dalam Jaringan Oportunistik adalah :

Message-ferry-based

Dalam metode ini, Sistem menggunakan node lain sebagai pembawa pesan

untuk disampaikan ke tujuan. cara ini bertujuan untuk meningkatkan delivery

perfomance yang dilakukan pada mekanisme store (menyimpan) kemudian

carry (membawa) pesan sampai bertemu dengan tujuan dan menyerahkannya.

Opportunity-based

Dalam metode ini, setiap pesan akan forward (meneruskan) pesan secara

acak (random) dari hop ke hop sampai ke akhir tujuannya tapi menjamin pesan

akan tersampaikan.

Prediction-based

Dalam metode ini, protokol routing menentukan relay dengan

mengestimasi node yang dapat dipercaya menyampaikan pesan ke tujuan.


8

2.2. Protokol Routing Spray and Focus

Protokol routing merupakan aturan dalam proses pengiriman dan

pertukaran data (berupa blok-blok data) dari sebuah node ke node yang lain

dalam jaringan dan menghubungkan source ke destination. Ini mengapa

Protokol Routing merupakan hal yang sangat penting dalam Jaringan

Oportunistik dikarenakan dalam melakukan trasmisi, terdapat keterbasan dari

bandwith dan buffer pada node untuk menyimpan dan meneruskan pesan agar

sampai ke destination [5]. Sehingga dalam Jaringan Oportunistik, Protokol

routing menjadi faktor yang dapat mempengaruhi keberhasilan dari

pengiriman sebuah pesan agar dapat sampai ke destination.

Spray and Focus adalah salah satu dari beberapa protokol routing dari

jaringan Opportunistic, Protokol ini menentukan jumlah pesan yang akan di

distribusikan dalam jaringan(L copies), kemudian setiap relay akan membawa

pesan sampai menemukan destination atau sampai TTL(time-to-live) habis [3].

Gambar 2.3 Protokol Spray and Focus

protokol ini berkerja dalam dua fase yakni :


9

Fase Spray

Fase yang pertama adalah fase spray(replication), pada fase ini ketika pesan

baru di dibangkitkan (generate) pada node source juga akan menentukan jumlah L

Copies “forwarding token” untuk pesan ini. Forwarding token menyatakan bahwa

node yang memiliki token ini dapat meneruskan pesan dengan ketentuan :

Setiap node mengelola “summary vector” dan id dari seluruh pesan

yang telah dimilikinya. Dan setiap kedua node bertemu, mereka akan

saling bertukar vector dan memeriksa apakah mereka memiliki

informasi yang sama.

Jika node (baik source maupun relay) memiliki L Copies sebanyak

n>1 maka node tersebut akan meneruskan salinan pesan kepada node

yang ia temui dan belum memiliki pesan yang sama; juga

membagikan pesan sebanyak n/2 kepada relay, dan n/2 kepada node

tersebut sendiri.

Ketika node/relay hanya memiliki satu pesan(L Copies = 1), maka

akan masuk pada fase Focus.

Fase Focus

Pada fase ini pesan dapat diteruskan kepada node yang memiliki probabilitas

bertemu dengan destination lebih baik dengan menggunakan skema Single Copy

Utility Based Routing dan perhitungan transtivity.

Single Copy utility based Routing adalah node menerapkan skema single copy

yakni hanya menggunakan satu pesan dalam mentransimikan pesan. Dengan kata

lain, jika relay sudah memberikan pesan kepada node yang ditemui, maka node

relay tersebut harus menghapus pesan yang ia miliki. Namun dalam proses

distrubusi satu pesan tersebut, node hanya memberikan pesan kepada node yang

memiliki utility lebih baik. untuk mendapatkan utlity kita akan menggunakan

transtivity dalam forwarding policy spray and focus.


10

Transitivity adalah sebuah relasi dalam teori himpunan Dimana jika : (a, b) ∈

R dan (b, c) ∈ R, maka (a, c) ∈ R. dengan kata lain, jika A memiliki relasi dengan

B, dan B memiliki relasi dengan C, maka A memiliki relasi dengan C.

gambar 2.4 ilustrasi Transitivity

Sementara penerapan Transitivity dalam spray and focus adalah, proses ketika

node relay membandingkan antara memberikan pesan kepada node yang ia temui,

atau tetap menahan pesan tersebut dan memberikan langsung kepada destination.

Berikut adalah ilustrasi Transtivity pada Spray and Focus.

Gambar 2.5 melihat transitivity pada Fase Forwarding(Focus)

Ketika Node kontak dengan Node B, Node A hanya memberikan pesan

kepada node B hanya jika : UB(D) > UA(D) + Uth

Uth adalah Utility Threshold, yang berfungsi sebagai margin untuk

meneruskan pesan dalam proses transitivity.


11

Adapun beberapa tipe transtivity antara lain :

Age of Last Encounter Timers Transtivity : kapan terakhir

kontak dengan Destination.(default)

Frequency of Encounter Transtivity : seberapa sering kontak

dengan Destination.

Duration of Encounter Transitivity : seberapa lama kontak

dengan Destination.

2.3. Pergerakan BusMovement

Sebuah pergerakan yang mengadaptasi pola pergerakan dari bus pariwisata,

dalam pergerakan ini bus pariwisata memiliki lokasi Start dan lokasi tujuan.

Jika jarak dari node menuju destination lebih jauh, maka node akan

menggunakan bus.

2.4. Pergerakan Manusia

Model pergerakan acak (random) merupakan model yang paling ideal

untuk mengevaluasi kinerja suatu protokol routing, tapi faktanya setiap

node(Manusia yang membawa perangkat) tidak bergerak secara random

melainkan bergerak berdasarkan Point of Interest[6]. Point of Interest ini

mengakibatkan probalitas manusia saling bertemu dengan manusia lain

menjadi berbeda-beda. Terdapat node yang memiliki probabilitas untuk

bertemu dengan node lain lebih tinggi, dan node ini disebut hub-node Dimana

melalui node ini node lain dapat menitipkan pesan untuk menyampaikannya ke

destination. sifat manusia ini dapat kita terapkan dan disimulasikan

menggunakan data set pergerakan manusia dengan simulator.

Simulator ONE memungkinkan untuk menggunakan pergerakan eksternal

dari data set, dalam hal ini data set yang digunakan adalah :


12

Haggle4-Cam-Imote

yang adalah data set hasil pertemuan/kontak dari konferensi yang

diselenggarakan di Laboratorium riset perusahaan Intel di Cambrige,

Laboratorium Universitas Cambrige, konferensi IEEE infocom di grand hyatt

Miami, dan dilokasi sekitar kota Cambrige, Inggris[7]. Dataset diambil

menggunakan sebuah alat yang bernama iMotes dan menggunakan interface

bluetooth, lama waktu simulasi adalah selama 987529 detik(sekitar 12 hari)

dan tersedia 36 node[8].

MIT Reality Mining

Dataset adalah data yang diambil dari 75 Mahasiswa di Laboratorium

Media MIT dan 25 mahasiswa baru Fakultas Bisnis yang bersebelahan dengan

Laboratorium media. Data set ini memiliki 96 node dengan waktu simulasi 50

hari sampai sekitar 8 bulan(4294800 sampai 21276000 detik).

2.5 Pergerakan Random Waypoint(RWP)

Dalam pergerakan ini setiap node akan bergerak acak, dan memiliki pause

time atau node tersebut sempat berhenti, kemudia node tersebut akan bergerak

kembali secara acak untuk mencari destination. Dalam pergerakan ini

probabilitas suatu node bertemu dengan node lain adalah sama.

2.6 Simulator ONE

Simulator ONE (Opportunistic Network Environtment) secara spesifik

adalah simulator untuk mengevaluasi routing pada Jaringan Oportunistik.

Fungsi utama dari simulator ini adalah pemodelan node movement, inter-node

contact, routing, dan message handling. Hasil dan analisis bisa didapatkan

melalui visualisasi dan reports, dan post-processing tools. Simulator ini juga

memungkinkan untuk menggunakan pergerakan eksternal. Dengan

mengimport dataset kemudian menerapkannya dalam skenario simulasi.


13

BAB III

PERANCANGAN SIMULASI JARINGAN

3.1. Parameter Simulasi

Pada penelitian ini, akan menggunakan parameter dari simulasi yang

bersifat tetap dan digunakan dengan nilai yang sama pada simulasi yang

berbeda. Parameter-parameter tersebut adalah :

Parameter Nilai

Routing Protocol Spray and Focus

Movement Model Random Waypoint

Bus Muvement

Haggle4-Cam-imotedan MIT Reality Mining

Closeness Age of Last Encounter Transitivity

Frequency of Encounter Transitivity

Duration of Encounter Transitivity

Tabel 3.1 Parameter utama simulasi.

3.2. Skenario Simulasi

Dalam pelaksanaan penelitian, masing-masing skenario akan

menggunakan variasi Closeness, berdasarkan kapan terakhir kontak(Last

Encounter), seberapa sering kontak(Frequency), dan berapa lama

kontak(Duration). Adapun penjelasan dari masing-masing Closeness ini

adalah sebagai berikut :


14

Age of Last Encounter Timers Transtivity (kapan terakhir kontak)

merupakan closenees default dari protokol Spray and Focus yang

menggunakan nilai kedekatan suatu node dengan node destination berdasarkan,

kapan node tersebut terakhir bertemu dengan Destination. Penerapannya dalam

fase Focus, Jika node(source/relay) bertemu dengan node yang memiliki waktu

terakhir bertemu dengan destination lebih baru, Maka pesan akan diberikan

kepada node tersebut untuk diserahkan kepada destination.

Pseudo Code Age of Last Encounter Timers Transtivity

while Ni is contact with node Nj

If ((Ni.ContainsKey(Nj))

end if

RecentEncounter.put(peer, new Double(SimClock.getTime()));

end while

Frequency of Encounter Transtivity (seberapa sering kontak)

merupakan Closeness pada spray and focus yang menggunakan nilai kedekatan

berdasarkan seberapa sering suatu node melakukan kontak dengan destination.

Penerapannya dalam fase Focus, jika node (relay) bertemu dengan node lain yang

memiliki frekuensi kontak lebih banyak dengan destination, Maka pesan akan

diberikan kepada node tersebut untuk diserahkan kepada destination.


15

Pseudo Code Frequency


If (Ni.ContainsKey(Nj))

FreqEncounter.put(peer, ++Freq);

end if

FreqEncounter.put(peer, 1);

end while

Duration of Encounter Transtivity (seberapa lama kontak)

Merupakan Closeness pada spray and focus yang menggunakan nilai

kedekatan berdasarkan seberapa lama suatu node melakukan kontak dengan

destination. Penerapannya dalam fase Focus, jika node (relay) bertemu dengan

node lain yang memiliki durasi kontak lebih banyak dengan destination, Maka

pesan akan diberikan kepada node tersebut untuk diserahkan kepada destination.

Pseudo Code Duration


double time = StartTime;

double eTime = simClock.getTime();

double durasi = eTime-time;

If (durasi > 0){

If (Ni.ContainsKey(Nj))

durasi = durasi + this.getDurationEncounter(Nj);

end if

DurationEncounter.put(peer, durasi);

end while


16

Skenario pengujian terhadap protocol Spray and Focus secara detail akan sajikan

dalam tabel-tabel berikut :

Kode Model Pergerakan Jumlah node Closeness

R.1

Random Waypoint

25;50;75;100

Last Encounter

R.2 Frequency

R.3 Duration

Tabel 3.2 Skenario pada pergerakan Random Waypoint dengan node

yang ditingkatkan.

Kode Model Pergerakan L Copies Closeness

L.1

Random Waypoint 2 ; 4 ; 6 ; 8

Last Encounter

L.2 Frequency

L.3 Duration

Tabel 3.3 Skenario pada pergerakan Random Waypoint dengan L Copies

yang ditingkatkan.

Kode Moel Pergerakan Jumlah Node Closeness

B1

BusMovement EventExternal Simulator

(1027 node)

Last Encounter

B2 Frequency

B3 Duration

Tabel 3.4 Skenario pada pergerakan Pergerakan BusMovement


17

Kode Model Pergerakan Jumlah node Closeness

H.1

Haggle4-Cam-Imote

36

Last Encounter

H.2 Frequency

H.3 Duration

M.1

MIT Reality Mining 97

Last Encounter

M.2 Frequency

M.3 Duration

Tabel 3.5 Skenario pada pergerakan Pergerakan Manusia

Kode Model

Pergerakan Margin (%) Closeness

T.1

MIT Reality

Mining

10;20;30;40

Last Encounter

T.2 Frequency

T.3 Duration

Tabel 3.6 Skenario pada pergerakan Pergerakan (MIT Reality Mining)

Margin yang ditingkatkan.

3.3. Parameter Kinerja

Terdapat lima parameter kinerja atau unjuk kerja analisis yang digunakan

dalam penelitian ini untuk mengevaluasi dampak dari Transitivity berdasarkan

Closeness yang dilihat dari kapan terakhir node tersebut bertemu dengan node

destination(Last Encounter), seberapa sering node tersebut bertemu(Frequency),

dan seberapa lama node tersebut bertemu(Duration) dengan node destination

terhadap kinerja Protokol routing Spray and Focus, antara lain :


18

Delay(average latency)

Parameter Average Latency digunakan untuk mengetahui waktu yang

dibutuhkan pesan dari Source untuk sampai ke destination

Average Latency = Sum of Latency of Delivered Messages

Total generated new Messages

Delivery Probability(Delivery ratio)

Parameter ini digunkaan untuk mengetahui ada berapa banyak pesan

yang dubuat dan terkirim ke tujuan dengan tepat.

Delivery Ratio = Total Delivered Messages

Total Generated Message

Average Buffer Occupancy

Parameter ini digunakan untuk mengetahui jumlah rata-rata pemakaian ruang

buffer yang digunakan dengan skala 0-100%.

Hop Count

Parameter ini digunakan untuk mengetahui berapa banyak lompatan

pesan untuk menemukan destination.

Overhead

Parameter ini digunakan untuk mengetahui banyaknya copy pesan yang sampai

ke tujuan dari pesan yang dibuat(generate) dalam jaringan. Apabila terlalu banyak

salinan pesan dalam jaringan maka akan mengakibatkan penggunakan resource

node yang tinggi.

Overhead Ratio = number of relayed message – number of delivered message

number of delivered message


19

Message Drop

Parameter ini digunakan untuk mendapatkan informasi pesan yang di

Drop dari sebuah node yang dapat disebabkan oleh dua kondisi Yakni,

1. Buffer : pesan akan di drop ketika jumlah pesan sudah memnuhi

kapasitas Buffer yang dimiliki node.

2. TTL (Time to Live) : pesan akan di drop dikarenakan usia pesan atau

TTL sudah habis.

3.4. Topologi Jaringan

Jaringan Oportunistik memiliki ciri node yang bergerak dan jaringan yang

tidak dapat dipastikan keberadaannya Sehingga topologi dari jaringan ini tidak

dapat digambarkan secara spesifik seperti pada jaringan yang menggunakan

infrasrtukur.

Pada pergerakan Random Waypoint, node-node ada yang tersebar serta

berjalan kearah yang random. Sedangkan untuk model pergerakan yang

sesungguhnya, node tersebar secara random dan berjalan menuju tempat-tempat

yang sudah ditentukan.


20

BAB IV

PENGUJIAN DAN ANALISIS

Untuk mengetahui seberapa efektif Spray and Focus, jika transitivity dihitung

berdasarkan (kapan kontak terakhir, sering kontak, dan lama kontak) pada Jaringan

Oportunistik. Maka dilakukan pengujian sesuai dengan skenario pada rancangan

simulasi Bab 3.

4.1 Random Waypoint

4.1.1. Penambahan Node(Density)

4.1.1.1 Delivery Probability

Node Delivery Probability

Duration Frequency Recent

25 0.2155 0.2342 0.1988

50 0.6409 0.7385 0.5295

75 0.8546 0.8673 0.795

100 0.8868 0.9005 0.8705

Table 4.1.1 Hasil pengujian Delivery Probability terhadap

penambahan jumlah Node pada pergerakan Random Waypoint

Gambar 4.1.1 Grafik pengaruh penambahan jumlah node terhadap

Delivery Probability di pergerakan Random Waypoint

0

0.2

0.4

0.6

0.8

1

25 50 75 100

Deliv

Pro

b

Node

Delivery Probability



21

4.1.1.2 Delay

Node Delay


25 42308.7972 42445.8453 41626.5539

50 35943.9698 33805.8293 37871.2153

75 29336.2345 28291.3311 31874.7187

100 27044.9814 26906.3293 28466.4415

Table 4.1.2 Hasil pengujian Delay pada penambahan jumlah

Node di pergerakan Random Waypoint

Gambar 4.1.2 Grafik pengaruh penambahan jumlah node

terhadap Delay di pergerakan Random Waypoint

Penambahan jumlah node memberikan dampak yang semakin baik untuk

peluang sampainya pesan ke destination. Hal ini disebabkan karena semakin

banyak node yang berada dalam jaringan maka akan makin banyak nya relay,

Sehingga yang membantu membawa pesan untuk ditransmisikan akan semakin

banyak dan peluang menemukan destination semakin besar(lihat grafik 4.1.1)

dan jika Probabilitas untuk menemukan destination semakin tinggi maka akan

menghasilkan angka Delay yang semakin kecil(sesuai grafik 4.1.2).

20000

30000

40000

50000

25 50 75 100

Dela

y(s

)

Node

Delay



22

4.1.1.3 Message Drop

Node Message Drop


25 33054 34174 32391

50 44286 43059 45156

75 41566 41398 42385

100 41231 41022 41409

Table 4.1.3 Hasil pengujian Message Drop terhadap penambahan

jumlah Node pada pergerakan Random Waypoint


Message Drop di pergerakan Random Waypoint.

Dampak Drop dari penambahan node, kinerja terlihat membaik ketika

node yang memadati jaringan mulai dari 75 – 100 node, angka drop

menunjukan penurunan meskipun tidak signifikan, ini dikarenakan pesan

sudah sampai di relay kepada destination terlebih dulu sebelum TTL habis.

30000

35000

40000

45000

50000

25 50 75 100

Dro

p M

essa

ge

Node

Drop Message



23

4.1.1.4 Average Hop Count

Node Avg Hop Count


25 2.0375 1.9945 2.0406

50 2.9836 2.8589 2.9995

75 3.6359 3.2377 4.0229

100 3.9371 3.4589 4.6144

Table 4.1.4 Hasil pengujian Average Hop Count terhadap penambahan

jumlah Node pada pergerakan Random Waypoint.


Average Hop Count di pergerakan Random Waypoint.

4.1.1.5 Overhead Ratio

Node Overhead Ratio


25 13.0649 11.927 14.2451

50 15.4846 11.9968 20.0884

75 15.8333 12.4955 24.5353

100 16.946 13.1545 29.2885

Table 4.1.5 Hasil pengujian Overhead Ratio terhadap penambahan

jumlah Node pada pergerakan Random Waypoint

1

2

3

4

5

25 50 75 100

Avg

Ho

p C

ou

nt

Node

Avg Hop Count



24


Overhead Ratio di pergerakan Random Waypoint.

Average Hop Count pada skenario penambahan node mengalami peningkatan

pada setiap penambahannya begitu juga dengan Overhead Ratio meskipun tidak

signifikan hal ini disebabkan karena relay yang semakin tinggi disetiap

penambahan node. Dan untuk Overhead Ratio yang tidak signifikan disebabkan

karena Spray and Focus adalah Routing yang menggunakan kombinasi skema

Multi-copy dan single copy sehingga bisa mengendalikan banyak pesan dalam

jaringan. (pada bagian ini hanya membahas tentang dampak penambahan Node,

untuk pembahasan perbandingan kinerja dari tiga protocol akan dibahas pada akhir

pembahasan skenario penambahan Lcopies)

4.1.2. Penambahan L Copies


L Copies Delivery Probability


2 0.703 0.7062 0.7012

4 0.8868 0.9005 0.8705

6 0.9408 0.9527 0.9037

8 0.9576 0.969 0.9026

Table 4.1.2.1 Hasil pengujian Delivery Probability terhadap penambahan

L Copies pada pergerakan Random Waypoint

0

10

20

30

40

25 50 75 100

Ove

rhe

ad

Ra

tio

Node

Overhead Ratio



25

Gambar 4.1.2.1 Grafik pengaruh penambahan L Copies terhadap

Delivery Probability di pergerakan Random Waypoint

4.1.2.2 Delay

L Copies Delay


2 33218.3932 33622.5849 33385.011

4 27044.9814 26906.3293 28466.4415

6 23100.3691 22406.0269 26796.0583

8 20695.9771 19302.8937 27390.4179


pergerakan Random Waypoint

Gambar 4.1.2.2 Grafik pengaruh penambahan L Copies terhadap Delay di


15000

20000

25000

30000

35000

2 4 6 8

Dela

y(s

)

Lcopies

Delay


0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

2 4 6 8

De

live

ry P

rob

ab

ility

(0-1

)

Lcopies




26


L Copies Message Drop


2 17037 16970 17034

4 41231 41022 41409

6 66916 66747 67327

8 93377 93225 93978




Message Drop di pergerakan Random Waypoint

4.1.2.4 Hop Count

L Copies Hop Count


2 3.8433 3.2694 4.9973

4 3.9371 3.4589 4.6144

6 4.0999 3.706 4.5148

8 3.8773 3.5263 4.0995

Table 4.1.2.4 Hasil pengujian Hop Count terhadap penambahan L Copies

pada pergerakan Random Waypoint


27

Gambar 4.1.2.4 Grafik pengaruh penambahan L Copies terhadap Average

Hop Count di pergerakan Random Waypoint

4.1.2.5 Overhead Ratio

L Copies Overhead Ratio


2 10.2839 7.9962 18.7907

4 16.946 13.1545 29.2885

6 23.5095 18.3768 38.2791

8 29.9391 23.5341 44.667

Table 4.1.2.5 Hasil pengujian Overhead terhadap penambahan L Copies

pada pergerakan Random Waypoint


Overhead di pergerakan Random Waypoint

0

10

20

30

40

50

2 4 6 8

Ove

rhe

ad

Ratio

Lcopies

Overhead Ratio


2

3

4

5

6

2 4 6 8

Ho

p C

ou

nt

Lcopies

Hop Count



28

4.1.2.6 Buffer Occupancy

Gambar 4.1.2.6 Average Buffer Occupancy Duration Encounter

Transtivity di pergerakan Random Waypoint.

Gambar 4.1.2.7 Average Buffer Occupancy Frequency Encounter

Transtivity di pergerakan Random Waypoint.

Gambar 4.1.2.8 Average Buffer Occupancy Last Encounter Transtivity di

pergerakan Random Waypoint.

0

10

20

30

1 5 9

13

17

21

25

29

33

37

41

45

49

53

57

61

65

69

73

77

81

85

89

93

97

Bu

ffe

r O

ccu

pa

ncy(%

)

Node


0

10

20

30

1 5 9

13

17

21

25

29

33

37

41

45

49

53

57

61

65

69

73

77

81

85

89

93

97

Bu

ffe

r O

ccu

pa

ncy (

%)

Node


0

5

10

15

20

25

30

1 5 9

13

17

21

25

29

33

37

41

45

49

53

57

61

65

69

73

77

81

85

89

93

97

Bu

ffe

r O

ccu

pa

ncy(%

)

Node



29

Skenario penambahan L Copies memberikan performa yang baik untuk

Delivery Probability dan berhasil menurunkan Delay di setiap penambahannya hal

ini dikarenakan semakin banyak L Copies dalam jaringan maka akan semakin

banyak juga node relay yang akan mendapatkan pesan. Namun disisi lain skenario

ini mengakibatkan Drop dan Overhead Ratio yang semakin tinggi seiring dengan

makin banyak nya pesan dalam jaringan. Dan untuk Hop Count tidak terlalu

bedampak hal ini dikarenakan meskipun banyak pesan bertambah namun node

relay tidak bertambah sehingga jalur menuju destination tidak berdampak terhadap

skenario ini.

Untuk perbandingan ketiga Protokol, sekalipun cukup kompetitif namun Spray

and Focus dengan pendekatan Frequency memberikan performa lebih unggul

disemua skenario menggunakan Random Waypoint. bersamaan dengan unggul

Frequency Encounter Transtivity dalam hal Delivery Probability Data ini juga

didukung dengan data lainnya. Mulai Delay, Message Drop, Overhead Ratio, Hop

Count, dan Buffer Occupancy(lihat grafik 4.1.1 – 4.1.2.8). Spray and Focus dengan

Frequency Encounter Transtivity secara konsisten tercatat lebih baik kemudian

disusul dengan Duration Encounter, dan Last Encounter Transtivity.

Optimalnya kinerja Spray and Focus dengan Frequency Encounter Transtivity

pada pergerakan Random Waypoint dipengaruhi karena. Pertama, dalam skenario

simulasi untuk pergerakan Random Waypoint kita menentukan wait time, yang

berisi waktu minimal dan maksimal suatu node untuk berhenti sebelum akhirnya

kembali bergerak(durasi kontak). Sementara dipergerakan ini kita tidak bisa

membatasi seberapa sering node tersebut bergerak dan bertemu dengan node

lain(frekuensi kontak) sehingga bisa memberikan node untuk mendapatkan

informasi Frekuensi bertemu dengan destination lebih banyak.

Kedua, menggunakan pendekatan Frequency Encounter Transtivity, dan

Duration Encounter Transtivity berhasil memperbaiki kinerja Spray and Focus

default dengan Last Encounter Transtivity. Karena menggunakan pendekatan

Frequency Encounter Transtivity, dan Duration Encounter setiap pertemuan node


30

direkam sehingga transaksi pesan menjadi semakin terarah kepada Node yang tepat.

Bisa dilihat hasil report Buffer Occupancy(lihat grafik 4.1.6 - 4.1.8), pendekatan

Frequency Encounter Transtivity, dan Duration Encounter bisa menghasilkan

beberapa Hub Node yang efektif untuk mejadi relay sehingga pesan akan sampai

Lebih cepat sampai ke destination.

4.2. BusMovement di kota Helsinky

Metric Duration Frequency Recent

Relayed 190755 179711 209882

Drop 51507 50824 52677

Deliv Prob 0.4201 0.4555 0.324

Overhead_ratio 25.7952 22.2816 37.2299

Delay 42934.6528 43054.0371 41282.5328

AvgHp count 3.9861 3.9289 4.0457

Table 4.2. Hasil pengujian terhadap pergerakan BusMovement

4.2.1. Delivery Probability

Gambar 4.2.1. Grafik Delivery Probability terheadap BusMovement


31

4.2.2. Delay

Gambar 4.2.2. Grafik Delay terheadap BusMovement

4.2.3. Message Drop

Gambar 4.2.3. Grafik Message Drop terheadap BusMovement

4.2.4. Hop Count

Gambar 4.2.4. Grafik Hop Count terheadap BusMovement


40000

41000

42000

43000

44000

Del

ay(s

)

Delay


32

4.2.5. Overhead

Gambar 4.2.5. Grafik Overhead terheadap BusMovement

Pada skenario penerapan Spray and Focus di kota Helsinky dengan

menggunakan sub pergerakan BusMovement menghasilkan trend Spray and

Focus dengan pendekatan Frequency Encounter Transtivity tercatat lebih

optimal, Baik dari Delivery Probability yang lebih tinggi dan dengan Delay,

Message Drop, Overhead, dan Hop Count yang lebih rendah. Hal ini

disebabkan BusMovement memiliki pola pergerakan yang tetap, dimana

pergerakan Bus memiliki titik koordinat Start, dan Stop kemudian bergerak

kembali yang terpola. Sehingga jika semakin tinggi frequensi kontak dari Node

tersebut maka peluang kedua node tersebut untuk kembali bertemu akan

semakin besar sehingga node tersebut bisa menjadi relay yang baik untuk

meneruskan pesan ke destination.

Kebehasilan kinerja Routing Protokol pada pergerakan Bus memiliki

catatan khusus, mengingat pergerakan bus memiliki waktu kontak yang singkat,

jika kontak tersebut terjadi saat Bus sedang bergerak sehingga bisa

menghasilkan peluang pesan mengalami Abort(gagal di kirimkan) maka untuk

meminimalisir kemungkinan tersebut kita harus memastikan pesan yang di

distribusikan berada dalam ukuran yang kecil agar tidak mengalami Abort pada

waktu kontak yang singkat.


33

4.2.5. Buffer Occupancy

Gambar 4.2.6. Grafik Average Buffer Occupancy(%) Duration terheadap

BusMovement

Gambar 4.2.7. Grafik Average Buffer Occupancy(%) Frequency

terheadap BusMovement

Average

Average


34

Gambar 4.2.8. Grafik Average Buffer Occupancy(%) Recent terheadap

BusMovement

Selain itu baiknya kinerja Spray and Focus dengan pendeketan Frequency

pada pergerakan Bus juga bisa dilihat pada grafik Buffer Occupancy (lihat

grafik 4.2.6 - 4.2.8) pada grafik ini bisa dilihat bahwa pendekatan Frequency

bisa membuat kinerja Hub Node menjadi lebih optimal sebagai relay yang

dipilih node untuk meneruskan pesan. Jumlah Hub Node terlihat lebih banyak

dan berhasil memberikan Delivery Probability yang tinggi kemudian delay,

drop, Hop Count dan Overhead yang rendah.

4.3. Pergerakan Manusia

4.3.1. Haggle4-Cam-Imote

Haggle4Cam Duration Frequency Recent

Relayed 3188 2996 3167

Drop 1389 1401 1403

Deliv Prob 0.4861 0.4566 0.451

Overhead_ratio 11.1217 11.1296 11.9795

Delay 32829.8943 31106.6502 31400.9291

AvgHp count 3.0837 2.9838 2.9467

Table 4.3.1 Hasil pengujian terhadap dataset Haggle4-Cam-imote

Average Average


35


Gambar 4.3.1.1 Grafik Delivery Probabability terheadap Haggle4-Cam-

imote

4.3.1.2 Delay

Gambar 4.3.1.2 Grafik Delay terheadap Haggle4- Cam-imote

Penerapan Spray and Focus pada pergerakan manusia menggunakan data

set Haggle4-Cam-Imote menampilkan hasil yang berbeda dari sebelumnya.

Jika pada pergerakan Random Waypoint dan BusMovement Spray and Focus

dengan pendekatan Frequency Encounter Transtivity tercatat lebih optimal

sementara pada Haggle4-Cam-Imote, Spray and Focus dengan pendekatan

Duration Encounter Transtivity lebih unggul. Hal ini disebabkan Haggle4-


36

Cam-Imote adalah data set yang direkam pada saat konferensi di Laboratorium

riset perusahaan Intel di Cambrige Dimana data set ini memiliki pola, Node

datang kedalam ruangan, duduk, istirahat, break/makan, kemudian akan

kembali ke dalam ruangan untuk waktu yang cukup lama, selain itu manusia

memiliki kecenderungan bergerak berdasarkan point of interest(tidak random)

sehingga setiap node akan memiliki probabilitas yang berbeda. Dalam hal ini

node yang memiliki durasi kontak lebih banyak dengan destination dianggap

memiliki probabilitas yang lebih baik.

Optimal nya kinerja Spray and Focus Dengan Duration Encounter

Transtivity pada data set ini bisa dilihat dari grafik Delivery Probability yang

lebih tinggi, hal ini disebabkan karena pergerakan ini terdapat beberapa node

Populer atau Hub Node, disini Hub Node berperan sebagai relay yang banyak

dipilih oleh node lain karena memiliki probabilitas yang lebih baik. Bisa dilihat

pada grafik Buffer Occupancy, ada beberapa node yang menonjol dalam hal

penggunaan Buffer(lihat grafik 4.3.1.6- 4.3.1.8). meskipun memiliki

probabilitas yang bagus, namun Duration Encounter Transtifity tercatat

memiliki Delay cukup tinggi, ini dikarenakan untuk mendapatkan probabilitas

yang bagus, node harus memiliki waktu kontak yang lama sebelum node akan

merelay pesan kepada node lain. Proses untuk mendapatkan probabilitas ini

yang membuat Delay pada Duration Encounter Transtivity lebih tinggi dari

Encounter Transitivity lainnya. Dan hal lain yang menyebabkan Encounter

trasitivity lain cukup kompetitif adalah karena jumlah node dalam jaringan

yang sedikit, sehingga meskipun dengan relay yang lebih sedikit pesan sudah

bisa sampai ke destination.


37


Gambar 4.3.1.3 Grafik Message Drop terheadap Haggle4- Cam-imote

4.3.1.4 Hop Count

Gambar 4.3.1.4 Grafik Hop Count terheadap Haggle4- Cam-imote

Grafik Drop menampilkan, pendekatan Duration Encounter Transitivity

tercatat memiliki drop yang lebih rendah dari yang lainnya. Hal ini sesuai dengan

grafik (lihat grafik 4.3.1.1. – 4.3.1.2) sekalipun kecepatan pesan untuk sampai ke

tujuan lebih lambat, namun pendekatan Durasi memiliki probabilitas untuk

mengantarkan pesan ke destination paling tingggi karena pesan yang

didistribusikan lebih akurat sampai ke destination dari pada di drop, dan gafik ini

membuktikan drop message pada Duration Ecounter Transitifity lebih kecil dari

Encounter Transitivity lainnya.


38

Pada penjelasan sebelumnya kita mendapatkan grafik delay yang lebih

tinggi untuk Duration Encounter Transitivity, ini disebabkan node harus memiliki

waktu kontak yang lama sebelum node akan me-relay pesan kepada node lain.

Kemudian hal lain yang mempengaruhi adalah pola dari data set ini yang hanya

memiliki sedikit node untuk berinteraksi dalam sebuah konferensi, pola itu

memungkinkan tiap node pernah mengalami kontak dengan destination, sehingga

tiap node juga memiliki probabilitas untuk mendapatkan pesan. Hal ini

memungkinkan distribusi pesan menjadi lebih luas dan mengakibatkan Hop Count

yang tinggi pada Duration Encounter Transitivity. Untuk penyebab pada Encounter

Transitivity lainnya yang memiliki hop count rendah adalah Encounter Transitivity

lain tidak mengambil keuntungan untuk banyak merelay pesan dari pergerakan ini,

Node cenderung lebih naif untuk tidak merelay karena pendekatan Frequency

Encounter Transitivity dan Last Encounter Transitivity pada pergerakan manusia

tidak membuat node peer memiliki probabilitas yang bagus. Kembali lagi ini

disebabkan karena manusia memiliki pola untuk diam pada waktu yang cukup lama

dari pada bergerak terus menerus secara frekuentif[9].

4.3.1.5 Overhead

Gambar 4.3.1.5 Grafik Overhead terheadap Haggle4- Cam-imote

Hasil pengujian pada overhead menunjukan Overhead yang lebih rendah

disebabkan karena Duration Encounter Transitivity mampu mengontrol jumlah

pesan yang sampai ke destination sehingga Drop juga menjadi lebih sedikit. Dan

jika dilihat pada grafik Buffer Occupancy (grafik 4.3.1.6 - 4.3.1.8) Duration -


39

Encounter Transitifity terlihat memiliki konsumsi buffer yang lebih sedikit namun

memiliki probabilitas yang paling tinggi, ini dikarenakan lebih banyak pesan yang

sampai sebelum di drop dari buffer karena kehabisan TTL.

4.3.1.6 BufferOccupancy

Gambar 4.3.1.6 Grafik Buffer Occupancy terheadap Haggle4- Cam-

imote menggunakan Duration Encounter Transtivity


imote menggunakan Frequency Encounter Transtivity


imote menggunakan Last Encounter Transtivity

(%)

Average

(%)

Average

(%)

Average


40

4.3.2. MIT Reality Mining

Setelah mendapatkan kinerja yang bagus dari pendekatan Duration Encounter

Transitivity pada data set Haggle4-Cam-imote, maka dilakukan simulasi kembali

pada pergerakan manusia lainnya yakni MIT Reality Mining. Hal yang

membedakan dengan pergerakan sebelumnya adalah selain perbedaan lokasi

pengambilan data, pada data set ini juga memiliki waktu simulasi yang lebih lama

dan jumlah node yang lebih banyak. Percobaan ini dilakukan untuk mencari tau

apakah pendekatan Duration Encounter Transitivity bisa scalable jika diterapkan

pada data set yang berbeda.


Relayed 13178 13371 12064

Drop 5853 5856 5872

Deliv Prob 0.4371 0.4287 0.4084

Overhead_ratio 24.4402 25.3209 23.9256

Delay 238844.296 242510.307 245843.85

AvgHp count 3.7162 3.5453 3.3595

Table 4.3.2 Hasil pengujian terhadap dataset MIT Reality Mining

4.3.2.1. Deliver Probability

Gambar 4.3.2.1 Grafik Delivery Probability terhadap MIT Reality

Mining


41

4.3.2.2. Delay

Gambar 4.3.2.2 Grafik Delay terhadap MIT Reality Mining

Hasil pengujian terhadap data set MIT Reality Mining, Spray and Focus

dengan Duration Encounter Transitivity secara konsisten memberikan hasil yang

lebih baik dari Encounter Transitivity lainnya jika diterapkan pada pergerakan

manusia yang memiliki node dan waktu simulasi yang lebih besar. Ini bisa dilihat

dari angka Delivery Probability yang lebih baik(grafik 4.3.2.1). Penjelasannya

sama seperti pada penjelasan data set Haggle4-Cam-imote diatas hal ini disebabkan

karena data set Reality memiliki pola pergerakan mahasiswa di laboratorium MIT

dan sekitarnya. Artinya node bergerak berdasarkan point of interest(tidak random)

dan pola ini membuat masing-masing node memiliki probabilitas yang berbeda.

Pendekatan Duration Encounter Transitivity berhasil mendapatkan hasil yang

optimal dan mampu memberikan Delay dan Drop (grafik 4.3.2.2 dan 4.3.2.3)yang

lebih kecil dari pendekatan Encounter Transitivity lainnya.


42

4.3.2.3. Message Drop

Gambar 4.3.2.3 Grafik Message Drop terhadap MIT Reality Mining

4.3.2.4. Hop Count

Gambar 4.3.2.4 Grafik Hop Count terhadap MIT Reality Mining

4.3.2.5. Overhead

Gambar 4.3.2.5 Grafik Overhead terhadap MIT Reality Mining


43

Untuk Overhead pada kasus reality, Duration Encounter Transitivity

berhasil mengontrol jumlah pesan sampai ke destination sehingga tidak

memberika overhead yang paling tinggi. hal ini disebabkan pembuatan pesan

baru dilakukan dengan syarat node harus kontak dengan node lain, sementara

pada data set ini frekuensi kontak node tidak mendominasi Hal ini yang

menyebabkan pembuatan pesan dapat dikontrol sehingga memberikan angka

yang kecil pada Overhead. Sedangkan untuk Hop Count pada kasus ini

mejelaskan semakin tinggi Hop Count maka akan membuat pesan sampai

destination lebih cepat sehingga memberikan angka Delay yang kecil.

Sama seperti hasil Hop Count pada dataset Haggle, Hop Count Duration

Encounter Transitivity pada reality juga tercatat memiliki angka paling tinggi,

disini bisa disimpulkan penggunaan Duration Encounter Transitivity gagal

memotong jalur menuju destination menjadi lebih pendek, namun bisa

memberikan akurasi peluang untuk bertemu dengan destination lebih baik.

4.3.2.5. Buffer Occupancy

Gambar 4.3.2.6 Grafik Average Buffer Occupancy terheadap Reality

menggunakan Duration Encounter Transtivity

0

10

20

30

1 5 9 13172125293337414549535761656973778185899397

Bu

ffe

r O

ccu

pa

ncy (

%)

Node



44


menggunakan Frequency Encounter Transtivity


menggunakan Last Encounter Transtivity.

Sama dengan grafik buffer Occupancy pada dataset Haggle4-Cam-Imote,

Duration Encounter Transitifity berhasil mengoptimalkan penggunaan buffer,

meskipun tercatat paling sedikit menggunakan Buffer, namun berhasil memberikan

Probabilitas paling tinggi untuk dapat menemukan Destination.

4.3.3. Penambahan Margin Transtivity pada Reality

Skenario ini dilakukan untuk melihat kinerja dari Spray and Focus dengan

Duration Encounter Transitivity , jika Margin atau Utility Threshold yang-

digunakan pada forwarding policy ditingkatkan.

0

10

20

30

1 5 9 13172125293337414549535761656973778185899397Bu

ffe

r O

ccu

pa

ncy(%

)

Node


0

10

20

30

1 5 9 13172125293337414549535761656973778185899397

Bu

ffe

r O

ccu

pa

ncy(%

)

Node



45

4.3.3.1. Delivery Probabability

Margin(%) Delivery Probability


0 0.4346 0.4295 0.4177

10.00% 0.4371 0.4287 0.4084

20.00% 0.4354 0.4287 0.4076

30.00% 0.4388 0.4287 0.3949

40.00% 0.4388 0.427 0.3941

Table 4.3.3.1 Hasil pengujian Delivery Probability

terhadap penambahan Margin Transtivity

Gambar 4.3.3.1 Grafik pengaruh penambahan Margin terhadap Delivery

Probability di pergerakan Reality

4.3.3.2. Delay

Margin(%) Delay


0 237639.773 240977.88 242527.227

10.00% 238844.296 242510.307 245843.85

20.00% 237974.25 243788.848 246459.194

30.00% 238949.201 242752.316 241101.578

40.00% 238612.166 241870.224 242463.675

Table 4.3.3.2 Hasil pengujian Delay terhadap

penambahan Margin Transtivity

0.39

0.4

0.41

0.42

0.43

0.44

0.45

0 0.1 0.2 0.3 0.4

De

live

ry P

rob

ab

ility

(0-1

)

Margin (%)




46

Gambar 4.3.3.2 Grafik pengaruh penambahan Margin terhadap Delay di

pergerakan Reality

4.3.3.3. Message Drop

Margin(%) Message Drop


0 5854 5857 5865

10.00% 5853 5856 5872

20.00% 5855 5854 5875

30.00% 5851 5853 5889

40.00% 5852 5858 5889

Table 4.3.3.3 Hasil pengujian Message Drop terhadap


Gambar 4.3.3.3 Grafik pengaruh penambahan Margin terhadap Message

Drop di pergerakan Reality

236000

238000

240000

242000

244000

246000

248000

0 0.1 0.2 0.3 0.4

De

lay(s

)

Margin

Delay


5840

5850

5860

5870

5880

5890

5900

0 0.1 0.2 0.3 0.4

Me

ssa

ge

Dro

p

Margin(%)

Message Drop



47

4.3.3.4. Hop Count

Margin(%) Hop Count


0 3.7282 3.5678 3.7737

10.00% 3.7162 3.5453 3.3595

20.00% 3.6899 3.502 3.2008

30.00% 3.6615 3.4941 3.1368

40.00% 3.6442 3.4921 3.1199

Table 4.3.3.4 Hasil pengujian Hop Count terhadap


Gambar 4.3.3.4 Grafik pengaruh penambahan Margin terhadap Hop

Count di pergerakan Reality

4.3.3.5. Overhead

Margin(%) Overhead Ratio


0 25.1883 25.6916 33.6283

10.00% 24.4402 25.3209 23.9256

20.00% 24.0581 24.8386 22.1636

30.00% 23.4481 24.4075 22.0043

40.00% 23.0288 24.0514 21.5931

Table 4.3.3.5 Hasil pengujian Overhead terhadap


2.5

3

3.5

4

0 0.1 0.2 0.3 0.4

Ave

rag

e H

op

Co

un

t

Margin(%)

Hop Count



48

Gambar 4.3.3.5 Grafik pengaruh penambahan Margin Overhead di

pergerakan Reality

Dari semua pengujian Margin terhadap metric yang gunakan, pendekatan

Duration Encounter Trasitivity terbukti lebih stabil di setiap penambahannya di

semua metric, Berbeda dengan pendekatan Frequency dan Last Encounter

Transitivity yang tercatat tidak stabil jika diterapkan pada pergerakan Manusia. Hal

ini disebabkan karena pola dari data set ini adalah node melakukan kontak dengan

node yang memiliki point of interest dengan waktu yang lama. Dan angka yang

optimal sebagai margin yang diterapkan di Duration Encounter Tansitivity adalah

10 %, angka 10% ini dipilih karena bisa memberikan komposisi Delivery

Probability yang tinggi dan bisa meredam angka Delay, Drop, Overhead Hop

Count.

20

25

30

35

0 0.1 0.2 0.3 0.4

Ove

rhe

ad

Ra

tio

Margin(%)

Overhead



49

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Pengujian yang dilakukan pada pergerakan random, Dimana setiap node

memiliki probabilitas yang sama, akan sesuai jika dihadapkan dengan pendekatan

Frequency Encounter Transitivity . Karena sekalipun bergerak secara acak, jika

setiap kontak yang terjadi direkam dan disimpan ternyata bisa menjadi parameter

yang efektif untuk memilih node relay agar dapat meneruskan pesan ke destination.

Selain pada kasus Random Waypoint, pendekatan Frequency Encounter

Transitivity juga menunjukan keberhasilan pada pergerakan kota Helsinky dengan

sub pergerakan BusMovement. Hal ini disebabkan karena pergerakan suatu Bus

sudah memiliki rute yang terpola dimana titik koordinat untuk Start, Stop dan

kemudian bergerak lagi yang sudah di tentukan Artinya semakin tinggi frekuensi

kontak suatu node dengan destination, maka node tersebut memiliki Probabilitas

yang tinggi untuk bertemu lagi dengan destination. Artinya node tersebut bisa

menjadi node relay yang baik untuk meneruskan pesan ke destination. Namun

pergerakan Bus memiliki kemungkinan waktu kontak yang singkat pada saat

bergerak, sehingga memungkinkan kan terjadinya Abort(gagal terkirim karena

kontak sudah putus) maka untuk mendapatkan hasil yang optimal, kita harus

memastikan pesan memiliki ukuran yang kecil, karena jika ukuran pesan terlalu

besar bisa mengakibatkan pesan mengaami Abort.

Pengujian pada Pergerakan manusia menggunakan data set yang memiliki node

sedikit hingga menggunakan data set dengan node paling tinggi, hasilnya Duration

Encounter Transitivity tercatat lebih baik karena pendekatan durasi kontak lebih

sesuai dengan sifat manusia yang cenderung diam pada waktu yang lama di suatu

tempat sebelum akhirnya bergerak ke tempat lainnya.


50

5.2 Saran

Meninjau dari hasil penelitian diatas, maka kedepannya bisa dikembangkan

untuk mengevalulasi kinerja Spray and Focus menggunakan gabungan Frequency

dan Duration Encounter Transitivity pada jaringan Oportunistik dan menambahkan

parameter Abort dalam penelitian mengingat ada kemungkinan pesan gagal terkirim

karena ukuran pesan terlalu besar dan kontak node putus.


51

DAFTAR PUSTAKA

[1] Vahdat, Amin & Becker, David. “Epidemic routing for Partially-Connected Ad

Hoc Networks”. Technical Repport CS-200006, Duke University, April 2000.

[2] Z. Zhang, “Rounting in intermittently Connected Mobile Ad Hoc Networks

and Delay Tollerant Network : Overview and challenges,” IEEE Communications

survey and Tutorials, vol. 8, no.1, pp. 24-37, 2006.

[3] Farrel., Delay-Distrubtion- Tollerant Networking, Norwood, MA , USA :

Artech House, Inc, 2006.

[4] Puri, P., Singh, M.P. (2013), “A Survey Paper on Routing in Delay-Tollerant-

Networks”, International Conference on information system and computer

networks, pp. 215-220.

[5] Dayanand Naviya. (2015), “Routing in Delay Tollerant Network”, Internatioanl

Conference on Advance in Science and Technology, 2015.

[6] Lindgreen, A., Doria, A., Schelen, O., “Probabilistic Routing in Intermittently

Connected Networks”. Mobile Computing and Commun. Review, Vol.7., No. 3,

Juli 2013.

[7] Scott , J., Gass, R., Crowcroft, J., Hui, P., Diot C, Chaintreau A., CRAWDAD

dataset Cambrige/haggle (v 2009-05-29), diakeses dari

(crawdad.org/cambrige/haggle/20090529, doi: 10.15783/C70011, September

2016).

[8] J. Schiller, Mobile Communication, Great Britain : Biddles, 2013.

[9] Psounis, K., Cauligi S. Raghavendra., “Spray And Focus: Efficient Mobility-

Assisted routing for heterogenous and correlated Mobility”, Planete Project, INRIA,

Shopia-Antipolis, Electrical Engineering amd Computer Science, University of

Southern California. 2017.


52

LAMPIRAN

Class Spray and Focus Duration

package routing;

import java.util.HashMap; FocusDuration1.java public class FocusDuration1 implements RoutingDecisionEngine {

/** SprayAndFocus router's settings name space ({@value} ) */

public static final String SPRAYANDFOCUS_NS = "FocusDuration1"; /** identifier for the initial number of copies setting ({@value} ) */

public static final String NROF_COPIES_S = "nrofCopies"; /** Message property key for the remaining available copies of a message */ public static final String MSG_COUNT_PROP = "FocusDuration1.copies";

/** * Message property k y for summary vector messages exchanged between direct * peers */

public static final String SUMMARY_XCHG_PROP = "FocusDuration1.protoXchg";

protected static final String SUMMARY_XCHG_IDPREFIX = "summary";

protected static int protocolMsgIdx = 0;

protected int initialNrofCopies; /** Stores information about nodes with which this host has come in contact */ protected Map<DTNHost, Double> DurEncounters;

private String fase = "";

protected Map<DTNHost, Double> startTimestamps;

public FocusDuration1(Settings s) {

Settings snf = new Settings(SPRAYANDFOCUS_NS);

initialNrofCopies = snf.getInt(NROF_COPIES_S);

startTimestamps = new HashMap<DTNHost, Double>();

DurEncounters = new HashMap<DTNHost, Double>(); } public FocusDuration1(FocusDuration1 r) { } this.initialNrofCopies = r.initialNrofCopies;

DurEncounters = new HashMap<DTNHost, Double>();

startTimestamps = new HashMap<DTNHost, Double>(); @Override

public void connectionUp(DTNHost thisHost, DTNHost peer) {

} @Override

public void doExchangeForNewConnection(Connection con, DTNHost peer) { DTNHost

myHost = con.getOtherNode(peer);

FocusDuration1 de = this.getOtherDecisionEngine(peer);

this.startTimestamps.put(peer, SimClock.getTime());

de.startTimestamps.put(myHost, SimClock.getTime()); @Override


53

public void connectionDown(DTNHost thisHost, DTNHost peer) {

double time = startTimestamps.get(peer);

double etime = SimClock.getTime();

double durasi = etime - time;

if (durasi > 0) {

if (DurEncounters.containsKey(peer)) { durasi = durasi + this.getDurEncounter(peer); } DurEncounters.put(peer, durasi);

System.out.println("Node "+thisHost+" to "+peer+" duration : "

+this.getDurEncounter(peer));

} } @Override

public boolean newMessage(Message m) { } m.addProperty(MSG_COUNT_PROP, new Integer(initialNrofCopies));

return true; @Override

public boolean isFinalDest(Message m, DTNHost aHost) {

return m.getTo().equals(aHost);

} @Override public boolean shouldSaveReceivedMessage(Message m, DTNHost thisHost) {

// System.out.println(thisHost.getMessageCollection());

Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROP);

nrofCopies = (int) Math.ceil(nrofCopies / 2.0);

m.updateProperty(MSG_COUNT_PROP, nrofCopies);

return !m.getTo().equals(thisHost); } @Override

public boolean shouldSendMessageToHost(Message m, DTNHost otherHost) { DTNHost dest = m.getTo();FocusDuration1 de = getOtherDecisionEngine(otherHost);

if (dest == otherHost) {

return true;

}

if (m.getProperty(SUMMARY_XCHG_PROP) != null) {

return false;

}


assert nrofCopies != null : "SnF message " + m + " didn't have nrof copies property!";

if (fase.equals("focus")) { fase = "";

return true; }

if (nrofCopies > 1) {


54

fase = "spray";

return true;

} else {

double maxDurationPeer= 0.0;

double thisLastDur = this.getDurEncounter(dest); // MessageRouter otherRouter = otherHost.getRouter();

DTNHost thisHost = null;

for (Connection c : otherHost.getConnections()) {

DTNHost cekHost = c.getOtherNode(otherHost);

FocusDuration1 cek = this.getOtherDecisionEngine(cekHost);

if (cek.equals(this)) { thisHost = cekHost;

break; } } // System.out.println(thisHost+" other : "+otherHost);

DTNHost maxpeer = null;

FocusDuration1 max = null;

for (Connection c : thisHost.getConnections()) { DTNHost peer = c.getOtherNode(thisHost);

double peerLastDuration = 0.0;

FocusDuration1 de1 = getOtherDecisionEngine(peer);

if (de1.DurEncounters.containsKey(dest)) { peerLastDuration = de.getDurEncounter(dest); }

if (peerLastDuration > maxDurationPeer) { max = de1; maxpeer = peer; maxDurationPeer = peerLastDuration ; } }

if (max != null) { // double margin = thisLastDur*0.5;

if (max.getDurEncounter(dest) > thisLastDur) {

if (max.equals(de)) {

// System.out.println("focus");

return true; } else {

fase = thisLastDur; // System.out.println("focus oper"); shouldSendMessageToHost(m, maxpeer); } } } }

return false; @Override

public boolean shouldDeleteSentMessage(Message m, DTNHost otherHost) { Integer nrofCopies; if (m == null) { // message has been dropped from the buffer after..

return false; // ..start of transfer -> no need to reduce amount


55

of // copies } if (m.getProperty(SUMMARY_XCHG_PROP) != null) {

return true; } /* * reduce the amount of copies left. If the number of copies was at 1 * and we apparently just transferred the msg (focus phase), then we * should delete it. */

nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROP);

if (nrofCopies > 1) nrofCopies /= 2;

else

return true; m.updateProperty(MSG_COUNT_PROP, nrofCopies); return false;

} @Override public boolean shouldDeleteOldMessage(Message m, DTNHost hostReportingOld)

{ return false;

} @Override

public RoutingDecisionEngine replicate() {

return new FocusDuration1(this);

} private FocusDuration1 getOtherDecisionEngine(DTNHost h) { MessageRouter

otherRouter = h.getRouter();

assert otherRouter instanceof DecisionEngineRouter : "This router only works with other routers of same type" ; } } return (FocusDuration1) ((DecisionEngineRouter) otherRouter)

.getDecisionEngine(); protected double getDurEncounter(DTNHost host) {

if (DurEncounters.containsKey(host)) {

return DurEncounters.get(host);

} else { } } return 0.0;

class Spray and Focus Frequency

package routing;

import java.util.HashMap; SprayAndFocusFreqRouter.java


56

public class SprayAndFocusFreqRouter implements RoutingDecisionEngine {


public static final String SPRAYANDFOCUS_NS = "SprayAndFocusFreqRouter"; /** identifier for the initial number of copies setting ({@value} ) */

public static final String NROF_COPIES_S = "nrofCopies"; /** Message property key for the remaining available copies of a message */ public static final String MSG_COUNT_PROP =

"SprayAndFocusFreqRouter.copies"; /** * Message property key for summary vector messages exchanged between direct * peers */ public static final String SUMMARY_XCHG_PROP =

"SprayAndFocusFreqRouter.protoXchg"; protected static final String SUMMARY_XCHG_IDPREFIX = "summary";

protected static int protocolMsgIdx = 0;

protected int initialNrofCopies; /** Stores information about nodes with which this host has come in contact */ protected Map<DTNHost, Integer> FreqEncounters;

private String fase = "";

public SprayAndFocusFreqRouter(Settings s) { } Settings snf = new Settings(SPRAYANDFOCUS_NS); initialNrofCopies = snf.getInt(NROF_COPIES_S); FreqEncounters = new HashMap<DTNHost, Integer>();

public SprayAndFocusFreqRouter(SprayAndFocusFreqRouter r) { } this.initialNrofCopies = r.initialNrofCopies;

FreqEncounters = new HashMap<DTNHost, Integer>(); Page 1 SprayAndFocusFreqRouter.java @Override

public void connectionUp(DTNHost thisHost, DTNHost peer) {

} @Override

public void connectionDown(DTNHost thisHost, DTNHost peer) {

if (FreqEncounters.containsKey(peer)) { } Integer info = FreqEncounters.get(thisHost); FreqEncounters.put(peer, ++info); System.out.println("Freq " + thisHost + " to " + peer + " freq : "

+ this.getFreqEncounterForHost(peer));

else { } } FreqEncounters.put(peer, 1); System.out.println("Freq " + thisHost + " to " + peer + " freq : "


57

+ this.getFreqEncounterForHost(peer)); @Override

public void doExchangeForNewConnection(Connection con, DTNHost peer) { } @Override

public boolean newMessage(Message m) {

m.addProperty(MSG_COUNT_PROP, new Integer(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_PROP); nrofCopies = (int) Math.ceil(nrofCopies / 2.0); m.updateProperty(MSG_COUNT_PROP, nrofCopies); Page 2 SprayAndFocusFreqRouter.java return !m.getTo().equals(thisHost);

} @Override

public boolean shouldSendMessageToHost(Message m, DTNHost otherHost) { DTNHost dest = m.getTo(); SprayAndFocusFreqRouter de = getOtherDecisionEngine(otherHost); if (dest == otherHost){

return false; } if (m.getProperty(SUMMARY_XCHG_PROP) != null){

return false; } Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROP);

assert nrofCopies != null : "SnF message " + m + " didn't have nrof copies property!"; if(fase.equals("focus")){

fase="";

return true; } if (nrofCopies > 1) {

fase="spray";

return true; } else { (cekHost); int maxFreqPeer = 0;

int FreqThisHost = this.getFreqEncounterForHost(dest);

DTNHost thisHost=null; //cek myHost



58


SprayAndFocusFreqRouter cek=this.getOtherDecisionEngine

if(cek.equals(this)){

thisHost=cekHost;

break; } } DTNHost maxpeer=null;

SprayAndFocusFreqRouter max = null; //ambil peer dengan freq(dest) tertinggi for (Connection c : thisHost.getConnections()) { Page 3 SprayAndFocusFreqRouter.java DTNHost peer = c.getOtherNode(thisHost); int LastFreqPeer = 0;

SprayAndFocusFreqRouter de1 = getOtherDecisionEngine(peer); if (de1.FreqEncounters.containsKey(dest)) {

LastFreqPeer = de.getFreqEncounterForHost(dest); }

if (LastFreqPeer > maxFreqPeer) { } } max = de1; maxpeer=peer; maxFreqPeer = LastFreqPeer; //kirim

if (max != null) { // double margin = (double)FreqThisHost*0.5;

if (max.getFreqEncounterForHost(dest) > FreqThisHost) { // System.out.println("freq Peer "+max.getFreqEncounterForHost(dest )+" > "+"freq aku : "+FreqThisHost+" margin = "+margin ); if(max.equals(de)){

// System.out.println("focus"); return true;

}else{ fase="focus"; // System.out.println("focus oper"); } } } }

return false; shouldSendMessageToHost(m, maxpeer); } @Override


return false; // ..start of transfer -> no need to reduce amount


59

of // copies } if (m.getProperty(SUMMARY_XCHG_PROP) != null) {

return true; } /* * reduce the amount of copies left. If the number of copies was at 1 Page 4 SprayAndFocusFreqRouter.java * and we apparently just transferred the msg (focus phase), then we * should delete it. */



else

return true; m.updateProperty(MSG_COUNT_PROP, nrofCopies); return false;

} @Override

public boolean shouldDeleteOldMessage(Message m, DTNHost hostReportingOld) {

return true; } @Override


return new SprayAndFocusFreqRouter(this);

} private SprayAndFocusFreqRouter getOtherDecisionEngine(DTNHost h) {

MessageRouter otherRouter = h.getRouter();

assert otherRouter instanceof DecisionEngineRouter : "This router only works with other routers of same type" ; } } return (SprayAndFocusFreqRouter) ((DecisionEngineRouter) otherRouter)

.getDecisionEngine(); protected int getFreqEncounterForHost(DTNHost host) {

if (FreqEncounters.containsKey(host)) { } return FreqEncounters.get(host);

} else {

return 0;

}

Class Spray and Focus Last Encounter

package routing;


60

import java.util.HashMap; Focus.java public class Focus implements RoutingDecisionEngine {


public static final String SPRAYANDFOCUS_NS = "Focus"; /** identifier for the initial number of copies setting ({@value} ) */

public static final String NROF_COPIES_S = "nrofCopies"; /** Message property key for the remaining available copies of a message */ public static final String MSG_COUNT_PROP = "Focus.copies";

/** * Message property key for summary vector messages exchanged between direct * peers */

public static final String SUMMARY_XCHG_PROP = "Focus.protoXchg";

protected static final String SUMMARY_XCHG_IDPREFIX = "summary";

protected static int protocolMsgIdx = 0; /** Stores information about nodes with which this host has come in contact */ protected Map<DTNHost, Double> RecentEncounters;

private String fase="";

public Focus(Settings s) {

Settings snf = new Settings(SPRAYANDFOCUS_NS);

initialNrofCopies = snf.getInt(NROF_COPIES_S); } RecentEncounters = new HashMap<DTNHost, Double>();

public Focus(Focus r) {

this.initialNrofCopies = r.initialNrofCopies;

RecentEncounters = new HashMap<DTNHost, Double>(); } @Override

public void connectionUp(DTNHost thisHost, DTNHost peer) { } @Override Page 1 Focus.java public void connectionDown(DTNHost thisHost, DTNHost peer) {

if (RecentEncounters.containsKey(thisHost)) { } RecentEncounters.put(peer, new Double(SimClock.getTime()));

else { } } RecentEncounters.put(peer,new Double(SimClock.getTime())); @Override

public void doExchangeForNewConnection(Connection con, DTNHost peer) { } @Override public boolean newMessage(Message m) {

m.addProperty(MSG_COUNT_PROP, new Integer(initialNrofCopies));


61

return true; } @Override

public boolean isFinalDest(Message m, DTNHost aHost) {

return m.getTo().equals(aHost);

} @Override

public boolean shouldSaveReceivedMessage(Message m, DTNHost thisHost) { } Integer nrofCopies = (Integer) m.getProperty(MSG_COUNT_PROP); nrofCopies = (int) Math.ceil(nrofCopies / 2.0); m.updateProperty(MSG_COUNT_PROP, nrofCopies); return !m.getTo().equals(thisHost); @Override

public boolean shouldSendMessageToHost(Message m, DTNHost otherHost) { DTNHost dest = m.getTo(); Focus de = getOtherDecisionEngine(otherHost); if (dest == otherHost){

return true; Page 2 Focus.java }

if (m.getProperty(SUMMARY_XCHG_PROP) != null){

return true;

}


assert nrofCopies != null : "SnF message " + m + " didn't have nrof copies property!";

if(fase.equals("focus")){ fase="";

return true; }

if (nrofCopies > 1) { fase="spray";

return true;

} else {

double maxRecentPeer= 0;

double RecentaTimeThisHost = this.getRecentEncounterForHost(dest); // MessageRouter otherRouter = otherHost.getRouter();

DTNHost thisHost=null;



Focus cek=this.getOtherDecisionEngine(cekHost);

if(cek.equals(this)){ } } thisHost=cekHost;

break; // System.out.println(thisHost+" other : "+otherHost);

DTNHost maxpeer=null;


62

Focus max = null;

for (Connection c : thisHost.getConnections()) { DTNHost peer = c.getOtherNode(thisHost);

double peerLastSeen = 0;

Focus de1 = getOtherDecisionEngine(peer);

if (de1.RecentEncounters.containsKey(dest)) { peerLastSeen = de.getRecentEncounterForHost(dest); }

if (peerLastSeen > maxRecentPeer) { max = de1; maxpeer=peer; maxRecentPeer= peerLastSeen; } }

if (max != null) { // double margin = RecentaTimeThisHost*0.5;

if (max.getRecentEncounterForHost(dest) > RecentaTimeThisHost) {

if(max.equals(de)){ fase="focus"; Page 3 } } } }

return false; Focus.java shouldSendMessageToHost(m, maxpeer); } @Override


return false; // ..start of transfer -> no need to reduce amount of // copies { } if (m.getProperty(SUMMARY_XCHG_PROP) != null) {

return true;

} /* * reduce the amount of copies left. If the number of copies was at 1 * and we apparently just transferred the msg (focus phase), then we * should delete it. */



else

return true;


63

m.updateProperty(MSG_COUNT_PROP, nrofCopies); return false;

} @Override

public boolean shouldDeleteOldMessage(Message m, DTNHost hostReportingOld)

return true;

} @Override


return new Focus(this);

} private Focus getOtherDecisionEngine(DTNHost h) {

MessageRouter otherRouter = h.getRouter();

assert otherRouter instanceof DecisionEngineRouter : "This router only Page 4 works with other routers of same type"; } Focus.java DecisionEngineRouter : only return (Focus) ((DecisionEngineRouter) otherRouter)

.getDecisionEngine(); protected double getRecentEncounterForHost(DTNHost host) {

if (RecentEncounters.containsKey(host)){ } } return RecentEncounters.get(host);

}else{

return 0;

}

Skenario Random Waypoint

Scenario.name = Rwp_L4 Scenario.simulateConnections = true Scenario.updateInterval = 0.1 # 950400s == 11d Scenario.endTime = 950400 Scenario.nrofHostGroups = 1 RWP1.txt # "Bluetooth" interface for all nodes btInterface.type = SimpleBroadcastInterface # Transmit speed of 2 Mbps = 250kBps btInterface.transmitSpeed = 250k btInterface.transmitRange = 10 # High speed, long range, interface for group 4 highspeedInterface.type = SimpleBroadcastInterface highspeedInterface.transmitSpeed = 10M highspeedInterface.transmitRange = 1000 #Duration FocusDuration1.nrofCopies = 8


64

FocusDuration1.binaryMode = true #freq SprayAndFocusFreqRouter.nrofCopies = 8 SprayAndFocusFreqRouter.binaryMode = true #Recent Focus.nrofCopies = 8 Focus.binaryMode = true # Common settings for all groups Group.movementModel = RandomWaypoint Group.router = DecisionEngineRouter DecisionEngineRouter.decisionEngine = [FocusDuration1; SprayAndFocusFreqRouter; Focus] Group.bufferSize = 100M Group.waitTime = 0, 120 Group.nrofInterfaces = 1 Group.interface1 = btInterface # Walking speeds Group.speed = 0.5, 1.5 # Message TTL of 300 minutes (5 hours) Group.msgTtl = 1440 Group.nrofHosts = 100 Page 1 Events.nrof = 1 Events1.class = MessageEventGenerator # Message sizes (1MB - 5MB) Events1.size = 100k, 200k Events1.prefix = M Events1.hosts = 0, 99 Events1.interval = 60,70 MovementModel.worldSize = 2000, 2000 # Create Reports # how many reports to load RWP1.txt # length of the warm up period (simulated seconds) Report.nrofReports = 2 Report.warmup = 0 #Report.reportDir = reports/rwp/percobaan/SNFFREQ/PRODUK_MUTASI/duration Report.reportDir = [reports/RWP/L4/DUR; reports/RWP/L4/FRQ; reports/RWP/L4/ REC] Report.nrofReports = 2 Report.report1 = MessageStatsReport Report.report2 = BufferOccupancyReport ## Optimization settings -- these affect the speed of the simulation ## see World class for details. Optimization.cellSizeMult = 5 Optimization.randomizeUpdateOrder = true

Skenario Helsinky with BuMovement

Scenario.name = HelsinkyWithBus Scenario.simulateConnections = true Scenario.updateInterval = 1 # 43k ~= 12h Scenario.endTime = 700k Report.warmup = 200000


65

Group.msgTtl = 1433 Scenario.nrofHostGroups = 17 ################################### ### common settings for all groups Group.movementModel = MapBasedMovement BusVsCar0.txt Group.router = DecisionEngineRouter DecisionEngineRouter.decisionEngine = [FocusDuration1; SprayAndFocusFreqRouter; Focus] #Duration FocusDuration1.nrofCopies = 4 FocusDuration1.binaryMode = true #freq SprayAndFocusFreqRouter.nrofCopies = 4 SprayAndFocusFreqRouter.binaryMode = true #Recent Focus.nrofCopies = 4 Focus.binaryMode = true Group.bufferSize = 100M Group.transmitRange = 10 # transmit speed of 2 Mbps = 250kBps Group.transmitSpeed = 100k Group.waitTime = 0, 0 # walking speeds Group.speed = 0.5, 1.5 Group.nrOfOffices = 50 Group.workDayLength = 28800 Group.probGoShoppingAfterWork = 0.5 Group.nrOfMeetingSpots = 10 Group.officeWaitTimeParetoCoeff = 0.5 Group.officeMinWaitTime = 10 Group.officeMaxWaitTime = 100000 Group.officeSize = 100 Group.nrofHosts = 0 Group.timeDiffSTD = 7200 Group.minGroupSize = 1 Page 1 Group.maxGroupSize = 3 Group.minAfterShoppingStopTime = 3600 Group.maxAfterShoppingStopTime = 7200 BusVsCar0.txt #################################################### Group1.groupID = o Group1.speed = 7, 10 Group1.waitTime = 10, 30 #Group1.nrofHosts = 0 Group1.nrofHosts = 2 Group1.movementModel = BusMovement Group1.routeFile = data/HelsinkiMedium/A_bus.wkt Group1.routeType = 2 Group1.busControlSystemNr = 1 Group2.groupID = A Group2.waitTime = 0, 0 #Group2.nrofHosts = 0 Group2.nrofHosts = 150


66

Group2.movementModel = WorkingDayMovement Group2.busControlSystemNr = 1 Group2.speed = 0.8, 1.4 Group2.ownCarProb = 0 Group2.shoppingControlSystemNr = 1 Group2.meetingSpotsFile = data/HelsinkiMedium/A_meetingspots.wkt Group2.officeLocationsFile = data/HelsinkiMedium/A_offices.wkt Group2.homeLocationsFile = data/HelsinkiMedium/A_homes.wkt Group3.groupID = p Group3.speed = 7, 10 Group3.waitTime = 10, 30 #Group3.nrofHosts = 0 Group3.nrofHosts = 2 Group3.movementModel = BusMovement Group3.routeFile = data/HelsinkiMedium/B_bus.wkt Group3.routeType = 2 Group3.busControlSystemNr = 2 Group4.groupID = B Group4.waitTime = 0, 0 #Group4.nrofHosts = 0 Group4.nrofHosts = 50 Group4.movementModel = WorkingDayMovement Group4.busControlSystemNr = 2 Group4.speed = 0.8, 1.4 Group4.ownCarProb = 0 Group4.shoppingControlSystemNr = 2 Group4.meetingSpotsFile = data/HelsinkiMedium/B_meetingspots.wkt Group4.officeLocationsFile = data/HelsinkiMedium/B_offices.wkt Group4.homeLocationsFile = data/HelsinkiMedium/B_homes.wkt Page 2 BusVsCar0.txt Group5.groupID = q Group5.speed = 7, 10 Group5.waitTime = 10, 30 #Group5.nrofHosts = 0 Group5.nrofHosts = 2 Group5.movementModel = BusMovement Group5.routeFile = data/HelsinkiMedium/C_bus.wkt Group5.routeType = 2 Group5.busControlSystemNr = 3 Group6.groupID = C Group6.waitTime = 0, 0 #Group6.nrofHosts = 0 Group6.nrofHosts = 100 Group6.movementModel = WorkingDayMovement Group6.busControlSystemNr = 3 Group6.speed = 0.8, 1.4 Group6.ownCarProb = 0 Group6.shoppingControlSystemNr = 3 Group6.meetingSpotsFile = data/HelsinkiMedium/C_meetingspots.wkt Group6.officeLocationsFile = data/HelsinkiMedium/C_offices.wkt Group6.homeLocationsFile = data/HelsinkiMedium/C_homes.wkt Group7.groupID = r Group7.speed = 7, 10 Group7.waitTime = 10, 30


67

#Group7.nrofHosts = 0 Group7.nrofHosts = 2 Group7.movementModel = BusMovement Group7.routeFile = data/HelsinkiMedium/D_bus.wkt Group7.routeType = 2 Group7.busControlSystemNr = 4 Group8.groupID = D Group8.waitTime = 0, 0 #Group8.nrofHosts = 0 Group8.nrofHosts = 100 Group8.movementModel = WorkingDayMovement Group8.busControlSystemNr = 4 Group8.speed = 0.8, 1.4 Group8.ownCarProb = 0 Group8.shoppingControlSystemNr = 4 Group8.meetingSpotsFile = data/HelsinkiMedium/D_meetingspots.wkt Group8.officeLocationsFile = data/HelsinkiMedium/D_offices.wkt Group8.homeLocationsFile = data/HelsinkiMedium/D_homes.wkt Group9.groupID = s Group9.speed = 7, 10 Group9.waitTime = 10, 30 #Group9.nrofHosts = 0 Group9.nrofHosts = 2 Page 3 BusVsCar0.txt Group9.movementModel = BusMovement Group9.routeFile = data/HelsinkiMedium/E_bus.wkt Group9.routeType = 2 Group9.busControlSystemNr = 5 Group10.groupID = E Group10.waitTime = 0, 0 #Group10.nrofHosts = 0 Group10.nrofHosts = 100 Group10.movementModel = WorkingDayMovement Group10.busControlSystemNr = 5 Group10.speed = 0.8, 1.4 Group10.ownCarProb = 0 Group10.shoppingControlSystemNr = 5 Group10.meetingSpotsFile = data/HelsinkiMedium/E_meetingspots.wkt Group10.officeLocationsFile = data/HelsinkiMedium/E_offices.wkt Group10.homeLocationsFile = data/HelsinkiMedium/E_homes.wkt Group11.groupID = t Group11.speed = 7, 10 Group11.waitTime = 10, 30 #Group11.nrofHosts = 0 Group11.nrofHosts = 2 Group11.movementModel = BusMovement Group11.routeFile = data/HelsinkiMedium/F_bus.wkt Group11.routeType = 2 Group11.busControlSystemNr = 6 Group12.groupID = F Group12.waitTime = 0, 0 #Group12.nrofHosts = 0 Group12.nrofHosts = 150 Group12.movementModel = WorkingDayMovement


68

Group12.busControlSystemNr = 6 Group12.speed = 0.8, 1.4 Group12.ownCarProb = 0 Group12.shoppingControlSystemNr = 6 Group12.meetingSpotsFile = data/HelsinkiMedium/F_meetingspots.wkt Group12.officeLocationsFile = data/HelsinkiMedium/F_offices.wkt Group12.homeLocationsFile = data/HelsinkiMedium/F_homes.wkt Group13.groupID = u Group13.speed = 7, 10 Group13.waitTime = 10, 30 #Group13.nrofHosts = 0 Group13.nrofHosts = 2 Group13.movementModel = BusMovement Group13.routeFile = data/HelsinkiMedium/G_bus.wkt Group13.routeType = 2 Group13.busControlSystemNr = 7 Page 4 BusVsCar0.txt Group14.groupID = G Group14.waitTime = 0, 0 #Group14.nrofHosts = 0 Group14.nrofHosts = 150 Group14.movementModel = WorkingDayMovement Group14.busControlSystemNr = 7 Group14.speed = 0.8, 1.4 Group14.ownCarProb = 0 Group14.shoppingControlSystemNr = 7 Group14.meetingSpotsFile = data/HelsinkiMedium/G_meetingspots.wkt Group14.officeLocationsFile = data/HelsinkiMedium/G_offices.wkt Group14.homeLocationsFile = data/HelsinkiMedium/G_homes.wkt Group15.groupID = v Group15.speed = 7, 10 Group15.waitTime = 10, 30 Group15.nrofHosts = 4 Group15.movementModel = BusMovement Group15.routeFile = data/HelsinkiMedium/H_bus.wkt Group15.routeType = 2 Group15.busControlSystemNr = 8 Group16.groupID = H Group16.waitTime = 0, 0 Group16.nrofHosts = 200 Group16.movementModel = WorkingDayMovement Group16.busControlSystemNr = 8 Group16.speed = 0.8, 1.4 Group16.ownCarProb = 0 Group16.shoppingControlSystemNr = 8 Group16.nrOfOffices = 40 Group16.nrOfMeetingSpots = 5 Group17.groupID = K Group17.movementModel = ShortestPathMapBasedMovement Group17.waitTime = 100, 300 Group17.speed = 7, 10 Group17.nrofHosts = 10 # max number of external events to preload (default = 500) ExternalEvents.nrofPreload = 500


69

# path to external events file ExternalEvents.filePath = ee/700_events_1000_nodes_700ks.txt # seed for movement models' pseudo random number generator (default = 0) #MovementModel.rngSeed = [2; 8372; 98092; 18293; 777] #MovementModel.rngSeed = [2; 8372] MovementModel.rngSeed = 2 # World's size for Movement Models without implicit size (width, height; Page 5 BusVsCar0.txt # World's size for Movement Models without implicit size (width, height; meters) MovementModel.worldSize = 10000, 8000 # How long time to move hosts in the world before real simulation MovementModel.warmup = 43000 ## Map based movement -movement model specific settings MapBasedMovement.nrofMapFiles = 1 MapBasedMovement.mapFile1 = data/HelsinkiMedium/roads.wkt ## Reports - all report names have to be valid report classes # how many reports to load Report.nrofReports = 9 # default directory of reports (can be overriden per Report with output setting) #Report.reportDir = [reports/BusVsCar0/1; reports/BusVsCar0/2; reports/ BusVsCar0/3; reports/BusVsCar0/4; reports/BusVsCar0/5] #Report.reportDir = [reports/r1; reports/r2] #Report.reportDir = reports/ Report.reportDir = [reports/HelsinkyWIthBus/DUR; reports/HelsinkyWIthBus/FRQ; reports/HelsinkyWIthBus/REC] # Report classes to load Report.report1 = InterContactTimesReport Report.report2 = ContactTimesReport Report.report3 = UniqueEncountersReport Report.report4 = TotalEncountersReport Report.report5 = EncountersVSUniqueEncountersReport Report.report6 = ContactsDuringAnICTReport Report.report7 = MessageStatsReport Report.report8 = ContactsPerHourReport Report.report9 = BufferOccupancyReport ## Default settings for some routers settings ProphetRouter.secondsInTimeUnit = 30 SprayAndWaitRouter.nrofCopies = 6 SprayAndWaitRouter.binaryMode = true ## Optimization settings -- these affect the speed of the simulation ## see World class for details. Optimization.connectionAlg = 2 Optimization.cellSizeMult = 5 Optimization.randomizeUpdateOrder = true ## GUI settings # GUI underlay image settings GUI.UnderlayImage.fileName = data/helsinki_underlay.png # Image offset in pixels (x, y) GUI.UnderlayImage.offset = 64, 20 Page 6 # Scaling factor for the image GUI.UnderlayImage.scale = 4.75


70

# Image rotation (radians) GUI.UnderlayImage.rotate = -0.015 BusVsCar0.txt # how many events to show in the log panel (default = 30) GUI.EventLogPanel.nrofEvents = 200 # Regular Expression log filter (see Pattern-class from the Java API for REmatching details) #GUI.EventLogPanel.REfilter=.*p[1-9]<->p[1-9]$

Skenario Haggle4-Cam-Imote

Scenario.name = Haggle_1 Scenario.simulateConnections = false #Scenario.updateInterval = 0.1 Scenario.endTime = 987529 Haggle4.txt btInterface.type = SimpleBroadcastInterface btInterface.transmitSpeed = 250k btInterface.transmitRange = 10 btInterface.scanInterval = 120 Scenario.nrofHostGroups = 1 #Duration FocusDuration1.nrofCopies = 4 FocusDuration1.binaryMode = true #freq SprayAndFocusFreqRouter.nrofCopies = 4 SprayAndFocusFreqRouter.binaryMode = true #Recent Focus.nrofCopies = 4 Focus.binaryMode = true Group.router = DecisionEngineRouter DecisionEngineRouter.decisionEngine = [FocusDuration1; SprayAndFocusFreqRouter; Focus] #DecisionEngineRouter.decisionEngine = SprayAndFocusFreqRouter Group.bufferSize = 100M Group.waitTime = 10, 30 # All nodes have the bluetooth interface Group.nrofInterfaces = 1 Group.interface1 = btInterface # Walking speeds Group.speed = 0.4, 1.8 # Message TTL of 60 minutes (1 hours) Group.msgTtl = 1440 Group.nrofHosts = 36 Group.nodeLocation = 10,10 Group1.movementModel = StationaryMovement Group1.groupID = p ## Message creation parameters # How many event generators Events.nrof = 2 Events1.class = ExternalEventsQueue Events1.filePath = Haggle4-Cam-Imote.csv Events2.class = MessageEventGenerator Page 1


71

#Events2.interval = 7200,10800 #sec #1minute=60s 1jam=3600 Events2.interval = 1800, 1850 Events2.size = 500k, 1M Events2.hosts = 0,35 Events2.prefix = M Haggle4.txt ## Movement model settings # seed for movement models' pseudo random number generator (default = 0) MovementModel.rngSeed = 1 # World's size for Movement Models without implicit size (width, height; meters) MovementModel.worldSize = 4500, 3400 # How long time to move hosts in the world before real simulation MovementModel.warmup = 1000 # how many reports to load Report.nrofReports = 2 Report.reportDir = [reports/HaggleCam/H1/DUR; reports/HaggleCam/H1/FRQ; reports/HaggleCam/H1/REC] #Report.reportDir = reports/Realx/R1/FRQ # Report classes to load Report.report1 = MessageStatsReport Report.report2 = BufferOccupancyReport Optimization.cellSizeMult = 5 Optimization.randomizeUpdateOrder = true

Skenario Reality MIT Mining

Scenario.name = reality_x5 Scenario.simulateConnections = false #Scenario.updateInterval = 0.1 # 4294800 = batas bawah dr reality #Scenario.endTime = 950400 Scenario.endTime = 4294800 btInterface.transmitSpeed = 250k btInterface.transmitRange = 10 Scenario.nrofHostGroups = 1 #Duration FocusDuration1.nrofCopies = 8 FocusDuration1.binaryMode = true #freq SprayAndFocusFreqRouter.nrofCopies = 8 Manusia3.txt SprayAndFocusFreqRouter.binaryMode = true #Recent Focus.nrofCopies = 8 Focus.binaryMode = true Group.router = DecisionEngineRouter DecisionEngineRouter.decisionEngine = [FocusDuration1; SprayAndFocusFreqRouter; Focus] #DecisionEngineRouter.decisionEngine = SprayAndFocusFreqRouter Group.bufferSize = 100M Group.waitTime = 0, 180


72

# All nodes have the bluetooth interface Group.nrofInterfaces = 1 Group.interface1 = btInterface # Walking speeds Group.speed = 0.4, 1.8 # Message TTL of 60 minutes (1 hours) Group.msgTtl = 10080 Group.nrofHosts = 97 Group.nodeLocation = 10,10 Group1.movementModel = StationaryMovement Group1.groupID = p ## Message creation parameters # How many event generators Events.nrof = 2 Events1.class = StandardEventsReader Events1.filePath = RealityConnectionTraceFinal.txt Events2.class = MessageEventGenerator #Events2.interval = 7200,10800 Page 1 #sec #1minute=60s 1jam=3600[`` Events2.interval = 3600, 3650 Events2.size = 500k, 1M Events2.hosts = 0,96 Events2.prefix = M Manusia3.txt ## Movement model settings # seed for movement models' pseudo random number generator (default = 0) MovementModel.rngSeed = 1 # World's size for Movement Models without implicit size (width, height; meters) MovementModel.worldSize = 4500, 3400 # How long time to move hosts in the world before real simulation MovementModel.warmup = 1000 # how many reports to load Report.nrofReports = 2 Report.reportDir = [reports/Realx/R5/DUR; reports/Realx/R5/FRQ; reports/ Realx /R5/REC] #Report.reportDir = reports/Realx/R1/FRQ # Report classes to load Report.report1 = MessageStatsReport Report.report2 = BufferOccupancyReport Optimization.cellSizeMult = 5 Optimization.randomizeUpdateOrder


analisis unjuk kerja protokol spray and focus … · banyak kontak node dan jumlah kontak tersebut...

Documents